R1这类推理模型强大的思维链能力来完成（“慢思考”）。这种组合方式兼顾了响应效率与分析深度。“多Agent”协同：SwiftAgent从过去单一的“问数Agent”演变为一个由四个Agent（ETL

混合负载：一体化云数据库的HTAP能力，能在一个数据库内同时支持高并发交易和实时数据分析。这降低数据同步延迟，让零售企业能够基于用户最新的行为数据，实现毫秒级的实时推荐和精准营销。3.1.3

Server生态中的标准化工具集，也可将企业现有工作流和工具链无缝接入MCP框架，实现公私域能力的协同调用。同时，神州问学还具备高度结构化的全链路Tracing

DeepSeek加速了AI大模型在中国市场落地进程，以央国企为代表的传统企业在2025年都要有大模型落地成果。经过两年多探索，绝大多数企业用户认为大模型厂商应当具备一定项目落地经验，希望复制其他项目的成功经验。由此

近年来，AIGC的发展呈现出爆发式增长的态势。从全球范围来看，科技巨头纷纷加大在这一领域的投入，众多初创企业也如雨后春笋般涌现。资本市场对AIGC的热情持续高涨，大量资金涌入相关领域，推动了技术的快速迭代和应用场景的不断拓展。无论是社交媒体上的智能文案生成，还是企业内部的自动化报告撰写，亦或是虚拟客服的广泛应用，AIGC技术正在深刻改变着人们的工作与生活方式。可以预见，未来几年AIGC市场规模将持续保持高速增长，成为推动全球数字经济发展的关键力量之一。6月13日，爱分析正式发布《2025爱分析·AIGC厂商全景报告》，通过对市场的需求分析和代表厂商的能力解读，为AIGC厂商选型提供参考。扫码获取《2025爱分析·AIGC厂商全景报告》以及大模型相关研报合集：1、2025爱分析·AIGC应用实践报告2、2024爱分析·央国企数字化应用实践报告3、2024爱分析·央国企数字化厂商全景报告4、2025爱分析·流程智能化应用实践报告5、2024爱分析·大模型应用实践报告6、2024爱分析·AI

经过十年的蓬勃发展，数字化市场已步入全新阶段，大中型企业数字化建设取得阶段性成果，市场格局与需求特征发生深刻变革。企业核心系统建设已基本完成，随之而来的大量创新性、高时效性衍生需求和长尾需求亟待满足。与此同时，受宏观经济下行影响，“降本增效”

近年来，在宏观货币政策大力让利实体经济的大环境下，中国商业银行贷款利率持续走低，这直接导致净息差不断收窄，给商业银行的稳健经营带来了全方位的挑战。面对低息差时代的重重困境，传统的规模驱动模式已难以为继，银行迫切需要向效率驱动与创新驱动模式转变。在收入增长受阻的情况下，提升运营效率、严控成本成为银行的当务之急。部分银行已将北极星指标从资产规模增长转变为成本收入比。在业务流程方面，银行正大力推进核心业务流程的智能化改造，以此降低对人力的依赖，实现端到端的流程打通与实时监控。为配合流程智能化改造，银行还需同步开展组织架构优化工作以实现降本增效。爱分析于5月19日正式发布《2025爱分析·银行数字化应用实践报告》，从智能分析、音视频中台这两个对银行数字化转型至关重要的维度，详细介绍银行在数字化实践层面的最新进展与成果。扫码获取《2025爱分析·银行数字化应用实践报告》以及大模型相关研报合集：1、2025爱分析·AIGC应用实践报告2、2024爱分析·央国企数字化应用实践报告3、2024爱分析·央国企数字化厂商全景报告4、2025爱分析·流程智能化应用实践报告5、2024爱分析·大模型应用实践报告6、2024爱分析·AI

低带宽环境下的通信能力：在户外或网络信号较弱的场景下，例如地下停车场，Fuzzoo需要能够在有限的带宽条件下，将用户的语音信息高效、准确地传输至后端大模型，确保大模型能够清晰地解析用户的意图。4.

确认提交投诉你可以补充投诉原因（选填）确定

教育行业受政府政策驱动明显，教育数字化发展至今主要历经四个阶段。21世纪初，以网络建设为核心，如基础教育环节推行家校通，搭建校园网络，这是教育信息化的雏形。2012年，国家提出教育信息化十年规划，重点转向硬件及教学环境建设，像平安校园、多媒体教室、标准化考场等建设项目纷纷落地。2018年左右，随着教育信息化2.0的推进，开始从硬件向IT软件过渡，基础教育关注课堂质量控制，高等教育开展辅助课堂教学，实现数字化对人才培养全过程的赋能。2023年后，伴随教育强国计划发布，AI深入教育内容本身，标志着进入新的数字教育时代。AI技术在教育行业从战略层、框架层、端侧模型等方面带来变革，推理模型提升知识图谱建设准确率、解决模型幻觉问题、推动端侧设备在教育的应用。在教育各领域，AI助力解决公平性、考教融合、专业建设、实践能力提升等问题。教育企业在落地AI大模型时，需关注建设路径、技术可读性评估、业务社会评估、供应商选型等问题，确保AI能成功融入教学内容。爱分析正式发布《AI大模型教育行业白皮书》，解读AI教育技术的发展与应用、教育企业落地AI需解决的问题，为教育数字化提供参考。扫码获取《AI大模型教育行业白皮书》以及大模型相关研报合集：1、2024爱分析·央国企数字化应用实践报告2、2024爱分析·央国企数字化厂商全景报告3、2025爱分析·流程智能化应用实践报告4、2024爱分析·大模型应用实践报告5、2024爱分析·AI

系统架构恐龙化困境原有BPM系统底层引擎基于过时技术框架，仅支持特定浏览器版本，无法适配新型终端设备。同时，原有BPM系统模块化程度低，功能扩展需依赖代码级改造，响应业务需求的周期长达数周。桎梏二

央国企在大模型落地过程中普遍采用“N+X”的推进节奏。“N”代表通用场景，如知识问答、合同起草、招标采购等，通常对应技术厂商的标准化产品。这些场景落地难度较低，但价值也相对有限，属于大模型应用的“浅水区”。“X”则代表行业特定的业务场景，例如煤炭行业的勘探、电力行业的设备巡检、运营商行业的宽带报修等。这些场景通常需要央国企与技术厂商深度共创，落地难度较大，但潜在价值较高，属于大模型应用的“深水区”。在2023年和2024年，央国企主要聚焦于推进“N”类场景的落地，同时也在探索“X”类场景的应用，但进展相对缓慢。核心问题在于现有大模型缺乏对央国企复杂业务逻辑的理解能力，难以直接应用于业务场景。然而，DeepSeek开源的DeepSeek

近年来，央国企数字化取得了显著进展，主要体现在两个方面。一是市场规模，2024年央国企数字化市场规模已达5931亿元人民币，预计到2027年将突破8101亿元，年复合增长率（CAGR）为10.7%。二是重点领域，老旧系统升级、集团级数字化、国产化替代和大模型应用成为央国企数字化的四大热点。例如，央国企通过升级核心信息系统（如OA、采购系统）提升运营效率；通过集团级数字化实现资源整合与协同；通过国产化替代（如芯片、操作系统）增强信息安全；通过大模型（如中国石油的“昆仑大模型”）推动AI技术创新。3月17日，爱分析正式发布《2024爱分析·央国企数字化厂商全景报告》，通过对市场的需求分析和代表厂商的能力解读，为央国企数字化厂商选型提供参考。注：扫码获取《2024爱分析·AI

