夜雨聆风过去一年，很多企业都在讨论 AI。
老板关心的是：AI 能不能降本增效？业务部门关心的是：AI 能不能真的帮我干活？IT 部门关心的是：AI 怎么接系统、怎么管权限、怎么保证安全？采购部门关心的是：到底该买什么，不要买完又成了一个“演示型项目”。
很多企业一开始会把问题想成：“我们应该采购哪个大模型？”
但真正进入落地阶段后会发现，企业 AI 不是买一个模型就结束了。模型只是底座，真正能产生价值的，是 AI 能不能理解企业知识、能不能接入业务流程、能不能完成任务。
换句话说，企业 AI 落地的核心，不是“有没有一个很聪明的聊天机器人”，而是能不能形成一个可运行、可管理、可追溯的企业智能系统。
从目前中国企业的采购和落地情况看，最值得优先推进的两个方向是：
知识库方向，让 AI 读懂企业自己的资料。RPA 方向，让 AI 能操作企业已有系统。
这两个方向结合起来，才是企业 Agent 真正落地的起点。
一、为什么企业 AI 不能只从“大模型”开始？
很多企业第一次接触 AI，往往会被模型能力吸引：写方案、总结会议、生成代码、回答问题，看起来很强。
但一旦进入企业内部真实场景，就会遇到几个问题。
第一，模型不知道企业自己的知识。企业制度、产品手册、合同模板、历史项目、客户资料、工单记录、财务规则、审批规范，这些内容都不在通用模型里。没有企业知识，AI 回答得再流畅，也可能不适用于本企业。
第二，模型不能直接操作业务系统。员工真正花时间的地方，往往不是“想不出答案”，而是在不同系统之间查询、复制、录入、下载、核对、提交。例如查订单、填 ERP、录入发票、生成工单、下载报表、审批流转。这些事情如果 AI 不能执行，价值就会停留在“辅助思考”。
第三，企业需要安全、权限和审计。个人用 AI 可以直接问，但企业用 AI 必须考虑：谁能看什么资料？AI 的回答有没有来源？操作记录能不能追溯？是否会越权？是否会把敏感数据发出去？是否能支持私有化或专有云部署？
所以，企业 AI 的落地逻辑应该从“模型优先”转向“场景优先”。
真正值得采购的，不只是大模型，而是一套能够连接知识、流程、系统和人的 AI 能力。
二、企业 AI 落地的第一条主线：知识库
知识库方向，是企业 AI 最基础、也最容易启动的方向。
它解决的问题很直接：让 AI 能够基于企业自己的资料回答问题，而不是凭空生成。
例如：
员工问：“今年差旅报销标准是什么？”销售问：“这个产品和竞品相比有什么优势？”客服问：“客户这个故障应该怎么处理？”新人问：“入职后如何申请电脑、开通系统权限？”法务问：“这份合同条款和公司模板有什么差异？”研发问：“这个系统的历史接口文档在哪里？”
过去，这些问题需要员工自己去翻文档、问同事、查群消息、找知识库。资料越多，信息越分散，效率越低。
AI 知识库的价值，就是把企业散落在文档、制度、FAQ、产品资料、项目文档、客服记录、培训材料中的知识，变成一个可以对话、可以检索、可以溯源的智能入口。
三、知识库不是“上传文档就完了”
很多企业做知识库项目，容易低估难度，以为把 PDF、Word、PPT、Excel 上传进去，就能得到一个可靠的企业问答机器人。
实际上，企业级知识库的关键不在“能不能上传”，而在“能不能正确理解和引用”。
一个合格的企业知识库系统，至少要具备以下能力：
第一，文档解析能力。企业资料往往不是纯文本，里面有表格、图片、扫描件、章节结构、页眉页脚、目录、附件。系统需要能正确解析 PDF、Word、PPT、Excel、图片、网页、数据库等多种格式。
第二，检索能力。AI 回答问题前，必须先找到正确资料。这里涉及关键词检索、向量检索、混合检索、重排序等能力。检索不到正确内容，模型再强也没用。
第三，答案溯源能力。企业不只是要答案，更要知道答案来自哪里。AI 回答时最好能标注引用来源，例如来自哪份制度、哪一页、哪一段。这样业务人员才敢用，管理者也能审计。
第四，权限继承能力。不是所有员工都能看所有资料。财务制度、人事档案、客户合同、项目报价、研发文档都涉及权限。企业知识库必须支持组织权限、角色权限、文档权限，不能因为接入 AI 就打破原有权限边界。
第五，防幻觉和拒答能力。如果知识库里没有答案，AI 应该说“不知道”或引导人工处理，而不是编一个看起来合理的答案。企业场景中，错误答案的风险往往比没有答案更高。
因此，企业采购知识库方向产品时，不要只看演示效果，而要拿自己的真实文档做测试。特别是制度类、合同类、产品类、客服类、表格类文档，最能检验系统能力。
四、中国企业知识库方向可以看哪些产品？
如果采购范围限定在中国，知识库方向大致可以分为三类。
