邓白氏智能开放平台进博会亚洲首发：接入WorkBuddy、Kimi等

AI并不会改变数据治理的规则，授权仍然有效，不过场景技术能让集成来得更快。

IPO早知道原创

吴广宇提到，眼下全球都在盯着AI的投入产出比，邓白氏也把重点放在这里。智能体能不能真正走进决策链条、用得上又跑得起来，数据在其中的位置很关键。他说，今年公司不少新应用都指向同一件事——让智能体把数据用起来，并且在客户的业务里形成闭环。

据IPO早知道消息，11月8日，第九届中国国际进口博览会“进博新品汇”活动上，邓白氏智能开放平台完成亚洲首发。

这已经是邓白氏第六次出现在“进博新品汇”。这次发布把全球可信商业数据与专业业务能力接到企业AI应用上，客户开发、信用评估、合规尽调、供应商管理等场景都能用。

目前，该平台既能对接客户自建的智能体平台，也能灵活连接国内主流AI智能体平台，WorkBuddy、千问办公、KimiWork、WPS Comate及库库AI等都在其中。按邓白氏的说法，用户可以借此解锁其全球商业图谱，让AI可信决策落地，也为出海业务绘制航路。

邓白氏中国区总裁吴广宇表示，企业加码AI投入的同时，得看实际业务回报，推动AI从生成内容继续走向支持决策。在他看来，可信商业数据与上下文，是智能体理解真实商业世界的重要基础。

他同时强调，用可信商业数据帮客户建立和管理商业关系，一直是邓白氏不变的主线。围绕数据、技术与场景，公司持续做创新，也看重决策链路的可审计、可追踪与良好治理。

当天，IPO早知道与吴广宇围绕邓白氏和WorkBuddy等平台的合作细节、金融领域AI与Agent的落地进展，以及“一把手”如何推动AI组织变革，做了深入交流。

以下是IPO早知道与吴广宇现场对话精选：

（邓白氏中国区总裁吴广宇）

迅速接入WorkBuddy等平台，数据支撑是底层

Q：这次宣布接入WorkBuddy、Kimi等，具体怎么打通和对接？

吴广宇：AI赋能的工作流分很多层。大模型是个聪明的大脑，但要做对决策，得对商业社会有正确理解。我们的全球商业图谱，就是告诉模型企业世界长什么样子。

模型、skill和商业数据结合起来，才能形成模型驱动的Agent。业务和数据结合，场景才跑得通。

所以跟WorkBuddy、Kimi等合作，本质上我们提供的是数据基础设施那部分。用户在这些办公平台里搭建自己的智能体，然后借助邓白氏提供的skill或者自己的智能体，去取我们的数据，解决具体问题。

Q：以接入WorkBuddy为例，付费机制怎么设置？

吴广宇：产品对接上，用户可以通过WorkBuddy连到我们，也能进入我们在里面设的邓白氏专区，专区里有一些专家经验。

费用有两种方式。一种偏个人版，用户在WorkBuddy上注册成邓白氏“龙易查”用户，我们会送积分，直接就能用；另一种偏B端企业用户，要买数据的lisence，这种情况国外比较多，但链路比较长，等于to B的销售链路。

不过对一些只想“尝鲜”的老客户，我们也不收费，可以先试试看。

Q：邓白氏提供服务的方式是怎样的？

吴广宇：我们的方式很灵活。最基础的是数据，同时我们也提供基于数据的skill，当然也提供Agent。

不同用户的选择不一样，有些可能只要数据；有些具备专业知识和能力，可能会用我们的skill；Agent也类似，客户可能自己有，也可能由我们来提供。

但我们的Agent并不局限在WorkBuddy或者Kimi这些办公平台。比如金融产品FinHub，其中我们自己做了Agent，能帮客户一键完成准入尽调、风险排查等。

底层上有个道理：Agent未必只待在同一个系统里。各家企业的搭建路子不一样，同一家公司内部不同部门用Agent的方式也各有各的章法。碰上已经自建系统、手里有Agent的客户，我们做的是数据对接，或者借WorkBuddy、Kimi这类三方平台递上一套好用的工具；还没自建的，直接接进FinHub就能用。

