10月29日，在「2026腾讯全球数字生态大会」期间，数美科技与腾讯云战略合作签约仪式正式举行，此次签约标志着数美科技与腾讯云的合作进一步走向体系化协同。
未来，双方将围绕云服务与AI安全能力协同、行业解决方案共建及生态合作拓展等方向开展合作，助力大模型与智能体在企业业务场景中的安全落地。
双方未来合作所关注的AI应用落地与安全议题，也在“互联网与数字科技AI专场”得到进一步探讨。数美科技 AI 安全产品总监叶扬参与“从工具到工作流：AI如何兑现研发与运营提效”圆桌对话，结合数美在风险识别、内容审核与组织建设中的实践，分享了对AI提效、风险防护与组织流程优化的思考。
以下QA根据现场发言整理：
Q：目前AI具体应用于哪些生产环节？引入AI后，工作方式和交付成果发生了哪些变化？
叶扬：结合实践，数美主要从两个方向推进AI落地。
一是引入大模型，提升产品的风险识别能力。大模型带来了更加多样化的风险内容，也推动我们持续改进识别能力。在原有分类模型、视觉模型的基础上，数美引入大模型，加强对复杂内容和深层意图的理解，提升多模态内容风险的识别效果。
二是利用大模型，优化内部的质检、标注和审核工作。选择落地场景时，我们重点考察三个方面：工作是否具有重复性，结果是否可以验证，以及应用AI是否会引入新的风险。
基于这三个条件，数据质检、数据标注和人审，也是数美应用大模型的重要场景。我们利用大模型扩大风险数据的召回范围，提升复审效果。
一方面，这能够提升内部人效，让专业人员集中处理更需要专业判断的审核任务；另一方面，更大范围的数据召回可以反哺机器审核模型，加快风险发现、识别、质检、标注与模型训练之间的循环，提升整体迭代效率。
Q：引入AI也会增加算力、培训、审核和维护等成本。企业如何评估投入产出，判断是否真正实现了降本增效？
叶扬：在数美目前落地的场景中，投入与产出的衡量方式相对清晰。
对于产品能力的提升，主要依据客户反馈和线上识别指标。例如，风险识别的精确率、召回率是否真正改善。这些指标可以帮助我们判断大模型的应用效果，再结合算力等资源投入，评估相应的成本效益。
对于内部重复性工作的提效，可以直接比较AI与人工完成相同任务的成本。对于同一批足够大规模的样本，可以比较AI的处理时间、运行费用，以及人工完成相同工作的成本，据此判断应用价值。
但当AI进一步深入传统业务，涉及企业整体转型时，投入产出就没有那么容易判断。
个人效率的提升，未必能够在短期内转化为组织效率的提升，转型过程中也可能出现投入超过收益的情况。这需要从组织层面重新设计流程与协作方式。现阶段，不能仅凭个人提效，就判断企业整体使用AI的成本已经可控。
Q：推进一家企业的AI转型，有哪些经验值得参考？哪些问题需要提前规避？
叶扬：从专业的AI安全公司的视角出发，我认为有三个问题需要重点关注。
第一，在组织和流程设计中，落实关键风险控制点。
对于传统企业的AI转型，评审、审核等风险控制环节，是组织和流程设计中的重要部分。
需要警惕一种情况：员工原本自主完成可以达到85分、90分的工作，使用AI后只做到80分，也直接提交。如果基层员工依赖AI执行，中层员工又依赖AI审核，质量问题就可能逐层传递，最终由高层承担后果。
因此，AI参与执行和审核之后，各层级和流程关键环节的把关仍然需要做好。
第二，审慎判断新技术从Demo走向实际应用的条件。
从模型对话到Agent，技术迭代很快。但Demo展示、生产运行，以及将生产结果应用于组织，是三个不同层面的问题，每一步都需要结合实际业务作出判断。
Demo跑得通，不代表能够投入生产；能够运行，不代表能够盈利，也不代表能够改善企业经营。企业需要分别判断技术能否落地、投入产出是否合理，以及能否为组织带来实际价值。
第三，推进Agent应用和企业AI转型时，同步考虑安全。
在实践中，一些企业更关注用户体验、功能创新和效率提升，对安全问题的考虑相对不足。数据泄露等风险，可能对企业造成严重影响。
无论是管理者还是具体实施者，都应在推进AI应用之初，将安全作为重要因素纳入考虑。对我而言，开展任何AI应用之前，都会先考虑安全问题。
AI提效需要经得起业务检验，应用落地也离不开安全支撑。未来，双方将进一步深化技术与生态合作，助力企业AI应用安全、高效落地，赋能业务可持续增长。
版权声明：本文内容转自互联网，本文观点仅代表作者本人。本站仅提供信息存储空间服务，所有权归原作者所有。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至1393616908@qq.com 举报，一经查实，本站将立刻删除。