央国企在大模型落地过程中普遍采用“N+X”的推进节奏。“N”代表通用场景，如知识问答、合同起草、招标采购等，通常对应技术厂商的标准化产品。这些场景落地难度较低，但价值也相对有限，属于大模型应用的“浅水区”。“X”则代表行业特定的业务场景，例如煤炭行业的勘探、电力行业的设备巡检、运营商行业的宽带报修等。这些场景通常需要央国企与技术厂商深度共创，落地难度较大，但潜在价值较高，属于大模型应用的“深水区”。在2023年和2024年，央国企主要聚焦于推进“N”类场景的落地，同时也在探索“X”类场景的应用，但进展相对缓慢。核心问题在于现有大模型缺乏对央国企复杂业务逻辑的理解能力，难以直接应用于业务场景。然而，DeepSeek开源的DeepSeek

根据国家数据局的最新定义，数据要素是指能直接投入到生产和服务过程中的数据，是用于创造经济或社会价值的新型生产要素。数据已成为新时代的关键生产要素，它不仅是信息的载体，更是创造经济和社会价值的源泉。近期，政府出台的一系列政策，为数据要素市场注入了新的活力。这些政策旨在推动数据要素在交易所、公共数据运营、金融、医疗等多个关键领域的创新实践。它们不仅促进了数据确权、定价、交易和流通的制度创新，还孵化了一批具有示范效应的解决方案和服务案例。《“数据要素×”三年行动计划（2024—2026年）》的发布，更是为数据产业的未来描绘了一幅宏伟蓝图，目标是到2026年实现数据产业年均增速超过20%，数据交易规模倍增，并打造300个以上示范性强、显示度高、带动性广的典型应用场景。在此背景下，爱分析于11月29日正式发布《2024爱分析·数据要素×厂商全景报告》。本报告深入分析了厂商需求的能力，并详细解读了代表厂商的能力，旨在为企业在厂商选型过程中提供权威的参考和指导。我们相信，通过这份报告，企业能够更好地把握数据要素市场的脉动，做出更明智的决策。覆盖市场：

在信创政策、技术创新和业务需求的推动下，中国数据库市场正快速增长。预计到2027年，市场规模将从2022年的403.6亿元增长至1286.8亿元，年复合增长率达26.1%。信创政策的实施加速了国产数据库的发展，特别是在金融、电信、政府等关键行业。技术进步，如AI、云计算与数据库的融合，以及大数据、IoT技术的发展，推动了数据库品类的丰富。云数据库产品和Serverless云服务等新兴技术，为用户提供了高效、灵活的数据库解决方案。企业对数据库的需求日益多样化，推动了技术的快速迭代。金融等行业对数据库的高并发和实时性有严格要求，而制造业则需要时序数据库和库内机器学习技术来支持决策。同时，HTAP技术、数据库联邦技术、多模技术和湖仓一体技术等前沿技术，正随着业务需求的增长而逐渐成熟，满足企业在实时数据分析和决策支持方面的复杂需求。10月24日，爱分析正式发布《2024爱分析·数据库厂商全景报告》，通过对市场的需求分析和代表厂商的能力解读，为企业厂商选型提供参考。覆盖市场：

2024年是“消费促进年”，国内消费市场稳步复苏。在消费需求多样化、国家政策的推动下，“数字化转型”仍是消费品零售行业的年度主题词，是品牌方获取核心竞争力的必要途径。消费品零售行业的数字化转型重心有所调整，从线上渠道布局、渠道数字化转向消费洞察和以及线下“场”的重塑，具体表现在:

Agent三个市场进行研究。厂商入选标准：本次入选报告的厂商需同时符合以下条件：厂商的产品服务满足各市场分析的厂商能力要求；近一年厂商具备一定数量以上的企业付费客户（参考第3章各市场分析部分）。

办公体系是企业的神经中枢，支持日常运营的同时，也推动企业在效率、创新、协作和决策等方面不断进步。在技术驱动下，企业办公体系历经物理办公、信息化办公、数字化办公三个阶段后，在2023年大模型技术的发展推动下，已经进入智能办公阶段。在爱分析看来，融合大模型的智能办公将从两个角度提升组织效能，一方面将常规、重复的事务性任务实现自动化，如工单跟进、日程安排、智能会议，另一方面在内容创作、数据分析、制定决策等需要创造力和复杂问题解决能力的场景将增强员工生产力，如智能文档、数据助手、知识问答等。8月23日，爱分析正式发布《2024爱分析·智能办公厂商全景报告》，通过对市场的需求分析和代表厂商的能力解读，为企业厂商选型提供参考。覆盖市场：

Agent，这不仅验证了平台的技术实力和业务适配性，也展现了AI技术在实际工作场景中的价值和潜力。然而，企业的最终目标是建立起自主可控的AI应用生态。因此，在首批AI

集成的企业级能力：平台集成了ASR（自动语音识别）、TTS（文本到语音转换）、OCR（光学字符识别）等关键技术，支持二次开发和定制化开发，确保与企业现有业务系统的无缝融合。3)

火山引擎是字节跳动旗下的云服务平台，将字节跳动快速发展过程中积累的增长方法、技术能力和应用工具开放给外部企业，帮助企业构建体验创新、数据驱动和敏捷迭代等数字化能力，实现业务可持续增长。产品服务介绍：

知识库是企业的智慧中枢，汇集了企业经营经验、流程、文献、政策、机理、模型等各类主题内容，承担着提高员工生产力、促进组织协作与创新的重要功能。企业普遍已经积累了丰富的知识沉淀，如何提高对知识的高效分享、精准应用成为限制知识库价值发挥的“关卡”。进入数字时代后，企业对知识库应用的技术发展推动知识库形态持续迭代，历经数字知识库、智能知识库1.0等阶段后，最终进入融合大模型能力的智能知识库2.0阶段。大模型+知识库同时具备大模型强大的知识整合和推理能力、准确理解用户意图、使用自然语言的交互、极强的泛化能力，以及知识图谱、RAG检索增强生成等技术使企业知识应用变得更简单、高效和广泛。同时，大模型+知识库因其成本低、周期短，成为大模型落地的优先场景，并在金融、政务、电信三个领域中率先落地。这三领域知识繁杂，内部员工使用频繁，且均需面向外部用户提供咨询服务支持，内外需求驱动业内机构快速落地大模型+知识库，如金融应用场景以智能客服、智能投顾、智能报告生成为代表，政务领域应用场景如12345热线、政策标准知识库搜索等。覆盖市场：

Agent作为规划者的角色，高效响应企业长尾需求。此外，厂商还需掌握构建知识管理系统的技术，以提升企业知识利用效率，增强业务处理能力。厂商需深刻理解大模型架构，实现协同办公AI

Agent在类似业务场景中的实际应用效果，以及它如何帮助其他企业提升效率、降低成本、增强竞争力。此外，出于对项目成功的极致追求，一些谨慎的CIO甚至希望亲自访问这些案例中的企业，亲身体验AI

