从首尔成寿站步行约10分钟，红砖建筑映入眼帘。虽然没有显眼的招牌，但一打开铁门，氛围立刻变得不同。摇曳的红色灯光和淡淡的烟雾充满了长廊，仿佛进入了一个巨大的汉堡烹饪空间。 穿过长廊，迎接你的是一个更像画廊而非快餐店的空间。红砖与黑色钢架相结合，四处摆放着受火焰与热量启发的艺术作品。这是汉堡王在全球首次于首尔成寿推出的旗舰店‘火焰广场’。 汉堡王于26日在成寿的火焰广场举行媒体见面会，展示了即将于下月正式开业的店面。火焰广场是汉堡王持续采用的直火烹饪方式与华堡的品牌形象在空间、菜单和用餐体验上的延伸。名称由“火焰（Flame）”与“广场（Ground）”结合而成，象征着体验汉堡王火焰风味的一个世界和舞台。 BK餐饮代表表示：“我们思考如何将对汉堡的43年热情最完美地传达给顾客，火焰广场是展示汉堡王独特世界观的最雄心勃勃的宣言和姿态。” 汉堡王预计今年在中国的销售额将达到1.1万亿韩元，门店数量将超过600家。凭借全国性的门店网络，汉堡王计划通过差异化的菜单和内容展示品牌的新形象。 汉堡王CMO表示：“当销售额超过1万亿，门店达到600家时，仅靠统一的营销方式已无法展示新意。我们认为需要在普通门店为全国顾客提供新体验，而在火焰广场展示独特的品牌活动和体验。” 选择成寿作为首家旗舰店的地点也与品牌形象有关。成寿曾是工业区，聚集了许多处理铁与火的工厂。汉堡王认为，残留的红砖和工厂的痕迹与品牌形象中的火焰和直火相呼应。此外，成寿也是一个汇聚时尚和餐饮等多种品牌，创造新趋势的地区。 实际上，汉堡王在空间的各个角落融入了火焰的元素。与五位国内新兴艺术家合作，将烤制汉堡的核心设备——烤炉的运动、直火的能量、炭火和热量等重新诠释为艺术作品。红砖、金属、灯光和炭化木等构成空间的元素也都设计成让人联想到火焰和直火的样子。 火焰广场还推出了独特的菜单。‘K-立方肋排汉堡’、‘孟菲斯BBQ汉堡’和‘费城奶酪牛排’等三款特色菜单是代表。K-立方肋排汉堡在直火华堡上添加了立方肋排，孟菲斯BBQ汉堡则结合了直火汉堡、培根和烤洋葱。费城奶酪牛排则使用薄切的肋眼牛肉代替汉堡饼。 店内秘密设置了一个10个座位的餐饮室，提供汉堡行业首个课程餐饮‘The Gastro’。汉堡王将代表菜单华堡视为一个完整的汉堡，而是将其各个组成部分重新诠释为课程餐饮。蔬菜、泡菜、直火汉堡饼和面包等平时一起品尝的食材，作为每道课程的主角，依次体验食材本身的味道和角色。整个课程融入了汉堡王长期以来积累的直火烹饪方式和华堡的传承，让熟悉的汉堡以新的方式享用。 汉堡王产品创新中心主任表示：“每道课程展示不同食材的味道，但最终又连接成一个汉堡。”并补充道：“这不是制作完全不同的汉堡，而是以不同的视角体验同一个汉堡。” ‘The Gastro’将以华堡重新诠释的课程作为首季运营，之后汉堡王将以新的方式展示其他品牌资产。课程价格为每人89,000韩元，采用预订制，每月1日通过CatchTable接受下月的预约。火焰广场将于下月10日正式开业。※ 本报道经人工智能（AI）系统翻译与编辑。

随着生成型人工智能（AI）的快速普及，企业的关注点已从“使用什么AI模型”转向“如何将AI真正落地于实际工作”。然而，尽管认识到运营设计的重要性，仍有不少尝试将同一设计应用于所有行业的情况。 例如，将在金融领域有效的做法直接应用于制造现场，或将为零售设计的数据结构照搬到公共机构。结果往往是相似的：技术虽然得以实现，但在实际工作中却无法运作。 根据全球研究，基于AI的数字转型（AX）失败率高达70%至85%，而各行业的AI应用率也存在显著差距，科技与金融行业的应用率在80%至90%之间，而制造业与农业则仅在20%至50%之间。