ARTICLE · 1156508
企业数字化之后,AI 的价值在哪里
企业数字化之后,AI 的价值在哪里这两年，走进一家企业谈数字化，话题很容易转向 AI。 老板希望建设企业知识库，销售负责人想要一个能自动跟进客户的 Agent，生产部门关心 AI 能不能预测设备故障，IT 部门则在研究大模型平台和智能体开发工具。 这些想法并没有问题。但如果真正走到企业现场，看看员工每天怎样工作，就会发现一个值得思考的现象：一方面，企业已经有了越来越多成熟的数字化工具；另一方面，很多基础管理问题仍然没有解决。 项目进度还在微信群里反复询问，客户信息仍然依靠销售个人维护，采购申请需要人工催办，设备维修记录分散在不同的 Excel 中。即使企业已经购买了 ERP、CRM、MES，业务部门也可能因为系统之间不连通，继续使用大量表格和人工沟通。 这就带来一个问题：企业今天需要的，究竟是更多 AI 应用，还是先把已有的数字化能力用起来？ 我认为，要回答这个问题，首先需要重新认识国内企业数字化已经形成的成熟解决方案。只有知道哪些问题已经有可靠、经济的解法，才能进一步判断 AI 应该在哪里发挥作用。 过去谈企业数字化，很多人首先想到 ERP。对于制造业，可能还会想到 MES、WMS、PLM；对于销售型企业，则是 CRM。 但今天的企业数字化，早已不只是这些大型业务系统。 
飞书、钉钉、企业微信这样的协同平台，多维表格、低代码、自动化工作流，以及围绕客户、项目、门店、设备、采购、售后等场景形成的轻量应用，正在覆盖企业日常经营中的大量管理问题。 这些工具之间存在一个很有意思的分工。 ERP、CRM、MES 等专业系统，主要管理企业核心业务对象和交易过程。例如客户、订单、物料、库存、生产任务、成本和财务记录。 飞书、钉钉、企业微信等协同平台，更多解决员工如何沟通、协作、审批和执行任务的问题。 多维表格和低代码则填补了两者之间的空间：有些业务比 Excel 复杂，但还没有复杂到需要采购或开发一套独立系统。 企业的很多数字化机会，恰恰存在于这个中间地带。 假设一家企业有 30 名销售人员，每个人都维护自己的客户 Excel。销售经理每周汇总一次商机进度，老板想了解销售预测时，需要等待各部门重新整理数据。 这种方式在业务规模较小时还能运行，但随着人员增加，问题会逐渐暴露：客户名称不统一、商机阶段更新不及时、跟进记录不完整、同一个文件存在多个版本。 这时候，企业未必需要立刻采购一套复杂 CRM。 通过飞书多维表格、钉钉 AI 表格或其他低代码工具，就可以建立一套轻量客户管理应用，把客户、联系人、商机、跟进记录关联起来，再配置不同角色的视图、提醒和经营看板。 销售人员维护自己的客户，销售经理查看团队商机，老板查看销售漏斗。长期没有跟进的客户可以自动提醒，重要商机的状态变化也可以被记录。 同样的方法还可以应用到项目管理、招聘、门店巡检、设备台账、采购申请和售后工单。 这些场景虽然属于不同部门，但背后的管理逻辑很相似：明确业务对象，记录状态变化，指定责任人，让流程能够持续运行。 这也是多维表格和低代码在企业里有价值的原因。它们把过去散落在 Excel 和微信群中的信息，逐渐变成了可以协作、追踪和分析的业务数据。 当然，这类工具也有边界。涉及复杂库存核算、生产排程、财务结账、高并发交易或严格的审计控制时，仍然需要专业业务系统。轻量工具适合解决管理过程中的灵活性问题，但不能因为搭建方便，就让它承担超出自身能力的核心交易职责。 在现场咨询中，还需要理解不同平台的典型使用场景。 飞书在文档协同、知识管理、多维表格、任务和项目协作方面提供了较完整的工具组合，适合把团队协作与轻量业务管理连接起来。 钉钉除了内部协同，还覆盖考勤、审批、组织管理、工作台，以及通过宜搭等工具建设业务应用的需求。对于希望将内部管理流程逐步线上化的企业，这类能力很实用。 企业微信则有一个特别值得关注的优势：连接微信生态中的客户。 在零售、汽车、家装、消费服务、企业服务等行业，客户与企业员工之间的大量互动发生在微信环境中。企业微信可以帮助企业围绕客户联系、客户群、服务和关系交接建立管理机制，再与 CRM 等系统结合。 