第一类是大厂云和 Agent 平台，例如阿里云百炼、百度千帆、腾讯云智能体开发平台 ADP、华为云 AgentArts、火山引擎扣子 Coze Pro / 火山方舟等。这类产品适合已经在相应云生态中的企业，优势是模型、知识库、工作流、工具调用、权限、安全和云服务可以组合采购。
第二类是协同办公入口型产品，例如钉钉 AI 助理、飞书 aily、WPS AI 企业版、讯飞星火企业智能体平台等。这类产品适合先做员工助手、制度问答、办公文档问答、会议纪要、内部知识服务。优势是员工入口清晰，推广成本低。
第三类是开源或私有化知识库方案，例如 MaxKB、RAGFlow、FastGPT 等。这类产品适合有一定研发能力、希望控制成本、需要私有化部署或快速 PoC 的企业。但后续要重点补齐权限治理、审计、评测、运维和安全能力。
企业可以根据自身情况选择。如果是阿里/钉钉生态，可以看钉钉 AI 助理 + 阿里云百炼。如果是飞书/字节生态，可以看飞书 aily + 扣子/火山方舟。如果是政企、国央企、信创要求较高，可以重点看华为云 AgentArts、百度千帆、讯飞星火等。如果是中型企业快速试点，可以用 MaxKB、RAGFlow、FastGPT 这类方案做低成本验证。
五、企业 AI 落地的第二条主线：RPA
如果说知识库让 AI “知道怎么做”，那么 RPA 就是让 AI “真的去做”。
RPA，也就是机器人流程自动化，适合处理大量重复、规则明确、跨系统、人工操作成本高的流程。
例如：
财务人员每天下载平台账单、核对发票、录入 ERP。客服人员在多个后台查询订单、物流、售后状态。HR 每次员工入职都要开账号、发邮件、建档案。运营人员每天从不同系统下载数据、整理报表、发送群消息。采购人员需要在供应商系统、ERP、OA 之间来回复制信息。
这些任务不一定复杂，但非常耗时，而且容易出错。
很多企业过去已经上了 ERP、OA、CRM、客服系统、财务系统，但系统之间并没有完全打通。改接口成本高，项目周期长，牵涉部门多。RPA 的价值就在这里：它可以像人一样登录系统、点击页面、复制粘贴、下载文件、填写表单、提交审批。
在 AI 时代，RPA 不再只是“录屏脚本”或“自动点击工具”，而是正在变成 Agent 的执行层。
六、为什么 RPA 和 AI Agent 会结合？
传统 RPA 适合规则清晰的流程，例如“打开网页—输入账号—下载文件—复制到 Excel—上传 ERP”。它的优点是稳定、可控、可审计；缺点是灵活性有限，一旦页面变化、字段变化或规则复杂，就需要人工维护。
大模型和 Agent 的加入，让 RPA 有了更强的理解和判断能力。
例如，过去 RPA 只能按照固定规则处理发票。现在结合 OCR、知识库和大模型后，它可以理解发票内容、识别异常、判断是否符合报销制度，并把结果写入系统。
过去 RPA 只能执行固定流程。现在结合 Agent 后，用户可以用自然语言提出任务：“帮我查询这个客户最近三个月的订单，并生成售后处理单。”系统可以先理解任务，再查询知识库，再调用 RPA 登录后台，最后生成工单并等待人工确认。
这就是企业 AI 更有价值的方向：不是只让 AI 聊天，而是让 AI 进入流程。
七、中国企业 RPA 方向可以看哪些产品？
如果采购范围限定在中国，RPA 方向可以重点看以下几类厂商。
影刀 RPA，适合业务部门快速搭建自动化流程，尤其是电商、运营、财务、客服后台、PC 和移动端自动化场景。
来也 UiBot / APA，适合大中型企业做自动化平台、流程工厂、AI + RPA 结合，以及企业级自动化 CoE 建设。
弘玑 Cyclone，适合金融、能源、制造、通信、大型集团等企业级 RPA 场景。
云扩 Encoo，适合需要集中调度、机器人统一管理、企业级控制台和稳定运维的场景。
金智维，适合银行、证券、保险、国央企等对合规、安全、稳定性要求较高的场景。
实在智能，适合 AI + RPA、自然语言生成流程、数字员工、客服、运营、财务等场景。
达观数据 RPA，适合文档密集型流程，例如合同、发票、表单、政务材料、财税和金融单据处理。
阿里云 RPA，适合已经在阿里云、钉钉生态内的企业，尤其适合和百炼、钉钉 AI 助理组合使用。
企业选 RPA 产品时，不要只看“能不能自动点击”，而要重点看四件事：稳定性、异常处理、集中调度、审计追踪。因为 RPA 一旦进入财务、客服、运营等核心流程，真正考验的是长期运行能力，而不是一次演示。
八、知识库 + RPA，才是企业 Agent 的完整闭环
单独做知识库，AI 可以回答问题，但不能执行任务。单独做 RPA，可以执行流程，但不够智能。把两者结合起来，才会形成真正的企业 Agent。
例如一个售后场景：