数据分析是挖掘数据价值、支撑经营决策的关键步骤。在企业对数据分析工具高效、易用的追求下，数据分析技术持续迭代，前后历经固定报表、自助式分析、对话式分析三个发展阶段。数据分析技术的迭代的核心逻辑是对业务部门的数据应用赋能，体现在门槛的降低、灵活性的提升和分析能力的拓展。对话式分析是继传统BI、自助式分析之后的技术创新，代表着企业数据分析技术的新趋势。对话式数据分析能在意图理解准确、取数灵活、洞察深入三方面满足企业广泛的数据分析需求，充分挖掘企业数据价值、赋能经营决策。7月22日，爱分析正式发布《2024爱分析·对话式数据分析厂商全景报告》，通过对市场的需求分析和代表厂商的能力解读，为企业厂商选型提供参考。覆盖市场：对话式数据分析注：扫描下图二维码或点击文末左下角“阅读原文”，可下载完整版《2024爱分析·对话式数据分析厂商全景报告》。01研究范围定义研究范围定义1）对话式分析代表企业数据分析技术新趋势数据分析是挖掘数据价值、支撑经营决策的关键步骤。在企业对数据分析工具高效、易用的追求下，数据分析技术持续迭代，前后历经三个发展阶段。图1：企业数据分析技术迭代三阶段第一阶段，企业数据分析以静态报表为主，传统BI和静态报表基本上都是面向IT部门的，业务部门提出需求之后，由IT根据报表工具开发出固定的报表，然后业务部门查看报表结果。此阶段中，传统BI的使用对象仅面向管理层。企业数据爆发式增长驱动业务部门用数需求快速增加，IT开发固定报表的方式灵活性低、周期长，难以满足业务广泛的数据需求，推动数据分析进入自助式分析阶段。第二阶段，金融业率先使用自助式分析。业务部门提出需求之后，数据分析师可以基于敏捷BI的工具帮助业务部门快速获取所需的数据，业务部门的灵活性和自主性大幅增加。自助式分析工具的使用对象由管理层变为数据分析师，企业数据应用的渗透率也得到快速提升。但在此阶段中，企业有限的数据分析资源成为业务部门广泛开展数据分析的瓶颈，业务部门的个性化、深度的数据分析常常难以满足。随着大模型技术的日渐成熟，大模型解决方案落地推动企业数据分析进入第三阶段，即对话式数据分析阶段。对话式数据分析能直接面向业务部门，无需依赖开发人员或数据分析师，面向业务人员，实现完全的自主的数据分析，推动数据应用在企业全面渗透。对话式分析继传统BI、自助式分析之后的技术创新，代表着企业数据分析技术的新趋势。2）对话式数据分析能充分挖掘企业数据价值、赋能经营决策对话式数据分析能在意图理解准确、取数灵活、洞察深入三方面满足企业广泛的数据分析需求。对于用户意图的理解，企业在落地对话式数据分析时，大模型具备基于上下文语境准确理解用户意图，或是准确理解用户专业术语的能力。对话式分析能实现灵活地取数。在对用户意图进行理解后，对话式分析中的智能体和代码生成能力，对取数任务或是指标进行自动拆解，并自动生成SQL语句调用宽表中数据，直接反馈数据结果，能即时满足业务部门通用的或是个性化的取数需求。对话式分析能实现业务的深入洞察。对话式分析能协助业务人员对结果背后的原因进行归因或是下钻分析，找出深度影响因子，优化经营策略。从当前实际落地进展来看，用户意图理解的准确性已经在实际落地过程中得以验证；灵活生成SQL语句取数以及归因分析的准确性还有待技术继续突破。基于以上背景，本报告面向企业管理层和业务部门，通过对对话式数据分析的需求定义和代表厂商的能力评估，为企业落地对话式数据分析解决方案、厂商选型提供参考。厂商入选标准：厂商入选标准本次入选报告的厂商需同时符合以下条件：1、厂商的产品服务满足各市场定义的厂商能力要求；2、2023年厂商具备一定数量以上的付费客户（参考第3章各市场定义部分）；3、2023年厂商在特定市场的营业收入达到指标要求（参考第3章各市场定义部分）。02厂商全景地图03市场分析与厂商评估3.1对话式数据分析市场定义：对话式数据分析是指融合大模型的数据分析技术，能有效满足管理层和业务部门的数据分析需求，提升IT部门数据开发效率。甲方终端用户：企业管理层、业务部门甲方核心需求：对话式分析是企业优先落地大模型的场景之一。对话式分析能解有效决传统数据分析中，企业数据分析资源有限、门槛高的痛点，提高业务部门自主性，促进企业数据价值释放。企业对话式数据分析的的核心需求体现在：对话式分析能实现准确的意图理解。传统的取数过程中，用户需要明确掌握SQL语言和相应的数据库结构来提取所需信息。随着NL2SQL技术兴起，用户只需使用自然语言描述需求，由后端系统将其转换为适当的SQL语句，简化了查询过程。但NL2SQL技术仍有缺陷，传统的NLP技术使用分词+知识图谱技术落地，依赖于大量人工标注和规则设定，实施成本高，且其自然语言处理能力较弱，在处理模糊查询和复杂意图查询方面存在挑战。如在处理模糊查询的过程中，自然语言的语法结构复杂多变，传统NL2SQL系统在解析嵌套查询和多表关联查询等复杂句子结构时，容易生成错误的SQL语句。支持业务人员开展深度分析、实现业务洞察。随着企业数据的积累，企业用数场景也快速增加，但企业既有的数据能力难以支撑深入的用数需求。业务的取数需要数据开发人员支持，深入的数据洞察又严重依赖专业的分析师，在企业资源有限的情形下，通用的、复用率高的数据分析任务将作为最高优先级，而业务更偏个性化、复杂化的长尾数据分析需求难以得到响应和满足，造成企业“有数难用”的现状。保障数据安全。对话式分析为企业带来新的数据安全挑战，如大模型的部署环境安全、数据传输安全，以及员工在与大模型互动过程中避免敏感数据泄露，以及满足行业合规要求。厂商能力要求：针对以上需求，厂商应兼具限定查询边界和人工介入的能力，来规避大模型幻觉问题。并且厂商应支持企业进行深度数据分析，支持业务开展洞察，并保障用户使用大模型过程中的数据安全。具备限定查询边界的能力。为保证取数准确性，目前主要采用限定查询边界的解决思路。具体而言，是将大模型与宽表或语义层相结合，运用宽表和数据源来构建语义层，继而在该语义层上进行相应的匹配和查询。这类模式的具体操作方式是基于指标平台，把常见的指标先基于宽表进行计算，再运用自然语言查询指标，其精确度会相对较高且基本上具备可控性。支持数据查询过程人工可干预，以及对查询结果可纠错。除限定查询边界外，人工介入也是实现对话式分析的重要方式。如在查询过程中，厂商可支持将复杂的SQL转化成自然语言的查询解释，帮助用户理解查询逻辑；针对查询结果输出后的场景，支持用户手动调整查询条件，如语义澄清、界定查询范围等，对大模型输出的错误结果进行纠偏，并支持快速输出正确结果。支持企业进行深度数据分析，实现业务洞察。除基础的取数以及图形化展示外，厂商更应具备深度数据分析的能力，如多轮对话、上下文理解能力，能理解用户语境，帮助用户深入剖析问题原因；如AI

将Flink数据加载到ByteHouse，可支持每秒220万的实时数据读写。针对CDC实增量数据同步，ByteHouse提供DES数据快车服务实现多元异构数据秒级同步到目标端，同步性能可达到25万

