聚焦CIAS丨智己汽车数字技术及安全部总监秦榛：智己汽车AI应用和智能体实践分享

CIAS 2026第九届中国新能源汽车产业数智峰会已于广州成功举办。本届峰会，来自整车和零部件等企业数智化相关部门的120+专业嘉宾，围绕多个核心议题，带来20+前沿主题报告。这场深度交流盛会，不仅为行业提供了洞察趋势、链接资源的高价值平台，更加速了数智技术与汽车产业的深度融合。

主题论坛上，智己汽车科技有限公司 数字技术及安全部总监 秦榛先生为大家带来主题分享"智己汽车AI应用和智能体实践分享"。现将精彩内容整理如下，供参考。 

秦  榛  智己汽车科技有限公司  数字技术及安全部总监

主题分享  智己汽车AI应用和智能体实践分享

先简单介绍公司：智己汽车是2020年12月25日，由上汽集团、阿里巴巴和张江高科联合打造的高端智能电动汽车品牌。成立至今5年，已经推出6款车型，相关产品也在持续迭代。

先来看几份去年的行业报告与调研数据。2025年 3月，麦肯锡《2025人工智能现状》提到：88% 的企业已经在至少一个业务领域常态化使用AI，64%的企业认为AI能够提升创造力；但仅有33% 的企业实现收入增长，25%确认市场份额得到提升。报告同时指出，AI落地成功的关键在于组织、流程、数据，而非算法。

2025年7月，MIT发布《人工智能割裂：2025商业人工智能现状》，提到：95%的AI试点项目无法产生可衡量的业务价值，只有5%能够落地整合、创造显著价值。

同年10月，波士顿咨询发布《AI价值鸿沟》报告，提出：仅5%的企业实现AI规模化价值落地，60%的企业持续投入却没有实际回报。报告同时提到，这些行业领先企业的通用做法是优先推进数据治理与业务场景建设，而非一味堆砌AI技术。

看完行业现状，回到议题：智己汽车是如何落地 AI的？我们搭建了一套全链路 AI 赋能框架，将 AI 应用划分为三个层次：

·底层：办公全面AI化。重点培养各部门与员工的 AI应用意识，落地AI会议、AI办公工具、AI培训等场景。

·中间层：服务部门AI化。面向HR、财务、采购等职能部门，这类岗位存在大量重复性、人力密集型工作。我们借助AI梳理工作流程，实现流程自动化、智能化，帮助职能部门提效。

·上层：专业部门AI化。聚焦汽车行业核心价值链三大环节：①研发设计智能化；②用户运营智能化；③座舱体验智能化。

围绕三大环节，我们搭建面向车企的全业务链路 AI 赋能体系。底层是算力基础架构层，统筹云算力与本地算力；上层为数据支撑层，汇聚各业务中台数据、大数据平台采集的车辆数据、用户数据，以及行业数据、外部数据，形成海量语料支撑 AI 模型训练。

中间层搭建MaaS平台，基于大语言模型、多模态模型与算法矩阵，构建适配各类场景的模型层。模型层之上搭建Agent平台，提炼原子化基础能力开放给内部用户；业务人员依托这些原子能力，自主搭建适配自身业务的AI Agent，赋能上层各类业务场景。

这些场景覆盖刚才提到的三层架构与三大核心业务链：整车研发领域落地AI造型设计、设计辅助对标；座舱领域落地多模态交互，持续优化车端语音识别体验；用户运营领域打造AI数字营销APP、AI 报表、舆情管理工具；车辆体验领域实现车云远程诊断、赋能OTA升级；研发侧也配套落地一系列细分场景应用。

结合实践，分享几点体会。我们从2023年启动企业AI推广，至今已有三年。我认为，AI智能化转型和以往数字化转型存在明显区别。数字化转型大多自上而下推进，并不是说AI转型不需要自上而下推动，但如果单纯依靠自上而下模式，很容易出现问题：很多管理者通过各类资讯了解AI，直观感受是AI应用落地难度很低。如果以这个认知自上而下推动落地，一线执行人员会承受巨大压力。

