华为发布企业AI白皮书：从单点提效到能力沉淀的实践路径
AI跑得快，企业却没跟上
过去一年，AI正从问答工具变成企业日常工作的参与者。有人用它写代码，有人靠它生成商品图，还有人拿它分析供应链。效率确实提升了——比如一位为电商商家提供AI方案的彭经理说，接入AI生图、换模特、换背景后，商品上架速度能达到原来的20倍。
听起来很美好，但问题也来了：素材做得再快，如果审核、选品、运营这些后续环节没跟上，整体流程还是卡着。彭经理坦言：“最好还是人工看一遍。”目前这套AI能力只覆盖商品型录制作，和后面流程还没打通。
这其实是个普遍困境：AI在一个岗位上省了时间，但省下来的时间怎么变成整个业务链路的提速？更现实的是，当被问到“企业要不要自己训练模型、建AI团队”时，他的回答很直接：“包亏钱。”除非业务规模足够大，否则前期投入很难回本。
所以关键不是“要不要上AI”，而是：哪些智能能力值得自建，哪些可以直接采购？一个场景跑通后，怎么扩展到上下游？局部经验如何变成企业能反复用的能力？模型更新了，之前积累的东西还能不能用？
这些问题，华为在2026年全联接大会上发布的《Agentic Enterprise：企业智能化白皮书》里给出了系统性回应。
让经营定义技术，而不是反过来
华为认为，企业AI建设的第一步，不该是“选哪个模型”，而是“要改善什么业务结果”。
很多AI项目失败，是因为从技术出发去找场景，结果做了个“锤子”到处找“钉子”。比如销售用AI整理客户信息很快，但如果这些信息没进入决策、跟进和订单流程，价值就有限。
真正有效的做法，是业务、财务和技术负责人先坐下来确认几件事：当前业务基线是什么？想改善哪个经营指标？为什么非用AI不可？谁对最终结果负责？
只有这些问题明确了，后面的数据、知识、模型和智能体才有方向。否则，局部提效反而可能制造新瓶颈——你这个环节快了，下一个环节就成了堵点。
DIMAK：把一次实践变成企业资产
找到有价值场景只是开始。更大的挑战是：这次解决问题用到的数据、规则和经验，怎么保存下来，下次还能用，甚至越用越好？
华为提出的DIMAK，就是一套让智能能力可沉淀、可复用、可进化的工程体系。它由五个部分组成：数据（Data）、AI基础设施（Infra）、模型（Model）、智能体（Agent）和知识（Knowledge）。
简单说，DIMAK干三件事：
第一，给AI提供判断依据。数据工程提供可信事实，知识工程则把制度、流程和专家经验整理成带适用条件的规则和案例。
第二，让任务跑起来。模型工程负责接入和评测模型，智能体组织数据、知识、工具和人机协作，基础设施保障稳定运行。
第三，把任务做完后的经验留下来。用了哪些依据？人工改了什么？哪里出异常？结果如何？这些都能记录下来。有效经验进知识库，失败记录用于评测，成熟方法沉淀成可复用的任务模板。
这样就形成了一个增强循环：业务反馈训练模型，改进后的AI再参与执行，产生新反馈，推动下一轮进化。
更重要的是，DIMAK强调“解耦技术生命周期与企业能力生命周期”。模型和框架可以换，但经过验证的数据服务、知识资产和任务方法，应该成为企业长期积累的能力。通过稳定的能力接口和版本管理，降低对单一技术栈的依赖。
白皮书里有个电网案例：某企业把供人阅读的专业导则，整理成来源明确、版本有效、适用范围清晰的知识资产。运检智能体结合设备台账、缺陷和监测数据，按导则生成评价建议，由专家审核。评价依据和结果一并保存，人工修订、处置结果和状态变化持续反馈，成为下次评价的依据。
一次任务，既完成了当前工作，又为企业积累了下一次可用的经验。
H型双塔：让智能判断变成正式行动
但光有判断还不够。如果后续操作还得人去各个系统查、录、提交，分析环节的提效就白费了。
为此，华为提出“H型双塔”架构，衔接智能体系和原有业务系统。
左边是“智能塔”，以DIMAK为基础，负责理解目标、分析变化、比较方案、组织任务。
右边是“现网塔”，即企业已有的IT/OT系统，提供权威业务事实，校验并执行操作，记录正式结果。
中间的横线，把数据、知识、权限、指令和结果贯通，让任务从判断走到执行，再把结果返回智能体系。
银行理财到期的例子很典型：手机银行智能体在授权后，结合产品状态、账户资金、风险等级和持仓，生成多套资金安排方案，解释期限、收益、流动性差异，供客户选择。
这里，智能塔组织信息和方案，银行系统提供账户、持仓等权威数据。但能查不代表能操作——客户确定方案、完成适当性确认和强认证后，智能体才能在授权范围内调用资金划转、理财购买等能力。
交易校验、账户变更、持仓记录，仍由银行系统完成。遇到大额或异常情况，还得客户二次确认或转交人工。
智能体负责组织，原有系统负责执行，客户保留最终决定权。每一步都有清晰的权限和责任边界。
这和过去完全不同：以前客户得自己找查询、转账、购买入口，一个个串起来；现在围绕“资金怎么安排”这个目标，由智能体组织，系统执行。
而且任务没结束就算完。购买请求发出后，系统要根据正式记录确认交易是否完成、账户是否更新。如果结果不明，先核验状态，避免重复操作；如果失败或条件变化，就调整任务或交人处理。
这些真实执行结果，又会返回DIMAK，成为能力优化的依据。人工修订、异常原因、业务反馈，帮企业发现知识、模型或策略的不足。相关变更经评测、确认和受控发布后，再进入后续任务。
方法是共性的，实践是个性的
白皮书还收录了金融、汽车、医药、材料化学和电力等多个行业的案例。但华为强调：不同企业的经营目标、流程、数据条件和风险边界各不相同，具体怎么建，还得自己判断。
正如华为AI系统科学家姚骏所说：“业务价值流的最后一公里是由企业来建设的，我们无法替代。”
华为的角色，是把反复出现的共性问题梳理成参考方法、工程框架和工具，降低企业和生态伙伴重复摸索的成本。
落地路径也很清晰：从核心场景切入，完成验证和部署，再沿着价值业务流向更大范围扩展。过程中，企业明确经营目标、业务规则和责任边界，伙伴参与场景适配，华为提供参考设计和工程基础。
回到开头的电商商家，他们可以选择采购成熟能力，把自建投入放在业务规则、数据衔接和流程协同上。怎么分配，取决于业务规模、现有条件和预期回报。
这份白皮书的意义，正是为这些选择提供一套思考框架：哪些问题该由经营定义，哪些能力值得长期沉淀，智能体系又该如何与现有业务连接。
模型会更新，智能体框架也会变。但企业需要在变化中，持续积累自己的数据、知识和任务经验，让每一代通用智能都有机会转化为经营成果。
对正在做AI项目的团队，不妨先选一项具体任务，对照白皮书梳理它的业务目标、已有能力和系统衔接，看看下一步最该补什么。毕竟，AI跑得再快，也得整个企业一起跟上才行。