在北京市科学技术委员会、中关村科技园区管理委员会的指导和组织下，由北京信息科技发展中心、北京爱分析科技有限公司等单位编写完成《北京市人工智能大模型行业应用分析报告》，展现北京市大模型相关技术产品在各领域各行业的应用发展态势，并提出有关建议，为未来决策提供参考。注：长按扫描下图二维码或点击文末左下角“阅读原文”，可下载完整版《北京市人工智能大模型行业应用分析报告》。01北京市人工智能大模型行业应用特征应用特征1：由浅入深，大模型穿越边缘场景，向核心场景挺进2023年，大模型落地集中于边缘场景。大模型兴起于2023年初，经过近一年的高速发展，其在政务、金融、产业升级等各个领域均有落地应用。大模型在政务领域，以政务问答、文件生成等场景为主；在金融领域，以智能客服、售前助理等场景为主；在产业升级领域，以知识问答、代码补全等场景为主；在医疗领域，以医疗文书生成、智能医药问答等场景为主；在文化教育领域，以内容润色、内容纠错等场景为主；在智慧城市领域，以公共安全监测、城市运行报告生成等场景为主。但上述场景大多为所属领域的边缘场景，不涉及生产、运营的核心环节，也不面向公众或外部客户使用，仅面向内部员工使用。2024年，大模型逐步向核心场景挺进。得益于大模型在边缘场景价值的成功验证及其技术演进，大模型在深耕边缘场景的同时开始向核心区挺进。在场景价值验证方面，多数需求方认可大模型价值，将计划追加投入。例如某运营商在2023年研发客服大模型并试点上线，由数万名员工内测试用，该运营商计划2024年开始在集团范围内加快规模化商用推广。大模型技术演进主要指检索增强生成（RAG）、智能体（AI

数据能力已经成为企业的核心竞争力。政策驱动数据产业发展加速，如2023年国家数据局成立；2024年，《“数据要素×”三年行动计划（2024-2026年）》正式发布；并且

大模型是指通过在海量数据上依托强大算力资源进行训练后能完成大量不同下游任务的模型。大模型以其在模型精度和泛化能力等多个指标上超越传统AI模型的表现，以及赋能千行百业的巨大潜力，成为当今世界各国人工智能技术发展的核心方向。大模型经过近一年半的高速发展，已在政府、医院、学校、企业等各类需求群体中建立初步认知。其中一部分需求群体设立专项预算、开放业务场景，对大模型进行试点应用。通过试点应用，需求群体加深了对大模型能力和价值的认同感，进而普遍希望在未来继续增加相关预算，将大模型与实际业务进行更深入、更广泛的融合。5月15日，爱分析正式发布《2024爱分析·大模型应用实践报告》，内容包括企业落地大模型的常见挑战、解决方案、多个高优先级场景的落地要点，以供企业参考。点击文末左下角“阅读原文”，可下载完整版《2024爱分析·大模型应用实践报告》。报告典型案例AI赋能国有银行理财经理，业务收益提升30倍某股份制银行利用大模型等数智技术赋能消费者权益保护全流程，降诉效果显著01报告综述人工智能大模型，是指通过在海量数据上依托强大算力资源进行训练后能完成大量不同下游任务的模型。大模型以其在模型精度和泛化能力等多个指标上超越传统AI模型的表现，以及赋能千行百业的巨大潜力，成为当今世界各国人工智能技术发展的核心方向。大模型经过近一年半的高速发展，已在政府、医院、学校、企业等各类需求群体中建立初步认知。其中一部分需求群体设立专项预算、开放业务场景，对大模型进行试点应用。通过试点应用，需求群体加深了对大模型能力和价值的认同感，进而普遍希望在未来继续增加相关预算，将大模型与实际业务进行更深入、更广泛的融合。大模型应用百花齐放，其中数据分析和知识库/智能客服是企业在2024年关注度最高的是两个应用场景，成为企业落地大模型的重要抓手。调研数据显示，准备在2024年应用大模型的企业中，有78%计划在数据分析场景落地，有70%计划在知识库/智能客服场景落地。基于此，本报告将重点研究数据分析和知识库/智能客服两个特定市场。图表1：2024年大模型重点应用场景02市场洞察通过对近百家大型企业的调研，爱分析归纳出大模型落地应用过程中普遍存在的挑战，它们遍布规划、立项、选型、实施和运营等全流程。本报告将选取三个重点挑战进行论述并提出解决方案。挑战1：大模型项目未与企业保持战略一致性一般情况下，大模型通常是由上至下推动的，由董事长或CEO等企业一把手宣布大模型必须落地的任务。该任务无论分配到哪个团队，都会启动一个以大模型为主题的项目，并展开一系列汇报工作。在汇报过程中，企业一把手询问的首个问题往往是大模型项目与公司战略的关联。但是，在大多数汇报中，项目负责人的回答仅局限于大模型技术和应用，例如“大模型+知识库”赋予一线员工的能力提升、“大模型+数据分析”提高了业务人员使用数据的便捷性等。这些价值与企业战略间并无必然联系，即大模型项目与企业战略之间没有必然联系，进而导致大模型项目难以顺利过审。某大型化学用品公司CIO向总经理汇报2024年度IT项目规划和预算情况，但汇报并不顺利，重点问题在于大模型项目的业务价值没有打动总经理。因此，爱分析建议首先要解决如何保持大模型项目与企业战略一致性的问题。实际上，多数企业在2023年年末至2024年年初期间会做2024年企业战略规划，其中必然涉及到战略目标设定以及战略解码的过程。爱分析认为，大模型项目必须在战略解码的过程中找到自身的核心定位，或者说确定其与战略的紧密联系，这对于项目的顺利进行至关重要。下图为一个常见的战略解码过程，涵盖了从整体公司级战略到管理层设定的KPI目标，再到业务执行层的每个项目。无论是采用战略地图或者其他形式，都可以帮助企业进行战略解码的工作。其主要作用是在整个战略解码的过程中，尤其是在最终的执行层（项目）中，真正找到符合企业自身情况的战略对齐，从而提升大模型项目的价值。图表2：战略解码过程示意图某金融机构在每年年底和第二年年初时，需要对整个十四五规划进行全方位回顾。在考虑十四五规划时，一个颇为关键的战略是自主可控，这也被明确写入公司的十四五信息化战略规划之中。因此，大模型项目负责人就是从十四五战略规划中出发，从中挑选出适合的项目。该金融机构最终选中的落地项目是“大模型+运维”，选择原因其实是它比较好地解释了自主可控。这里的自主可控不局限于外资软件或基础设施，更多的是对外部供应商的自主可控。在此过程中，大模型与运维的联合价值显得尤为重要，因为可以对金融机构现有自身内部能力进行强化，也就是大模型可以提升公司内部运维人员的技能，例如通过知识库、BI以及其他能力赋能内部运营的人员。运维人员在这个过程中，可以减少对云厂商或外资硬件服务器厂商等存在的高度依赖，从而以更好的程度体现出自主可控性。该项目从立项到实施都较为顺利，因为在项目之初便将整个公司的十四五战略规划中的自主可控性纳入其中，是一个非常优秀且值得借鉴的金融机构案例。挑战2：大模型业务收益难设定大模型项目负责人在设定业务收益时，头绪繁多，但缺乏找到行之有效的收益项。当前常见的大模型业务收益主要包括提升企业/品牌形象、减少资本支出和运营支出、业务收入增加、提升客户满意度、提升员工人均产出、缩短流程时间、加快新产品上市节奏等。如果大模型项目负责人追求“多多益善”，而不是“有的放矢”，企业内部往往难以就业务收益达成共识，进而导致项目推进困难。爱分析将提供一种易于操作且可行性较强的业务收益设定方式。在设定大模型业务收益时，需要从顶层开始进行考虑。这种策略的优势是从管理层出发，历经部门领导，直至执行团队，这是实现大模型落地的最佳路径。其背后原因在于，大模型本身需要获得来自管理层的大力支持，以及在公司范围内推动这项工作，那么针对管理层的大模型的应用赋能，或探讨如何使这个模型为管理层带来价值，无疑是更为有效的切入点。某主机厂计划在2024年落地大模型，在应用场景上曾经过多次内部筛选，首先以面向管理层的场景作为首个目标。例如，在每月的经分会上，依托完全基于大模型生成的报表进行经分会的召开，报表主要展示了一些核心的日常经营指标。再例如，由于该主机厂规模较大，对于管理层而言，年终述职报告便显得尤为必要，大多数领导可能需要花费长达一个月甚至更长的时间来撰写这份报告。因此，大模型项目团队根据日常运营分析中的一些核心基础数据生成报告帮助领导减轻年终报告的负担。由此可见，即便都是进行数据分析，在面向管理层时整体的业务收益会更易得到认可。挑战3：提升数据分析结果的准确率数据分析是很多企业在2023和2024年落地大模型应用的首要场景，但生成结果的准确率较低，困扰着大模型项目负责人。导致该困境的主要原因之一在于大模型数据分析是基于语言交互的方式，无法限制用户的提问方式，因此理解问题和生成结果的难度偏高。以下通过一些来自用户的真实问题具体说明。含义清晰的单任务问题最简单。例如“最近7天xx产品的订单总量是多少？”这个问题大模型理解起来比较轻松，因为这是一个单任务，并且订单量、产品、时间等指标比较明确。含义模糊的单任务问题对于大模型而言，难度也不大。例如“xx产品今年累计卖了多少？”