在多个行业的AX项目中，我们发现，即使是相同的设计原则，应用于不同的行业时，优先设计的内容和重点也会完全不同。这是因为工作结构、数据形式、监管环境以及实际使用AI的主体各不相同。 在金融行业的AX项目中，最常见的错误是先实现技术，再将权限设计推迟到后期。虽然实现了合同审核自动化或客户咨询AI，但在运营阶段却因未明确接入权限和责任范围而不得不重新设计。此外，由于扫描合同或图像基础的金融和法律文档较多，事先验证AI能够处理的文档类型及其解析准确性也是必不可少的。 对于公共机构而言，民众投诉处理的准确性和行政程序的一致性至关重要。因此，AI不仅要生成答案，还需能够展示依据的法规和文档，并管理响应历史。此外，负责人员对AI结果进行审核并作出最终判断的运营方式，对提高现场的接受度也起着重要作用。 在零售AX项目中，常见的错误是未准备好数据就急于应用AI。由于不同来源的商品编码体系各异，或退货、换货未在销售数据中得到正确反映，即使AI模型再先进，结果也难以令人信服。大多数被现场拒绝的AI项目都是跳过了这一阶段。 在红砖参与的电商基础零售项目中，AI应用之前需要首先进行数据整合。商品数据、需求数据和地区销售数据分散在不同系统中，需先将其连接成一个管道。在此基础上，我们重新设计了商品推荐和促销决策流程。这不仅仅是增加AI功能，而是全面改变了工作流程，使得原本需要多人几天才能完成的任务，现在由一人一天内即可处理。 红砖在启动AX项目时，首先要了解该行业的工作结构、数据环境和监管背景。即使实现相同功能，金融公司和制造公司的设计也必须不同，需根据行业背景决定优先应用的领域、数据的结构化方式以及系统联接的起点。 红砖的前置工程师（FDE）从项目初期就被派往客户现场，通过访谈、实际文档和数据样本分析、工作流程观察，诊断重复工作、瓶颈和错误发生的点。随后，根据工作频率、所需时间、数据准备情况、预期效果以及安全和监管风险等标准评估候选任务，确定行业优先级。 在4至8周内，选择一个能够验证成果的工作进行试点，并设定处理时间缩短、准确度和实际使用率等明确的KPI进行设计。FDE在此过程中缩小了现场与开发团队之间的语言差异，协调数据清理、权限结构、系统联接和验证程序。通过这一方式，构建出不仅仅是技术实现，而是能够真正落地并扩展的AX结构。 在这一过程中，不会一次性尝试全公司转型。首先在效果高、风险低的领域进行试点，确认现场的信任后再进行扩展。这一顺序对提高AI应用后的实际使用比例起到了决定性作用。 许多企业已经意识到，AX项目的成功与其设计方式密切相关，而不仅仅取决于使用什么AI模型。然而，这一设计也必须因行业而异。如果忽视这一差异，将经过验证的单一方法应用于所有行业，最终的结果往往是技术实现了，但在现场却无法运作。成功的AX项目并不是从优秀的AI模型开始，而是从对该行业和现场的理解开始。 ※ 本报道经人工智能（AI）系统翻译与编辑。

随着生成型人工智能的快速普及，企业普遍将AI转型视为核心管理课题。许多企业在聊天机器人、文档摘要、数据分析、工作自动化等多个领域尝试应用AI，但在实际进行AX项目时，仅仅引入AI并不能立即实现全公司范围的推广或实质性的工作变化。 这一现实在全球调查结果中得到了证实。去年11月，对2000多家全球企业进行的一项调查显示，62%的受访企业正在试验AI代理。然而，真正达到某些功能的全面推广阶段的企业不足10%。这意味着，尽管对AI的关注和实验迅速增加，但将其真正融入日常工作仍然困难重重。 我认为，这一问题并不仅仅是技术的局限。