AI Agent 应用层：场景、案例与 Data Infra 落地分析

type

Post

status

Published

date

Aug 15, 2025

slug

ai-agent-data-infra-cases

summary

从概念背景、应用层案例、Data Infra 落地到竞争格局，系统梳理 AI Agent 的场景、技术架构、商业价值与代表性案例。

1. Concept Background｜概念背景

1.1 Agent 定位：从推理走向行动

在 OpenAI 提出的人工智能五个阶段中，AI Agent 属于第三级“Agents, systems that can take actions”。这意味着它已经具备自主操作、多工具链调用与目标驱动任务执行能力；在迈向第四级 Innovators 的过程中，验证器泛化仍是关键难题（朱哲清，2025）。

1.2 Agentic AI 系统的工作流程

Agentic AI 从目标理解出发，经任务规划、工具调用、环境反馈与反思迭代形成闭环；在企业场景中还需要权限、安全、数据治理和人工复核机制。

1.3 典型技术架构

架构	核心机制	代表案例
单 Agent + 工具调用	一个代理完成规划、工具选择与结果生成	AutoGPT、GitHub Copilot
多 Agent 协作	监督代理拆解任务，专业代理分工并相互校验	Polaris、7-Eleven 营销助手
RAG / 数据增强决策	检索企业数据与知识，结合模型生成洞察	Adidas、SAUR、Fannie Mae
企业平台 / 跨系统编排	嵌入业务系统并协调多个数据源和工作流	ServiceNow、Atlassian、Agentforce

2. 行业结构、价值流向与商业化

AI Agent 的产业价值沿着模型与云基础设施、安全与治理、数据基础设施、工作流平台和应用层逐级传导。市场规模、竞争格局与商业模式可以放在同一条价值链中理解。

2.1 市场规模与长期潜力

窄口径（AI 驱动自动化）：2025 年约 60 亿美元，预计 2028 年达到 200 亿美元。

广口径（流程自动化）：2025 年约 520 亿美元，预计 2028 年达到 1020 亿美元。

SoR（系统记录型）Agent 对应市场规模约从 2025 年 160 亿美元增长至 2028 年 330 亿美元。

SoE（系统交互型）Agent 对应市场规模约从 2025 年 360 亿美元增长至 2028 年 690 亿美元。

长期看，AI Agent 有望继续渗透约 6370 亿美元的应用软件市场；价值将从单点效率工具扩展到跨系统协同和持续决策基础设施。

2.2 价值链：价值流向与核心受益者

价值层	核心价值来源	代表厂商 / 产品	与案例的关系
模型与云基础设施	算力、通用模型和 Agent 开发运行环境	Microsoft、AWS、Google、OpenAI、Anthropic	为所有 V1–V4 提供底层能力
安全与治理	身份、权限、审计、提示注入与供应链风险控制	CyberArk、Okta、Palo Alto Networks、CrowdStrike	决定 Agent 能否进入生产环境
数据基础设施	现代化数据资产、提升质量，并提供实时可靠检索	Snowflake、Palantir、Databricks	V3 的直接核心，也是 V2 跨系统执行的数据底座
工作流与企业平台	连接系统、人员和任务，把模型能力变成稳定流程	ServiceNow、Atlassian、SAP	主要承载 V2 流程编排
SaaS 与 AI 原生应用	面向具体岗位或最终用户交付结果	Salesforce、HubSpot、GitHub Copilot、Polaris	承载 V1 岗位增效与 V4 AI 原生产品

资料源：Morgan Stanley《AI Agents Knocking at the Door》、Bessemer《Roadmap: Data Infrastructure》、Digital Guardian《What Is Data Infrastructure?》及原 Agentic AI 材料。

在这条价值链中，Data Infrastructure 承担数据资产现代化、质量提升和快速、可靠、准确检索三项基础能力。AI 也在反向推动现代数据栈演化，包括将 embedding 变为数据库的原生数据类型。

Data Infra 行业 Market Map（资料来源：Bessemer Venture Partners）

2.3 竞争格局：SoR 与 SoE 的系统角色

🧭

SoR / SoE 用于描述 Agent 与企业系统的交互角色：SoR 更接近面向特定领域的任务执行，SoE 更强调跨系统的流程协同。案例比较则按 V1–V4 价值实现机制展开。

系统角色	含义	例子
SoR	面向特定领域和岗位的任务执行，更接近直接产出结果	GitHub Copilot、Salesforce Agentforce
SoE	跨系统的流程协调，通过提高系统利用率和减少人工协调创造价值	ServiceNow Now Assist、Atlassian Rovo