在北京市科学技术委员会、中关村科技园区管理委员会的指导和组织下，由北京信息科技发展中心、北京爱分析科技有限公司等单位编写完成《北京市人工智能大模型行业应用分析报告》，展现北京市大模型相关技术产品在各领域各行业的应用发展态势，并提出有关建议，为未来决策提供参考。今日先行发布报告的“金融、医疗、文化教育类企业落地大模型的研判和建议”部分，以供企业用户前瞻。注：长按扫描下图二维码或点击文末左下角“阅读原文”，可下载完整版《北京市人工智能大模型行业应用分析报告》。金融领域金融领域应用大模型的市场驱动力较强，且结合点较多。金融属于高工作效率可以带来高回报的行业，金融机构为了追求更高的工作效率，更及时的决策分析，往往愿意为能显著提高效能的大模型产品买单。从实际落地角度来看，大模型可以和金融机构现有的软件系统、模型较好融合，相辅相成。目前，金融领域应用主要集中在保险售前助理、智能投研助理、招股书生成编写、智能研报合规审查、智能客服等方向。除此以外，部分企业深挖需求，带来了新颖的应用场景方向，如大模型保险理赔受理、大模型智能数据治理、个人/企业信用偿贷能力审查监控等，大模型在金融领域的商业价值将会逐步释放。除商业价值之外，大模型在金融领域的社会价值也开始显露，某银行将大模型与消费者权益保护审查平台结合，利用大模型对理财产品宣传材料实现自动生成审查意见，推荐优秀相似案例作为参考，辅助审查人员开展审查，能有效解决基层审查能力不足的问题，银行方审查速度和审查准确性得到大幅提升。大模型在金融领域落地尚面临行业监管和算力资源等诸多挑战。金融行业监管严格，对大模型的输出结果准确性、安全性、合规性都具有较高要求，且金融机构数据隐私性较强，难以在机构间共享，大模型产品往往需要进行私有化训练及部署，这对于金融机构的算力资源提出新的挑战。同时，金融机构对私有化部署的依赖会引发大模型知识持续学习等问题。在金融领域，有三条发展建议。一是建立完善的政策和监管环境。制定明确的政策框架和监管指导原则，确保大模型技术在金融领域的应用，既促进创新，又保障金融系统的稳定性和安全性。设立监管沙箱，允许金融机构在一定条件下测试大模型技术的应用，通过实践探索合理的监管框架，为未来的监管政策提供依据。二是鼓励金融机构完善大模型基础配置。当前，金融机构已经逐步开展数字化，具备独立的信息数据平台，应持续提升金融机构在大模型应用方向的数字化基础，依托自身数据平台，构建安全高质量金融数据集，保证数据准确有效，数据来源可追溯，生成内容专业、权威。同时，鼓励金融机构加大在人工智能算力上的投入，引入平台级安全算力底座，为技术企业快速安全部署大模型应用提供渠道。三是可以尝试在对公业务中探索大模型应用。当前大模型在金融领域的应用主要集中在对私业务，可以尝试向对公业务探索。例如将大模型与企业信贷业务进行结合，利用AI

在北京市科学技术委员会、中关村科技园区管理委员会的指导和组织下，由北京信息科技发展中心、北京爱分析科技有限公司等单位编写完成《北京市人工智能大模型行业应用分析报告》，展现北京市大模型相关技术产品在各领域各行业的应用发展态势，并提出有关建议，为未来决策提供参考。今日先行发布报告的“企业应用大模型的特征和挑战”部分，以供企业用户前瞻。注：长按扫描下图二维码或点击文末左下角“阅读原文”，可下载完整版《北京市人工智能大模型行业应用分析报告》。应用特征1：由浅入深，大模型穿越边缘场景，向核心场景挺进2023年，大模型落地集中于边缘场景。大模型兴起于2023年初，经过近一年的高速发展，其在政务、金融、产业升级等各个领域均有落地应用。大模型在政务领域，以政务问答、文件生成等场景为主；在金融领域，以智能客服、售前助理等场景为主；在产业升级领域，以知识问答、代码补全等场景为主；在医疗领域，以医疗文书生成、智能医药问答等场景为主；在文化教育领域，以内容润色、内容纠错等场景为主；在智慧城市领域，以公共安全监测、城市运行报告生成等场景为主。但上述场景大多为所属领域的边缘场景，不涉及生产、运营的核心环节，也不面向公众或外部客户使用，仅面向内部员工使用。2024年，大模型逐步向核心场景挺进。得益于大模型在边缘场景价值的成功验证及其技术演进，大模型在深耕边缘场景的同时开始向核心区挺进。在场景价值验证方面，多数需求方认可大模型价值，将计划追加投入。例如某运营商在2023年研发客服大模型并试点上线，由数万名员工内测试用，该运营商计划2024年开始在集团范围内加快规模化商用推广。大模型技术演进主要指检索增强生成（RAG）、智能体（AI

