头图 | AI生成
“AI上线后，旧流程没变，经营和财务也长期不见改善，那大概率白上了。”
这是中国生物制药集团助理副总裁，兼数字创新中心负责人曹奋泽判断企业是否真的落地AI的一条硬标准。
当企业不断上新智能体，员工AI工具越用越多，可如果业务仍沿着原有流程运转，那AI很可能只是在业务流程旁的一个外挂而已，看上去热闹，很难变成真正的生产力。
那么，AI如何才能从“可用可不用”的工具，变成业务绕不开的一环？
近期，虎嗅智库与曹奋泽聊了聊这个问题。中国生物制药首席执行长、正大天晴董事长谢承润此前曾将AI与国际化作为企业跨越产业周期的重要方向。这家公司也在将AI逐步嵌入药物研发、临床开发、生产制造和商业化等环节。
智能审核是其中相对成熟的案例。过去一年，这套系统已经在临床、财务、合同等审核场景处理数百万材料。业务提交单据后，无需主动打开AI，系统会自动完成信息提取、规则校验并分流异常，业务人员重点处理例外、维护规则、判断风险。
经营智能分析类系统则绕过一段弯路，系统连接好了，分析和建议能够生成，业务却没有持续采用。团队复盘后发现，影响判断的现场信息和执行约束没有完整进入系统，建议由谁核实、如何跟进、结果怎样反馈，也需要同步设计。
一条路走得顺，一条路绕过弯，但指向同一个答案，AI能给出答案不等于真正落地，只有当答案能够触发行动、明确责任，并从结果中继续学习，才算进入企业流程。
曹奋泽将其概括为“三进一退”：进入默认入口，进入行动与责任，进入反馈闭环，同时让旧流程退出。
当模型越来越易得，企业真正稀缺的，已经不是再多一个AI工具，而是重写流程、权责与反馈机制的能力。
以下为虎嗅智库与曹奋泽的对话整理摘要，enjoy。
01
AI上线不算落地，企业需要重算“价值账”
Q1：过去两三年，中国生物制药落地了哪些AI项目？您如何判断一个项目是否真正产生了业务价值？
曹奋泽：过去两三年，我们明显感受到AI可参与的工作范围在扩大，关注点也逐步从能力验证转向业务应用。但我们现在评估AI项目，已经不再只看上线数量、账号数和使用量了，而是分成四个阶段：第一，是否完成部署；第二，员工是否真的在使用；第三，AI是否正式进入了一些业务流程；第四，它最终有没有产生可以持续衡量的业务结果。
目前AI创造价值的场景大致分三类：
第一类是高频、人力密集、规则相对清晰的场景。比如业务材料审核、合同条款比对、临床文件核查、医学编码和病例预筛中的信息处理。这类标准明确、可验证的任务较容易形成稳定应用，提升效率和一致性，专业判断仍由相应人员承担。
第二类是基于多元数据进行分析、预警和辅助决策。比如临床项目的进度与风险、生产端的需求与供应变化，以及经营表现分析。通过结合业务数据、外部信息和一线反馈，帮助管理者发现异常、分析原因、比较行动方案。
第三类是支持更复杂的科学研发，比如AI药物设计。我们已在分子设计、虚拟筛选等环节开展应用，并逐步推进真实项目验证，通过化合物合成、湿实验及数据回流，检验计算结果、改进下一轮设计。
但这三类场景不能用同一套指标衡量。自动化场景要看准确率、处理时效、人均产能和风险发现能力；决策类场景要看建议有没有被采纳、有没有形成实际行动；AI药物设计也不能看生成了多少分子，而要看能不能缩小候选化合物范围、减少无效合成，更早识别活性、选择性和安全性风险。
所以，我们现在看的不是“AI上没上线”，是它到底走到了哪一步。
Q2：如果选择一个已经稳定运行、产生明确价值的案例展开来聊聊，您会选哪个？
曹奋泽：我会选择“智能审核”类的案例。医药行业本身是一个知识密集型产业，有大量材料需要处理、提取、审核和归纳的工作。智能审核的价值是把标准明确、结果可验证的部分交给AI持续执行，专业人员则重点处理异常和作出最终判断。
单据智能审核是其中运行较为成熟的一个例子，已累计处理百万单。单据提交后，AI完成信息提取、规则比对和异常提示，处理结果直接进入后续流转，业务人员则重点处理异常、维护规则，并完成必要的复核。