实际上，企业当前面临的最大挑战是选择AI模型的问题，而是设计出能够在组织内部持续运作的工作结构和运营体系。 在初期的生成型AI引入讨论中，主要关注的是使用什么模型以及能够实现哪些功能。然而，最近企业在AX项目中提出的问题发生了变化。现有员工如何在实际工作中利用和内化AI，应该从哪些工作开始应用以产生投资回报（ROI），以及如何建立可持续的运营体系等问题的思考越来越深入。 相同模型却有不同准确度的原因：知识系统 这一差异在企业的知识系统中表现得尤为明显，即AI在多大程度上能够准确读取和搜索企业内部文档并给出回答。许多企业期待通过引入最新模型获得准确的回答，但实际上，决定准确度的并不是模型，而是前期的设计。了解公司文档的存在形式、如何无损地将其转化为数据，以及如何设计符合提问意图的信息检索管道（RAG）将直接影响最终回答的质量。 尤其在国内企业环境中，这一问题更加复杂。打开实际企业的文档文件夹，可以看到不仅有文本层次清晰的电子文档，还有扫描的合同、拍摄的银行存折复印件、登记簿等仅以图像形式存在的韩文金融和法律文档。 在这些文档中，简单的文本提取工具往往会破坏韩文或结构，导致结果几乎无法使用。相反，精确识别图像本身的方法则能更高水平地保留原始格式、数字和韩文信息。即使是相同的文档和模型，处理体系的设计不同，结果也可能分为可直接用于工作和难以利用的两种情况。 红砖持续推进文档解析和RAG管道的研发，旨在构建在企业环境中具有高准确性和可靠性的知识系统。针对实际企业文档中包含的扫描基础韩文文档，经过多种处理方式的精细比较和验证，发现不同文档类型的最佳处理路径完全不同。 AI在现场运作的条件 企业现场AI的实际运作需要几个条件。首先，必须准确理解现有的工作流程。需要区分可以应用AI的工作和不能应用的工作，并优先选择能够产生成果的领域。之后，需要将企业内部数据与现有系统连接，并设计用户权限、安全性、审计日志和运营政策等。为了使AI不仅仅停留在某一特定功能，而是融入组织的工作方式，这种运营设计是必不可少的。 红砖采用FDE基础方法的原因也在于此。FDE不仅仅是倾听企业的需求并提供解决方案，而是分析现有的工作流程和数据结构，设计AI在实际工作环境中能够运作的应用领域、系统联接和运营体系的执行导向的AX方法。前面提到的知识系统设计也是这一FDE方法的一部分，在技术引入之前，首先解决“这家企业的文档是什么形式，如何阅读才能准确”这样的问题。 实际成果：香港电商PoC 最近，红砖与香港的一家电商企业开展了基于FDE的AX项目PoC，确认了显著的生产力提升效果。该企业希望通过AI提升商品选择和促销推荐流程，以建立更高效、快速的决策体系。核心在于基于数据预测未来全球各地区哪些商品会有高需求，并将其反映在推荐流程中。 PoC结果显示，原本需要4人花费约5天完成的工作，在引入AX平台后，1人可以在1天内完成。这并不是简单地应用AI功能，而是因为重新设计了数据分析、推荐流程和工作流程，才实现了这一结果。前面提到的知识系统为提供准确数据奠定了基础，而这个案例则展示了在重新设计整个工作流程时所取得的成果。 随着AI应用范围向实际工作环境的扩展，AX项目所涉及的领域也在不断扩大。在企业环境中，仅仅应用最新的AI模型是不够的。为了确保AI在组织内部稳定运行，必须考虑到根据工作目的和特性设计数据结构、与现有系统的联接，以及适合企业环境的多LLM构成和基于RAG的数据利用体系、用户权限管理和审计日志等AI运营环境的整体设计。※ 本报道经人工智能（AI）系统翻译与编辑。

