一份涉及200余项业务关系的企业经营分析报告，过去需要2至3天才能完成；在AI辅助下，分析时间被压缩至10分钟以内。

这是中科闻歌在2026世界人工智能大会（WAIC）现场展示的产品应用案例。支撑这一效率提升的，是中科闻歌最新发布的“基、枢、核、脑、端”AI决策产品体系。该体系覆盖数据治理、业务建模、模型推理、决策支持和智能体执行等环节，试图把分散的数据、模型和业务流程连接为完整的决策闭环。

效率提升只是表层变化。更重要的是，AI正在从处理数据、生成内容，进一步走向模拟推演、预测变化和辅助判断。如果说早期的分析型AI主要是“效率工具”，近三年的生成式AI更多扮演“内容助手”，那么企业下一阶段需要的，可能是一套能够进入真实业务流程、帮助管理者比较方案和评估风险的决策型AI。

(资料图)

中科闻歌CEO罗引在大会后接受南方都市报等媒体采访时表示，未来3至5年，决策智能有望在科研、制造以及社会服务与消费等领域率先形成规模化应用。

从3天到10分钟AI开始进入企业决策流程

中科闻歌成立于2017年，由中国科学院自动化研究所科学家团队发起创立，是一家企业级人工智能技术与服务供应商，主要面向复杂数据分析和人工智能辅助决策场景。

据灼识咨询（CIC）数据，按其相关市场统计口径，中科闻歌在2024年中国企业级大模型驱动的决策智能市场排名第一，市场份额为11.4%。今年6月26日，中科闻歌正式登陆港交所，成为资本市场观察决策智能产业化进程的重要标的之一。

WAIC 2026期间，中科闻歌发布“基、枢、核、脑、端”完整AI决策产品体系。据公司介绍，该体系覆盖数据治理、业务建模、模型推理与智能体执行全链路，面向企业生产经营、产业分析和科学发现等场景，构建从数据输入、分析推演到行动反馈的AI决策闭环。

在发布现场，罗引演示了该产品体系对不同层级决策任务的支撑能力。

以企业经营分析为例，系统需要处理来自不同业务环节的多类数据，并梳理200余项业务关系。在现场展示的应用场景中，原本需要2至3天完成的经营分析，可以在10分钟以内形成分析结果，为后续人工研判和决策提供参考。

这组时间对比所体现的，不只是报告生成速度的提升。对于企业而言，经营环境和业务数据持续变化，如果分析周期过长，管理者拿到的结果可能已经滞后。决策智能的价值，正在于缩短从数据变化、问题识别到方案研判之间的时间差。

从“可分析”到“可推演”决策问题的边界正在改变

中科闻歌认为，人工智能正在迈入以决策AI为重要特征的新阶段。

早期的分析型AI主要用于处理数据、识别规律和提高效率；生成式AI进一步具备内容生成与自然语言交互能力；决策型AI则在此基础上，进一步调用数据分析、知识组织和生成能力，对复杂问题进行模拟推演、方案比较和风险评估。

中国科学院自动化研究所副所长曾大军在论坛上发表《决策智能：人工智能新疆域》学术报告时表示，决策范式的演进大致经历了“理”“数”“智”三个阶段：早期主要依靠数理方法刻画理性决策；2010年以后，数据成为理解真实行为和复杂场景的关键；当前，人工智能开始更加深入地参与决策过程。

在曾大军看来，这一阶段最重要的变化，是决策问题的边界正在被重新划定。过去难以分析、计算和定量推演的复杂问题，正在人工智能的推动下，被逐步纳入可计算、可推演、可评估的范围。

不过，决策AI并不意味着由机器替代人作出最终决定。尤其是在企业经营、生产制造和战略研判等场景中，AI更适合负责处理复杂信息、推演不同情形和揭示潜在风险，最终判断和责任仍需由人承担。

