大模型进企业，卡在三件具体的事上
2023 年之后，几乎所有企业都试过用大模型做点什么。但真正进入核心业务流程的案例并不多， 原因很少是模型不够聪明。
不懂业务语义
“大客户”“有效商机”“已交付”这些词，在每家公司都有精确含义。通用模型只能给出通用解释， 回答听起来合理，但对业务没有用。
越不过权限边界
销售能看自己的客户，区域总监能看全区，财务能看回款但不能看合同附件。如果 AI 不继承这套权限， 它就是一个数据泄露入口。
幻觉带来信任损耗
一次编造的客户历史，就足以让一线彻底放弃使用。企业场景里，AI 宁可说“查不到”， 也不能给一个看似合理的错误答案。
先理解业务，再动手执行
LEV Agent 不是外挂一个聊天窗口，而是长在 CRM 的数据结构上。它读取对象、字段、流程与权限定义，把自然语言问题翻译成对业务数据的精确查询，再把结果组织成一线能直接使用的建议。
- 业务语义层对象、字段、阶段、角色都有明确定义，模型不需要猜
- 权限继承以当前用户身份查询，看不见的数据模型也不会看到
- 可追溯引用每条结论标注数据来源与时间，点击可跳转到原始记录
- 动作执行不只是回答，还能创建任务、更新阶段、发起审批，但需人工确认
- 本地化模型部署支持在企业内网部署开源或商用模型，数据不出内网
- 效果评估按场景统计采纳率、纠正率与节省工时，而不是只看调用次数
回答附带数据来源，可一键跳转至订单与合同记录。
同一套能力，四种用法
智能体按角色开放不同能力，销售看到的和服务经理看到的不是同一个界面。
销售 · 少填表，多拜访
通话结束自动生成纪要并提取关键信息；见客户前用一句话调出对方全部历史； 系统主动提示哪些商机超过两周没有推进。
服务 · 更快找到答案
输入故障现象，自动匹配历史工单与知识库条目；处理完成后生成服务报告， 并判断是否需要转为增购机会。
管理者 · 用问题代替报表
“华南区本季度哪些商机有风险”“为什么赢单率下降”，直接得到带数据的分析， 并可以继续追问下钻。
IT · 可控可审计
每个智能体有独立的提示词、知识范围与工具权限；所有调用留痕，可查看输入、输出与耗时。
不看调用量，看有没有人真的在用
AI 项目的失败常常被“调用次数”掩盖。我们建议用四个指标来判断一个场景是否值得继续投入。
| 指标 | 含义 | 参考基线 |
|---|---|---|
| 建议采纳率 | 销售实际采用 AI 建议（如跟进话术、下一步动作）的比例 | 上线三个月后 ≥ 60% |
| 内容纠正率 | AI 生成的纪要、报告被人工修改的比例，反映准确度 | ≤ 25% |
| 单次节省工时 | 完成同一任务所需时间的变化，需与基线对比 | ≥ 8 分钟/次 |
| 越权拦截数 | 因权限不足被拒绝的查询次数，用于验证边界有效 | 持续监控 |
常见问题
智能体会不会把我们数据传到公网模型？
可以。私有云与本地化部署版本均可完全使用内网模型，推理请求不经过任何外部服务；如需调用外部模型，也可按企业策略做脱敏与关闭。
需要准备多少数据才能用？
建议至少积累 6 个月以上的客户、商机与工单数据，并有相对规范的字段填写。数据质量差时，我们通常先做一轮字段治理再上 AI。
会不会出现“一本正经胡说”？
智能体的回答限定在业务数据与知识库范围内，查不到时明确说明；每条结论都带来源引用，重要动作需人工确认后才执行。
能不能自己配置新的智能体？
可以。LEV Platform 提供提示词编排、知识库绑定、工具授权与调试面板，业务管理员经过培训即可自行创建场景。
想验证 AI 在您业务里的真实效果？
我们建议先选一个高频、边界清晰的场景做四周试点，用采纳率与工时数据说话。