2.4 商业化与定价

AI Agent 的定价仍在从工具订阅过渡到按使用、行动和结果计费，常见模式包括：

按活动计费：Cognition Labs、Harvey AI 等采用每代理固定价格。

按使用量计费：Microsoft、OpenAI、Anthropic 等按代理动作或 token 计费。

按结果计费：Salesforce、Artisan 按工作流计费，Zendesk、Sierra 按成功结果计费。

混合模式：Atlassian、ServiceNow、HubSpot 将 Agent 能力嵌入高阶订阅，并对超量使用收费。

2.5 共同挑战与演进路径

可靠性与语义理解：幻觉、不确定性和对企业语义的理解不足会限制复杂任务。

安全与治理：提示注入、敏感数据泄露、Agent 身份与权限管理是生产部署的前置条件。

标准与互操作性：跨平台、多 Agent 协作协议尚不成熟。

数据基础：数据碎片化、质量问题和应用孤岛会直接限制流程复杂度。

用户采纳：AI 自助服务解决率仍偏低（Gen X 约 32%，婴儿潮一代约 17%），当前仍以基础请求自动化为主。

Morgan Stanley 判断行业将经历渐进演进，而非一次性革命。价值会沿着“底层算力与模型 → 安全和数据治理 → 工作流平台 → 应用与结果交付”逐层释放。

3. 案例分析框架：价值实现机制

🎯

案例框架从 Agent 如何为客户创造价值出发，分为 V1 岗位增效、V2 流程编排、V3 数据决策和 V4 AI 原生产品。行业、技术架构与 SoR / SoE 分别作为场景、实现方式和系统角色的补充信息。

ID	价值实现机制	判定标准	代表案例
V1	岗位增效	在既有岗位内提升个人或专业团队产出效率	NICE、Five9、GitHub Copilot、Synopsys、Sage、RELX
V2	流程编排	跨系统、跨角色或跨步骤完成一条业务流程	Salesforce、ServiceNow、Atlassian、Siemens、SAP、7-Eleven 营销、SAUR
V3	数据决策	将企业数据转化为洞察、预警或决策建议	7-Eleven 门店、Adidas、Fannie Mae
V4	AI 原生产品	Agent 本身构成用户面向的产品、服务或交互体验	Polaris、陌陌、Whispers、AutoGPT、Voyager

3.1 案例索引

案例	价值机制 ID	行业 / 场景	核心价值
Salesforce Agentforce	V2	CRM / 客服销售营销	串联客服、销售和营销任务
NICE CXone Copilot	V1	CCaaS / 联络中心	语音交互与客服人员增效
Five9 AI Solutions	V1	CCaaS / 联络中心	虚拟代理、分析与客服增效
GitHub Copilot	V1	软件开发	编码全生命周期提效
Synopsys AgentEngineer	V1	芯片设计	多代理协作缩短研发周期
ServiceNow Now Assist	V2	IT 服务管理	跨系统 IT 工作流自动化
Atlassian Rovo	V2	团队协作	跨工具搜索与协作编排
Siemens Industrial Copilot	V2	工业制造	工业流程与数字孪生协同
SAP Joule	V2	ERP / 财务	高频财务任务与 ERP 数据协同
Sage Copilot	V1	中小企业财务	票据和税务处理增效
RELX Protégé AI	V1	法律 / 专业出版	专业知识工作流增效
Polaris 3.0	V4	医疗服务	面向患者的高准确率交互服务
陌陌 AI 辅助破冰	V4	社交	AI 原生内容交互与社交转化
Whispers From The Star	V4	游戏	实时对话驱动的 AI 原生体验
AutoGPT	V4	通用实验	自主规划、工具调用与长期记忆
Voyager	V4	游戏实验	环境反馈与终身技能学习
7-Eleven 营销助手	V2	零售营销	创意、合规、审核与交付流程编排
7-Eleven 门店表现分析	V3	零售运营	多源实时数据的运营洞察
Adidas 评论洞察	V3	消费品 / 产品决策	海量评价检索与产品改进决策
SAUR 合同管理	V2	水务 / 合同	非结构化合同的跨步骤处理
Fannie Mae 反欺诈	V3	金融风控	隐藏模式识别、预警与调查提速

4. 案例详解：企业通用、垂直行业与 AI 原生场景

以下案例按业务场景展开，并结合 V1–V4 价值实现机制标记其主要价值来源，便于在保留行业上下文的同时进行横向比较。

4.1 客服与联络中心（V1 / V2）

💡

在客服自动化场景中，Salesforce Agentforce、NICE CXone、Five9 AI Solutions等产品通过自动化基础客服任务（如密码重置、订单查询）、支持语音及数字交互、拓展至销售与营销流程等功能，实现了成本降低20%-50%、交互处理量提升3-5倍、客户合同规模增加15%-25%等显著商业表现，其中NICE和Five9凭借语音优势领先，Salesforce则在数字交互领域快速渗透。