不只计算Token价格更要计算一次有效决策的成本

决策推演通常需要多轮计算和多个专业智能体协同，其计算量高于单轮问答。如何在保证分析质量的同时控制模型和算力成本，是决策智能能否实现规模化部署的关键问题之一。

对于这一问题，罗引向南都记者表示，企业的决策任务可以大致分为微观、中观和宏观三个层级，不同层级的使用频率和复杂程度存在明显差异。

微观层面的任务往往与生产执行直接相关，调用频率较高；中观层面的经营分析可能按天或按周展开；宏观层面的战略研判则更多按季度或年度进行。

基于这种差异，中科闻歌可以为不同场景匹配不同参数规模、推理能力和算力要求的模型。高频但规则相对明确的任务，不一定需要调用规模最大的模型；低频但复杂度较高的战略推演，则可以配置更强的推理能力。通过分层调用和任务路由，整体算力投入可以得到更合理的配置。

罗引认为，衡量决策智能成本，不能只看单次调用价格，还要看获得一次有效决策支持所需的综合投入。

他表示，通用模型的单次调用成本可能较低，但对于专业性较强的战略和经营问题，如果需要反复提问和多次试错，实际消耗并不一定更低。决策机通过多个专业智能体协同分析，对不同情形、方案和风险进行系统比较，目标是减少无效调用，提高每次计算产生的有效价值。

“用户进行战略研判时，获得一次高质量、相对全面的结果，远比反复试错得到多次低质量结果更有价值。”罗引认为，对企业客户而言，决定是否采用决策智能的核心因素，最终也不是Token单价，而是系统能否缩短分析周期、降低决策风险、提高资源利用效率，并形成可以验证的投入产出关系。

未来3至5年科研、制造和社会服务消费或先形成产业反馈

谈及决策智能未来3至5年的产业机会，罗引认为，相关应用并非只有一个爆发点，但目前已经可以看到三个较为明确的方向。

第一个方向是AI4S（AI for Science），尤其是新材料领域。他指出，科研领域通常拥有相对扎实的数据和知识积累，为AI参与实验设计、路径筛选和结果预测提供了基础。相比研发及产业化周期较长的部分生物医药项目，一些新材料成果从实验验证到产业应用的周期相对较短，更有可能较快形成商业反馈。

罗引也进一步提到，AI可以在材料筛选、性能预测、实验路径优化和产业化评估等环节发挥作用，帮助科研人员缩小搜索范围、减少重复实验，并提高研发效率。从商业化角度看，新材料同时具备较高的决策价值和相对清晰的产业转化路径，因此可能成为决策智能较早形成规模应用的领域之一。

第二个方向是制造业。罗引认为，未来每个工厂都可以拥有一个“AI大脑”，持续分析设备运行、生产排程、能源消耗和异常状态，把厂长及生产管理人员多年积累的经验转化为可计算、可验证、可持续优化的决策能力。例如，当系统发现某个环节能耗偏高、某道工序排产效率不足或者设备运行出现异常时，可以结合实时数据、历史经验和业务规则生成优化建议，并在权限允许的范围内推动后续处置。

罗引认为，对中科闻歌而言，制造业的机会不仅来自单点项目，还在于能否逐步形成覆盖数据治理、生产分析、决策优化和行动反馈的完整产品体系，从而支持更多工厂和业务场景复用。

第三个方向是社会服务与消费领域。罗引表示，消费、物流和贸易等行业具有数据量大、业务变化快、决策频率高等特点。AI可以参与需求预测、库存配置、物流调度、资源匹配和运营优化，提高商品、服务和资金的流转效率。

与科研和制造业相比，这一领域的应用场景更加分散，商业模式仍需进一步探索，但其高频数据和大规模业务流转，也为决策智能提供了较大的应用空间。

从科研到制造，再到社会服务与消费，三类场景分别对应科学发现、生产经营和社会流通。它们的共同特点是：需要处理的变量越来越多，传统人工分析难以及时覆盖，而错误决策又可能带来较高成本。这正是决策智能试图解决的问题。