5月15日，爱分析将正式发布《2024爱分析·大模型应用实践报告》。今日先行发布报告的市场洞察部分，主要为大模型落地的三项挑战及其解决方案，以供企业用户前瞻。注：市场洞察为精简版，扫描下图二维码或点击文末左下角“阅读原文”，可下载完整版《2024爱分析·大模型应用实践报告》。挑战1：大模型项目与企业战略脱节一般情况下，大模型通常是由上至下推动的，由董事长或CEO等企业一把手宣布大模型必须落地的任务。该任务无论分配到哪个团队，都会启动一个以大模型为主题的项目，并展开一系列汇报工作。在汇报过程中，企业一把手询问的首个问题往往是大模型项目与公司战略的关联。但是，在大多数汇报中，项目负责人的回答仅局限于大模型技术和应用，例如“大模型+知识库”赋予一线员工的能力提升、“大模型+数据分析”提高了业务人员使用数据的便捷性等。这些价值与企业战略间并无必然联系，即大模型项目与企业战略之间没有必然联系，进而导致大模型项目难以顺利过审。某大型化学用品公司CIO向总经理汇报2024年度IT项目规划和预算情况，但汇报并不顺利，重点问题在于大模型项目的业务价值没有打动总经理。因此，爱分析建议首先要解决如何保持大模型项目与企业战略一致性的问题。解决方案：战略一致性，企业成功落地大模型的隐藏秘钥实际上，多数企业在2023年年末至2024年年初期间会做2024年企业战略规划，其中必然涉及到战略目标设定以及战略解码的过程。爱分析认为，大模型项目必须在战略解码的过程中找到自身的核心定位，或者说确定其与战略的紧密联系，这对于项目的顺利进行至关重要。下图为一个常见的战略解码过程，涵盖了从整体公司级战略到管理层设定的KPI目标，再到业务执行层的每个项目。无论是采用战略地图或者其他形式，都可以帮助企业进行战略解码的工作。其主要作用是在整个战略解码的过程中，尤其是在最终的执行层（项目）中，真正找到符合企业自身情况的战略对齐，从而提升大模型项目的价值。图表1：战略解码过程示意图某金融机构在每年年底和第二年年初时，需要对整个十四五规划进行全方位回顾。在考虑十四五规划时，一个颇为关键的战略是自主可控，这也被明确写入公司的十四五信息化战略规划之中。因此，大模型项目负责人就是从十四五战略规划中出发，从中挑选出适合的项目。该金融机构最终选中的落地项目是“大模型+运维”，选择原因其实是它比较好地解释了自主可控。这里的自主可控不局限于外资软件或基础设施，更多的是对外部供应商的自主可控。在此过程中，大模型与运维的联合价值显得尤为重要，因为可以对金融机构现有自身内部能力进行强化，也就是大模型可以提升公司内部运维人员的技能，例如通过知识库、BI以及其他能力赋能内部运营的人员。运维人员在这个过程中，可以减少对云厂商或外资硬件服务器厂商等存在的高度依赖，从而以更好的程度体现出自主可控性。该项目从立项到实施都较为顺利，因为在项目之初便将整个公司的十四五战略规划中的自主可控性纳入其中，是一个非常优秀且值得借鉴的金融机构案例。挑战2：大模型业务收益难设定大模型项目负责人在设定业务收益时，头绪繁多，但缺乏找到行之有效的收益项。当前常见的大模型业务收益主要包括提升企业/品牌形象、减少资本支出和运营支出、业务收入增加、提升客户满意度、提升员工人均产出、缩短流程时间、加快新产品上市节奏等。如果大模型项目负责人追求“多多益善”，而不是“有的放矢”，企业内部往往难以就业务收益达成共识，进而导致项目推进困难。解决方案：面向企业高管，设定业务收益爱分析将提供一种易于操作且可行性较强的业务收益设定方式。在设定大模型业务收益时，需要从顶层开始进行考虑。这种策略的优势是从管理层出发，历经部门领导，直至执行团队，这是实现大模型落地的最佳路径。其背后原因在于，大模型本身需要获得来自管理层的大力支持，以及在公司范围内推动这项工作，那么针对管理层的大模型的应用赋能，或探讨如何使这个模型为管理层带来价值，无疑是更为有效的切入点。挑战3：数据分析场景，大模型生成结果的准确率较低数据分析是很多企业在2023和2024年落地大模型应用的首要场景，但生成结果的准确率较低，困扰着大模型项目负责人。导致该困境的主要原因之一在于大模型数据分析是基于语言交互的方式，无法限制用户的提问方式，因此理解问题和生成结果的难度偏高。对企业用户常见难点进行总结，影响生成结果准确性的原因主要在于语义对齐和任务多样性两个方面。语义对齐是指对齐用户口语化的查询和指标字段、维度字段、甚至是其它API的输入参数。任务多样性是指用户在提一个复杂问题或者目标时，大模型肯定无法直接执行，因此需要把目标或复杂任务拆解成多个子任务后，每个子任务做协同执行，再完成用户最终的提问需求。解决方案：指标平台+Agent，提升数据分析结果的准确率针对语义对齐的问题，可以通过语义增强配置的方式来解决。用户在提问时并不一定准确知道什么场景下该问什么指标，而是进行场景描述。因此要把企业的业务数据做指标语义化相关的生成和配置，包括指标名称、业务口径、应用场景等。针对用户提问，基于相似度和索引找到对应指标。针对任务多样性，可以通过引入Agent方式来解决。Agent具备规划拆解能力，并且在此之后通过调用插件执行子任务。比如，Agent基于指标查询会把指标、维度和时间三要素解析出来，填充到标准化的接口。Agent还会调用归因、预测、异常检测等算法。注：点击左下角“阅读原文”，下载完整版《2024爱分析･大模型应用实践报告》。

在信创政策、技术创新和业务需求等因素共同驱动下，我国数据库市场保持快速发展，据大数据技术标准推进委员会测算，2022年中国数据库市场规模为403.6亿元，预计2027年将达到1286.8亿元，年复合增长率为26.1%。政策端，信创自主可控推动数据库国产化加速。在信创政策推动下，以金融、电信、政府、制造、交通为代表的行业对国产数据库需求旺盛，为国产数据库突破核心技术、储备技术人才、丰富产品形态提供发展契机。技术端，AI、云计算与数据库融合加深。随着大模型的落地，将大模型与数据库结构设计、架构设计、数据分析挖掘等场景结合，正成为数据库厂商智能工具开发新方向。同时，数据库厂商正联合云厂商推出云数据库产品，为用户提供高效、便捷的数据库服务。需求端，企业分析需求多元化促进分析型数据库技术更新迭代。随着数据资产的积累，企业正将数据分析广泛的应用到各个业务中，对分析型数据库的需求也从结构化数据、T+1周期分析，变成海量、多源异构、高并发、实时等复合需求，推动数据库从性能、可扩展性、架构等多方面持续迭代。在此背景下，2024年4月26日，爱分析正式发布《2024爱分析·数据库应用实践报告》。点击文末左下角“阅读原文”，可下载完整版《2024爱分析·数据库应用实践报告》。报告典型案例中通快运重构数据中心，满足业务多种复杂分析需求01报告综述在信创政策、技术创新和业务需求等因素共同驱动下，我国数据库市场保持快速发展，据大数据技术标准推进委员会测算，2022年中国数据库市场规模为403.6亿元，预计2027年将达到1286.8亿元，年复合增长率为26.1%。图1：2022-2027年中国数据库市场规模政策端：信创自主可控推动数据库国产化加速信创已经成为国家战略之一，通过发展信创产业实现信息技术领域的自主可控，保障国家信息安全是国家经济稳定发展的前提。随着大量中央及地方信创相关政策的出台，信创在“2+8+N”行业加速落地。其中数据库作为承载企业数据存储和管理的基础设施，是信创基础软件的替换重点，国产数据库市场迎来加速发展的黄金时期。在信创政策推动下，以金融、电信、政府、制造、交通为代表的行业对国产数据库需求旺盛，未来，随着信创在更多行业的落地，国产数据库厂商将迎来巨大的市场空间，这也为国产数据库突破核心技术、储备技术人才、丰富产品形态提供发展契机。技术端：AI、云计算与数据库融合加深，大数据、IoT技术催生数据库品类日益丰富随着大模型落地加快，大模型与数据库的融合场景愈加成熟，如将生成式AI技术与数据库结构设计、架构设计、数据分析挖掘等场景结合，能有效提升数据库开发、运维和分析效率，正成为数据库厂商智能工具开发新方向。上云是企业数字化转型的重要战略。为适应云应用的研发需求，数据库厂商正联合云厂商推出云数据库产品，为用户提供高效、便捷的数据库服务，如基于云计算的数据库即服务（DBaaS），支持用户在云端访问和使用数据库系统，可提供灵活的数据库管理解决方案。进一步，云计算中的无服务架构（Serverless）技术和服务模式逐渐成熟，其极致的可扩展性和资源细粒度自动控制的特点，使Serverless成为云厂商的重点布局。此外，大数据、IoT技术的快速发展，使企业数据体量呈爆炸式增长，同时带来异常丰富的数据类型，如时序、GIS、图像、视频、文本等数据类型日益丰富，推动图数据库、时序数据库、时空数据库、文档数据库等各种专用数据库涌现并快速发展。需求端：企业分析需求多元化促进分析型数据库技术更新迭代随着数据资产的积累，企业正将数据分析广泛的应用到各个业务中，对分析型数据库的需求也从结构化数据、T+1周期分析，变成海量、多源异构、高并发、实时等复合需求，推动数据库从性能、可扩展性、架构等多方面持续迭代。在以上背景下，本报告选择分析型数据库和云原生数据库市场作为重点研究对象，围绕两个市场的典型应用实践展开研究。02分析型数据库随着市场的快速变化和数据资产的快速增长，企业对数据分析的应用愈加广泛，对数据分析的性能要求也越来越高。在场景方面，除固定报表外，自助式分析、即席分析、复杂分析、预测分类场景也日益普遍，正成为企业日常经营的必要手段。在性能方面，以精准营销、风险控制、经营统计为代表的企业实时和准实时业务决策场景在快速增加。而基于Oracle、MySQL搭建的传统查询分析引擎在以上场景中表现严重不足，如在对海量数据高并发、实时查询场景响应缓慢，难以适应跨系统的多源异构数据的联邦查询，难以支持复杂分析的准实时场景等。针对以上挑战，分析型数据库厂商采用多种手段满足企业复杂场景下的性能需求，如优化存储和计算架构，存储上采用存算分离架构，计算上采用分布式计算、MPP或全内存等架构；如通过外表联邦查询、湖仓一体满足对跨系统多元异构数据的融合分析；以及通过预计算、索引优化、物化视图、向量化执行引擎等多种方式提升固定报表、复杂查询的查询速度等。典型案例1：中通快运重构数据中心，满足业务多种复杂分析需求中通快运成立于2016年，是中通品牌旗下快运企业，聚焦数智物流新趋势，