Salesforce Agentforce

价值机制：V2 流程编排。Agentforce 以 CRM 为系统底座，将客服、销售与营销中的多步骤任务串联起来，在权限边界内完成跨对象和跨流程执行。

核心功能：

客服场景自动化：基于客户购买历史和企业知识库，自动提供个性化问题解决方案，减少人工客服的重复劳动；

销售流程支持：销售开发代理（SDR）可自动发送个性化邮件、回应定价咨询，并关联销售日历安排跟进；

营销与电商拓展：生成营销活动、受众细分和邮件内容，甚至管理网站并生成个性化促销。

技术特点：Agentforce已具备Level 3的受限自主性，能通过多轮推理处理复杂任务（如100页发票与内部系统对账），且2025年推出的Agentforce 2dx进一步扩展至主动型代理，支持多模态交互和无监督后台运行，并通过AgentExchange marketplace加速生态扩展。

市场表现：截至2025年F1Q26，Agentforce已达成超4000个付费交易，ARR突破1亿美元，定价采用混合模式：初期为$2/交互，后新增“Flex Credits”按行动收费（每20 credits/$0.10），兼顾灵活性与成本控制。

CCaaS 厂商（ NICE 、 FIVN ）

应用：

主导语音交互自动化（当前语音占客户互动的53.5%），提供从呼叫路由到AI辅助的全流程解决方案。支持向第三方AI（如Salesforce Agentforce）提供语音流、转录流数据。

技术特点：

语音优势：掌握语音数据流和复杂路由/集成能力

融合AI技术与CCaaS平台，为第三方AI（如Salesforce）提供数据支持，提供语音流和transcript流实现额外monetization，成为新的增长来源。

商业表现：

NICE的云ARR中8%来自数字和AI解决方案（约1.5亿美元），其CXone Copilot的ACV（年度合同价值）在2024年Q3同比增长6倍；

FIVN的AI相关收入占企业订阅收入的8%，2024年Q3 AI收入同比增长40%，且含AI的新订单规模是普通订单的5倍；

两者均实现客户钱包份额提升30%-50%，ARPU（每用户平均收入）显著增长。

NICE:数字化和AI客户带来了显著更高的ARR和ARPUNICE:声称通过AI实现50%的销售机会提升

FIVN：声称在劳动力减少15%的情景下，提升约30%

产品 / 厂商能力一览

领域	产品	核心功能	商业化策略/盈利点	商业/能力表现
CDP产品	Agentforce, Salesforce, 美国	客服获客营销与拓展	依据调用量计费（2美金/次）	业务本身全年同比150%增长，高于公司整体营收平均增速；自2024年以来，成单超过8000单
CCaaS CCaaS	CXone Copilot 等AI模块, NICE, 以色列	语音交互自动化自动化客户可扩展第三方AI	订阅收入	AI 相关收入占其企业订阅收入的约 8%（截至 Q1’24）AI 解决方案的引入使得客户的 ARR 增长了 50% 以上
ㅤ	AI 虚拟代理服务, Five9, 美国	基于AI和自动化技术的客户体验提升数据分析和报告集成其他系统的能力	订阅收入	AI 和自动化解决方案占企业订阅收入 8% AI 收入同比增长 40%

4.2 专业生产力（V1）

💡

价值机制：V1 岗位增效。软件开发与芯片设计案例聚焦专业任务，依赖 LLM、行业知识和多代理协作提升开发者与技术团队的产出效率。

GitHub Copilot ：

任务特定的AI助手，聚焦软件开发领域的自动化，核心是通过实时代码建议提升开发效率。

核心功能：

全生命周期支持：在代码生成、补全、解释、重构、测试生成等环节提供实时建议，覆盖软件开发生命周期；

工具集成：嵌入主流IDE（如VS Code），支持20多种编程语言，基于项目上下文提供贴合团队规范的代码推荐。

技术特点：由GitHub与OpenAI合作开发，依托LLM的代码理解能力，区别于传统规则驱动工具，能通过学习代码库模式生成符合逻辑的代码片段。

价值机制：V1 岗位增效。GitHub Copilot 不直接替代开发者，而是减少机械性编码工作并提升生产力，是角色内专业增效的典型案例。

市场规模与商业表现：

当前约160亿美元，2028年达330亿美元。用户总数已突破2000万。数据显示，过去三个月内，有500万用户首次尝试使用GitHub Copilot。今年4月，该工具用户数已达1500万，用户规模保持稳步增长态势。