过去客户加的是销售个人微信，沟通信息和客户关系容易分散在员工手中。企业通过企业微信和 CRM 的组合，可以逐渐把客户联系、销售过程和服务记录纳入企业经营体系。 这里需要强调，三类平台的功能正在不断交叉，不能简单理解为飞书只做协同、钉钉只做审批、企业微信只做客户。实际选型还要考虑企业现有系统、员工习惯、业务需求、产品版本、费用和集成条件。 但对于咨询人员来说，至少应该清楚它们各自最常见的使用场景，以及能够帮助企业解决什么问题。 如果连这些成熟工具已经能做什么都不了解，就很难判断客户提出的需求是否真的需要 AI。 如果按产品研究企业数字化，很容易陷入功能清单。更有效的方法，是从企业每天实际发生的业务出发。 
虽然国内各行业差异很大，但很多企业管理问题具有高度相似性。
这张表背后有一个重要事实：企业大量基础管理问题，今天已经不需要从零设计解决方案。 例如，设备巡检就是一个非常成熟的数字化场景。 过去，巡检人员拿着纸质表格到现场检查，发现问题后拍照发到微信群，再由设备主管安排维修。几天以后，问题有没有解决，还需要重新确认。 现在，通过设备二维码、移动表单和工单流程，就可以完成巡检记录、异常上报、任务分派、维修处理和复查验收。 这个过程并不需要 AI。它首先需要的是设备台账、明确的检查标准、责任人和处理流程。 再看项目型企业。 建筑工程、设备集成、软件服务、咨询、设计等行业，虽然交付内容不同，但都需要管理合同、计划、任务、资源、变更、成本和验收。 一家项目型企业经常出现的问题是：销售已经向客户承诺交期，交付部门却不知道；项目发生变更，但没有同步调整预算；项目经理每周花大量时间整理进度，真正的风险却直到交付前才暴露。 这些问题首先需要通过项目管理、合同管理、任务协同和成本核算建立基本秩序。 如果业务对象和责任关系都没有明确，AI 即使能自动生成一份漂亮的项目周报，也无法保证项目真的处于可控状态。 对于制造企业，数字化场景会更加复杂。 从客户订单到产品交付，企业可能需要经过设计、采购、计划、生产、检验、入库、发货和售后等多个环节。 ERP 负责企业资源与核心经营交易，PLM 管理产品设计和技术资料，MES 记录生产执行过程，WMS 管理仓储，QMS 管理质量，SRM 管理供应商。 这些系统共同构成了制造企业数字化的基础。 但系统部署完成，不等于业务已经真正贯通。 现实中经常出现的情况是：ERP 里有订单，MES 里有生产记录，设备系统里有故障数据，质量部门还有自己的 Excel。每个部门都有数据，但遇到一个跨部门问题，仍然需要几个人反复查找和核对。 这说明企业已经完成了一部分业务数字化，但还没有完全解决信息连接和业务协同问题。 有些问题可以通过接口、主数据治理和流程调整解决；有些问题则涉及大量非结构化资料和复杂经验判断，开始接近 AI 能够发挥作用的区域。 理解这个区别，远比简单讨论“制造业能做哪些 Agent”更重要。 零售企业的数字化通常围绕客户、商品和经营渠道展开。 客户侧有会员、企业微信、CRM 和营销系统；商品侧有进销存、采购和补货；门店侧有 POS、巡检、任务和经营分析。 一家拥有数百家门店的连锁企业，总部关心的不只是销售额，还包括活动有没有执行、商品是否缺货、投诉有没有处理、门店异常是否及时整改。 过去，这些事情可能需要区域督导逐家检查，再通过微信群和 Excel 汇总。 现在，移动巡检、自动派单、多维表格和经营看板已经能够覆盖相当多的管理需求。 当这些基础数据持续积累，AI 才有机会进一步分析门店异常、整理客户反馈、辅助解释销售变化。 也就是说，零售企业的 AI 改造，往往不是重新发明一套门店管理系统，而是在已有的客户、商品、门店数据之上，提升经营分析和业务处理能力。 理解成熟数字化场景之后，会发现一个有意思的现象。 传统数字化工具已经很擅长记录、计算、流转和展示信息，但企业中仍然有大量工作需要人来理解、判断和处理。 CRM 可以记录客户沟通，却不能天然理解客户为什么迟迟不签约。 ERP 可以记录采购价格，却不能自动理解一份复杂报价文件中的特殊商务条件。 工单系统可以保存历史维修记录 ，但不能天然判断当前设备故障与哪一条历史案例最相似。 知识库可以保存大量技术文档，但员工遇到复杂问题时，仍然可能不知道该查哪份资料。 这些场景的共同点，是信息已经存在，但把信息变成有效行动仍然需要大量人的认知劳动。 这才是我认为 AI 在企业数字化基础上最值得关注的机会。 
