AI热榜 在企业竞相讨论大模型、智能体和 AI 数据库之际，甲骨文将判断 AI 项目是否成功的标准压缩成了一个词：成效。
“真正的 AI 能力是看不见的，能看见的是业务效果。
”甲骨文公司副总裁及中国区董事总经理吴承杨说道。
围绕这一判断，甲骨文正把全栈产品、AIBS 方法论、数据库安全、多云基础设施等串成一条路线：先选出一个高价值场景，在较短周期内进入生产环境并验证收入或成本收益，再把其中形成的数据、语义、智能体和技能沉淀为平台能力，由客户及其合作伙伴从“0 到 1”扩展至“1 到 N”。
吴承杨将甲骨文的 AI 战略归纳为三个方向：企业级、云原生和数据驱动。
在他看来，AI 已经从个人应用进入企业核心议题。
企业管理者关心的已不只是员工如何使用 AI，还包括企业怎样把 AI 纳入业务流程，乃至把形成的 AI 能力输出给客户。
吴承杨指出，中美企业采用 AI 的方法论并无根本区别，差别更多体现在产品选择上。
例如，中国企业在国内外可能使用不同的模型和云架构，但数据仍是同一套核心资产。
对于同时在中国和海外运营的企业，真正需要的是能够在不同地点快速部署一致的数据基础，并根据当地条件更换模型、工具和算力环境。
这也意味着，企业过去按业务需求逐套建设 ERP、MES、CRM、WMS 等系统的方式，在 AI 阶段面临新的整合要求。
各套系统独立建设本身没有问题，但智能体若要理解企业，就必须跨系统识别业务对象、动作和关系。
数据只有融合起来，才能形成供智能体理解的业务语义层。
“今天不只是人读数据，也是 AI 读数据。
”甲骨文利用多模数据库中的图数据类型表达企业业务对象及其关系。
例如在制造场景中，产品出现缺陷后，智能体可以沿着业务关系继续追查问题来自工序、设备还是原材料，而不是把全部判断逻辑预先写死在应用代码中。
甲骨文特别强调全栈能力的重要性，希望以从应用、架构、数据到模型调用的完整技术栈，把 AI 嵌入已有系统，而不是在 ERP、CRM 和 WMS 之外再增加一套孤立的“AI 系统”。
先“做给客户看”
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接