类似的能力，也正在用于合同条款比对、临床研究文件的完整性和一致性核查，同时保留各个领域所需的专业判断和复核要求。
在这些应用持续运行的过程中，经过验证的规则和方法被逐步固化到系统和流程中，得以持续复用；异常处理与复核中积累的经验，也可以用于进一步完善规则。
这笔账是可以算出来的，原来需要多少人、花多长时间，现在自动处理多少、人工处理多少、模型消耗多少。
这类案例之所以相对成熟，核心是它高频、刚需，数据输入相对稳定，规则也比较清楚。更重要的是，AI给出的结果会直接影响单据下一步怎么流转，而不是只在旁边给一个参考意见。
Q3：现在老板和财务部门都会追问AI项目的投入产出，你们具体怎么算这笔账？
曹奋泽：企业做AI，最后是要改财务指标的。一个AI项目，如果长期看不到对经营和财务结果的贡献，我就会质疑它继续投入的价值。有些价值需要时间才能兑现，但至少要说清楚，现在改善了什么，后面还要验证什么。
我们主要看四本收益账。
第一本是效率账，看工时、流程周期、业务吞吐量和响应速度；第二本是质量账，看差错、返工和结果的稳定性；第三本是风险账，看异常能不能提前发现、及时处置，风险暴露能不能缩小；第四本是增长和机会账，看预测、资源配置、研发判断和业务行动有没有改善，能不能带来新的业务结果。
每个AI项目，都要找到自己的账本。自动化审核重点看效率和质量；生产场景看批次差错、返工和相关损失；决策类项目则要从建议是否被采纳，一直追踪到行动和结果。
这里有一个很容易混淆的地方，节省时间不等于节省现金。要看重复工作是否真正取消，释放出来的能力去了哪里：是减少外部支出、承接更多工作，还是投入更高价值的任务。财务收益和释放的工作能力，要分开说明。
收益还要有基线、统计周期和归因依据。生产计划周期缩短、库存改善，往往是数字化、流程调整和管理共同作用的结果，不能全部记在AI头上。预警发现了风险，也不能把可能避免的损失全部算成已经赚到的钱。收益可以估算，但不能把可能性当成成绩。
研发项目要分阶段评价：早期看筛选周期、候选选择质量和实验验证效率，随后看设计、合成和测试的迭代质量，长期看关键研发里程碑。不能只数生成了多少分子，也不必等到药物上市才评估价值。周期可以长，但每个阶段都要有支撑继续投入的依据。
除了收益账，还要算成本账。模型和Token之外，数据治理、系统集成、人工复核、持续运营、培训、变更管理、安全和合规，都要算进去。把全部投入与实际完成的业务量、质量和结果对应起来，才能看清投入产出。调用次数和提示词数量，只能说明用了，不能证明创造了价值。
最后，收益要看集团整体，不能各个团队重复计算。业务与数字团队共同定目标、验结果，财务参与核验。业务负责采用、流程调整和专业判断，数字团队负责技术能力、系统稳定性和运行成本，双方共同保障数据质量、推动收益兑现。项目上线不等于价值兑现，双方要对最后的结果负责。
02
AI真正进入业务的分水岭，是有没有“流程后果”
Q4：AI怎样从员工偶尔使用的工具，进入日常业务流程？
曹奋泽：关键不只是工具做得有多好，而是我们把AI的触发方式重塑了。
现在很多场景，已经不依赖员工是否主动打开AI。比如提交报销或请款单据后，系统自动完成材料识别、信息提取和规则校验，正常单据继续流转，异常情况进入人工复核。
病例预筛也是类似的逻辑。临床方案的入排条件结构化之后，AI先比对病例，初步识别可能符合条件的候选患者，标出信息缺失和冲突点，再由专业人员核实判断，减少逐项查找和比对的工作。
还有我们正在推进的生产计划方向，基础是把需求、生产计划、采购计划和库存信息接起来。在此基础上设计AI，就要围绕计划人员的真实工作：需求变化时，哪些物料和交付可能受影响，需要补充什么信息。这些分析应当进入计划评审和调整的工作入口，由计划人员核实约束、组织讨论，再按职责完成决策。如果结果停留在另一个聊天窗口，员工仍要重新找数据、做表格、解释背景，就很难形成持续价值。
所以，对于审核、核查这类高频场景，我们会看：即使员工没有主动打开AI，这项业务是否仍然会自然经过AI？如果答案是“会”，AI基本已经进入流程了；如果还需要员工想起来、愿意用，主动打开一个工具，它大概率还是流程旁边的外挂。