以制造企业的售后服务为例。 一家设备制造企业已经积累了大量历史工单、设备手册和维修记录，但一线工程师遇到复杂故障时，还是习惯打电话找高级专家。 问题可能并不是企业没有知识，而是知识分散在不同系统里，缺少统一的检索方式，而且需要结合设备型号、软件版本和现场状态判断适用性。 传统知识库可以帮助保存和搜索资料。 AI 则可以进一步理解工程师描述的问题，查找相关案例，结合设备信息筛选适用资料，再给出有依据的排查建议。 如果系统还能够通过授权接口读取设备历史记录，就有机会进一步减少工程师在多个系统之间查找信息的时间。 不过，这里仍然需要非常清楚的边界。 AI 给出的建议必须能够追溯来源，知识版本必须得到管理。涉及安全操作、设备参数修改等高风险动作时，不能让模型未经授权自行执行。 AI 的价值在于辅助工程师更快地找到可靠信息、缩小判断范围，而不是让一个语言模型替代现场安全责任。 再看销售管理。 企业已经有 CRM，销售人员也在使用企业微信，但销售经理每天仍然需要阅读大量客户沟通记录，判断哪些商机有风险、哪些客户需要支持。 这时，AI 可以辅助整理沟通内容，识别尚未确认的采购条件，提示长期没有实质进展的商机，帮助销售经理把注意力放到需要干预的客户上。 但前提是 CRM 数据足够完整，销售阶段定义清楚，AI 能够获得合规授权的业务信息。 否则，系统很可能只是根据零散记录生成看起来合理、实际上缺乏依据的判断。 采购也是一个典型例子。 如果企业采购申请仍然通过微信群流转，那么首先应该建立数字化采购流程。 但如果采购流程已经成熟，采购人员仍然需要每天阅读大量不同格式的供应商报价文件，人工比较价格、交期、付款条件和技术参数，那么 AI 就有了更明确的价值。 它可以帮助提取信息、识别差异、结合历史数据形成比价建议。 至于是否进一步让 Agent 自动创建采购订单，则需要另外评估权限、审批、重复执行和异常处理机制。 同一个采购场景，从表单、审批到 AI，再到 Agent，解决的是不同层次的问题。 不能因为最终有机会使用 Agent，就跳过前面的业务基础。 如果一个项目长期延期，是因为责任人不明确、需求频繁变化，那么 AI 项目管理助手未必能解决根本问题。 如果采购成本失控，是因为缺乏价格审批和供应商管理制度，那么 AI 比价也只能解决其中一部分问题。 如果员工不愿意更新 CRM，直接增加 AI 销售分析，很可能只会得到质量不稳定的结果。 很多企业真正需要的是先把管理规则、流程和数据建立起来。 这并不意味着 AI 要等到企业所有数字化工作完成以后才能使用。现实中，数字化和 AI 完全可以同步推进。 例如，在整理历史工单的过程中，就可以用 AI 辅助分类、提取故障原因和形成知识草稿。 但必须分清楚：哪些是已经确认的业务事实，哪些是 AI 生成、仍需审核的内容。 AI 可以帮助企业更快完成数字化建设，却不能让企业跳过对业务事实和责任机制的确认。 如果未来真正进入企业做现场咨询，我认为最重要的能力，并不是熟悉某一个 AI 平台，而是能够根据企业现状判断下一步应该做什么。 
一个比较实用的方法，是先把企业的问题分成五类。
这张表看起来简单，但在企业现场非常实用。 因为老板提出的往往是一个技术愿望，实际问题却可能出现在完全不同的位置。 比如老板说：“我们想做一个 AI 设备管理平台。” 咨询人员应该先了解设备台账是否完整，巡检记录是否可靠，维修工单是否形成闭环，备件数据是否能够关联设备。 如果这些基础都没有建立，那么第一阶段很可能只需要设备管理、巡检和工单系统。 如果这些已经具备，但工程师仍然需要花大量时间查找历史案例、判断故障原因，那么 AI 辅助诊断才有更明确的切入点。 对于企业来说，正确的改造顺序未必是先数字化、再自动化、最后 AI。不同场景可以并行推进。 但每个项目都应该回答三个问题： 现在真正限制业务效率的是什么？现有成熟工具能解决到什么程度？引入 AI 后还能增加多少可验证的价值？ 