可Agent真要跑起来，底下得有数据撑着。

金融行业AI落地更快，新产品线正在铺开

Q：Hy4新版本里特意提了对金融场景的升级，邓白氏落地的第一个Agent产品FinHub同样属于金融。金融这块为什么走得这么快？

吴广宇：站在企业数据的立场看，金融也好，其他领域也好，用处都很大。

金融有个要害之处——每个主体都要做风险控制和判断，风控因此成了极核心的一环。也正因如此，金融对数据的看重程度更高，这是我们选择在这里重点发力的原因。

眼下我们的金融业务增长很快，增速明显高过公司各条业务线的平均水平。公司当前增长最快的几块业务里，还有互联网、智能制造等，同样都在平均线之上。

做产品的人自然会先盯市场潜力更大的方向。

Q：FinHub是金融场景里的重头产品，现在进展怎么样？

吴广宇：讲个例子。有位客户前阵子沟通时跟我们说，以前工具都备齐了，给一家公司做完尽调也得三个人花上半天，而且过程留不下痕迹。上了FinHub之后，时间压到10分钟，那些繁琐的活儿基本都能交给Agent。

效率之外还有个关键：所有工作流都能留痕。Agent调了什么接口、看了哪些数据、做了哪些动作，全都有记录。能留痕、可追溯，在我们看来也是公司AI转型路上绕不开的一个问题。换成人工操作，复核起来会非常麻烦。

这也是今年我们看到的最大变化。流程可溯源、协作全面数字化，是客户实打实的需求，效率提升很明显。

Q：金融之后，其他行业会不会也出类似的产品？

吴广宇：金融产品是我们目前第一个封装好的垂类产品。接下来我们会盯一件事——大家用AI的路径各不相同。

第一条路径，是拿AI给现有业务提效。举个例子，我们有个全球财务分析平台，它原本的用途就不止金融，贸易领域的企业在做尽调审核时也用得上。

这类产品我们做过ROI测算：50人的信审团队，投入150万元部署系统，人效上能省下200万元左右。这还没算同一场景下风险防范端省下的约200-300万元成本。合起来看，总投资回报能到200%以上。

第二条路径是全程用AI来操作，FinHub就属于这一类。金融之外，在企业拓客和风控这两块，包括信用风控和合规风控，我们都攒下了不少经验。

Q：产品上有没有具体的计划？

吴广宇：顺着上面这些观察，往后我们的产品升级会集中在三个方向。

一是对现有产品做AI转型，把AI工具嵌进去，帮用户提效；二是让Agent贯通全场景，金融领域的FinHub就是例子。接下来还会推出面向企业的BizHub，帮客户用Agent把全流程跑完。

三是客户如果已经有比较成型的智能体体系，我们就把数据作为上下文开放出去，让客户的智能体来对接。

Q：数据能开放到什么程度？

吴广宇：邓白氏走了180多年，核心一直是帮客户建立并管理可信的商业关系，这点从没变过。

里面有三个要素：数据、场景和技术。数据这一层始终不变的是怎么把可信的数据积累起来，做好治理和授权，不该看的不能看。这么看，AI并不改变数据治理的规则，授权照样有效；变化在场景和技术上，集成能更快，用户获取数据的渠道也更多。