Q5：有没有技术逻辑已经跑通，但业务一开始没有真正推下去的项目？
曹奋泽：前两年我们在各个业务板块都做过一些智能分析及推荐系统。自然语言交互、多系统对接、数据分析和建议输出，技术上都跑通了，能够围绕业务表现回答问题、推荐下一步行动。项目初期的激活情况也不错，但持续使用和建议采纳没有达到预期。
后来复盘后发现，大家共同存在一个认知误区：把“技术链路打通”等同于“业务决策链路打通”，这两件事不能画等号。
比如AI发现某块业务表现出现波动，可以快速定位哪些指标发生了变化，但下一步该怎么办，还要看背后的原因。是需求发生了变化，还是供应节奏出现调整？是短期波动，还是需要持续关注的趋势？不同原因对应的行动完全不同。如果这些信息没有及时进入系统，AI就可能跳过原因核实，直接给出一套看似完整、实际却缺少执行条件的建议。
后来，我们一方面继续治理底层数据，补充相关政策、市场变化和一线反馈；另一方面，也改变了对AI输出的要求：给建议时，要同步说明判断依据是什么、还缺什么信息、在什么条件下适用。信息不足时，先明确需要核实的问题，而不急着给结论。
业务人员也可以选择采纳、调整或者不采纳，但反馈不能只停留在一句“AI给的不准”。比如，是某项信息已经过时，还是现场存在系统尚未掌握的约束，或者建议的方向合理、执行时机却不合适，都需要说明。采纳后的行动和结果，也要记录下来，供下一轮分析使用。
这样，业务人员每一次补充信息、纠正判断，都在帮助系统更接近真实业务。经过确认的信息再进入后续分析，AI也能据此调整建议。我们逐步把反馈接回了日常工作，不只是停留在工具上线后的意见收集。
这类项目确实走过弯路，但它让我们认识到：业务经验不仅要在建设系统时输入一次，还要在使用过程中持续回来。把系统连接起来，只是第一步，真正困难的是把业务反馈接回来。
Q6：把这些案例放在一起，决定AI能否进入核心业务流程的分水岭是什么？
曹奋泽：我们总结下来，不是AI能不能给出答案，而是它给出的答案有没有“流程后果”。
所谓流程后果，就是AI输出之后，下一步真的有人行动、有人负责，结果还会回到系统里。
我们把它概括为“三进一退”。
第一，进入默认入口。把AI放到真实任务发生的位置，使用经过授权的正式数据。审核、核查可以由业务事件自动触发，关键是让AI进入员工原本完成任务的入口，由业务动作自动触发，而不是让员工另外打开一个聊天窗口。
第二，进入行动和责任。AI输出以后，要明确谁核实、谁决定、谁执行、谁承担相应责任。并不是每条建议都必须采纳，有时需要补充证据、暂缓行动或维持现有方案，但这些都应当是经过判断、有依据的决定。
第三，进入反馈闭环。建议是否被采纳、异常怎样处理、最终效果如何，都要记录下来。经过确认的反馈，再用于持续改进数据、规则、模型和流程。
最后是“一退”，旧流程退出。AI上线以后，如果员工仍然完整地重复原来的工作，相当于只在旁边多了一个工具，甚至可能增加负担。只有旧的工作方式、岗位分工和管理动作发生变化，AI才真正形成新的生产力。“一退”不是指所有旧流程已经完成退出，而是中国生物制药判断AI能否形成生产力的一项改造目标和验收标准。
“三进一退”最终要回答的是，AI进入了哪一步，结果由谁承接，反馈怎样回来，以及哪些旧工作可以真正减少。这些事情落实了，工具能力才能变成企业持续运转的业务能力。
03
流程一旦改变，任务、责任和权力都要重写
Q7：AI Native改造，和给每个岗位配一个AI助手，到底有什么不同？
曹奋泽：我经常给业务负责人举装修的例子。
过去装修房子，可能是一个施工队长带着刷墙、铺地板、吊顶等技术工人作业。如果只是给刷墙工配一个刷墙助手，给铺地板的人配一个铺地板助手，每个人可能都做得更快了，但工序之间怎么衔接、材料什么时候到、出了问题谁来协调，还是原来的方式。局部效率提高了，整套房子却未必能更早交付。
AI Native要从最终交付结果往前倒推。就像装修，先明确房子最后要交付成什么样、达到什么标准，再重新安排工序、协作和分工。
