本站点使用Cookies,继续浏览表示您同意我们使用Cookies。 Cookies和隐私政策>

简体中文
首页 > 关于我们 > 新闻中心 > 培养懂AI的决策者,同济大学MBA联手浪潮信息举行大模型实训营

培养懂AI的决策者,同济大学MBA联手浪潮信息举行大模型实训营

2026-11-18

“个人提效和组织提效是不是一回事?”

这是同济大学MBA课堂上抛出的一个问题。员工借助AI加快订单处理,但客户能否更早收到货,还要看生产、交付等后续环节能否跟上。如何让这些环节协同起来,也成为AI应用中的一道管理课题。

日前,同济大学经济与管理学院、浪潮信息与Datawhale开源学习社区联合举办大模型应用开发实训营,来自制造业、金融、信息技术服务、医疗健康、建筑与房地产、能源等领域的43名MBA学员参加。与以往面向技术人才的实训不同,本次实训营以培养懂AI的决策者为目标,让学员通过亲手搭建Agent,学会判断AI能做到哪一步、哪些工作适合交给它。在此基础上,进一步思考如何把Agent嵌入现有业务流程,厘清人与Agent的分工,推动个人提效转化为组织整体效率的提升。

实训营课堂授课全景.jpg

01 人定方向,Agent管执行

企业把一项工作交给一个岗位,通常会明确这个岗位要完成什么、由谁对结果负责。当Agent也能参与执行时,岗位上的工作该怎么分?以准备客户报价为例,销售人员可以先明确客户的需求和交付条件,让Agent查找产品资料、比对配置、拟出报价草案。至于哪种配置更符合客户的实际需要,什么价格和交期可以对外承诺,仍要由具备相应权限的人判断。

这正是浪潮信息在实训营上介绍的Humagent(Human+Agent)理念:AI原生企业由人与Agent共同构成,人与Agent组成基本工作单元,共同完成业务任务。人设定目标、作出关键取舍,并对最终结果负责;Agent围绕目标拆解任务,在授权范围内调用数据和工具,连续完成多个步骤。当越来越多的岗位以这种方式运转,岗位分工、业务流程、管理机制乃至组织文化都需要随之调整。以报价为例,Agent把草案做得再快,如果审批、排产和交付环节的分工与流程不变,效率只会卡在下一个环节。个人提效能否转化为组织效率,取决于整条流程能否围绕人与Agent的新分工重新组织。

这对管理者提出了新的要求。安排工作时,除了明确谁负责,还要决定让Agent独立做到哪一步、什么时候需要人接手;推动变革时,还要判断流程如何重构、权限如何授予、投入如何取舍。这些判断决定了一个AI项目值不值得做、能不能用起来,需要既懂业务、又懂AI的管理者来完成。这正是实训营走进MBA课堂的出发点。

02 在动手实训中锻炼业务判断与决策能力

理解了“为什么做”,课程转入“亲手做”。浪潮信息元脑企智EPAI平台整合模型与算力资源,可对接企业数据和业务系统,降低了Agent应用的开发门槛。学员借助平台构建知识库、编排工作流、搭建Agent,也在动手过程中面对具体的管理问题。选用哪些资料作为Agent回答的依据,把哪一步交给Agent执行,在哪些环节保留人工把关,都需要他们结合业务实际作出判断。

学员动手搭建 Agent.jpg

判断AI的依据与边界。讲师以电动车生产制造为例,在模拟生产看板上调用Agent,查询车架焊接质量检验标准。Agent能从知识库中检索相关规范,但条文是否适用于当前工序,仍需业务人员结合实际工艺条件判断。在随后的RAG(检索增强生成)练习中,学员把设备故障排查手册、质量检测标准等资料接入知识库,通过检索原文、核对回答,理解AI的答案从哪里来、可以信到什么程度。

判断人与Agent如何分工。在物料管理演示中,模拟生产系统发出库存预警后,Agent将物料信息和处置建议推送给负责人。汇集信息、提出建议可以交给Agent,是否采纳建议、如何处置,则由负责人结合实际情况决定。学员在编排工作流时,也要把Humagent所强调的人机分工落实到具体环节,明确Agent可以独立执行到哪一步,遇到什么情况需要由哪个岗位接手。