Synopsys AgentEngineer ：

基本功能:多代理协同优化芯片设计全流程，自主决策电气、机械参数调整，缩短研发周期。

技术特点：基于深度学习与多领域协同（电气、机械等），支持5nm以下制程设计。

商业表现：芯片设计周期缩短25%，研发成本降低18%，已应用于高端芯片项目

产品 / 厂商能力一览

领域	产品	核心功能	商业化策略/盈利点	商业/能力表现
AI 编程	GitHub Copilot, 微软, 美国	代码补全错误检测代码优化和多语言	订阅/企业服务/集成与扩展	GitHub Copilot 在开发者社区中获得了积极的反馈，许多开发者认为它显著提高了他们的工作效率
CCaaS	AgentEngineer, 新思科技 Synopsys, 美国	多代理协作工作流优化自主决策	订阅收入	Synopsys在GenAI（生成式AI）方面的工作已经取得了成功，客户使用Synopsys.ai工具报告了显著的效率提升

4.3 企业工作流（V2）

💡

本组以 V2 流程编排为主：ServiceNow、Atlassian、Siemens 和 SAP 通过跨系统协同提升 IT、团队、工业与财务流程效率；Sage 与 RELX 则更接近 V1 专业岗位增效。

产品 / 厂商能力一览

领域	公司名称	产品名称	核心功能	商业化策略与表现
企业IP流程	ServiceNow	Now Assist	预配置 AI 代理库（安全运维、网络修复等），自动执行跨系统 IT 任务；支持无代码自定义代理，整合企业分散数据（IT 资产、工单等）。	包含于 Pro Plus 套餐，通过减少人工协调成本、缩短流程周期提升 IT 部门效率。
团队协作	Atlassian	Rovo	整合 Jira、Slack 等跨平台数据，提供智能搜索与协作问答；支持跨工具任务自动化（如同步 Jira 任务与 Confluence 文档）。	月活用户超 150 万，Premium 客户免费，非 Atlassian 用户 $5 / 月。
工业生产	西门子	Industrial Copilot	自主执行工业工作流（供应链纠纷、客户案例分类等），集成数字孪生与 IoT 数据。	客户生产力提升 50%，预计缓解欧洲制造业 700 万岗位缺口。
财务会计	SAP	Joule	自动化 80% 高频财务任务（发票对账、纠纷管理等），整合 ERP 系统数据。	30,000 + 客户采用。
ㅤ	Sage	Copilot	为中小企业自动化发票处理、税务计算。	4 万 + 早期用户实现效率提升
法律服务	RELX（LexisNexis）	Protégé AI	结合 LexisNexis 数据库，提供个性化法律建议，与 Harvey 合作拓展法律工作流自动化；其 STM division 通过 AI 代理优化学术出版流程。	/

4.4 AI 原生服务与体验（V4）

早期代表性 agent 项目： AutoGPT ，开源

资料来源：东吴证券，@ntindle（Github）

业务	所属领域	一句话概括	商业化策略/盈利点	商业表现
AutoGPT，开源	办公	2023年3月开源的第一款AI AGENT实验性项目,由游戏开发者 Toran Bruce Richards开发。AutoGPT可根据用户给定的目标,自动生成所需提示，并利用GPT4和各种工具API执行多步骤的项目，无需人类的干预和指导	开源项目	截至目前（25.8.24）在 Github 上收获了 177k star，成为github历史上星数增长最快的开源项目

价值-结果

全流程自动化

临床准确率:人去主动搜索资料、阅读、理解、整合、最后动笔写作。AutoGPT将这一系列复杂的脑力劳动和操作流程完全自动化，用户只需给出一个最终目标

自主规划与任务分解:它能自主地将“写文章”这个大目标分解为一系列子任务，如“先生成问题”、“再回答问题”、“将回答存起来作为段落”、“循环此过程”等，展现了初步的规划能力

外部工具的支持和高可扩展性

能克隆github仓库、启动其他agent、发言、发送推文和生成图片,支持所有矢量数据库和LLM提供商/文本到图片模型/浏览器

具备长期记忆: AutoGPT通过集成Pinecone矢量数据库作为长期记忆，可以保存和检索已经生成的内容，确保文章的连贯性和一致性，避免在长任务中“忘记”前面的内容

能力

记忆获取和命令执行

通过python内部List结构,保存text文本,每次会获取最近一次的历史信息

医疗 agent ： Polaris ，美国

2025年3月份发布3.0版本，资料来源：hippocraticai.com，@脑极体（人人都是产品经理），couchbase.co

业务	所属领域	一句话概括	商业化策略/盈利点	商业表现
医疗agent：Polaris，美国	医疗	Polaris 通过多个Agent协同工作与交叉验证，为患者提供比人类护士更精准、更受信任的用药和诊疗建议——通过自然语言交互实现企业级的快速的数据处理和决策Polaris 技术路径介绍	私有化，“赚取客户支付的基本费率的 5%（通常为每小时 10 美元），再加上您选择设置的任何附加费率的 70%”	在阿联酋，Polaris已被整合进Burjeel医疗集团的数字系统。在超过185万次真实患者互动测试中，Polaris3.0临床准确率高达99.38%，患者满意度达8.95/10