放到企业里，就是先看最终要交付什么，需要哪些信息、依据什么规则，再看哪些信息由业务提供，哪些可以从系统直接获取，哪些环节可以取消，哪些适合交给AI，最后重新设计整条工作流。
例如经营分析不能只是让AI帮助每个部门更快做表，而要先取消重复取数和反复对口径，再重建整条分析流程。
所以，我们现在会先画一张“任务地图”。没有必要继续存在的任务，直接取消；规则清楚、重复度高且能够验证的任务，逐步交给系统和AI完成；需要专业经验的任务，由AI辅助、人来判断；涉及高风险和正式责任的环节，由具备相应资质和授权的人员复核、签字。
我们正在用这种方式推进内部多个部门的改造。先由业务负责人和数字团队一起，把最终交付和全流程重新梳理一遍，再由部门负责人选择合适的板块做试点。我们把AI能力和方法带进去，业务骨干则结合真实工作验证、调整，再带动团队逐步转变。
至于岗位怎么调整，要建立在任务和流程重新设计的基础上。但最终要讲清楚，哪些重复工作减少了，哪些职责需要加强，以及人释放出来以后，应该创造什么新的价值。
Q8：AI进入研发、生产、医学和销售等正式流程后，谁复核、谁签字？出了问题由谁承担责任？
曹奋泽：我们的基本原则是，AI可以参与判断和执行，专业人员对关键判断和审批负责，数字团队对数据处理、模型评估、权限控制和系统运行承担相应责任。
具体分为四个层次，并结合影响范围、数据敏感性和结果是否可逆，确定授权与复核要求。
第一层是读取信息，比如检索、摘要、材料整理和初稿生成，这些可以由AI自动完成，但如果材料要正式对外使用，仍然需要员工确认。
第二层是做判断，比如分类、提醒、异常识别和流程路由，可以自动触发，但业务人员要重点处理AI标记出来的异常和例外。
第三层是执行。对于规则清楚、风险较低、结果可逆的操作，Agent可以在预设权限和阈值内执行。比如一些低金额的报销动作，团队在尝试由AI审核后，自动触发后续操作。但全过程必须留痕，还要有暂停、撤回和回滚的口子。
最后一层是高风险决策，比如临床和医学判断、生产关键决策、质量放行、合同签署、高风险付款。这些事情AI只能提建议，最终必须由具备专业资格、获得正式授权的人复核和签字。
这里经常讲Human in the loop，但它不是在流程最后随便安排一个人点确认。必须明确是哪一个人、在哪一个节点、复核什么内容、依据什么作出判断、最终承担什么责任。他也必须看得见AI判断的依据、数据来源、模型版本、适用边界和不确定性，并且拥有质疑和推翻AI结论的权利。
Q9：当AI真正进入组织，它会如何改变岗位、协作方式和考核？最大的阻力来自哪里？
曹奋泽：岗位不是最小的改造单元，任务才是。我们要先看，一个岗位里的每项任务由谁完成、以什么方式完成，以及人的价值应该体现在哪里。
比如生产计划人员，减少取数和表格汇总后，可以更多关注需求变化、供应异常和方案协调；临床人员减少重复核查，把精力转向风险跟进和专业判断；科研人员减少检索和资料整理，把更多时间投入科学假设、实验设计和结果解释。
人的工作重心，会逐步从重复处理转向专业判断、异常解决和结果负责。考核也要跟着调整：除了处理多少材料、制作多少报表，更要看流程周期、质量、返工和业务结果，以及能否把个人经验沉淀为组织可复用的数据、规则和方法。
这类改造的难点，往往是收益、责任和价值感没有同步调整。组织获得了效率，员工却可能增加了复核工作；员工被要求把经验教给AI，却不清楚未来如何评价自己的价值。管理者也需要从汇总信息、传递报表，更多转向判断、辅导和跨部门协调。
所以，我们会先和业务负责人讨论两个问题，哪些重复工作可以减少？人释放出来以后，应该创造什么新的价值？再把任务调整、责任划分、考核和能力培养一起落实，让员工清楚新的要求，也有机会学习和反馈。
如果旧工作没有减少，责任和考核也没有调整，AI就很容易变成员工额外增加的一项负担。
Q10：AI落地场景应该由IT、业务还是集团来选择？谁拥有启动权、否决权和停止权？
