这一份不是产品介绍，是我们自己想清楚的三件事：AI 往哪走、我们凭什么能站住、接下来一年怎么打。想清楚了，对客户讲和对政府讲，说的是同一套话。
技术已经平权：模型买得到、权重拿得到、算力供得上。技术不再是任何人的护城河，竞争转移到谁更懂场景。而场景要的是行业经验，那恰恰是大厂最短的一块。
企业信息化不再需要登录一堆系统。入口会收敛成一个 Agent，ERP、MES、OA 全部退到它身后。做入口，不是做又一个工具。
缺的不是模型，是FDE——驻在客户现场、对业务结果负责的人。我们这支做了十几年 ERP 与 SAP 的团队，离这个角色最近。
为什么是现在、机会在哪、靠谁兑现。每条都配了第三方数据，不是我们自己说。
产品已经在跑、私有化部署的能力、懂业务的团队、会计师事务所的客户底盘。
从"使用 AI"到"拥有 AI"：两周落地的方法、沉淀的四类资产、切入场景的选择。
一年做什么、三年做成什么样、这一版能派生出哪些对外材料。
开源权重、API、本地部署，模型层已经商品化。
地方算力与云端算力都在过剩，不再是门槛。
同一款工具，不同团队做出来的结果差一个量级。
能不能接进业务、解决真问题，才是分水岭。
而这恰恰是互联网大厂最短的一块。
一家公司，你入职第一天就有一个 Agent 跟着你。你要做的事基本只剩两件：做判断和做推进。
一是产品方向——做入口，不做又一个工具；二是咨询的落点——场景层 + 平台与治理层，这两层才交付得了、守得住。
前置部署工程师。驻在客户业务现场，对最终业务结果负责——区别于售前对商机负责、外包对工作量负责、实施顾问对上线负责。
只看项目结束留下什么：留下系统的是外包，留下经验但不可复用的是项目制，沉淀成 Skill、模板、产品能力的才是真的。
| 判断 | 解决什么问题 | 对我们的直接含义 |
|---|---|---|
| 一 · 技术平权 | 为什么现在有机会 | 不在模型层竞争；在场景与系统集成层竞争。大厂缺 To B 基因，制造业没有体感。 |
| 二 · 入口收敛 | 机会在哪 | 产品做入口不做工具；咨询落在场景层与平台治理层，这两层交付得了、守得住。 |
| 三 · FDE | 靠谁把机会变成交付 | 懂行业的人 + AI 工程能力。我们手上已经有一半，缺的是后半段，而那半段补得上。 |
只讲技术平权，会变成"我们也能做"的空话；只讲 Agent 入口，会变成产品宣讲；只讲 FDE，会变成人力外包。三条连起来，才是"我们站得住"的完整论证——缺任何一条，对方都能找到反驳的口子。反过来讲，这三条也解释了为什么我们不去碰模型层：不是做不了，是那一层已经没有我们可守的东西。
容大 AI 不是 PPT。已有 2 家上市企业成熟使用、多家企业在试用，近两年持续研发投入。
对标 WorkBuddy 这类产品，我们多的是私有化：数据不出企业、权限分层可控、能深度定制。
50 多人的 IT 咨询 + ERP / SAP 团队，有成熟的企业级业务场景知识架构。
背靠容诚会计师事务所，见过大量不同体量、不同阶段的企业，样本量够大。
能拆解任务并按序执行，不只是回答一句话。
跨会话保留上下文，用得住才用得久。
能调系统、能查数据，接得进真实业务。
把重复做法固化成可复用能力，越用越省。
企业制度、专业资料都能变成可检索的内容。
文字、表格、文件都能处理，贴合办公实际。
| 对比维度 | 通用 AI 工具（豆包 / 千问 / WorkBuddy 等） | 容大 AI Agent |
|---|---|---|
| 部署模式 | 公有云 SaaS，数据上传至厂商服务器 | 私有本地化部署，跑在企业自有服务器或私有云 |
| 数据安全合规 | 数据留存厂商侧，企业无数据主权 | 数据全链路留在企业内部，满足等保与行业合规 |