价值-结果

超高的准确性和安全

临床准确率:达到99.38%，高于前代版本，为患者安全提供了坚实保障

深度思考模型:通过“离线”思考模式对化验、药物和转诊等关键信息进行三重检查，有效消除了先前版本中的长尾错误

文档准确性:即使患者表述不清，系统也能准确记录健康风险评估（HRA）等表格，准确率从90.5%提升至98.5%

卓越的患者互动体验

高级情商(EQ):具备“读懂言外之意”、多通话记忆、辅助患者表达等能力，使患者的信任度从88.93%提升至94.60%

更高的参与度:由于互动更自然、更深入，平均通话时长从5.5分钟显著增加到9.5分钟，患者满意度也提升至8.95/10

强大的可扩展性

多语言能力:支持包括西班牙语、阿拉伯语、普通话在内的九种非英语语言，并能根据患者使用的语言自动切换

工作流程自动化:能够自动处理复杂的任务，如导航其他供应商的IVR系统、报价、安排复杂预约（错误率从8%降至0.5%），并与电子病历系统（EMR）深度集成

能力

大量数据的分析学习

对超过185万次真实患者通话数据分析学习

多LLM的agent架构

多智能体架构是一种系统设计，多个独立智能体协同工作，解决问题或执行任务，最新的Polaris 3.0是一个包含22个LLM模型的系统（4.2 trillion parametersacross 22 specialized LLM models）

权威且实时的医疗数据源

系统需要接入并能理解最新的权威医学研究和临床试验数据，以确保其建议的前沿性和科学性

大规模的人工验证与监管审批

要在一个高风险的医疗领域应用，技术必须经过大规模、专业化的医生护士团队验证和严格的监管机构审批（如获得FDA认可），这是一个极高的行业壁垒

社交辅助破冰 agent ：陌陌科技，中国

信息来源：陌陌科技AI产品负责人（高临访谈）高临访谈：AI Agent应用与趋势分析报告、挚文集团算法研究院李思臻、挚文集团Q1'25业绩电话会议

业务	所属领域	一句话概括	商业化策略/盈利点	商业表现
社交app：陌陌，挚文集团	娱乐社交	挚文集团在其主应用陌陌里引入了LLM技术，以女性用户公开个人信息标签和社交动态内容，为男性用户生成和优化破冰文案，增强应用内的社交转化能力陌陌主应用的AI辅助破冰功能技术路径	功能付费	数据显示，AI生成话术的回复率显著高于用户自发撰写的内容。自该功能全面上线以来，消息回复率持续攀升

价值-结果

提高平台用户社交转化能力

个人资料页展示：通过AI优化用户页面，提升吸引力。

匹配环节：基于双向画像进行更精准的标签匹配或优化匹配。

聊天环节：生成自动化招呼语，确保匹配后能有效进入对话；实时推荐下一句话回复，帮助用户建立更深入的社交关系。

陌陌AI破冰功能流程

优化用户体验

通过智能配图生成，帮助用户轻松创作图文动态

支撑现金流业务

新的破冰付费功能在一定程度上缓解了由头部付费用户减少带来的收入压力

稳定的社交基本盘成为现金流业务保持盈利能力的基础

能力

结构化动态理解体系

对用户动态内容、发布意图、社交需求、社交名片等信息的体系化理解

陌陌LLM应用场景陌陌结构化动态内容理解体系

基于场景反馈数据的模型持续优化

根据场景下用户行为反馈数据、是否点击、是否达成社交等行为反馈对偏好数据集进行打分，指导权重变化

游戏 AI 玩家：Voyager（开源）

资料来源：东吴证券、@赛脖古（公众号）、论文（arxiv）

Voyager：英伟达首席科学家Jim Fan等人把GPT4接入《我的世界》提出的一个全新AI智能体。

三个关键部分组成：

最大化探索；有用于存储和检索复杂行为的可执行代码的技能库；

具备一种新的结合了环境反馈、执行错误和程序改进的自我验证的迭代提示机制，能在一个新的Minecraft世界中利用学到的技能库从头开始解决新的任务。

表现出强大的情境终身学习能力，并在玩Minecraft方面表现出非凡的熟练度。它获得的独特物品是SOTA的3.3倍,旅行距离是SOTA的2.3倍，解锁关键技术树里程碑的速度是SOTA的15.3倍。

