最近系统看完了安克创新的 6 场 AI 落地分享，我最大的感受是：

很多公司还在讨论“员工会不会用 AI 工具”，但安克已经把问题往前推了一层。

它不是只看一个人能不能提效，也不是只看公司里有多少个 Agent，而是在重新设计企业怎么完成工作。

流程怎么拆。数据怎么流。经验怎么沉淀。AI 在哪里执行。人在哪些节点判断。组织机制怎么配合。

这才是企业 AI 落地真正难的地方。

一、很多企业的 AI，为什么推不动？

现在很多公司做 AI，路径其实差不多：

先买工具，再做培训，再组织大家试用，然后收集一些提效案例。

这个阶段当然有价值。

有人写文案更快了，有人做总结更快了，有人做表格、PPT、代码、调研都更快了。

但很快会遇到一个问题：

个人效率提升，不等于组织效率提升。

一个人用 AI 写得更快，如果下游还是靠会议对齐、人工转述、手动复制数据，整体流程未必变快。

一个部门做了 Agent，如果上下游没有共享项目上下文，Agent 之间不能传递交付物，最后还是会断在协作上。

一个工具培训满意度很高，也不代表员工回到业务现场后会持续使用。很多人会因为习惯、惰性、不会判断 AI 产出质量，慢慢回到原来的工作方式。

所以，AI 在企业里真正卡住的，不只是工具问题，而是三个更深的问题：

• 业务流程没有重构；
• 组织角色没有变化；
• 配套机制没有跟上。

安克这组分享最值得看的地方，就在这里。

二、安克不是推广工具，而是在重构流程

安克做 AI 落地，不是从“我们再做一个工具”开始，而是先回到业务流程本身。

这条流程为什么慢？哪些信息在反复传递？哪些判断依赖专家经验？哪些交付物会影响下游？哪些节点必须由人确认？

只有这些问题拆清楚，AI 才能真正进入流程。

比如软件产研流程，AI 不是只帮研发写代码，而是进入需求洞察、产品方案、验收标准、原型、任务拆分、开发、测试、上线等多个环节。

前一个环节的结构化产出，会成为后一个环节可以直接消费的输入。

这时，AI 的角色就不再是一个“聊天助手”，而是流程里的执行单元。

人的角色也发生变化：不再只是反复写文档、拉齐信息、催进度，而是更多负责方向判断、质量确认和异常处理。

这就是安克反复强调的：

AI 做事，人做主。

这句话如果只当口号，没什么特别。

但如果放到流程里看，它的意思其实很具体：

AI 可以执行一部分明确任务，但人要定义目标、判断结果、设置质量门禁，不能让 AI 产出无条件沿着业务链路往下传。

三、它真正做的是三类平台

很多公司做 AI 平台，容易变成技术视角：

模型平台、Agent 平台、知识库平台、自动化平台。

这些当然重要，但安克更值得关注的是，它把平台能力和业务参与门槛放在一起看。

它的 AI 能力平台，大致可以拆成三类。

第一类，是智能体建设平台。

它解决的是：业务专家怎么参与造 Agent。

真正懂流程痛点、判断标准和隐性经验的人，往往不在技术团队，而在业务一线。

如果每一个 Agent 都要业务先写需求，技术再理解需求，然后反复开发，效率一定很低。

所以安克在做的事情，是降低业务专家参与建设的门槛。

比如用“建 Agent 的 Agent”，让业务人员用自然语言描述场景、目标、流程、输入输出和判断规则，系统辅助生成流程智能体的设计草案。

再比如把流程、数据对象、交付物、检查点模板化，让后续业务团队不是从空白页开始，而是基于已有模板调整。

第二类，是智能体运行平台。

它解决的是：Agent 怎么进入真实业务项目。

一个 Agent 能跑起来，不代表它可以进入企业流程。

在新品上市这类复杂场景里，多个 Agent 会围绕同一个项目连续协作：市场洞察、卖点提炼、渠道量价、营销方案、复盘分析等等。

运行平台会基于业务场景推荐一组 Agent 组合，项目负责人也可以根据具体产品和项目阶段，自行增删、调整 Agent 的组合和顺序。

这里最关键的不是“有多少 Agent”，而是：

谁先谁后，谁依赖谁，交付物怎么传递，哪里需要人确认，结果怎么反馈和迭代。

第三类，是数据与知识平台。

它解决的是：AI 怎么调用真实业务数据和组织经验。

很多 AI 应用停留在写文案、做总结，一个重要原因就是没有稳定接入业务数据，也没有统一的数据口径和知识底座。

安克强调把数据源、指标口径、业务规则、高频查询沉淀成可复用的模板、Skill 或数据服务。

这意味着，AI 不只是“会生成”，而是逐步变成“会调用、会分析、会进入行动链路”。

这个方向对企业很重要。

因为企业要的不是更多内容，而是更好的判断、更快的协作和更确定的业务动作。

四、人才系统：从“会用 AI”到“能带 AI 改流程”

