ARTICLE · 1088560
AI 原生不是给 IT 系统加插件,是重排人、数据、机器的关系
这是「AI 原生企业 × 数据治理」系列的第一篇。素材来自一次真实的客户交流——一家制造企业推进数据治理一年多后陷入迷茫。我把这次交流里的方法论拆成几篇，供同样在转型路上的同行参照。
一、一件看似普通、却卡住很多人的事
一家正在推进数据治理的制造企业——强调一下，是"正在做"，不是"做完了"，而且是第二次大规模做了。过去一年多，他们按一套4A架构的数据治理框架已经走了一段时间：统一主数据、立数据标准、抓数据质量、清历史数据。按说数据干净了，业务该顺了——可实际不是这样。
而且这一次，有两点开始显形。一是执行层的动力明显弱了——活越做越像"交差"，推一步动一步；二是业务端始终感觉不到变化，计划员还在凭经验救火，关键物料一断供产线还是停。老板年底问了一句："这一年我们在数据上投的人和钱，到底换回了什么？"
他们现在又碰到了一些疑惑，归纳起来四条：这套方法是不是本来就不适合我们？投入一年多了怎么还看不到钱？到底要治到什么程度才算够？是不是全公司所有的数据都得治一遍？
这四点怀疑，我过几天要去跟他们的 CEO 聊。但聊之前，我想先把一件事理清楚——这看着是"数据治理"的迷茫，其实指向一个更大的问题：当一家制造企业说"我们要做 AI、要做智能化"的时候，到底在说什么。
结论先放在这：绝大多数企业卡住，不是卡在模型够不够强，是卡在人和机器之间的关系没重新排过。下面把这件事拆开。
二、护城河正从规模转向韧性
先看一份支出结构的数字：一份 2026 年的基准研究显示，93% 的 AI 支出流向了技术（模型、平台、算力），只有 7% 流向"人"（组织、激励、心智）。说明一下口径： 该基准框架较新、样本口径偏广，数字仅作方向性参考。
买模型容易，重构管理体系难——这解释了为什么大多数转型只停在试点阶段，无法规模化。
而且模型的部署也在发生变化：IBM 商业价值研究院（IBV）与牛津经济研究院 2026 年的一项研究显示，53% 的高管正以某种形式推进 AI 智能体（含概念验证与试点，而非全面投产）；Gartner 的预测则指出，到 2026 年底 40% 的企业应用会集成任务型智能体（2025 年还不到 5%），到 2030 年约 50% 的跨职能供应链方案会由智能体自主决策。
来源：AI Daily Brief「Maturity Maps」项目企业 AI 支出季度基准（2026 年，覆盖约 15 万样本）；IBM 商业价值研究院（IBV）与牛津经济研究院 2026 年联合研究（样本 300+ 供应链与运营高管）；Gartner 2025 年 8 月预测
为什么偏偏是供应链？这个链条最长、主体最多、非结构数据最大、异常最密的业务领域——它是最该被重构、也最难被重构的环节。
窗口很短，但这场仗的对手不是"谁先上系统"，而是"谁先把人和机器的关系重排明白"。
三、核心定义：AI 原生不是给 IT 系统加个聊天窗
AI 原生不是"在 IT 系统上接个大模型、让大家用自然语言查个数"——那是单点提效插件，不触及生产关系。AI 原生是把"人、数据、机器"三者的关系重新排一遍：
人，从"干执行"转向"定取舍、做仲裁、把把关"
数据，从"被报表消费"变成"被机器实时消费"
机器，从"工具"变成"常驻在岗、能自己跑闭环的同事"
一套完整的自主闭环长这样：人先定义经营目标（定取舍）→ 智能体拿到全量数据上下文 → 智能体集群自主跑闭环（预测、排产、采购、质检、物流）→ 在关键断点由人把关（这个断点就是授权边界）→ A/B 评估，结果反哺成数据飞轮。
这里有个容易被忽略的工程质量底线，叫评测集：把历史上的偏差和人工纠偏攒成一份"考卷"，模型或提示词一改就全量重考。概率性系统没有这道关，质量是不可控的。
四、别纠结"算不算 AI 原生"，先看抽掉 AI 还剩什么
很多人会问一个问题：我们公司现在算不算 AI 原生？我的看法是——当下是不是"AI 原生"，没那么重要；重要的是你有没有做正确的事。
什么是正确的事？回到前文那个判断：把"人、数据、机器"三者的关系重新排一遍，让资产留在自己手里、让知识沉淀进组织。一个实在的检验办法是：把 AI 这一层抽掉，组织里还留得住什么。
留得住的若是"归我所有、能被审计、会自己进化的知识资产 + 已经重排过的人机协作关系"，说明你做对了。留得住的若只是一台租来的黑箱、加上几个人的脑袋，那这套打法其实把你绑成了"人质"——风浪一来，接不住。
用两条轴看就清楚（多数企业卡在一条高、一条低）：
- 依赖度轴（绝大多数企业落在这头的高位）：你用了多少 AI、靠得多深、离了它转不转得动
- 资产沉淀轴（极少数企业落在这头的低位）：知识资产归不归你、治理能不能审计、人的角色和激励变没变、出事能不能恢复和进化
用得深，不等于做对了。 只靠"我用了很多 AI"来自我安慰，往往掩盖了一个事实：你把判断权交给了自己不拥有、无法审计、也接不住的黑箱。
给读者两个自检问题，来判断自己有没有做对事：
模型厂商明天停服，你的业务还能跑吗？（考的是：资产在不在你手里）
张工离职了，他脑子里的判断留在组织里了吗？（考的是：知识有没有结构化沉淀）
五、两个落点：闭环化的供应链 + 常驻的数字员工
定义落下来，就是两件事。
其一，供应链闭环化。 异常自动捕获（比如海运延误）→ 自动调取 IT 系统、MES、TMS 等核心系统 → 按客户优先级测算影响 → 联动排产和采购 → 人只在多方案之间做 15 分钟签核。异常、需求先打通，再往后推采购、排产、质检、物流。
其二，常驻型数字员工。 不是"工具"，是"岗位"——7×24 值守，人机配比 1:N，把人的精力从重复执行里释放出来，去做张工们该做的取舍与仲裁。它先打异常和最易计量的环节，再往全流程铺；不是上来就铺满十个场景，而是按"落地次序"一个个来。
六、授权开到哪一级，决定了这套打法扛不扛得住
AI 原生按授权等级分三档：L1 辅助（人决策，AI 零授权）、L2 协同（阈值内直执行、超阈值升级，必经台阶）、L3 自主（概率化自愈 + 数据飞轮，须过评测达标、责任到人、留痕可审计三道门槛）。
这就是为什么"排产响应 +90%"没有判别力——它可能来自做对了的数据飞轮，也可能来自人质状态下的一次性压缩。差在哪？差在授权开到了哪一级，以及组织敢不敢为智能体的错误签字买单。
这件事，恰恰是开头那家企业四个怀疑里"治到什么程度"那一条的真正答案。下一篇接着讲：每一次卡住的地方，都一样——卡在授权边界。
总而言之，AI 原生不是"机器替人干活"，是"人把判断权重新分配出去，同时把责任也重新分配出去"。 抽掉 AI 这一层，组织还留得住什么，才是检验你有没有做对事的尺子；而大多数企业真正该补的课，是那 7%，而非那 93%。
免责声明：
本文所引数据均来自相关公司公开披露的财报、官方新闻稿及公开访谈，不构成对任何厂商产品的评价或推荐，亦不构成投资建议。文中对数据的解读仅代表作者个人观点。