摘要 随着企业数字化建设持续深入，企业架构管理对象已经从相对稳定的业务流程、应用系统、数据实体和技术组件，扩展到模型服务、智能体、知识库、向量数据、推理端点和模型训练流水线等新型架构资产。架构制品的数量、类型和关联关系快速增加，传统依赖人工阅读、经验判断和会议会审的评审方式，逐渐暴露出效率不高、标准

《华为企业数据架构、应用架构及技术架构设计方法》围绕企业架构落地中的核心设计方法展开，系统梳理数据架构、应用架构和技术架构的设计思路、关键步骤与主要成果，涵盖数据资产目录、数据模型、数据分布、应用设计及技术架构等内容，为理解企业架构如何从方法理念走向具体设计与落地实践提供参考。

人工智能应用需要的不只是更多数据，还需要把结构化数据、文档知识、实时上下文和反馈记录组织成可持续的数据供给体系。 传统数据架构主要围绕业务系统、数据仓库和分析报表展开。数据经过采集、清洗和汇总后，为统计分析与经营管理提供支持。人工智能进入企业应用后，这套架构仍然重要，但已经不能覆盖全部数据需求。

大模型风险不是上线前做一次安全检查就能解决的问题，而需要贯穿数据、模型、知识、工具和运营全过程。 一、先区分内容风险与行动风险 回答不准确属于内容风险，错误调用系统则可能转化为行动风险。企业应根据人工智能能否接触敏感信息、影响业务决策或执行操作，对场景进行风险分级。

人工智能不只是新增一个技术组件，它正在改变业务流程的设计方式、应用的交互边界以及数据的使用逻辑。 一、从辅助工具到企业能力 早期人工智能应用多以识别、分类和预测等单点模型出现，通常嵌入某个固定流程。生成式人工智能和智能体出现后，人工智能开始处理语言、知识和跨系统任务，逐渐成为可被多个应用调用的共享能

接入大模型可以增加一个智能功能，人工智能原生架构则从任务、数据、交互和反馈机制开始重新设计系统。 一、两种建设思路的起点不同 系统接入大模型通常从既有功能出发，例如在知识库旁增加问答入口，或在流程中增加文本生成。系统主流程和数据结构基本不变。 人工智能原生架构则从用户目标和任务闭环出

数字化转型的纵深推进，对大型集团企业的架构管控能力提出了更高要求。在 “总部统筹、子公司落地” 的两级管理模式下，架构管控需要同时回应全域标准统一与属地业务差异化的双重诉求。传统人工驱动的管控模式在效率、标准、追溯性等方面的短板日益凸显，构建覆盖差异自动识别、协同智能决策、全流程线上闭环的数字化管控

企业架构回答的是一个基本问题：企业确定战略方向之后，业务、数据、应用和技术应该如何协同变化。过去，企业架构主要围绕业务流程、应用系统、数据资源和技术平台展开设计。随着人工智能逐渐进入企业核心业务，AI不再只是某个系统中的辅助功能，而开始参与需求理解、知识获取、分析判断和任务执行。企业架构也需要随之演

随着企业数字化转型步入深水区，中台作为破解业务系统碎片化、提升企业级能力复用效率的核心方案，已在众多行业得到广泛实践。但与此同时，中台建设的共性痛点也逐步显现：设计层面，多数项目依赖经验式划分中台边界，服务能力与业务战略对齐不足；治理层面，项目立项阶段缺少中台优先评估的管控节点，架构评审阶段缺少中台

企业持续建设业务系统、数字化平台和AI应用，但“完成建设”并不意味着“产生价值”。一个系统可能投入较高但长期使用不足，一项AI能力也可能技术指标表现良好，却没有真正进入核心业务流程。评价数字化与AI建设成效，需要把投入、使用和业务结果联系起来，判断数字化资产投入了多少、实际使用得怎样、产生了什么价值