这里还需要特别关注经济性。 假设一家企业准备花几十万元建设 AI 系统，但实际业务量很小，现有员工通过多维表格和简单自动化就能完成大部分工作，那么 AI 项目未必值得立即投入。 反过来，如果一个高频业务每天都消耗大量专家时间，企业已经有较好的数据和知识基础，且 AI 效果能够通过真实业务指标验证，那么它就值得认真评估。 判断项目价值，不能只看模型准确率、调用次数或生成内容的数量。 更重要的是业务结果。 例如，售后故障定位时间是否缩短，专家介入是否减少，销售跟进是否更及时，采购人员处理报价的时间是否下降，项目经理能否更早发现风险。 即使节省了工作时间，也要进一步区分：这是释放了员工产能，还是已经形成实际的费用节约。两者不能简单画等号。 真正进入一家企业，我更倾向于先完成一份简洁的数字化现状诊断，而不是直接提交 AI 方案。 这份诊断至少应该包含五个方面。 企业价值链。企业如何获得客户、形成订单、完成交付、提供服务并实现回款？哪些环节直接影响收入、成本和客户体验？ 核心业务流程。业务实际怎么运行？哪些环节依赖人工沟通？哪些环节经常等待、返工或出错？ 现有系统。企业已经使用哪些协同工具、业务系统和低代码应用？系统之间如何连接？实际使用情况如何？ 数据与知识。关键数据在哪里？谁负责维护？是否存在重复、缺失、版本冲突和权限问题？哪些重要经验仍然掌握在少数人手里？ 改造机会。哪些问题可以直接通过成熟数字化工具解决？哪些需要流程和系统集成？哪些值得进一步引入 AI？ 通过这五个方面，企业才能建立一张相对清晰的数字化与 AI 改造地图。 它不仅帮助企业选择项目，也能避免重复建设。 因为企业最不缺的，往往是新的系统名称和技术概念。 真正缺少的是对自身业务问题的清楚认识，以及把不同工具组合起来解决问题的能力。
过去二十多年，国内企业数字化已经形成了相当丰富的工具和解决方案。 从金蝶、用友等 ERP 系统，到 CRM、MES、WMS、PLM，再到飞书、钉钉、企业微信、多维表格和低代码，企业已经拥有了许多成熟的数字化能力。 它们解决的核心问题，是让企业的业务信息能够被记录，让流程能够运行，让组织能够协作，让经营过程更加透明。 AI 的出现，为这些能力增加了新的可能性。 过去，系统主要按照明确的规则处理数据；现在，AI 可以进一步帮助企业理解自然语言、阅读复杂资料、查找经验、分析问题和形成建议。在合适的权限和业务约束下，还可以通过工具调用参与部分工作执行。 但这并不意味着企业需要推倒原来的数字化系统，重新建设一套 AI 系统。 恰恰相反，越是成熟的企业 AI 应用，往往越需要建立在真实业务流程、可信数据和已有系统之上。 对于企业经营者，重要的不是追逐每一种新技术，而是知道下一笔数字化预算应该花在哪里。 对于 FDE 和企业数字化顾问，真正需要建立的能力，也不只是熟悉模型和 Agent，而是能够看懂企业的业务，理解成熟数字化工具的适用范围，再判断 AI 应该在哪里创造增量价值。 有些问题，用飞书多维表格就能解决；有些问题，需要打通 CRM 和 ERP；还有一些问题，传统系统已经积累了足够多的数据，却始终无法替代人的经验判断，这才可能是 AI 最值得投入的地方。 企业数字化与 AI 改造，最终不是一场技术工具的叠加。 它应该是一项持续的经营改善工作：从真实问题出发，选择合适的工具，用可以验证的结果判断投入是否值得。 技术会不断变化，但企业对效率、质量、成本和经营结果的要求不会改变。 理解这一点，才能真正看清 AI 在企业数字化中的位置。
一、企业数字化已经有了相当成熟的工具体系
多维表格为什么值得特别关注？
企业微信、飞书、钉钉解决的问题并不完全相同
二、从办公协同到核心业务，企业已经形成了一批通用数字化场景
制造业的数字化，需要理解更多专业系统
零售和连锁企业，重点是把人、货、场连接起来
三、AI 真正值得投入的地方，是数字化之后仍然高度依赖人的工作
从“保存知识”到“使用知识”
从“记录业务”到“理解业务”
从“流程自动化”到“复杂信息处理”
企业 AI 改造最值得警惕的，是把管理问题包装成技术问题
四、企业应该怎样判断数字化与 AI 改造的优先级？