# att-enterprise-ai-practice ## 核心定义 > 企业AI转型是指将人工智能技术嵌入企业核心流程，形成统一平台、领域模型、Agent工作流和模型路由体系，以持续改善业务绩效的生产系统。 ## 核心洞察（TL;DR） - AT&T通过三年时间将生成式AI嵌入核心流程，形成统一平台和领域模型。 - AT&T的Ask AT&T平台支持多模型兼容，覆盖超过10万名员工，每天处理约90亿tokens。 - AT&T的AI辅助开发使开发周期缩短约23%，代码质量问题减少约80%。 ## 关键事实与数据 - 关键事实1: AT&T Ask AT&T平台支持超过10万名员工，每天处理约90亿tokens。 - 关键事实2: AT&T的AI辅助开发使开发周期缩短约23%，代码质量问题减少约80%。 - 关键事实3: AT&T建立了cache-aware AI Gateway，使部分工作负载成本最高下降约90%。 ## 正文 # AT&T企业AI转型案例：从“部署大模型”到建立企业智能运行体系 AT&T 的企业 AI 实践值得研究，并不因为它每天处理 450 亿 tokens，也不因为它正在把越来越多请求迁移到开放模型。真正具有参考价值的是：**AT&T 用三年时间把生成式 AI 从员工使用的工具，逐步嵌入软件研发、客服、数据分析、网络运营和供应链等核心流程，并进一步形成统一平台、领域模型、Agent 工作流和模型路由体系。** 这条路径说明，产业 AI 转型的核心并不是“企业用了什么大模型”，而是企业能否把 AI 变成持续改善业务绩效的生产系统。 ## 从 Ask AT&T 开始，但目标从来不是建设一个企业 ChatGPT 2023 年推出 Ask AT&T 时，AT&T 首先解决的是企业员工安全使用生成式 AI 的问题，但平台从一开始就保留了多模型兼容能力。AT&T 当时明确表示，不同模型具有不同能力和成本结构，因此 Ask AT&T 除 OpenAI 外，也可以接入 Llama、Falcon 等模型。([AT&T](https://about.att.com/blogs/2023/expanding-ai-across-company.html)) 真正重要的是随后两年的用例扩展。Ask AT&T 很快进入代码生成、漏洞修复、客服通话摘要、产品推荐、自然语言查询数据库、HR 和合同管理。2025 年 Microsoft 披露，AT&T 已经部署 **71 个生成式 AI 解决方案，覆盖超过 10 万名员工，每天处理约 90 亿 tokens**；客服人员查找信息的时间下降约 33%。 软件工程的效果更加具有经营意义。AT&T 公布的数据表明，AI 辅助开发使开发周期缩短约 **23%**，静态分析发现的代码质量问题减少约 **80%**。这说明企业 AI 的价值已经从“员工写代码快一点”，转化为研发周期、代码质量和软件交付能力的改善。 AT&T 的第一条经验因此很明确：**企业 AI 应从业务流程和绩效问题出发，而不是从模型能力清单出发。** 客服要改善处理时间，研发要缩短交付周期，网络运营要降低故障处置成本；模型只是完成这些目标的计算资源。 ## 从一个模型服务所有任务，转向按任务配置智能 当 AI 真正进入生产，AT&T 很快遇到另一个现实问题：没有必要让所有任务都使用最强、最贵的模型。 2026 年，AT&T 的 AI 负载已经增长到平均每天约 **450 亿 tokens**。公司建立了 cache-aware AI Gateway，在每次请求中根据预期质量、速度和成本选择模型，甚至可以在同一次多轮会话中动态切换模型。AT&T 表示，这套机制使部分工作负载成本最高下降约 **90%**，累计节省数百万美元。 这背后的逻辑不是简单的“低价值任务用小模型，高价值任务用大模型”。AT&T 的实践更接近任务工程：代码摘要、分类、信息抽取等具有明确结构、容易验证的任务，可以使用低成本模型；复杂代码生成、跨系统推理等任务继续调用高能力模型；高度专业的电信任务则发展自己的领域模型。附件研究对这一机制的概括是：模型配置取决于任务能力需求、领域专用程度、错误成本、调用规模和验证机制。 