判断业务需求如何定义。完成基础练习后,学员回到自己熟悉的业务,把实际问题做成应用原型。一位半导体封测行业的学员选择了生产报警后的异常排查。工厂看板能显示批次信息和良率变化,但工程师仍要自己找出主要缺陷及其对应设备。他用模拟数据搭建看板,在平台上设定工艺工程师角色,将缺陷与生产机台信息关联呈现。最初宽泛的“利用AI分析生产数据”,被他细化成一个明确的任务:报警发生后整合已有数据,帮助工程师识别线索、缩小排查范围。

判断应用能否长期可用。另一位学员尝试把项目台账、合同、采购验收和收付款信息整合到统一页面。展示原型时,他关心的已不只是功能本身:业务数据能否持续调用?功能调整会不会影响原有记录?不同模块能否分步开发、逐步整合?这些问题关系到开发顺序、验收标准和系统的长期可用性,也正是项目决策者在立项时需要考虑的问题。

从依据、需求、分工到可用性,每一次动手都对应一次判断。通过搭建原型,管理者可以把业务设想细化为具体任务需求,进而能够更准确地与技术团队沟通,一起明确Agent在哪一步介入、需要调用哪些数据、处理结果由谁接手,从而在正式投入前判断,这项应用能否融入企业组织现有的业务流程中。

03 以组织机制保障AI项目落地,用经营结果检验成效

能够开发一个Agent,并不意味着它已经具备在企业中持续运行的条件。从课堂原型走向真实业务,企业还需要解决数据权限、流程协同、知识管理与应用治理等一系列问题。

在实训营的企业AI沙龙上,一位学员提问,当不同部门都提出AI应用设想,企业应该先支持哪一个?

美的集团美云智数副总裁、营销中心总经理、首席客户成功官魏晓刚以库存管理为例介绍,美的先明确年度库存改善目标,再由承担指标的业务部门沿着经营流程,倒推需要做哪些项目。对于员工从日常工作中提出的应用建议,则另行分类、评估和排序。管理者由此有了取舍的依据,也能明确项目做成以后,应该回到哪项经营指标上看效果。

讲师分享AI实践经验.jpg

魏晓刚还谈到美的在订单管理中的实践。AI发现异常并提出处置建议,业务人员结合实际情况决定是否采纳。遇到建议不适用的情况,业务专家可以补充、修正,再确认执行。这样既保留了专业人员处理例外情况的职责,也让企业有机会把这些判断积累下来,供后续处理类似问题时参考。

这堂实践课把MBA学员放在需求提出者与项目决策者的双重位置上:既要将业务问题转化为可验证的应用方案,也要结合经营目标判断项目价值与投入优先级。亲手开发原型,再对照真实企业的取舍,学员得以将技术可行性与资源配置、组织协同放在一起考量。

回到课堂开始时的那个问题,个人提效和组织提效并不是一回事。个人提效靠的是用好工具,组织提效则靠懂AI的决策者。他们需要定义真实的业务需求,判断每一项投入的价值,并通过流程改进与知识积累,让企业逐步具备运用AI持续创造价值的能力。

*大模型应用开发实训营由浪潮信息联合高校与Datawhale开源学习社区共同打造,探索将产业技术能力引入高校人工智能实践教学。实训营依托元脑企智EPAI大模型应用开发平台,通过“理论+实操”的教学模式,帮助学生系统掌握大模型应用开发流程,实现从知识学习到应用实践的转化。通过将产业平台、算力资源和实践课程带入校园,实训营进一步缩短高校教学与人工智能产业应用之间的距离,助力“AI+X”复合型人才培养。

售前咨询

售后服务

意见反馈

回到顶部

回到顶部

收起
回到顶部 回到顶部
请选择服务项目
售前咨询
售后服务
访问 AIStore

扫码访问AIStore