一句话说，AI带来的变化是服务客户的效率更高了，但数据安全这块的规矩不会变。

产品形态也从一个个“方框”，变得像水一样灵活。

问：你们早前已在海外率先接入ChatGPT等平台，如今又接入WorkBuddy等平台，这对客户来说多出了哪些好处？

吴广宇：效率提升是肯定的，不过能提升多少，要看客户自己的AI转型走到哪一步。

现在还有客户明确说不要AI产品，只想要一份数据报告；也有客户对AI辅助接受度很高。产品和服务上，我们会几条路一起走。

这个过程其实不容易。要真正搭起一个智能体工作流，说到底得动客户的组织架构，内部要重新组织。

对那些愿意用AI辅助的客户，我们提供的是一个挺不错的数据底座，并在旁边陪着他们走完AI转型。

问：这样看，有了AI加持，你们能给客户的产品也变多了。

吴广宇：非常多。过去我们的产品像一个个“方框”，现在能像水一样。

不变的是可信的全球商业数据这个底层。AI让我们接触客户的方式变多了，服务场景也跟着多起来。

问：在快速拥抱AI这件事上，你觉得邓白氏的优势在哪？

吴广宇：每个企业做决策都有它的原因，我们看到的快和慢都是相对的。

举个例子，在服务场景里我们发现营销端比风控端快，也就是进攻端快过防守端。说得再直白点，用AI做业务比用AI控风险跑得快。

这里头有个责任划分的问题。业务端主要看交付结果，AI产品找到好场景并奏效，那很好；可要是AI判断一件事没有风险，所有人恐怕都得再想一想，毕竟最后得有人担责。

这也是我们在落地中看到风控端偏慢的原因。生产端就更慢，因为更严肃，不能出错。所以不同企业在AI落地速度上的选择，都有它的道理。

对邓白氏来说，我们提供的是基础设施，企业落地快也好慢也好、处在什么阶段需要什么类型的产品，我们都能完成对企业AI的适配改造，再把工作流积累下来，把connector用起来，陪着不同阶段的客户。

问：这跟你们过去在数据上的积累有关系吗？

吴广宇：有，工作流的积累和数据是紧紧绑在一起的。不了解数据的结构，就没法帮着改造工作流的结构。邓白氏多年来业务的核心，就是数据治理、数据授权这些事。

问：眼下客户对AI产品的接受度高吗？

吴广宇：客户特别爱谈投资回报比。我们的MCP目前也已经有一些客户签了约。

另外我们在海外有相对优势，接入ChatGpt、Cursor等平台和国内是同时启动的。美国主流AI平台目前都已接入，预计国内进展也会顺利。

AI转型的核心，是“找到一个正确的问题，并正确地解决它”。

问：Agent今年快速铺开的过程中，你觉得有哪些挑战或难点？

吴广宇：除了帮客户做AI转型，我们自己也在同步用Agent辅助。核心问题是“如何找到一个正确的问题，并正确地解决它”。

企业不管规模大小，都得挑一个具体的业务方向，或者优先级最高的那块业务砸资源进去，把它做穿，还得拿到像样的回报。

帮客户找到这样的业务或场景，同样是我们的分内事。问题定义清楚了，才知道要哪些数据、什么技能、用什么模型。模型各有所长，推理强的、识别强的，不是一回事。

Q：能不能举个实例，说说你们怎么找到这类问题、又怎么把它解决掉？

吴广宇：两年前刚启动AI转型那会儿，我要求每个部门都交一份智能体转化方案。内部竞赛也办了不少，后来发现这条路走不通——有些部门压根不把这当自己的重点活儿。

摸索了一阵，我们判断数据生产是个能打的场景，比如部分报告的生成，过去靠“人加一些API”拼出来，现在改成用智能体封装。报告种类很多，我们先从合规报告里的某一类切入。要落地，还得同步在内部摸清工作流，再界定哪些数据需要打通。这也是我们自己一步步实践过来的过程。

有个关键心得：别好大喜功。合规报告只是起点，接下来一个场景一个场景地打透。

Q：这么说，AI转型牵扯的组织变革，最后还是得“一把手”来推？

吴广宇：这事万变不离其宗，归根到底考的是管理者对自己企业的理解有多深——要替客户解决什么、自己的比较优势在哪、需要具备哪些能力，诸如此类。

在这一点上，有没有Agent其实没差别。Agent无非让我们多了几件工具，真正核心的，还是能不能吃透整个企业运转的规则。

Q：邓白氏在数据上积累很深，以后会不会自己训模型？

吴广宇：自研模型我们不做。现有的模型已经足够好用，何况还有实力很强的公司在做这件事。

眼下市场的状况是，模型这个“大脑”已经挺好用，难的是让它对客观世界有准确的认知。我们的数据积累，恰恰能在这上面派上大用场。