整体上AI的发展经历了三个阶段，从预测式AI到大模型带来的生成式AI，如今走到了Agentic AI时代，众多的AI Agent将更加深入业务场景和流程，也能带来更大的价值。

　　虽然一些先行者已经在AI方面进行了探索，并获得了AI带来的收益。但是大部分企业对AI还处在摸索阶段，一些问题并没有清晰的答案。比如，如何找到合适AI场景?如何快速落地AI应用?如何让AI更准确?

　　日前，在甲骨文媒体沟通会上，相关负责人介绍了企业应用AI的落地实践，也分享了他们的对AI的见解思考和宝贵经验。

AI的应用路径和节奏

　　Agentic AI可以看作基于场景、业务数据、知识库等进一步融合发展的生成式AI升级版，当AI越是深入业务流程中，越能带来更高的价值，当然这需要一个过程。

甲骨文公司副总裁及中国区董事总经理 吴承杨

　　甲骨文公司副总裁及中国区董事总经理吴承杨指出，AI是一场革命，不是单点的项目，需要有长期的思考规划。但是企业应用AI也有自己的路径和节奏，现在往往是从能快速带来收益的场景切入，比如很多高端制造业，希望通过一些科技手段提高产品良率和制造能力，此时先通过一个项目落地，去解决问题，快速见到收益，然后慢慢再进行IT改造，这是未来AI在企业应用落地的一个必由之路。

　　在初级探索阶段，企业应用AI也是摸着石头过河，甲骨文在实践中初步摸索出了一套AI方法论：

　　·先找合适的场景。

　　寻找合适AI落地的场景是企业比较头疼的地方，选择合适的AI场景，首先，要和业务相关，最好和核心业务相关，深入业务流程更能带来高价值。其次，该场景要积累了大量的数据，让AI引擎有数据油料供给。再者，该场景的问题不是一次性的，而是具有普遍性、重复性，可以规模应用推广开。

　　总结来看，选择场景要考虑两大因素，一是可行性，一般而言，第一个场景不要做得特别复杂，范围不要特别广。二是，有明显的业务价值，当企业拿不准时，Oracle会有专门的团队与客户一起讨论寻找最合适的场景，有一些业内AI实践和总结的AI方法论供参考。

　　比如，某制造业在选择AI场景的时候，排除了周边场景，选定了深入业务流程的良率场景，该场景有海量数据积累，此前定位缺陷依赖专家经验，从定位到发现原因往往需要数小时，通过Oracle数据平台实现了快速良率追溯，带来了显著的价值。

　　此外，选择场景的时候，只有IT部门参与是不够的，也需要业务部门深入参与进来，两个部门合作，更容易找到合适的场景。AI 时代，企业会为最终的应用效果，为业务价值买单，如果有效果，很快就会继续向前推进。

　　·长远规划，小步快跑，不断快速迭代。

　　整个AI的开发模式和传统开发模式有很大的区别，传统的开发需求和流程相对明确、固定，先做需求调研，理解需求后做设计、编码测试、上线，整个流程需要很长的开发周期，可能需要稳扎稳打。

　　但是AI时代，AI应用处在探索中，需要长远规划，小步快跑，快速迭代。比如计划10个功能，先上线1个功能，如果满足需求再去内部推广扩大使用，更多的业务反馈决定了AI应用的走向，也能把AI应用打磨得更好。

　　如今，AI技术日新月异，不过随着很多优秀开源大模型出现，模型已经不再是企业AI落地的主要瓶颈，高质量的私有数据成为了AI时代的核心竞争力。Gartner报告指出，模型的差异不再是AI落地成败的主要影响因素，其他企业难以获得的独特企业内部数据将成为AI竞争差异的关键。

　　Agentic AI时代，AI不只是简单地写篇文章，更重要的是推理、解决问题。AI推理时，不单需要某一种数据，可能需要网页端数据(帮你查询网页内容)、ERP 结构化数据(如订单情况)、文本文件(如合同)、空间数据(地理位置信息)，甚至还需要分析用户间的关系亲疏(关联关系)等等。拥有多维数据，在推理时，AI会有更深的洞察，给到的答案也会更准确。

　　怎么把这些海量的数据高效整合处理为可以供AI引擎转动起来的油料，对企业来说非常重要，融合数据库在AI时代更具优势。

应用AI摸着Oracle快速过河

　　企业拥有海量的多元数据，虽然可以用不同数据库处理，比如关键词搜索使用ES、文档数据用MongoDB处理，图数据管理用Neo4j，向量数据用Milvus，关系数据用MySQL或者PG，但是部署多种数据库会提高数据处理成本，更重要的是多源数据会带来巨大的技术复杂性，也会带来数据同步和数据一致性问题。

