扬帆出海，专注服务中国互联网出海！

当我们今天再讨论企业 AI，已经不再是讨论"要不要做"，而是讨论"为什么大多数企业还做不好"。

过去两年，绝大多数企业完成了从"零接入"到"试点遍地"的第一段路。但当 PoC 真正要走进生产、走进流程、走进经营时，一道道结构性的难题集中浮现：模型能力越来越强，业务效果却越来越难以稳定；Demo 越来越炫，组织却越来越焦虑；技术叙事越来越宏大，价值兑现却越来越艰难。问题不在模型，而在企业是否准备好了承载 AI 的整套基础结构。

这正是 2026 年全球数据 AI 行业共同抵达的判断：企业 AI 真正的护城河，不是模型本身，而是数据、语义、上下文、知识与组织共同构成的承载体系。Snowflake Summit 2026 提出 "Making AI Real for Business"——模型不是企业的竞争优势，数据与上下文才是；Semantic Layer Summit 2026 给出更直接的判断——"LLMs are a commodity. Business context is the moat."；Databricks、Gartner 也在同一时间把"语义层、AI Governance、Agentic Workflow"列为企业级 AI 的关键议题。

DACon 北京站举办时间是2026年10月23-24日，作为 2026 年的年末收官站，希望站在这样一个产业拐点上，回答一个更根本的问题：当 AI 进入企业，真正改变的到底是什么？企业又需要把什么准备好，才能让 AI 真正跑在自己的数据之上，跑进自己的业务之中？

围绕这个问题，我们看到企业 AI 正在经历四个根本性的转向：

第一个转向，是从"模型驱动"走向"数据与语义驱动"。当所有企业都能用上同样的模型时，区别企业 AI 成熟度的不再是模型本身，而是企业的数据底座、数据质量与语义体系。数据不再只是 AI 的燃料，而是 AI 真正的护城河。

第二个转向，是从"接入模型"走向"承载语义与上下文"。模型懂语言，并不代表懂企业。同一个"营收"、"客户"、"风险"在不同系统里有不同口径，模型在原始数据表上推理，永远做不出可信的企业级应用。语义层、本体、知识工程与上下文工程正在从"技术细节"上升为"企业 AI 的关键基础设施"。

第三个转向，是从"单一模型选择"走向"模型能力的组合与编排"。应用企业不会自研基座模型，但几乎每一家都面临"用哪些模型、怎么组合、如何路由、如何控制成本"的现实问题。RAG 没有死，而是被升级为 Agentic RAG；多模态不再是展示性能力，而是业务基础设施。

第四个转向，是从"单点 AI 应用"走向"系统化价值兑现"。企业 AI 的真正难点从来不是"能不能做出一个 Demo"，而是"能不能让 AI 走进流程、走进决策、走进组织"。从决策智能 Agent 到 Agentic Workflow，从企业级 AI 治理到金融可信 AI，从客户全旅程到研发范式与组织进化——这些不是孤立的应用场景，而是企业 AI 进入"系统化价值兑现期"的真实样貌。

这正是本届 DACon 北京站的核心理念：Data-First, AI-Real——回到数据本位，让 AI 真正跑在企业之上、跑进业务之中、跑成可衡量的价值。

DACon 不是又一个 AI 大会，更不是另一场 Agent 秀场。我们希望这场会议成为一个产业级的判断现场——让数据与 AI 的从业者一起回答：在企业里，AI 究竟应该被怎样建起来、怎样跑起来、怎样长出价值。