| 多租户与权限 | 个人账号体系，无企业级分级权限 | 多租户架构，精细化权限管控，模型资源灵活分配 |
| 业务适配深度 | 通用场景为主，接不进内部系统 | 可对接知识库与业务系统，覆盖办公与专业业务 |
| AI 资产沉淀 | 沉淀不下企业专属知识，散在个人账号 | 持续沉淀知识、流程、经验，形成企业独有 AI 资产 |
| 可持续扩展 | 功能固定，迭代依赖厂商节奏 | 支持多模型接入与场景扩容，可自主扩展升级 |
数据能不能不出内网？能不能按部门和角色控制谁能用什么？我们自己的制度和经验，最后能不能变成资产留在公司？通用工具对这三个问题都答不上来——不是不想答，是架构上答不了。
本地化、私有化部署，线上模型与本地模型按任务和数据安全等级灵活接入。企业与知识应用统一管理，敏感操作全程审计留痕。
多租户架构，不同租户数据隔离、权限边界清晰。按角色分配权限，控制谁能看、谁能做；管理员可查看员工使用情况和平台运行状态。
以客户品牌运营：Logo、平台名称、登录入口按客户品牌呈现。容大提供技术底座，客户持续建设自己的 AI 平台，场景可按需扩展。
行业直觉长出来要 3—5 年；AI 工程能力补上只要 3—6 个月。反过来让工程师去补行业经验，代价高得多。
我们不是从零开始做 AI 交付，而是把已经有的那一半，接上另一半。这句话对客户讲、对政府讲，都站得住。
国际化的、国内的、创业型的、IPO 的——同一套问题在不同阶段的企业里长什么样，我们心里有数。
SAP、国产 ERP、MES、SRM、自研系统。知道哪些集成是真能做的，哪些是纸面上好看的。
信息化项目为什么会烂尾、数据为什么不通、上线为什么没人用——这些坑的价值，不比成功案例低。
员工自发使用公共工具，场景分散、缺乏标准，只实现单点效率提升。目标：个人效率。
AI 融入核心业务流程，对接内部系统数据，实现深度融合与成本优化。目标：业务成本。
全组织覆盖，统一运营管控，驱动战略决策与商业模式创新。目标：决策与创新。
平台本地部署，基础环境与权限配置到位。
模型接入，企业知识与基础应用配置。
财税机器人等应用开通，试点运行与校验。
管理员、关键用户与员工培训，给出后续场景规划建议。
企业专属知识库：制度、经验、专业资料沉淀下来，不再散在个人电脑里。
把企业的工作流程固化进系统，优秀做法可以复制，不依赖某个具体的人。
部门或岗位 AI 助手、业务专属 Agent——配置好就能一直用，越用越准。
提示词与应用矩阵持续扩展，形成企业自己的 AI 应用矩阵。
财税咨询与政策问答、财税知识库检索。这类场景需求明确、口径清晰，容易做出可验证的效果。
企业制度与流程问答、内部知识问答。把沉淀下来的知识用起来，覆盖面迅速扩大。
报告及材料辅助生成、合同与文档处理、日常办公辅助。最终落到全员高频使用。
把已有客户从试点推到业务化：一个场景做到能衡量，把对照组数据做出来。同时把交付留下的四类资产固定成模板。
团队完成后半段能力补齐：Agent 编排、RAG、工具调用、评测体系。让 50 多人的咨询团队真正具备 FDE 的完整能力。
成为区域内"懂行业 + 能交付"的企业 AI 入口。客户不登录一堆系统，只面对一个 Agent——那句话由我们来实现。
选一个真实高频环节做到位，做出对照数据。样板不是演示，是有前后对比数字的那一段。
项目结束交的不是系统，是 Skill、模板、测试集、连接器。下一个同类项目成本要明显更低。
Agent 编排、RAG、工具调用、评测体系——把已经有的那一半接上另一半。
重点在第二幕：产品已经在跑、私有化部署、懂业务的团队。客户关心的是"你做没做过、敢不敢交给我"。
重点在第一幕和第四幕：判断、区域产业含义、落地路径与人才。政府关心的是"能不能带动本地产业、能不能形成可复制的做法"。
重点在第三幕和第四幕：怎么落地、留下什么、下一步三件事。团队关心的是"我具体要做什么"。