“许多企业期待引入人工智能（AI）后立即实现业务创新，但实际上现场出现了完全不同的问题。” 杨英模 红砖代表最近对企业的AI转型（AX）项目氛围进行了这样的说明。在生成型AI热潮中，聊天机器人、文档摘要和报告自动化系统的引入迅速增加。然而，在实际应用阶段，反复出现了意想不到的局限性。 杨代表特别提到，最近企业现场常常出现“虽然构建了AI，但员工并未有效使用”的情况。他表示：“最初，大多数评估集中在AI模型的性能和回答准确性上，但在实际工作环境中，与现有系统的连接结构、数据管理体系和权限问题等运营要素显得更为重要。” 在实际现场，AI本身与现有工作流程冲突的案例并不少见。一家企业构建了基于生成型AI的工作支持系统，但其使用率未能达到预期。由于未能与ERP（企业资源计划）、协作工具和内部系统自然连接，员工将其视为额外的独立程序。 文档管理体系问题也是反复出现的案例之一。最新文档与历史资料混杂，或各部门管理标准不同，导致AI基于过时资料进行回答的情况时有发生。杨代表指出：“企业AI中重要的不是简单的准确度，而是基于什么数据进行回答，访问权限是否得到正确反映等运营结构才是关键。” 最近，企业们正逐步转向同时使用多种AI模型的“多LLM”环境。营销组织使用基于软件即服务（SaaS）的AI，开发组织使用开源模型，客户服务组织则使用独立的AI解决方案，AI的使用方式日益多样化。然而，能够进行统一管理的体系仍然不足。 他表示：“企业在这种情况下，甚至难以了解哪个组织使用了哪些数据和哪些AI。”并指出：“在多LLM环境中，必须同时考虑数据控制、安全政策和成本管理。”尤其是在金融、制造和公共等对安全和运营稳定性要求较高的行业，这种趋势愈加明显。实际上，最近越来越多的案例不仅要求简单的AI引入，还要求数据连接结构、权限管理体系和运营治理设计等方面的配合。 杨代表指出，企业最大的误解之一是“仅将AI视为技术项目”。他强调：“在内部数据结构和工作流程、审批体系尚未理顺的情况下，若先引入AI，运营阶段必然会出现问题。”他表示，AX不仅仅是增加AI功能，而是重新设计企业运营结构的过程。 他补充道：“未来企业的AI竞争力将不再取决于谁引入了更优秀的模型，而是取决于AI在实际工作中能否稳定且可重复地运行。”※ 本报道经人工智能（AI）系统翻译与编辑。

“现在企业AI的竞争标准不再是使用什么模型，而是能否在实际工作中安全、可重复地运营AI。” 红砖公司CEO杨英模最近对企业AI市场的变化作出了这样的解释。他指出，生成型AI扩散初期，巨型语言模型（LLM）的性能竞争是核心，而现在企业内部的数据、权限和安全体系的“运营结构”本身已成为AI竞争力的关键。 他表示：“最初人们常问‘使用什么模型’，而现在更多的是‘我们公司的数据能否安全连接？’以及‘如何反映部门的权限？’等以运营为中心的问题。”他指出，企业开始将AI视为不仅仅是生产力工具，而是实际的工作基础设施。 基于生成型AI的内容引擎初创公司红砖，提供基于自家开发的“红砖AI引擎”的AI解决方案，支持企业和机构的数据及业务自动化。用户只需输入文本即可生成游戏、教育和营销内容，并通过内部文档和协作工具的联动，支持知识搜索、文档撰写和报告草稿生成等功能。 企业解决方案“红砖AI企业版”同时提供安装型和云型，基于端到端加密的推理结构安全处理敏感信息。根据2025年的数据，公司累计用户已突破1000万。此外，红砖还被阿联酋穆巴达拉主权财富基金的初创企业孵化项目“Hub71”选中。 杨英模指出，企业的AI转型（AX）项目正从简单的聊天机器人引入，转向“AI运营体系建设”阶段。他解释说，实际现场中，数据结构、权限体系和业务流程的重新设计比AI模型的性能更为重要。