专家团

● 阅文集团 技术副总经理、AIGC负责人 陈炜于

● 阿里云EMR负责人，资深技术专家 李钰

● 度小满 首席架构师 李丰

● 智谱华章 副总裁 胡云华

● 数势科技 CTO 韩秀锋

● ebay 研发总监 单超

● 京东零售 平台产品与研发中心 数据库运维团队负责人 涂勇

● 美的集团 首席信息安全官兼软件工程院院长 刘向阳

● 京东科技 人工智能业务部高级总监 吴友政

● 滴滴出行 数据平台产研负责人 王涛

● 蚂蚁数科 AI科技事业部总经理 张凯

● 一汽-大众汽车有限公司 首席企业架构师 武艳军

● 阿里云 AI搜索研发负责人 邢少敏

● 菜鸟集团 物流科技事业部副总经理 赵昊宇

● ProtonBase 技术副总裁 胡月军

论坛方向

【AI Ready到Agent Ready：Data+AI平台架构升级】

● 面向 AI与Agent 的数据平台核心设计与架构选型

● 湖仓现代化、Iceberg 与开放表格式实践

● 流批一体与湖流一体的最新技术演进

● AI 应用对数据接口、权限、时效性的新要求

● 从 BI 数据底座向 AI /Agent数据底座的演进路径

【Data Engineering Agent：数据工程智能化】

● LLM 驱动的元数据自动补全与语义化

● 数据质量、血缘、异常的自动识别与归因

● SQL、ETL、调度配置的智能生成与优化

● 数据开发测试、异常修复、根因定位自动化

● Pipeline 质量守护与 DataOps 集成

【多模态大模型落地】

● 文档、票据、合同、报告的多模态理解

● 图像与视频在营销、培训、服务中的应用

● 多模态搜索、内容审核、客服、质检实践

● 多模态评测体系与 ROI 度量

● 多模态能力与 Agent 工作流的结合

● 向量与多模态数据基础设施建设

【企业语义层建设】

● 语义层为何成为 2026 企业 AI 关键基础设施

● 语义层四大支柱：开放、治理、多模型、可组合

● 语义层在 BI、AI、Agent 三场景的统一服务

● 语义对象的代码化管理：YAML、Git、版本控制

● 语义层防止指标漂移与语义漂移的实践

● 零售、金融、汽车、电信等行业案例

【本体与企业知识工程】

● 企业本体建模方法与知识图谱实践

● 知识、规则、流程的形式化表达

● 知识工程与大模型、Agent 的结合方式

● 金融、制造、政务、医疗复杂场景的本体实践

● 从静态本体到动态本体：支持模拟、推演与决策

● 国际本体方法论在中国企业的本地化适配

【上下文工程：让 AI 真正懂企业】

● 从 RAG 到 Context Engineering 的范式演进

● Schema 强制、结构化系统提示、元数据注入

● 长上下文 vs 检索：百万 token 时代如何选择

● 短期、长期、向量记忆机制的工程设计

● Agent、RAG、工作流场景中的上下文工程实践

● 上下文工程的成本、延迟与可观测性

【企业模型组合：选型、路由、成本与治理】

● 多模型组合与任务路由策略

● API、托管式、私有化模型服务的协同方式

● 推理加速、量化、KV Cache 与成本优化

● 模型治理统一层的设计

● 典型场景下的模型 ROI 选择方法

● 国内大厂应用团队的多模型实践案例

【Agentic RAG 与 Deep Search：从检索增强到任务完成】

● 从 Traditional RAG 到 Agentic RAG 的范式转变

● Deep Search 系统架构：规划、检索、反思、验证、输出

● Agentic RAG 关键组件：Planner、Retriever、Reflector、Verifier

● 长上下文与检索：边界与组合

● Graph RAG、多模态 RAG、多跳检索工程实践

● 研究助手、投研分析、复杂问答的真实案例

【决策智能 Agent：从数据洞察到经营动作】

● 决策智能 Agent 的最新范式

● 指标解读、异常归因、趋势分析与经营诊断

● 分析型 Agent 与业务语境、规则、知识体系融合

● 从洞察到建议：决策支持如何进入经营流程

● 零售、金融、运营、增长等场景的实践案例

【Agentic Workflow：数字员工与企业流程重构】

● 从 Copilot 到 Agentic Workflow 的演进

● 数字员工在客服、审批、运营、协同的实践

● Agent 与工作流、RPA、规则引擎、企业系统集成

● 多角色协同、人工兜底与流程治理

● 流程自动化的效果评估与规模化推广

【企业级 AI 治理：从应用效果到组织合规】

● AI 应用效果评测：离线、线上、回归三套机制

● 评测集、回归集、红队集与用户反馈数据建设

● 模型升级、Prompt 调整、知识库变化的回归测试

● Agent 身份、最小授权与审批机制

● 工具调用、数据访问、操作留痕与审计追踪

● 红队测试、安全评测与越权防护

● 金融、政务、医疗等高合规行业实践

【金融可信 AI：从试点验证到生产落地】

● 金融 AI 与通用企业 AI 的差异与落地优先级

● 智能风控、反欺诈、投研辅助、智能客服实践

● 金融知识库、规则引擎、Agentic RAG 协同

● 模型、知识、规则、权限、人工审核的生产闭环

● 数据安全、调用审计、幻觉控制与合规要求

● 从 PoC 到规模化推广的真实路径

【AI 驱动的客户全旅程：从营销获客到客服服务】

● AI 驱动的广告、投放与营销自动化

● AIGC 内容生产与品牌内容工业化

● 精细化用户运营、用户分层与生命周期管理

● 对话式 Agent 在售前、售后、运营中的应用

● 多渠道、多语种、多模态的客户交互

● 零售、电商、文娱、消费金融行业案例

【生成式推荐系统新范式】

● 生成式推荐的核心范式与架构变化

● 大模型在召回、排序、特征生成中的应用

● 多模态、多场景、多目标推荐的新方法

● 推荐与对话、搜索、内容生产的融合

● 内容、电商、视频、广告场景实战案例

【AI 时代的研发范式与组织进化】

● Code Agent 进入研发流程后的真实变化

● 代码审核重构：AI 审 AI、规则审 AI、人审关键路径

● 人机协作新工作流：工程师角色与能力模型升级

● 研发效能的重新度量：从产出到业务结果

● 研发组织结构进化：扁平化、平台化、双轨化

● 数据、算法、AI 产品、业务团队的边界重构

● 管理层视角下的组织转型路径

受众定位

北京站不是"更多应用案例的堆叠"，而是"企业 AI 从能力展示走向系统建设的年度总结站"。它的目标是：让来自应用企业、大厂应用团队、中型企业的技术与业务从业者，在两天时间里看清 2026 企业 AI 真正的优先级与路径，带走可以直接用得上的方法论、可以直接复用的实践经验、可以直接讨论的产业判断。

本届大会重点面向：

● 管理层：CTO、CIO、CDO、AI / 数据负责人

● 技术专家：大数据专家、算法专家、Agent 专家

● 产品与分析：数据产品、数据科学家、数据分析师、AI 产品

● 典型企业：大厂应用团队、中型规模企业、应用驱动型企业、行业头部用户

演讲申请

目前会议正在筹备阶段，如果你们团队有话题想来演讲，欢迎在这里填写演讲思路，一旦被采纳后，我们会在第一时间给你反馈结果。

● 填写地址：https://qr18.cn/A4cYOz

● 所属会议请选择：DACon·2026·北京站（线下）

● 角色请选择：讲师

● 讲师必填字段，需全部填写

目前8折优惠购票正在进行时！点击此处：https://h.datafuntalk.com/AWXz6f即可报名参会，咨询购票详情可联系票务经理：13311343487｜15901546871。