　　吴承杨一再强调，AI是一场革命，长远来看AI应该融入整个系统架构。难以融入的原因在于架构太复杂，如果企业连十个数据库的整合、数据中台搭建、安全管理都无法搞定，自然无法将AI集成进来，这也是许多AI项目投入巨大却收效甚微甚至烂尾的原因。因此，在AI时代，“数据中台”概念逐渐被淡化。

　　“AI就像一块试金石，清晰检验着企业的数据使用方式。多种数据类型、技术架构和负载的融合，已经是大势所趋。”吴承杨说，智能来自于融合，包括数据类型、数据架构、工作负载等方面的融合，未来IT架构需要简单化，简化IT基础设施才能更好支持AI。Agentic AI时代，融合数据库为企业快速落地AI提供了更加简单便捷的解决方案。

　　AI Agent的编排工作往往需要很多步骤，调研数据表明，Agent编排流程越复杂，步骤越多，最终的准确率也会越低。如果使用传统开源数据库和传统技术栈，步骤可能达二十步，而使用Oracle融合数据库，所有数据集成于一体，可以使步骤精简至四步。

甲骨文公司中国区技术咨询部高级总监 嵇小峰

　　甲骨文公司中国区技术咨询部高级总监嵇小峰介绍，不仅是Oracle，现在越来越多的数据库产品走向融合这条路，但是Oracle在这条路上走得更早，有更深厚的积累。

　　嵇小峰指出，在构建AI Agent时，还有两个关键要点。

　　首先，借助开发工具或手段快速搭建AI应用。以Oracle的APEX AI Assistant为例，类似于Cursor，支持通过自然语言交互构建AI应用。例如，当用户提出要搭建一个人力资源应用并明确功能需求(如员工信息增删改、管理层权限设置、工资管理等)时，APEX 会自动生成应用蓝图，辅助开发流程。

　　其次，安全问题在Agentic AI时代更为突出，也更加重要。Agentic AI时代的应用范式与传统三层架构(数据库层、中间层、应用层)有所不同。传统模式下，开发人员在中间层明确编写业务逻辑，可以清晰把控用户权限和数据访问控制。但在Agentic AI时代，大模型生成的代码可能多达数千行，开发人员难以逐行审查，效率与安全性之间存在矛盾。此外，Agent的控制逻辑由LLM主导，其走向对开发人员和业务人员并非完全透明。因此，守住数据层的安全底线至关重要。

　　Oracle拥有Oracle MSA最高安全架构，通过将VPD(Virtual Private Database)、RAS(Real Application Security)、SQL Firewall阻止SQL恶意注入等技术手段以简便的方法定义在Oracle数据库中，在数据层面为AI提供安全保障。

　　Oracle的核心理念是让AI更简单、更安全、更可靠，在数据库内实现AI数据就绪，关键在于整合数据操作、开发运维以及针对大语言模型等操作，形成一个统一的操作平台，让用户能够在一个数据平台上完成所有与数据相关的操作，从而缩短AI的路径。而Oracle Database 23ai就是这样一个集大成者，且支持MCP、主流AI开发框架接口，为企业实现AI数据就绪提供了便利，降低了AI应用门槛。

　　比如，在好莱坞提供视频后期服务的DeweyVision公司，过去，该公司将视频流的帧信息原数据存储在PG中，将帧信息向量化后存储在Qdrant和FAISS这两个开源向量数据库中。由于跨越三个库，应用开发和维护复杂，业务处理时间也很长。在电影后期制作中，常常需要根据特定场景在整段电影的帧视频流中寻找相似片段，以往依靠人工完成。而Oracle Database 23ai简化了原有技术栈，一库搞定所有，其向量技术也极大地缩短了寻找相似片段的时间。

小结：如何赢在Agentic AI时代?

　　在生成式AI引发了新一轮革命中，谁都不想错过这一难得的历史机遇。穿越了多个IT周期的Oracle抓住了数据、云的技术风口，如今又抓住了AI风口。根据最新财报数据，2025财年Oracle总营收达574亿美元，预计2026财年会有更好的发展。

　　目前，Oracle与NVIDIA、xAI、AMD等公司合作，让AI成为其新的增长引擎。打造AI Infra，让企业快速AI-Ready。中国拥有广泛的场景，企业级AI应用中国走在了世界前面。就像前面讲过的，在AI探索阶段，小步快跑非常重要，企业可以通过Oracle的产品、服务以及AI落地方法论和实践经验，快速上手AI，在Agent AI时代，摸着Oracle快速过河。