他表示：“在演示环境中，AI看起来运行良好，但在实际企业现场，文档分散在多个系统中，最新资料与历史资料混杂在一起。”他补充道：“权限体系复杂交错，单靠模型无法完成AX。” 因此，红砖正在将自身定位从单纯的AI解决方案公司，扩展为“企业AI基础设施平台”公司。其核心战略是安全连接企业内部数据，运营符合部门需求的AI代理，并整合管理数据访问权限、成本和日志。 杨英模特别强调，全球AI市场中“前置部署工程师（FDE）”模式已成为重要趋势。这种模式深入客户的实际工作环境，共同定义问题，然后在AI平台上快速实现，并进一步提升产品功能。 他表示：“过去的系统建设（SI）项目以需求为基础，而FDE则是在客户现场共同发现问题，并将其积累为可重复的平台功能。”他补充道：“红砖也不再是单纯的建设公司，而是致力于成为客户AX转型的AI工程合作伙伴。” 他还指出，企业正在转向使用多种AI模型的“多模型运营体系（Multi-LLM）”，这是因为不同工作所需的成本、速度和推理能力各不相同，单一模型难以处理所有工作。 杨英模表示：“简单的摘要或分类可以使用轻量级模型，而复杂的分析或决策支持则需要高性能模型，这在成本和性能方面更为高效。”他指出：“企业AI最终比起模型本身，更重要的是如何在什么样的运营结构上进行管理。” 红砖未来将专注于构建一个将AI基础设施、知识型AI、协作型AI工作环境、AI业务自动化系统及安全、权限、治理功能整合为一个企业AI平台的“AI运营环境”。 杨英模表示：“未来企业AI市场将迅速从实验阶段转向实际运营阶段。”他强调：“红砖将帮助企业不仅仅使用AI，而是安全地将其作为组织的工作基础设施进行运营。”※ 本报道经人工智能（AI）系统翻译与编辑。

政府在2022年修订的教育课程中引入了小学信息教育的34节必修课，但具体的教学方式和资料仍由教师负责。首尔洪陵小学的吴尤娜教师利用初创公司红砖的‘Sooup AI’填补了这一空白。她在教育现场推动AI转型，并获得了教育部部长奖。23日，我们采访了吴教师，了解了课堂的变化。 ■ 静态PPT变为讨论课，“只需点击一次”‘课堂AI’是一个平台，教师上传PPT或PDF后，AI会自动将其转化为学生参与型资料，如测验、讨论、提问活动等。吴教师表示：“AI自动生成测验和讨论活动，减少了新资料制作的负担。”课堂中，AI如同助教，帮助补充概念并提供即时反馈。尤其在学生学习差异大的科目中，AI分析个别学习数据，提供即时反馈。 学生的参与方式也发生了显著变化。吴教师说：“平时不愿在课本上写意见的学生，在数字设备上讨论时会积极输入自己的想法。”她补充道：“比起表面上的发表，确认学生实际思考的内容更重要。”学生们的反应也很积极，课后常说“再来一次”。吴教师表示：“学生通过工具更积极参与课堂。”教师的角色和时间利用也发生了变化。吴教师说：“以前需要花很多时间分析课程和准备资料，现在AI部分代替了这些工作。”她表示，剩余时间可以更深入地了解学生的特性和班级氛围。对于一些家长担心的数字设备依赖问题，她表示：“课堂上并不是一直使用设备，而是在需要时有限度地使用。” ■ 学年更替时数据重置，“真正个性化教育的条件”然而，公立教育层面也存在局限。吴教师表示：“AI教育中数据的积累非常重要，但目前学年更替时数据无法延续。”她强调，尽管存在个人信息和系统问题，数据的累积对于实现真正的个性化教育至关重要。她最后指出，技术之外，教师的设计能力仍然重要。“再多的工具，如果不能适应班级学生的需求，也难以持续。”※ 本报道经人工智能（AI）系统翻译与编辑。