安克的人才体系里，有一个很有意思的比喻：

步兵和飞行员。

步兵把 AI 当辅助工具，用来写文案、做总结、查资料、完成单点任务。

这类使用方式当然能提效，但通常停留在个人层面。

飞行员则不同。

飞行员不是简单会用 AI，而是能和 AI 一起重新设计工作方式。

他知道怎么拆业务流程，怎么定义交付物，怎么设计检查点，怎么判断 AI 产出质量，怎么把自己的经验沉淀为团队可复用的能力。

这其实解释了一个关键问题：

企业 AI 落地，不缺“会用工具的人”，更缺“能带着 AI 改业务流程的人”。

所以安克不是只做培训，而是把业务骨干拉进真实项目里共建。

他们通过火箭班，把业务专家、IT、AI 人员混合编组，带着真实业务问题，去梳理流程、SOP、判断规则、数据对象，再跑通流程智能体。

同时，它还做了能力认证体系。

这个认证有点像“考驾照”：

• 科目一解决基础认知，知道 AI 能做什么、不能做什么；
• 科目二解决场景化协作，能在岗位场景中用 AI 解题；
• 科目三解决实战价值，能判断 AI 产出质量，并转化为业务结果；
• C 照或跨领域认证，则鼓励员工突破原有职能边界。

这个设计的价值不只是考试，而是给组织建立一套共同语言。

什么叫懂 AI？什么叫会用 AI？什么叫能用 AI 创造业务价值？什么叫跨领域能力？

这些标准如果不清楚，组织就很难持续识别和培养真正的 AI 人才。

五、组织机制：个人快没用，组织要能接住

安克分享里还有一个很重要的判断：

AI 进入组织后，真正难的不是某个人会不会用工具，而是组织能不能接住新的工作方式。

这里有几个典型问题。

流程断：个人用了 AI，但上下游流程没有拉通，局部变快，整体仍然慢。

数据散：部门之间数据不共享、口径不一致，Agent 很难进入完整业务链路。

角色固化：传统组织按岗位分工，职责边界很清楚，但 AI 时代很多事情会变成跨职能协作。

所以安克做了一个很关键的动作：组织专小化。

简单说，不是把团队变小就完了，而是围绕业务目标组建跨职能小团队。

比如品牌、渠道、GTM、产品、数据等角色围绕同一个项目，使用同一套项目上下文、数据对象和流程智能体。

这样做的目的，是减少传统职能墙带来的等待、转述和反复对齐，让小团队更接近端到端交付单元。

这也是为什么 AI 落地不能只看技术团队。

• 业务要定义场景、流程、判断标准和业务价值；
• IT、AI、数据团队要完成工程化、数据接入和平台稳定；
• HR 和组织团队要配套认证、激励、人才发展和组织调整。

安克把这种协作总结为一句话：

业务建毛坯，IT 筑精装。

这句话很值得琢磨。

它不是说业务随便提需求，技术负责实现。

而是业务要先把场景、流程、价值、判断标准讲清楚；技术再把这些能力工程化、平台化、可复用化。

到了硬件研发和产品环节，安克展示的价值就不只是内部效率了。比如 DFM 评审里，AI 可以提前识别结构件的壁厚、分型线、拔模角等风险，并给出修改建议。

这类案例说明，AI 一旦进入专业流程，就不只是帮人“写得快一点”，而是在帮助团队更早发现质量风险，把专家经验变成可复用的判断能力。

六、普通企业真正该借鉴什么？

我觉得安克的案例，不适合简单照搬。

不是每家公司都有同样的业务规模、技术底座、管理投入和组织条件。

但它给了一个很清楚的方向：

企业做 AI，不要一直停留在“工具推广”。

更重要的是问几个问题：

• 你们现在的 AI 项目，是工具试用，还是已经进入某个稳定流程？
• 有没有明确哪个岗位、哪个节点、哪个业务结果会被 AI 改变？
• AI 产出的结果有没有进入协同链路、质量标准或管理看板？
• 业务专家有没有参与定义流程、数据对象和判断规则？
• 有没有人负责把优秀实践沉淀成模板、Agent、Skill 或数据服务？
• 有没有机制识别那些真正会和 AI 协作、能创造业务价值的人？

如果这些问题没有答案，AI 很容易停留在个人提效。

看起来热闹，但很难变成组织能力。

安克这个案例最有价值的地方，不是它用了多少工具，也不是它做了多少 Agent。

而是它提醒我们：

AI 真正进入企业，不是从工具开始的，而是从工作方式、组织角色和管理机制开始的。

当流程被重新拆开，数据可以被调用，经验可以被沉淀，AI 可以承担执行，人负责关键判断，组织机制又能持续配合，AI 才可能从“个人生产力工具”，变成企业新的运行能力。

如果你也在关注企业 AI 落地，我后面会继续拆一些真实案例：哪些能跑通，哪些只是看起来热闹，哪些地方最容易卡住。

这次安克创新一共有 6 场完整分享，里面包括产研流程、Agent 建设平台、AI 赋能者、组织变革、数据土壤、硬件产品等内容。

想看完整 6 场分享视频和纪要，可以关注公众号后，私聊我关键词：

安克

我把完整资料发你。