问题——从“会不会”到“敢不敢、用不用得起” 当前人工智能能力进步很快，但企业端要实现规模化落地仍有不少现实限制；方毅认为——很多机构并不缺技术认知——而是被两道门槛卡住：一是核心数据和业务权限不敢外放，二是纯私有化部署叠加持续算力投入，成本长期居高不下。通用模型能力虽强，但面对不同行业、部门、岗位的细分需求，很难做到“即插即用”，于是出现“人人想用智能化，人人又担心数据泄露”的矛盾。 原因——数据要素价值释放与安全边界之间的结构性冲突 方毅看来，智能化落地的关键，是让系统进入真实工作流，参与文档处理、知识检索、流程审批、业务决策等环节。一旦进入工作流，就不可避免触及客户信息、经营数据、合同文本、账号权限等敏感内容。另外，不少企业信息系统历史包袱重，数据分散在不同平台和库表中，既影响模型适配，也放大安全风险。一味“全上云”容易碰到合规与泄露风险；一味“全本地”又会承受算力、运维、迭代的综合成本压力，形成两难局面。 影响——决定智能经济能否从“试点”走向“规模应用” 方毅指出，能否跨过安全与成本两道门槛，将直接决定人工智能对生产效率的实际贡献。对企业来说，如果智能能力无法稳定嵌入业务链条，应用往往停留在“演示”或“局部工具”，难以沉淀为可复制的组织能力；对产业来说，落地不畅会抑制数据要素价值释放，影响智能服务的覆盖范围与可持续供给；对社会层面来说，安全边界不清可能带来隐私泄露、账号盗用、权限滥用等风险，进而削弱市场信任，拖慢新技术的普及应用。 对策——“用而不拥、流而不留”：以混合架构守住底线、提高效率 针对上述矛盾，每日互动提出“用而不拥、流而不留”的思路：数据的价值在于使用和流转，不必靠集中占有来实现；在创造价值的同时尽量减少不必要留存，降低风险暴露面。 在具体路径上，方毅介绍公司探索“云—边—端—库”混合架构：涉及隐私和核心机密的处理尽量放在本地设备或边缘侧完成，由本地小模型承担日常办公、私密任务等高频环节；对需要更强推理能力、联网检索与持续学习的复杂任务，则在可控边界内调用云端能力。核心思路是把安全边界前移，让敏感数据尽可能“就地处理”，并通过权限隔离、调用审计等机制做到可控、可查，从而在安全与成本之间取得平衡。 围绕近年来备受关注的自主操作能力，方毅也给出较为审慎的判断：这类能力能提升执行效率，但可能触及浏览器缓存、账号口令等敏感信息；如果缺少可靠的权限管理与隔离机制，风险不容忽视。为此，公司对有关能力进行安全封装，并强调“能力可用、权限在手、过程可控”，在可监管范围内释放效率提升空间。 在技术支撑层面，方毅将“Token”视为连接与调度的关键。它不仅是大模型的计费单位，也可以作为资源访问、调用与标记的凭证。基于多年数据智能实践，公司提出以向量化表达与Token化调度提升复用效率：将复杂对象结构化、向量化压缩，再通过Token实现权限与资源的精细管理，降低调用成本，提升系统在企业环境中的可运维性与可扩展性。 为加快落地，方毅还介绍了“三标”策略：以标准化产品提供可复制的基础能力；在垂直行业与客户共创，形成适配业务流程的专属应用；再通过典型客户沉淀可验证、可推广的样板案例，带动更多场景复制。以工业设计等场景为例，传统二维图纸到三维建模往往需要大量人工转换；如果能基于历史图纸数据训练并自动生成脚本，可将人员从重复劳动中表达出来，转向方案审查与工程优化等更高价值的工作。 前景——竞争焦点将转向“可控嵌入工作流”的工程能力与治理体系 综合来看，方毅判断，下一阶段的产业竞争不再只是模型参数和榜单分数，更取决于安全治理、工程集成、成本结构与行业知识的系统能力。谁能在合规框架下把智能能力稳定嵌入业务流程，谁就更可能形成可持续的生产力增量。随着数据要素市场化配置推进，以及运营商、国企等伙伴在安全云服务与算力供给上能力完善，“混合部署+权限治理+行业共创”的路径有望成为企业智能化转型的主流选择之一。
在数字化转型的关键时期，企业需要在技术创新与数据安全之间找到可落地的平衡。每日互动的实践表明，只有直面行业痛点、建立可信的技术与治理体系，智能技术才能在安全可控的前提下释放价值。这既关系到企业自身的长期发展，也将为数字经济的稳健前行提供支撑。