1、符合信创ERP全部厂商能力要求；2、2023Q1至2023Q4该市场付费客户数量≥10个；3、2023Q1至2023Q4该市场合同收入≥2000万元。03

Agent技术，让用户能够以自然语言与数据对话，而无需掌握查询语言或编程技能。图：数势SwiftAgent整体方案架构与支持场景厂商评估：

在中央及地方政府的信创政策推动下，我国信创部分领域正在从“试点验证”迈向“规模推广”阶段。随着国产替换的深化，爱分析观察到，在需求侧，企业对信创产品的需求逐渐融合更丰富的业务诉求以及未来数智规划，正从“同类替换”转向“迭代升级”；而在供给侧，信创产品已经跨过“要用”、“能用”，正进入实力比拼的“好用”阶段。如在软件基础设施方面，企业对数据库的替换开始考虑云原生、存算分离、HTAP、超融合等功能特点，对大数据平台的架构更新则以湖仓一体为新方向。在应用端，融合AI大模型、知识图谱等技术的文档管理中台成为OA替换首选，在对客户信息管理系统的替换方面，企业则会考虑业务的成长性以及未来数智化对业务系统互联互通的需求，倾向具有平台化特点的CDP。3月29日，爱分析正式发布《2023-2024爱分析·信创厂商全景报告》。爱分析综合考虑企业需求、关注度等因素，选取其中5个特定市场进行重点分析，通过对各特定市场的需求分析和代表厂商的能力解读，为国产替换选型提供参考。覆盖市场：信创ERP、智能营销、智能分析、湖仓一体、数据库注：扫描下图二维码或点击文末左下角“阅读原文”，可下载完整版《2023-2024爱分析·信创厂商全景报告》。01研究范围定义研究范围定义在中央及地方政府的信创政策推动下，我国信创部分领域正在从“试点验证”迈向“规模推广”阶段。随着国产替换的深化，爱分析观察到，在需求侧，企业对信创产品的需求逐渐融合更丰富的业务诉求以及未来数智规划，正从“同类替换”转向“迭代升级”；而在供给侧，信创产品已经跨过“要用”、“能用”，正进入实力比拼的“好用”阶段。企业对信创产品迭代升级的具体需求表现为：1、软件基础设施数据库是基础软件的替换重点，企业对数据库的替换需求具体为，在功能和性能上可同等替换IOE数据库外，还要满足企业上云、资源弹性伸缩、混合事务分析、多模数据管理和查询等需求，因此企业对数据库的替换也开始考虑云原生、存算分离、HTAP、超融合等功能特点。与此同时，在数据架构方面，企业需要解决异构数据源架构下的数据开发及运维难度，湖仓一体架构正成为大数据平台架构替换新方向。2、应用端OA是企业最核心的办公软件，也位列全面替换软件的首位。以OA系统的文档管理为例，企业在进行国产替换时，新增知识体系构建、员工办公效率提升以及办公流程自动化等业务场景需求，因此融合AI大模型、知识图谱等技术的文档管理中台成为企业选型偏好。在客户信息管理方面，企业传统的客户信息管理主要通过Oracle、SAP等系统进行管理，但在本次国产化替换中，在实现客户信息管理功能的基础上，企业会考虑业务的成长性以及未来数智化对业务系统互联互通的需求，因此具有平台化特点的CDP引发关注。

搜索型数据库市场分析市场定义：搜索型数据库是基于分词、索引等技术对结构化、半结构化、非结构化等数据类型进行全文搜索或信息检索的数据库，其搜索结果可按算法排序。甲方终端用户：

在过去的一年中，爱分析聚焦AI大模型、数据技术等热点关注方向，举办多场不同主题与领域的高峰论坛、网络研讨会等活动，邀请了众多来自不同企业、厂商的资深专家，分享他们在各自擅长领域的最新进展、核心见解、最佳实践。在此基础上，爱分析整理了9个AI与大模型领域的专家文章，帮助更多企业了解前沿技术进展和未来发展趋势！点击图片可跳转阅读对应专家文章点击查看>更多AI与大模型领域的专家实践注：点击左下角“阅读原文”，前往爱分析官网了解更多内容。

在过去的一年中，爱分析聚焦AI大模型、数据技术等热点关注方向，举办多场不同主题与领域的高峰论坛、网络研讨会等活动，邀请了众多来自不同企业、厂商的资深专家，分享他们在各自擅长领域的最新进展、核心见解、最佳实践。在此基础上，爱分析整理了9个AI与大模型领域的专家文章，帮助更多企业了解前沿技术进展和未来发展趋势！点击图片可跳转阅读对应专家文章注：点击左下角“阅读原文”，前往爱分析官网了解更多内容。

科杰科技成立于2019年，是国内领先的大数据基础软件供应商，致力于自主可控的大数据底座产品研发与应用，推动企业全面实现数据驱动型组织转型升级。科杰科技自研的湖仓一体数据智能平台KeenData

在过去的一年中，爱分析聚焦AI大模型、数据技术等热点关注方向，举办多场不同主题与领域的高峰论坛、网络研讨会等活动，邀请了众多来自不同企业、厂商的资深专家，分享他们在各自擅长领域的最新进展、核心见解、最佳实践。在此基础上，爱分析盘点了过去一段时间里10个数据技术领域精选专家文章，帮助更多企业了解前沿技术进展和未来发展趋势！点击图片可跳转阅读对应专家文章注：点击左下角“阅读原文”，前往爱分析官网了解更多内容。

2023年已经过去，在这一年中我们见证了数字化市场的风起云涌，大模型等先进科技持续赋能各行各业，数字化转型成为企业生存和发展的关键，市场竞争愈发激烈，数字化创新成为引领行业变革的重要力量。为此，爱分析盘点了2023年发布的10个备受关注的厂商全景报告，在盘点各领域优秀厂商、为企业提供选型参考的同时，也共同展望2024年的新技术、新场景、新征程！点击图片可跳转阅读对应报告注：点击左下角“阅读原文”，前往爱分析官网了解更多内容。