这给产业 AI 转型提供了第二个重要范式：**企业最终需要管理的不是“大模型”，而是不同等级的智能计算资源。** 当 Agent 一个业务任务内部需要执行检索、分类、规划、摘要、工具调用、代码生成和验证时，如果所有步骤都调用 Frontier Model，自动化越深入，成本反而越难控制。真正可规模化的架构必然走向任务拆解、模型组合和动态路由。 ## OTel说明，产业AI的长期价值来自领域智能，而不是通用模型采购 AT&T 更值得关注的实践是 Open Telco AI 和 OTel。AT&T 判断，通用 Frontier LLM 并不是为电信网络标准、设备和运营问题训练的，因此企业仅仅购买更强模型，并不能自然获得电信专业能力。2026 年推出的 OTel 2.0 使用超过 **4000 亿电信领域 tokens** 进行后训练，并针对网络运营、标准理解、RAG 和 Agent 工具调用等场景优化。 这揭示了产业 AI 与通用 AI 的重要区别。 互联网公共知识会随着基础模型升级不断商品化，但企业自己的网络运行数据、客户行为、故障经验、供应链规则和业务流程不会自动进入任何通用模型。企业长期真正能够形成差异化的，是把这些行业知识转化为数据集、知识体系、评测标准、领域模型和 Agent 能力。 所以开放模型对 AT&T 的价值也不仅是“更便宜”。它使企业能够持续进行领域后训练、控制部署环境和模型生命周期，并把自己的产业知识固化为可重复使用的智能资产。 ## AT&T真正值得复制的是一套AI生产化方法 AT&T 的案例并不能证明所有企业都应该训练自己的大模型，也不能证明开放模型一定比闭源模型便宜。450 亿 tokens、OTel 的数千亿训练数据和大规模 GPU 投入，本身就具有明显的超大型企业特征。 真正具有普遍参考意义的是它的实施顺序： **从业务价值场景进入，先用 AI 改善真实流程；把成功用例沉淀到统一平台；再根据真实生产任务建立 Eval 和模型分层；随着调用规模扩大建立模型路由和成本治理；最后把企业最具差异化的专业知识沉淀为领域模型和可复用 Agent 能力。** 这比“采购一个最强模型，再推动全员使用”更接近产业 AI 转型的本质。 AT&T 从 Ask AT&T 到 Agent Workflows，再到 AI Gateway 和 OTel，实际上完成了一次清晰的能力升级：**AI 从员工工具变成业务能力，从单点应用变成企业平台，再从通用智能逐渐进入企业自己的领域智能。** 对正在推进企业 AI 转型的公司而言，真正应该学习的也不是 AT&T 使用了哪个模型，而是它逐渐建立起来的这套闭环： **业务问题 → AI 用例 → 任务拆解 → 数据与领域知识 → 模型与 Agent → 评测 → 业务结果 → 持续优化。** 当这个闭环能够持续运行，AI 才开始从一次技术采购，真正转化为企业可以不断积累和复用的生产能力。 ## 关注「哈希泰格」服务号 ![关注哈希泰格公众号二维码](/logo/qrcode_for_gh_f9203b130c32_344.jpg) --- ## 引用与溯源 **来源**：哈希泰格 (HaxiTAG) **原始链接**：[https://haxitag.com/articles/att-enterprise-ai-practice](https://haxitag.com/articles/att-enterprise-ai-practice) **来源索引（站内可追溯）**：[麦肯锡](https://haxitag.com/search?q=%E9%BA%A6%E8%82%AF%E9%94%A1)、[普华永道](https://haxitag.com/search?q=%E6%99%AE%E5%8D%8E%E6%B0%B8%E9%81%93)、[Gartner](https://haxitag.com/search?q=Gartner)、[IDC](https://haxitag.com/search?q=IDC)、[Forrester](https://haxitag.com/search?q=Forrester) **版权声明**：本文由哈希泰格 AI 引擎优化生成，引用请注明出处。