其他类似应用：2023年5月商汤、清华、上海人工智能实验室等机构研究人员提出的GITM框架，旨在创建游戏《我的世界》中的通用AGENT。

和同类游戏玩家agent的能力对比

AI-based 游戏：《 Whispers from the Star 》， Anuttacon （蔡浩宇）

资料来源：蔡浩宇的AIGC游戏革命：从《原神》到《Whispers》的技术跨越

业务	所属领域	一句话概括	商业化策略/盈利点	商业表现
以ai agent支撑主要玩法的FPT游戏：Whispers	游戏娱乐	新创AI公司Anuttacon推出的实验性AI游戏《Whispers From The Star》，展示了当前AIGC技术在游戏中的最高集成度	买断制付费，待发售，售价为9.99美元，折合人民币约72元	推动资本市场对游戏厂商AI布局的关注，行业媒体如GameLook、游戏葡萄等持续跟踪报道技术细节

价值-结果

开创了一个全新的游戏类型

开发团队为这款游戏开创了一个全新的类型定义——FPT（First-person Talker），即第一人称对话游戏。该玩法的核心在于通过实时语音对话驱动情节发展和角色互动，旨在为玩家提供前所未有的沉浸式体验。

构建全新体验范式

从"任务执行"转向"关系建构"

AI原生游戏探索：

用AI重构游戏存在的根基

能力

低延迟的实时交互能力：

玩家与角色的所有交互均基于语音、文本或视频，AI会根据输入内容、语气、语速等因素进行多维度判断；

云端实时演算：

游戏运行于云端服务器和云端模型调用，成本不菲，这不仅是因为模型调用需要成本，也因为实时图像渲染、面部驱动和语音生成等模块需并发运行；

自由度更高的AI反馈：

AI角色不仅记忆玩家行为，还会在情绪曲线中引入“模糊逻辑”，即她不会每次都作出相同反应，而是根据当下状态生成细微差异。

5. 数据决策案例：Data Infra 落地（V3 为主）

Data Infra 为 AI Agent 提供企业数据、检索与治理基础。以下案例中，面向洞察、预警和风控的应用属于 V3 数据决策；面向跨步骤执行的应用属于 V2 流程编排。

📝

本节案例涵盖零售营销与门店运营、产品评论洞察、合同管理和金融反欺诈，重点呈现后端数据能力带来的业务收益。其中，“门店实时表现分析”和“创意营销助手”是 Databricks 为 7-Eleven 提供的两个独立产品。

5.1 Databricks × 7-Eleven：营销助手与门店表现分析

🏪

价值机制：营销助手属于 V2 流程编排；门店表现分析属于 V3 数据决策。两者是同一合作中的两个独立产品用例。

主体	概览
供应商	Databricks（成立于2013年）是一家专注于大数据处理和人工智能的平台公司，其软件帮助企业整合数据并构建生成式人工智能应用。Databricks 提供基于云的统一数据和AI平台，支持企业构建、扩展和管理包括生成式AI在内的各类机器学习模型。在大数据和AI领域，Databricks 倡导“湖仓一体”等创新理念，凭借强大的技术生态在业界处于领先地位
客户 / 合作方	7‑Eleven 起源于 1927 年的美国德克萨斯州达拉斯，当时是一家冰屋店，后改名为 “Tote’m Stores”，现总部位于德州欧文。它是全球最大的便利店连锁品牌之一，截至 2024 年在 19 个国家经营、加盟和许可约 84,500 家门店。