AIGC加持下的对话式分析可以让用户可以通过自然语言交互方式获取数据洞察，大幅降低数据分析门槛，提升数据开发效率。本次分享主要围绕对话式分析产品解读和相关案例介绍展开。分享嘉宾｜杨兵

2023年已经过去，在这一年中我们见证了数字化市场的风起云涌，大模型等先进科技持续赋能各行各业，数字化转型成为企业生存和发展的关键，市场竞争愈发激烈，数字化创新成为引领行业变革的重要力量。为此，爱分析盘点了2023年发布的10个备受关注的数字化应用实践报告，在回顾领先企业优秀数字化实践的同时，也共同展望2024年的新技术、新场景、新征程！点击图片可跳转阅读对应报告（以下内容按发布时间排序）注：点击左下角“阅读原文”，前往爱分析官网了解更多内容。

总经理内容已做精简，如需和专家交流&获取专家完整版视频，请扫码。01

2023年以来，ChatGPT引爆全球大模型市场。国内众多大模型先后公测，众多互联网领军者投身大模型事业，使得大模型市场进入“百团大战”阶段，2023年成为公认的“大模型元年”。企业用户方面，大模型的应用速度之快超乎想象。2023年初，企业管理层对大模型的话题还停留在大模型是什么，是不是概念炒作。短短半年，大模型已经从饭后谈资走向落地应用。大企业管理层们希望了解到大模型能为企业发展带来哪些变革，大模型的应用路径是什么，如何提升大模型的投资回报率，以及应该为拥抱大模型做哪些准备。爱分析数据显示，2023年中国大模型市场规模约为50亿元。2023年，企业在大模型方面的采购特点是论证多、采购少，各企业计划在2024年开始大量释放大模型预算，因此市场规模将大幅增长，预计达到120亿元。2月7日，爱分析正式发布《2023爱分析·大模型厂商全景报告》。爱分析综合考虑企业需求、关注度等因素，选取其中7个特定市场进行重点分析，通过对各特定市场的需求分析和代表厂商的能力解读，为企业厂商选型提供参考。覆盖市场：知识库问答、对话式分析、AI

Agent等工具层产品。处于成本和安全等因素考量，企业需要实现大模型改造和开发能力的内化。除通用大模型和算力之外，厂商通常需要提供大模型应用开发工具、LLMOps工具、AI

在国家信创政策推动下，加快信创产业发展，打造全面自主可控的国产IT架构，已成为我国实现高水平科技自立自强、保障国家安全、推动经济社会数字化转型的重要抓手。当前我国信创产业部分领域已经由“试点验证”迈向“规模推广”阶段，各行业实践明确了从基础硬件、到基础软件、再到应用软件的纵向替换路径，以及从数字办公系统、到非核心业务系统、再到核心业务系统的横向路径。从信创替换趋势来看：基础硬件和软件的替换需求空间最大，以数据库为代表的核心基础软件仍是信创替换的重点；数字办公系统是央国企信创全面替换首当其冲的软件，接近替换的尾声阶段，其中文档中台作为日常办公和文档管理的基础设施，成为央国企改造的必选项；大部分行业处于由数字办公系统逐步向智能营销等非核心业务系统替换过渡阶段；能源行业信创落地步伐较快，信创应用逐步从非核心业务系统向ERP等核心业务系统发展。在此背景下，为了帮助企业探索信创落地经验，以及发现优质厂商，2024年2月2日，爱分析正式发布《2023爱分析·信创实践报告》。点击文末左下角“阅读原文”，可下载完整版《2023爱分析･信创实践报告》。报告典型案例某国家局建设行业管理融媒体平台，打造协同高效的全媒体传播体系某地检察院打造信创非结构化数据中台，通过协同办公提升办案效率首开集团建设财务信息化平台，实现业财融合01报告综述在国际局势日趋复杂的大背景下，中央及地方政府出台大量信创相关政策，对信创目标规划、财政补贴、人才支持、生态发展等多方面均做出了明确规定。加快信创产业发展，打造全面自主可控的国产IT架构，已成为我国实现高水平科技自立自强、保障国家安全、推动经济社会数字化转型的重要抓手。同时，供需两端合力驱动信创在“2+8+N”行业加速落地。多年以来，国内IT行业及数字经济发展所需的基础设施一直被国际巨头所垄断，存在诸多的潜在安全风险，实现核心技术自主可控已经迫在眉睫。而国内厂商的技术能力持续突破，信创产品正在从“要用”向“能用”的跨越，支撑起各行业的常态化采购。基于上述背景，当前我国信创产业部分领域已经由“试点验证”迈向“规模推广”阶段，各行业实践明确了从基础硬件、到基础软件、再到应用软件的纵向替换路径，以及从数字办公系统、到非核心业务系统、再到核心业务系统的横向路径。从信创替换趋势来看：基础硬件和软件的替换需求空间最大，以数据库为代表的核心基础软件仍是信创替换的重点；数字办公系统是央国企信创全面替换首当其冲的软件，接近替换的尾声阶段，其中文档中台作为日常办公和文档管理的基础设施，成为央国企改造的必选项；大部分行业处于由数字办公系统逐步向智能营销等非核心业务系统替换过渡阶段；能源行业信创落地步伐较快，信创应用逐步从非核心业务系统向ERP等核心业务系统发展。图1：企业信创替换路径及替换重点方向构筑数据管理核心安全屏障，数据库国产化替代正当时。大多数企业已经基于Oracle、DB2等国外数据库，构建了完善的数据应用体系。一方面，数据库作为数据存储和处理的核心软件，支撑上层软件应用和业务管理决策，而传统国外数据库产品难以满足高涉密行业对于数据存储安全的需求。另一方面，传统数据库缺乏弹性扩容、实时数据分析能力，已经无法应对当下数据高并发场景的压力。数据库的国产化替代，成为企业提升自主可控能力、保障数据安全的重要抓手。文档中台打造办公新体验，赋能企业高效协同办公与信息安全。文档中台对企业办公效率及安全性提升的价值显著，是央国企必须国产化的场景之一。传统文档管理面临缺乏统一管理工具、文档协同困难、文档安全风险高等问题，影响文档管理的质量和价值挖掘。文档中台能够提供办公文档查看、编辑、协作、管控等能力，助力企业大幅提升办公协同效率的同时，实现文档数据的统一存储、全方位数据资产的安全防控。高端ERP国产化替代全面开启，新一代数字核心系统助力企业经营提质增效。ERP系统作为贯穿企业各部门的核心管理系统，承载了大量核心业务数据，但国内高端ERP市场长期被SAP、Oracle等海外厂商所垄断，不仅存在数据安全性、服务稳定性的风险，而且面临传统技术架构无法灵活快速满足业务需求的问题。伴随行业信创的深入、国产厂商产品的成熟，进行ERP软件的国产化升级，将成为企业保障数据安全、实现经营提质增效的必然举措。综上所述，本报告选择搜索型数据库、文档中台、ERP等3个重点市场进行应用实践分析，以期为企业决策层及业务部门、IT部门负责人提供信创落地实践经验，助力其更好地推进数字化转型升级。02搜索型数据库2.1

7拥有全新的架构设计，每个模块均保持高度开放性，支持企业搭建个性化应用和流程。企业里一个文档全生命周期包括自动采集录入、对象处理、信息化、杀毒、知识化、纳入知识体系、搜索、门户呈现等环节，