过去一年，很多机构都尝试过把大模型引入工作：装一个聊天机器人，接一个知识库问答。演示的时候很惊艳，三个月之后盘点，往往只剩两类用途：写写材料、查查资料。真正的核心业务流程，一步也没进去。
问题不在模型不够聪明，而在打开方式：业务不发生在聊天框里，业务发生在系统里。
这篇文章，讲清楚我们做 AI 落地的基本方法：垂类系统 + 智能体。它是这个系列的总览，后面每一篇，都会展开其中一个行业场景。
一、我们是谁
- 北京可信金科信息技术有限公司，2017 年成立；国家高新技术企业；北京市"专精特新"中小企业；
- 2025 年以来，AI 垂类智能体已在教育测评、智能投顾、城投投资、典当、融资担保五个行业落地；
- FDE 工程师现场交付：进客户现场做场景诊断、方案设计与本地部署；
- 支持本地化／私有化部署，数据不出域；评测集、安全围栏、审计留痕是每个项目的交付标准。
二、为什么孤立的聊天机器人进不了核心业务
核心业务流程有三样东西，聊天框给不了：流程（谁在哪一步做什么）、留痕（出了问题能追溯到哪一步）、责任（最终由谁签字）。而这三样，恰恰都长在业务系统里。
| 对比项 | 孤立的聊天机器人 | 垂类系统 + 智能体 |
|---|---|---|
| 工作发生地 | 聊天框里，结果靠人复制粘贴回系统 | 业务系统里，结果直接进入流程 |
| 输入输出 | 一问一答的文字 | 单据、台账、报告、审批流 |
| 判断标准 | 通用常识 | 行业规则 + 机构自己的标准，白盒可查 |
| 出错之后 | 无留痕，难追溯 | 每一步留痕，人工复核签字 |
| 数据去向 | 多数在云端 | 私有化部署，数据不出域 |
所以我们的结论是：系统是身体，智能体是大脑。只有先有一套贴合行业的业务系统承载流程、留痕和权限，智能体嵌进去承担其中的智能环节，AI 才真正算"进了业务"。
三、嵌入之后怎么工作：一张人机分工表
以我们已落地的融资担保风控场景为例（详见融资担保风控智能体 ），智能体嵌入担保业务系统后，各环节的分工是这样的：
| 业务环节 | 智能体承担 | 人工承担 | 系统承担 |
|---|---|---|---|
| 材料受理 | 材料齐备性初筛、关键信息提取 | 受理确认 | 流程流转、版本留痕 |
| 尽调与评估 | 数据比对、风险点提示、报告初稿 | 现场核实、风险判断 | 数据归集、权限控制 |
| 上会与审批 | 上会材料汇编、同类历史案例检索 | 评审表决、签字 | 审批流、决议归档 |
| 保后管理 | 异常信号监测与提示 | 处置决策 | 台账与预警记录 |
分工的原则只有一句话：**智能体承担初筛、提取、比对这类重复性工作；最终判断与签字责任，始终由人承担。**这不是技术上的保守，而是金融与类金融业务在合规上的必然要求。
教育测评、智能投顾、城投投资、典当这几个已落地行业，用的都是同一张分工逻辑，只是"系统"与"环节"各不相同。
四、落地怎么走：FDE 模式六步
我们不交付"一个账号"，交付的是嵌进真实业务、被真实案例验证过的系统与智能体。FDE 工程师全程在现场：
| 步骤 | 做什么 | 交付物 |
|---|---|---|
| ① 场景诊断 | FDE 进现场，与业务人员一起筛：哪些环节适合 AI，哪些必须人工把关 | 场景清单与优先级 |
| ② 方案设计 | 确定智能体嵌入哪个系统环节、人机分工怎么划 | 方案与分工设计 |
| ③ 数据准备 | 行业知识与数据清洗（往往占一半工作量） | 可用的知识库 |
| ④ 试点运行 | 用机构真实案例构建评测集，小范围试跑 | 评测报告 |
| ⑤ 上线部署 | 本地化／私有化部署，配置安全围栏与审计留痕 | 上线运行的系统 |
| ⑥ 持续运营 | 规则更新、效果跟踪、场景扩展 | 运营与迭代记录 |
验收不靠演示效果，靠评测集说话：用机构自己的真实案例测出来的表现，才是可以签字确认的表现。怎么判断哪些场景值得先做，另见AI 场景诊断方法 ；部署选型可参考私有化部署 。
五、我们适合谁
- 已有业务系统，想把 AI 嵌进核心流程，不满足于在旁边挂一个问答框的机构；
- 需要新建垂直业务系统（担保业务系统、投资管理平台、测评平台等），希望建设时就带上 AI 服务的机构；
- 对数据出域敏感、必须私有化部署的机构；
- 试过通用 AI 工具、卡在"进不了业务"这一步的企业。
结语
通用大模型负责聪明；垂类系统 + 智能体，负责把聪明变成可审计、可追责、可持续运转的生产力。前者到处都有，后者需要一支既做过行业核心系统、又懂 AI 工程的团队，进到现场一点一点做出来。
如果贵机构正在评估 AI 怎么进业务，欢迎与我们联系 ——可先做一次〈AI 场景诊断〉。