评估维度	详情
项目时间	2025 年（在 2025 年 Databricks Data + AI Summit 与 NRF 展会上介绍）。
合作目标	两大合作目标：用例一：营销助手（Marketing Assistant）利用 Databricks Lakehouse 和 Mosaic AI 平台构建多用途代理营销助手，支持 7‑Eleven 营销人员生成活动创意、文案、图片审核和常见问答用例二：门店表现分析（Store Performance Insights）针对 13,000+ 家门店实时获取并分析运营表现数据，辅助运营和管理决策。
核心痛点	外部方案通用性强，难匹配品牌语调与业务流程。活动数据安全风险：未发布信息可能泄露给第三方。人工流程耗时长：Campaign ideation → 文案 → 审核 → 多渠道分发，周期长。实时性不足：无法及时采集趋势/竞品信息，易与旧口号撞车。内部早期 Chatbot 项目经验暴露检索质量、Chunking 策略、响应时延等问题。
实现方式	用例一：营销助手（Marketing Assistant）利用 Databricks Data Intelligence Platform 将销售、库存、天气等数据统一存储，使用 Mosaic AI 与 LangGraph 构建多个代理人格：多代理（multi-agent）架构：任务分解、创意生成、合规审核、图片检测等代理，通过 LangGraph 编排。数据源整合：实时门店销售/库存、历史营销活动数据等，全部接入 Databricks Lakehouse。Guardrails & 安全合规：自动检测不当内容、品牌一致性检查，符合 7-Eleven 内部营销合规标准。人机协同闭环：生成结果经人工复核与反馈，持续训练模型。监控与评估：全链路记录与效果分析，用于优化提示词、模型参数和代理策略。Mosaic AI的AI 网关保护每个模型服务的端口，确保基本的输入输出信息安全，内部通过护栏服务审查身份信息和有毒文件示例workflow：databricks X 711用例二：门店表现分析（Store Performance Insights）Databricks 数据湖平台整合销售、库存、客流等多源数据实时计算与可视化（推送给区域经理/总部）AI Agents 生成洞察与建议
商业模式	该助手为企业内部工具，通过 Databricks 的云订阅部署，未对外收费。公司内部按照平台订阅和算力资源付费。
价值与机会点	用例一：营销助手（Marketing Assistant）缩短 campaign setup 和审稿时间提升创意质量与产出速度保障未发布活动数据安全用例二：门店表现分析（Store Performance Insights）提升决策时效性与准确性发现业绩异常门店并快速采取措施优化库存与供应链管理

5.2 Databricks × Adidas：产品评论洞察 Agent

👟

价值机制：V3 数据决策。通过 RAG 将海量评论转化为产品与市场决策洞察。

主体	概览
供应商	Databricks（成立于2013年）是一家专注于大数据处理和人工智能的平台公司，其软件帮助企业整合数据并构建生成式人工智能应用。Databricks 提供基于云的统一数据和AI平台，支持企业构建、扩展和管理包括生成式AI在内的各类机器学习模型。在大数据和AI领域，Databricks 倡导“湖仓一体”等创新理念，凭借强大的技术生态在业界处于领先地位
客户 / 合作方	Adidas（阿迪达斯）成立于1949年，是全球知名的德国体育用品制造商。公司核心业务包括设计和生产运动鞋、运动服装和配饰等，其“三条纹”商标在全球具有高辨识度。作为世界最大的运动品牌之一，Adidas在体育服饰和装备领域与耐克等公司共同引领市场，在全球体育用品行业占据重要地位

评估维度	详情
项目时间	2025 年，公开在 Databricks 的客户案例。
合作目标	构建生成式 AI 聊天机器人，分析数以百万计的产品评论并提炼出设计与改进建议，为产品与市场决策提供洞察。
核心痛点	Adidas 拥有庞大的用户评论数据，传统人工分析耗时且无法实时洞察客户意见；旧系统缺乏 RAG 能力，响应时间可达 15 秒以上，输入提示窗高达 20 万 token，成本高、效率低
实现方式	在 Databricks Lakehouse 上整合评论、订单与渠道数据，使用 BGE Large 模型将 200 万条评价转为向量，并借助 Mosaic AI Vector Search 构建语义索引。采用 RAG 流水线：检索相关片段并与用户提问组合，通过 Claude Haiku 等大模型生成回答前端使用 React/Angular 实现聊天界面，模型服务托管在 Kubernetes 上；Unity Catalog 确保数据与模型的统一治理利用 MLflow 记录实验和提示调优，并添加用户反馈循环提升质量改造后的系统显著缩小提示窗口和输入 token，改进提示工程，配合更高效的 LLM 实现成本优化
商业模式	内部工具，通过 Databricks 平台使用量付费。
价值与机会点	平均响应延迟由 15.5 秒降至 6 秒，实现 60% 延迟降低；通过缩减 prompt 和更换模型使运营成本下降 91.67%，输入 token 从 20 万减至 3 k，效率提升 98.5%，员工生产力提高 20%；另有 30–40% 分析效率提升，非技术用户也能自主查询并参与决策；新平台正在服务 500 多名决策者，覆盖 150+ 国家，计划到 2025 年支持 Adidas 5 亿会员并扩展到客服和知识管理等新场景。

5.3 Palantir × SAUR Group：合同管理

💧

价值机制：V2 流程编排。将非结构化合同的检索、分析、合规与服务流程串联起来。

主体	概览
供应商	Palantir Technologies（pltr）成立于 2003 年，是一家专注于大数据分析和人工智能的科技公司。公司以强大的数据整合和分析能力闻名，为政府和企业提供企业级解决方案，帮助其从海量数据中提取有价值的洞察。在 AI 和大数据领域，Palantir 是公认的行业领导者之一，尤其在处理复杂数据分析方面具有显著优势。
客户 / 合作方	Saur Group 是一家全球性的法国公司，核心业务是水务管理和必要服务。他们的主要使命是为工业、市政和公共部门提供水处理和污水过滤等全方位解决方案，致力于保护水资源。