曹奋泽：AI场景需要共同选择，决策和责任也要对应起来。如果全部由技术团队选择，很容易变成“技术能做什么，我们就做什么”；如果完全交给业务，可能只能看到局部痛点，容易低估数据治理、系统集成、长期运营和风险成本；如果全部由集团自上而下决定，又可能方向是对的，但脱离真实业务流程。
我们的做法是，业务部门讲清楚工作有哪些节点、流程怎么走、最终交付什么；数字化团队在此基础上拆解流程、分析痛点，将合适的技术与业务需求匹配，并做好数据治理；集团统筹战略优先级与资源配置，质量、合规、法务、安全和医学等部门守住专业底线。
启动权一般由业务和数字化团队共同拥有。业务不能只提一句“我要做一个问数AI”，他要讲清楚，到底有什么问题，现状基线是什么，想改善到什么程度，做成之后愿不愿意改变原有流程、岗位和考核。如果这些都不愿意改，那我一般不会启动。
否决权按照责任域分配。谁对某类风险承担正式责任，谁就在这个领域拥有否决权。比如涉及医药合规的问题，合规部门就应该拥有一票否决权。
项目也必须有停止权。AI项目不能因为前期已经投入了资源，就不断追加投入。预先约定什么情况下继续、缩小范围、暂缓或终止，比投入之后再争论更有效。如果关键数据长期不能满足要求、业务需求已经变化，或者复盘后仍看不到合理价值，就应该重新分配资源。
及时停止，并不意味着前期的投入毫无价值。该复盘的判断要复盘，形成的数据、方法和经验也要留下来。企业既要有探索的空间，也要有根据证据调整方向的能力，不能为了证明过去的决定正确，持续投入一个已经失去价值基础的项目。
04
模型可以买，组织的反馈能力买不到
Q11：中国生物制药的这些实践中，哪些可以被其他药企复制，哪些需要因地制宜？
曹奋泽：我认为要分三个层次来看，可以复制的是方法和原则，需要因地制宜的是建设路径，无法直接照搬的是长期积累。
真正可以复制的，不是某一个系统或者某一个智能体，是判断AI场景的顺序。先判断业务问题是不是清楚、数据能不能支撑、流程能不能重构、价值能不能衡量；再明确AI怎么进入默认入口，谁承接动作、谁承担责任、结果怎么反馈。最后根据风险决定AI可以读取、判断、执行到什么程度，哪些高风险决策必须由专业人员复核和签字。
具体建设路径，也要看企业的起点。流程有没有线上化，一个客户、物料和指标，在不同系统里是不是同一个定义，系统之间的数据能否连接，这些都会影响推进方式。比如同一种物料，在采购、生产和库存系统里使用不同编码，连数量和状态都对不上，AI就很难可靠地判断是否缺料、会不会影响交付。这时首先要解决的是数据和业务规则的一致性。
规模较小的药企，可以采购成熟能力，集中打透两三个高频、可复用的场景；大型药企建议要更早统一模型准入、数据标准、身份权限和安全审计，避免局部项目越多，后续治理和集成成本越高。具体路径还要结合已有基础和风险要求来定。
长期积累尤其体现在研发中。科学问题、数据、实验条件和团队经验不同，即使用相同工具，也不会自动得到相同结果。可以借鉴别人如何设计和验证，但证据必须在自己的项目中建立。
所以，借鉴经验最重要的是理解对方为什么这样做，再判断自己的下一步应该解决什么问题。方法可以复制，建设顺序和推进节奏要由自身条件决定。
Q12：当基础模型越来越容易获得，药企真正的AI落地壁垒是什么？
曹奋泽：我们现在能做这些事情，跟过去几年的基础建设关系非常大。很多工作当时看起来很传统，比如统一数据口径、推动流程线上化、把问题处理过程记录下来，今天都成为了AI落地的重要基础。
比如在临床端，我们持续推进项目、监查计划、报告、问题跟踪和试验文件的线上管理；生产端，梳理物料标准，推进需求、生产计划和采购计划线上化，加强与库存信息的衔接；经营和职能侧，持续统一关键对象、指标口径和审批规则。
这些工作看起来是基础数据的整理，实际上是在把业务关系讲清楚：一份报告属于哪个项目，一个问题由谁处理，一次计划调整影响哪些交付。这些关系清楚了，AI才能结合业务背景分析问题，结果也才有地方承接。