因此我们认为，AI智能化转型应当走自下而上的路径。IT团队的核心工作，是为业务部门搭建完善的 AI基础设施，包括MaaS平台、Agent平台，提供 AI落地的成长土壤。业务部门基于这片土壤，结合自身业务场景自主开发AI Agent，自然生长出各类应用。就像现在各类Skill能力，大量职能工作都可以提炼为Skill。在这个过程中，IT团队需要协助业务部门提炼Skill，同时做好Skill 统一治理。

举一个简单案例：我们项目交付模式最早采用瀑布式交付，之后迭代为敏捷交付。敏捷模式下，每个交付战队规模一般7-8人。目前我们正在探索AI敏捷战队模式，持续提炼测试、开发、需求相关的标准化Skill。落地之后，AI 研发团队仅需3人，测试、开发、运维相关基础工作由AI承接，人员不再纳入战队。一方面精简团队规模，另一方面实现降本增效，这也是当下企业落地AI普遍追求的目标。

基于整体框架，我们推出两大平台。

▶第一大平台：赛博同事。

平台向全体员工开放Agent能力，赋能各业务部门。其中DMC内容创作平台，不仅面向品牌宣传、文案团队，用于生成车辆效果图、宣传文案；员工个人也可以使用平台素材制作朋友圈宣传内容。

面向销售端，我们打造AI武器库推荐工具。销售主理可在平台获取海量营销素材，平台依托AI挖掘金牌销售高频转发、高转化视频素材并打上标签，销售主理可以定向选用标签素材进行转发，提升线索转化。

同时配套智能销售助手，是面向销售主理的B端 APP，核心功能包括：与客户沟通前，AI生成用户 360° 视图，自动梳理历史沟通记录，并给出本次跟进建议；沟通过程中，APP内置实时通话提示，针对客户问题提供应答参考；沟通结束后，AI一键生成沟通总结。目前全国300多家门店、近3000 名销售主理正在使用这套工具。

AI VOC工具主要用于舆情管理。传统人工无法实现7×24小时全网监测，依托AI可以持续跟踪全网信息、识别内容风险。一旦发现舆情隐患，AI自动拉起沟通群，并生成任务分派到人，实现早发现、早处置、早闭环。

400坐席AI助手同样接入整套体系，所有功能依托统一企业知识库，沉淀可复用业务知识，由AI助手调用赋能。落地之后，400坐席单次服务通话时长从27分钟缩短至16分钟，效率提升约40%。以往通话结束后，坐席人工整理沟通纪要需要2-3分钟，现在AI仅需10秒自动生成纪要，内容准确度稳定。

面向整车企业，售后故障数量庞大。售后质量工程师每天需要处理海量售后问题，判定故障分类、分配对应工程师。现在这项工作交由AI承接（AI赋能售后故障判定），依托整车全功能域知识库，AI快速完成问题识别与分类，处理效率相比人工提升近 80%。

再聊聊数据层面。做过大数据平台、BI报表的同行都清楚，业务部门的数据需求，和大数据团队能够提供的数据之间长期存在缺口。为此我们开放自助数据平台：业务人员通过自然语言即可生成SQL 语句自主取数；AI自动生成所需报表与可视化看板，帮助业务人员自主挖掘数据价值。

平台同时赋能采购场景，代表工具为金牌买手。汽车行业供应链、零部件链条极长，采购人员寻找零部件资源、电话沟通、供应商评估耗时较多。现在 AI 支持全网供应商资源匹配，并且实时监控、预警供应商风险。

此外还有 AI 赋能报销场景，优化报销体验，这里不展开细说。

▶第二个核心平台面向研发领域：研发数字工程师平台，服务整车中心、软件中心、智驾中心。

各中心下设对应的数字工程师团队，例如整车研发板块包含通用研发工程师、项目管理工程师、热管理工程师等。不同岗位员工登录平台后，可调用适配岗位的各类Agent。针对智驾产品线，我们结合链路式开发场景，配套打造产品数字工程师 Agent赋能智驾团队。