客户问：“我的订单为什么还没发货？”AI 先从知识库中查找发货规则、售后政策和异常处理流程。然后调用 RPA 登录订单系统，查询订单状态。如果发现库存异常，AI 根据规则生成处理建议。再调用 RPA 创建售后工单，通知对应人员。最后把处理结果返回给客服或客户。
再比如一个财务场景：
员工提交报销申请后，AI 先读取公司报销制度。再识别发票、行程单、合同和付款信息。如果资料完整，RPA 自动录入财务系统。如果金额超标或缺少附件，AI 自动说明原因并退回补充。所有操作记录保留，财务人员只处理异常情况。
这类场景的价值非常明确：减少人工重复操作，提高流程速度，降低错误率，并保留可追溯记录。
企业 AI 的落地目标，不应该只是“让员工多一个聊天窗口”，而应该是“让重复流程少一个人工环节”。
九、建议企业先做三个 PoC
企业不要一开始就做大而全的平台。最好的方式是先选 2–3 个高频、低风险、可量化的场景做 PoC。
PoC 1：制度和产品知识库问答
选择 200–500 篇企业制度、FAQ、产品手册、售后文档，导入知识库系统。测试问题包括：报销标准、请假制度、产品参数、售后政策、常见故障、合同条款等。
验收指标不要只看回答是否流畅，而要看：
答案是否准确；是否引用来源；没有答案时是否拒答；不同权限员工看到的答案是否不同；文档更新后答案是否同步更新。
PoC 2：知识库 + RPA 执行闭环
选择一个跨系统流程，例如订单查询、售后工单、员工入职、发票核对、报表下载。
让用户用自然语言发起任务，AI 先理解规则，再调用 RPA 执行操作，最后输出结果或等待人工确认。
验收指标包括：
任务成功率；平均处理时间；人工接管率；异常处理能力；操作日志是否完整；是否会误操作关键系统。
PoC 3：财务或运营流程自动化
选择一个重复频率高、人工耗时明显的流程，例如：
下载平台订单；核对账单；匹配发票；填写 ERP；生成日报；发送通知。
这个场景最容易算 ROI。只要统计原来每天需要多少人时、自动化后节省多少时间、错误率降低多少，就能判断是否值得扩大采购。
十、采购 AI 产品时，企业要问清楚什么？
企业采购 AI，不要只问“你们模型多强”，而要问更落地的问题。
知识库方向，要重点问：
能不能解析 PDF、Word、PPT、Excel、图片和扫描件？能不能处理复杂表格和长文档？是否支持混合检索和重排序？回答有没有出处？是否支持权限继承？是否支持私有化部署？企业数据会不会用于训练模型？能不能做问答评测和效果监控？
RPA 方向，要重点问：
是否支持 Web、Windows 客户端、ERP、OA、SAP、远程桌面和移动端？是否支持无人值守机器人？是否有任务队列、定时调度、异常重试？是否支持凭据管理和权限控制？是否有完整操作日志？系统界面变化后能否自修复或快速维护？是否能和大模型、知识库、API、审批流集成？
Agent 平台方向，要重点问：
是否支持工具调用？是否支持工作流编排？是否支持 MCP 或 API 插件？是否支持人工确认机制？是否支持多 Agent 协作？是否能观测每一步调用链路？失败后能不能回退？关键操作能不能先审批再执行？
这些问题比“模型参数多少”“榜单排名如何”更重要。
因为企业 AI 最终比拼的不是演示，而是能不能长期、安全、稳定地跑在业务里。
十一、企业 AI 落地的推荐路径
比较稳妥的路径，可以分三步走。
第一步，建设企业知识库。先把制度、产品、客服、培训、项目文档等高频资料整理出来，做一个可溯源、可权限控制的 AI 问答入口。
第二步，选择高频流程接入 RPA。从财务、客服、运营、HR、采购等部门挑选重复性强、规则明确、系统改造成本高的流程，用 RPA 做自动化。
第三步，把知识库和 RPA 连接成 Agent。让 AI 不仅能回答“应该怎么做”，还能在授权和审计下“帮你去做”。
这条路径的好处是风险可控、价值清晰、便于验收。企业不用一开始就追求“全公司智能化”，而是先从一个部门、一个流程、一个知识场景开始，逐步扩大。
结语：企业 AI 的价值，不在“聊天”，而在“完成任务”
AI 进入企业，不会只是多一个问答工具。
真正的企业 AI，一定会走向三个能力：
第一，懂企业知识。第二，懂业务流程。第三，能连接系统并完成任务。
知识库解决“懂不懂”的问题。RPA 解决“能不能做”的问题。Agent 解决“能不能自主完成一项业务任务”的问题。
所以，企业 AI 落地不要从“大模型焦虑”开始，而应该从具体场景开始：哪些知识被反复问？哪些流程被反复做？哪些系统之间还靠人工搬运？哪些岗位每天都在做低价值重复劳动？
找到这些问题，AI 的采购方向就会变得清晰。
对多数中国企业来说，第一阶段最值得投入的，不是追逐最新模型，而是建设企业知识库、引入 RPA 数字员工，并逐步把两者连接成可控、可靠、可审计的企业 Agent。
这才是 AI 从演示走向生产的关键一步。
