从工具到操作系统，甲骨文用“成效”重写企业AI落地规则

唯捷创芯，是一家专注于射频前端芯片的企业，过去它和大多数企业一样，AI有效帮助了员工个人效率，但未进入企业核心流程。转折发生在唯捷创芯与甲骨文合作之后。双方聚焦测试领域展开协作，甲骨文协助其搭建DataClaw 智能体，将工程师大量测试领域的经验 “炼化” 成可复用的能力模块，重点赋能芯片测试业务，实现了业务效率的大幅提升。

从孤立、局部的“工具思维”，走向全局、融合的“AI操作系统思维”，彻底让AI真正成为一种无处不在、驱动业务成效的能力。

甲骨文公司副总裁及中国区董事总经理吴承杨

唯捷创芯的成功路径，折射出一个关键词：成效。甲骨文公司副总裁及中国区董事总经理吴承杨将之形容为“是企业AI落地的‘唯一’标准。”

01

“成效”

是衡量企业 AI 落地的唯一标尺

当下的企业级AI市场，弥漫着一种奇特的分裂感。

一方面，大模型竞赛如火如荼，各类智能体概念层出不穷，仿佛企业AI已然成为熟透的果实一样唾手可得；另一方面，真实的商业世界当中，那些投入重金的AI项目，仍然停留在漂亮的演示PPT，真正实现规模化落地的案例寥寥无几。

分裂的根源，源自一种“认知错位”。市场热衷于比拼模型的参数规模和算力集群的堆砌，却忽略了AI之于企业的根本意义。如吴承杨所说，“AI时代最重要的是要有实质性的产出，AI不再是一个故事、不是一个PPT、也不是一个解决方案，AI是一种能力。”

如果一场技术变革无法带来可量化、可感知的业务成效，那么无论其技术本身多么炫目，都难以逃脱沦为玩具的命运。所以企业AI可以衡量的标准的确只有一个，那就是：成效。

沿着“成效”的逻辑主线，我们会看到AI在企业业务落地的三个特征。

第一，AI必须是企业级的。AI的战场已经从消费级应用转向了企业核心业务，但企业级AI的要求截然不同，它需要与复杂的业务流程深度融合，需要满足严苛的安全合规标准，更需要产生能直接反映在业务报表上的价值。只有将AI提升至企业战略层面，让它成为贯穿企业的核心能力，规模化的成效才有可能发生。

第二，AI必须是“云原生”的。吴承杨特别指出，“在中国企业加速出海的背景下，云原生支持的全球统一布局至关重要。”因为无论底层模型和工具如何变化，“数据这个核心问题是一致的”，而“云原生就是支持用户的数据，在不同的地方有不同的模型、不同的云架构”，当然最终目的依然是让用户能够得到明确的成效。

第三，AI的底层必须是融合的数据。大多数企业在过去20年的信息化进程中，搭建了大量分散的系统，这些系统都是独立的烟囱，数据互不相通。AI在试图理解企业的全局业务时，它面对的不是一个完整的画面，而是一堆散落的碎片。只有将这些系统的数据融合在一起，才能建立智能体可以理解的业务语义层，AI才能发挥应有的威力。如吴承杨所言：“只有把融合的数据、多模的数据加在一起的时候，才能够真正享受到AI带来的好处。”

因此，要追求企业AI落地的成效，就需要企业级AI的战略思维，云原生的技术架构，更需要一个融合统一的数据底座，三者缺一不可。

02

AIBS

把“做给你看”变成可复制的路径

如果将“成效”视作衡量企业AI的唯一标尺 ，一个与之匹配的、系统性的落地方法论便呼之欲出。甲骨文中国区团队根据本土客户的需求，推出了一套名为AIBS（AI Business Success）的交付方法论。

吴承杨坦言，AIBS的产生，是因为中国客户总是会问两个核心问题：“你们的东西有什么成功案例？可以给我们带来什么样的效果？”所以AIBS的内核就是“做给你看”，用快速验证、可衡量的业务成效来证明路径的正确性。

简单理解，AIBS的核心，在于将“成效”从一句口号，拆解为可执行、可复制的具体模块与流程，并构建了一个层次分明的技术体系：最底层是以Oracle AI Database 26ai为核心的多模统一数据基座，负责解决数据孤岛问题；之上是参考架构和AI平台，用于快速搭建业务语义层，帮助进行数据治理；最上层则是智能体（Agent）编排工具与安全控制体系。

甲骨文公司高级总监及中国区技术工程部总经理嵇小峰

当然AIBS的精髓不止于技术本身，更在于独特的项目交付机制。甲骨文公司高级总监及中国区技术工程部总经理嵇小峰将其总结为：“从0到1”的示范，再到“从1到N”的复制。

具体而言，甲骨文的FDE团队会深入客户现场，遵循“可衡量的业务效果、可复用、基础数据可得、可控”四大原则，与客户共创并快速落地第一个高价值场景，整个交付周期通常被压缩在30到45个工作日之内。这个“从0到1”的过程，目的不仅是解决一个具体问题，更是为了将成功经验和共性的能力沉淀回平台，让客户和其生态伙伴能基于此方法论，自行完成后续的规模化扩展。

很明显，AIBS实现的是将一次性的“项目交付”，转化为可持续的“能力交付”。这就让AIBS与很多传统IT实施项目有了本质的区别。如果把AI当成一个项目来做，项目结束，能力也随之终结，而AIBS通过前期的深度介入和能力转移，帮助企业构建的是自身的内生AI能力。

特别在业务语义层的构建上，这一逻辑体现得更为明显。嵇小峰指出，甲骨文的多模数据库中的图数据类型，为建立业务语义层提供了关键支持，“通过图的方式，把一个企业的业务对象表达出来”，这样构建的语义层是为了让智能体能够顺着业务逻辑去自主探究，而非依赖写死的程序代码。

而这一整套环环相扣的方法论，最终确保的正是企业对AI投资，能真正转化为业务报表上的“成效”。

03

统一数据底座

是企业AI规模化落地的前提

当然，有了AIBS方法论，企业AI的规模化落地也并非一蹴而就，最核心的问题，还在于统一的数据底座。

吴承杨指出：“过去企业上一个系统就建一套数据库，ERP、MES、CRM各自为政，这在当时是完全合理的。但在AI时代，这些孤岛必须被打通，因为只有把多源、多模态的数据融合在一起，才能建立起机器能理解的‘语义层’，让智能体真正读懂企业业务。”

因此，确保全局视角下的完整数据链条，是企业在AI时代必须跨越的门槛。比如“本体”（Ontology）工程，本质上就是在语义层上解决不同系统间概念、属性和关系的歧义问题，让数据不仅可被人类理解，更能被智能体理解。

但本体的构建复杂且周期漫长，考验的是企业对数据的全盘掌控能力。而这恰是甲骨文的优势所在。吴承杨做了一个形象的比喻：“你家里人四代同堂，到底是买50立升的冰箱买10个，还是买一个500立升的冰箱放食品呢？”答案显然是后者。

目前，甲骨文能够提供从数据库到数据湖仓一体的解决方案，如Oracle AI Database 26ai，可以在底层实现数据的统一。通过融合数据库的理念，Oracle将原本需要多个异构数据库（如关系型、图、向量、文档数据库）分别存储的数据，统一纳入一个单一的多模数据库引擎中管理，极大地简化了数据治理的复杂度。

正如吴承杨所强调的，企业AI的核心在于“成效”，而这种成效的基石，则是对融合数据与语义层的坚定投入。以成效为锚、以数据为本，我们距离企业AI的规模化落地也许不再遥远。