这类建设需要持续的组织推动。在谢承润和集团管理层的持续支持下，我们把数字化和AI建设与业务目标结合起来，协调跨部门的数据、流程和资源问题。这种支持既体现在战略方向上，也体现在责任落实和长期投入上，让基础建设能够与应用探索持续衔接。
到了AI阶段，还要把实际结果接回来。临床问题有没有解决，生产计划变更以后效果怎样，计算筛出的分子经过实验后表现如何，都需要用来检验此前的判断。即使建议没有被采纳、实验没有得到预期结果，只要原因和过程记录清楚，同样可以帮助下一轮改进。
随着基础模型越来越易得，药企之间的重要差异，会体现在谁能基于业务数据形成判断，再把实际结果反馈回来，持续改进数据、规则、模型和流程。
模型和软件可以采购，但业务人员是否愿意提供真实信息，管理者是否愿意根据结果调整流程、分工和考核，需要企业自己长期建设。把每一次业务反馈变成下一次更好判断的组织能力，是我们理解的AI落地护城河。
Q13：AI进入核心业务流程以后，有观点认为企业应该单独设立CAIO（首席人工智能官）。你怎么看？CIO的角色又该如何变化？
曹奋泽：CIO还是CAIO，名字本身不重要，真正需要先回答的是：这个岗位要解决什么业务问题、具备什么能力，又对什么结果负责。不是换一个头衔，企业就自动具备了新的能力。
这两年听到很多企业说：“今年有大的规划是推动AI落地。” 这句话首先就没把目标说清楚。推AI不是目标，解决业务问题才是。企业要先理清楚到底什么问题需要解决，希望改善什么，为什么需要用AI？这些问题都没有想明白，就开始讨论设什么岗位、上什么模型，我觉得顺序反了。
拿一个例子来说，比如生产计划编制和调整周期偏长，先要拆清楚：时间到底花在数据收集、约束核实、反复调整，还是跨部门等待上？哪些环节适合用AI，哪些需要调整规则和职责，再和业务一起确定方案，最后验证周期和质量有没有改善。这背后是人才能力模型的变化：能不能看懂业务、拆清问题、组织资源、推动流程调整，再把结果追到底。
过去，评价CIO更多看系统是否按时上线、稳定运行，数据安全有没有保障。AI进入核心业务以后，这些仍然是基本功，但做到这里还不够。模型上线了，业务没有采用，就不能说“技术已经做完了”；业务开始使用了，但结果不能解释、过程无法追溯，也不能简单地认为这是业务自己的问题。
所以，我认为CIO正在从系统交付者，逐步转向企业经营能力的设计者。一方面，要把集团战略和业务目标转化成具体的流程、数据、规则、系统和组织动作，明确AI在哪些环节发挥作用；另一方面，也要建设统一的平台和治理能力，让这些能力能够稳定运行、持续复用。
CIO除了响应业务需求、交付系统和数据，也需要结合业务全链路，主动发现问题、解释经营差距、提出决策建议。做个看板和智能问数容易，但工作还需要往前走一步：这些数代表了什么，可以支持什么决策，行动有没有带来结果。让工作从“把问题展示出来”走到“推动问题解决”，才是这项工作的核心。
所以，企业真正要回答的是，这些能力有没有人建设，这些事情有没有人推动，最后的结果有没有人负责。至于这个人叫CIO还是CAIO，我觉得没有必要纠结。一个岗位的分量，不在于名字里有没有AI，而在于能不能把技术转化成业务行动，并与业务共同承担结果。
如您有AI应用案例希望自荐分享，或是对AI在产业端的落地实践有交流意向，可添加小虎哥咨询，获取后续深度内容及活动的一手信息。
虎嗅智库AI洞察：
基于独家头部企业AI落地案例调研，输出关于场景边界、实施路径与风险陷阱的深度洞察，为决策者提供可验证的一手参考。每期报名审核参与，已发布200+期，成为众多企业AI战略规划的案头标配。
虎嗅智库：
围绕 AI 产业落地的「行业判断与共识形成平台」，通过长期运行的案例研究、场景拆解与闭门研讨，帮助产业及企业决策者在 AI 关键选择上看清边界、规避误判、降低试错成本。已沉淀超200份深度研究，覆盖制造、零售、金融、医疗等核心赛道。
📣 虎嗅一年一度的F&M创新节启动啦！
👋今年我们带你「上下文中，见未发生」，在未来出生之前，去现场蹲它！
💪🏻科技下一跳、商业新变量、年轻人新活法——11月一起看见～