评价维度	详情
项目时间	2025-02-19
合作目标	通过 Palantir Foundry 平台的先进生成式 AI (Generative AI) 能力，对 SAUR 集团的合同管理流程进行变革。
核心痛点	水务与环境服务行业的合同通常是复杂的、长达数年的协议，文件可达数千页（PDF格式）。从这些复杂的合同中获得清晰、实时的洞察，对于降低风险、确保问责制和提供高质量客户服务至关重要。
实现方式	SAUR 集团利用Palantir Foundry和人工智能平台 (AIP)来增强其合同管理能力。该技术能帮助 SAUR 分析和导航复杂的合同文档，将海量非结构化数据转化为结构化、可访问的洞察。
价值与机会点	显著提升效率: 以往需要大量时间和资源的流程，现在可以在几分钟内执行完毕，使团队能专注于战略性优先事项。快速规模化部署: 该项目在启动后的短短几个月内，就已成功部署给超过300名用户。流程优化: 实现了更敏捷、更透明、响应更迅速的合同管理方法。强化核心能力: 最终增强了 SAUR 满足合规要求和更好地服务客户的能力，这证明了在传统行业中，通过数据治理和生成式 AI 结合可以显著提升效率和透明度，为未来类似场景提供了范例。

5.4 Palantir × Fannie Mae：反欺诈 Crime Detection Unit

🛡️

价值机制：V3 数据决策。利用抵押贷款数据识别隐藏欺诈模式，生成预警并加速调查。

主体	概览
供应商	Palantir Technologies（pltr）成立于 2003 年，是一家专注于大数据分析和人工智能的科技公司。公司以强大的数据整合和分析能力闻名，为政府和企业提供企业级解决方案，帮助其从海量数据中提取有价值的洞察。在 AI 和大数据领域，Palantir 是公认的行业领导者之一，尤其在处理复杂数据分析方面具有显著优势。
客户 / 合作方	Fannie Mae（房利美）成立于1938年，由美国政府出资创立，是美国最大的住房抵押贷款融资机构之一。作为政府支持的金融企业，房利美主要通过在二级市场收购住房按揭贷款并提供担保，将其打包为抵押贷款支持证券（MBS），以提高房贷资金的流动性。房利美的使命是支持中低收入家庭的住房贷款获取，稳定住房金融市场，在美国房贷体系中发挥着关键作用。

评估维度	详情
项目时间	2025 年初（媒体报道时间 2025‑02 至 2025‑06）。
合作目标	与 Palantir 合作建立 AI 驱动的犯罪检测部门，利用生成式 AI 技术分析抵押贷款数据，检测并防止抵押贷款欺诈。
核心痛点	Fannie Mae 持有或担保约 25% 的单户房贷和 20% 的多户房贷，面临复杂的抵押贷款欺诈模式；传统手工审核难以及时发现隐藏模式。
实现方式	Palantir 的平台将大量金融数据汇入并利用 AI 模型识别可疑活动，分析以前难以发现的模式。高管称系统将跨数百万数据集识别难以检测的模式，帮助更快启动调查。
商业模式	战略合作伙伴关系，Fannie Mae 订阅 Palantir 软件并获得咨询支持；未公开具体定价。
价值与机会点	预期减少抵押贷款欺诈损失，提升市场安全；AI 代理支持快速发现隐藏模式（举几个例子）、加快调查速度，为金融行业打击欺诈提供模板。

6. 集团现有 AI 产品与外部用例比较

参考资料：内部资料

平面素材输出的能力

JDT的领航者产品拥有databricks为阿迪达斯定制的营销助手类似的场景和功能

京东；外部

依赖传统chatbox交互，需要用结构化的自然语言输入规格、场景等信息

用户输入-AI返回结果的单一链路

（预期功能）直接从活动提案和过往数据中析出合规、多场景、契合企业文化的物料设计，每条tagline/创意都有“生成理由”，方便用户理解并做细调（迭代优化）

监管agent分发到创意/撰稿/通用agent，多代理协同，提高生成效果，并实现AI的自我合规检查

用户的使用模式差异

模板化输入，策略明确但对营销创意有所限制

同样的图形化界面，品牌调性、受众群体、年龄等结构化输入仅作为可选项，可自由执行

“营销中台不会用？问智能助手”

自动发送交接材料包到营销创意部门，从idea到输出实现自动化

可扩展性

模板依赖内部预设和数据，可靠、稳定

利用agent特性，调用外部检索tool，兼具marketing能力