平台上大量应用并非全部由IT独立开发：一类是业务部门结合自身场景提出需求，IT协助落地；一类是业务自主完成部分开发，IT负责调优迭代。举例说明：整车研发过程中，SOR表是零部件需求清单，不同车型都需要单独填报。现在工程师借助 AI工具自动整理表单，以往人工完成一款车型全部 SOR表整理需要 3 小时，AI一键导入数据，20分钟内即可完成，表单同步对接采购系统；AI还能够实时跟进 SOR 采购全流程进度。

还有DVP智能排期。热管理部门需要开展大量试验，验证整车空调效率、热回收效率，结合不同供应商样件，产生大批量测试任务。以往实验规划、排期全部依靠人工操作；现在工程师录入实验需求、样件数量，AI自动生成试验排期，并完成所有试验数据报表统计。

EWO变更管理。整车研发、生产阶段会产生大量零部件变更需求。硬件工程师发起变更时，传统流程需要手动填写EWO变更申请表。现在工程师只用一句话描述变更需求，AI自动完成EWO模板生成、填报、上传，同步联动更新SOR表单。原先人工操作需要10-15分钟，现在仅需2分钟。

空调实验数据分析与报告生成智能体。试验产生海量测试数据，AI按照标准模板自动生成试验报告交付工程师。

AI零件设计智能体：整车零部件数量繁多，DRE 工程师除零部件设计工作外，还要处理大量财务、采购相关事务。依托AI自动生成零部件SE分析表、财务分析表、BOM汇总表，支撑财务核算。

整车规划工程师借助AI智能体全网抓取竞品配置信息（AI高压连接器选型智能体），与自家产品对标，自动输出竞品分析报告。零部件采购完成后，DRE需要开展验收工作，智能体自动完成验收单填写、提交、归档，持续压缩处理时长。

基线与控制器软件管理：以往不同软件基线包，都需要硬件工程师手动打包、筛选、下载、分发；目前该类标准化工作全部交由 AI 执行。

结合三年落地经历，分享几点感悟：

1.当前很多企业启动AI落地，往往源于同行内卷、管理者资讯焦虑。不少管理者看到各类案例 Demo，会认为相似功能落地简单。很多AI项目的启动，出发点不是真实业务痛点，而是焦虑驱动，这也是很多项目失败的根源。

2.AI不是所有企业转型的标配。只有当企业存在真实业务难题，且AI恰好能够解决该问题时，才值得思考如何借助AI落地解决方案。

3.大厂成熟方案、其他企业的最优实践，直接照搬过来未必适配自身企业，极易水土不服，最终导致项目失败。

4.正如前面几份报告提及，AI落地的上限不在于算法，而在于数据。我们落地每一个AI项目，首要评估场景所需数据成熟度。内部标准是：数据成熟度达到80%，项目才继续推进；如果数据治理、数据质量不达标，项目失败概率极高。

5.AI不能当成业务部门的救命稻草。上线AI不代表业务必然向好。以数字营销APP为例，并不是所有销售主理使用工具之后，销量都会上涨。AI本质是效率放大器，帮助员工更好开展工作，但无法直接创造业绩。如果企业原有流程、数据基础薄弱，AI 反而会放大原有流程堵点，让问题更加突出。

AI落地本质上不是技术项目，而是组织变革项目。不仅组织架构需要适配AI技术，业务流程、技术人才的能力体系，都需要同步升级。

6.优先从小场景切入。前面介绍的各类小型智能体，聚焦单一细分痛点，例如SOR表单整理。这项工作看似微小，却持续占用工程师大量工时。先从小场景落地、产出可见成效，业务部门才愿意持续配合，挖掘更多落地场景。

同时我建议：AI应用优先落地单一部门内部场景，初期尽量避免跨部门项目。跨部门场景会涉及多方流程协同，任一环节不通畅，整套AI链路就无法跑通。

最后我觉得未来竞争并不是说谁的AI更加先进，而是你能不能把AI真正应用起来。