NOVA|AI 与产业现场

AI 商业化最容易被误判的时刻，可能恰恰是所有企业都开始“接入 AI”的时候。

模型被采购了，聊天入口上线了，产品介绍里也出现了 AI。工具覆盖面的扩大，很容易让人产生一种错觉：使用 AI 的企业越来越多，生产率、收入和人员成本也会随之改变。

但现实并没有这么同步。

高盛 2026 年 7 月的 AI 采用追踪显示，美国企业 AI 采用率已经升至 21.5%；与此同时，报告对就业市场的判断仍然是“影响可见，但范围有限”[1] 。这两组信号之间的落差说明，企业越来越容易获得 AI 能力，却还没有普遍完成另一项更困难的工作：把 AI 放进真实流程，并重新安排其中的数据、规则、权限和责任。

接入模型更像是拿到一张入场券。企业之间真正的差距，出现在进场之后。

采用率上升，不等于进入经营

高盛报告预计，全球半导体企业收入按年化口径将在 2026 年底达到 8340 亿美元；按最近三个月年化计算，美国 AI 相关硬件投资相较 2022 年增加到 4630 亿美元。前者是市场一致预期形成的年化收入预测，后者是相对 2022 年基准计算的投资增量，都不能直接当作已经实现的 AI 产业收入。

图 1　AI 暴露行业收入及市场一致预期。来源：FactSet、Goldman Sachs Global Investment Research。

图 2　Russell 3000 中 AI 相关行业收入预测的累计修正。来源：FactSet、Goldman Sachs Global Investment Research。

图 3　美国国民账户中 AI 硬件投资相对 2022 年基准的变化。来源：美国人口普查局、美国经济分析局、Haver Analytics、Goldman Sachs Global Investment Research。

图 4　美国及主要经济体 AI 相关软硬件投资指数。来源：Haver Analytics、Goldman Sachs Global Investment Research。

企业采用也在扩大。7 月美国企业 AI 采用率环比提高 0.9 个百分点至 21.5%，未来六个月的预期采用率为 24.3%。员工超过 250 人的企业继续领先，最近六次调查的平均采用率达到 38.3%。

这些数字证明扩散正在发生，却没有证明 AI 已经进入企业的关键流程。高盛 5 月发布的公开文章指出，当下制约企业 AI 用例的关键不只是模型能力，还包括数据能否被正确组织，以及不同复杂度和风险等级的任务能否得到合理编排。低后果、高频率的任务可以使用轻量模型；高后果任务则需要更强的能力和更严格的控制。[2]

另一篇 7 月的高盛文章也观察到，企业 AI 用例正在从编程扩展到更广泛的业务流程。[3] OpenAI 同期推出的 Presence，则进一步强调从一项具体工作出发，只赋予完成任务所需的知识和系统权限，并由企业决定何时审批、何时转交人工。[4]

模型决定 AI 能做什么，但是数据、流程、权限和责任机制的构建与完善，才真正决定它能不能进入经营。

企业真正需要的，是三类人重新分工

AI 进入流程，不是购买一个软件之后把任务全部交出去。它更像是一次组织分工的重新设计：管理者选择值得改变的流程，业务人员把经验转化为可使用的上下文，技术人员再把这些要求做成能够稳定运行、可以检查的系统。

管理者：先选对一段流程

管理者需要懂 AI，但不必从模型架构和技术名词学起。

真正需要理解的是：AI 会先在哪些环节改变效率，错误的代价有多大，哪些判断可以交给系统准备，哪些决定必须由责任人作出。对管理者而言，最重要的不是选择榜单上最强的模型，而是把宏大的“AI 转型”缩小为一段可以观察和衡量的工作。

通常来说，一段流程适不适合先引入 AI，可以看几个现实条件：任务是否高频，输入是否有基本边界，输出能否复核，出现错误后能否及时纠正。资料整理、版本检查和固定模板初稿通常符合这些条件；涉及客户承诺、资金操作或交易决策时，模型则只能准备证据、检查缺项，不能跳过审批和责任判断。

管理者还需要改变衡量方式。模型调用次数和生成字数，只能说明工具被打开过。更有意义的是流程本身发生了什么变化：一次任务需要多长时间，人工返工集中在哪一步，系统遇到多少例外，关键结论能不能回到原始依据。

速度也不能单独成为成功标准。如果一份材料过去需要两小时完成，现在十分钟就能生成，却增加了难以察觉的口径错误，企业得到的并不是效率，而是更快地积累风险。为此，管理者需要先记录原流程的周期、返工和差错情况，再比较 AI 介入后的变化，并把人工复核所需的时间一并计算。只有速度、质量和监督成本同时进入评价，企业才知道这段流程是否真的值得扩大。

这也是为什么企业 AI 落地的目标不是裁员。因为 AI 首先改变的是工作如何流转：Agent 承担一部分重复执行，人转向异常处理、规则完善和结果确认。岗位是否变化，应建立在流程已经验证的基础上，而不是预先把人员减少当作成功标准。

业务人员：把经验变成可复用的上下文

对业务人员来说，会用 AI 并不等于记住一套提示词。

与 AI 打交道的第一步，是把目标和业务背景说清楚，提供可靠数据，要求它给出依据，再用专业判断复核结果。但如果每次使用都从零开始，AI 永远只能是临时助手。更重要的工作，是把业务人员脑中的隐性经验逐步变成企业可以复用的上下文。

这里的上下文不只是多上传几份文件。它包括企业如何定义字段，哪些口径不能混用，什么数据源可以相信，怎样的结果算合格，遇到什么条件必须询问人工。

例如，AI 根据多份材料生成询报价对比表，却把两个名称相近的规格合并了。如果业务人员只改掉结果，系统下一次仍可能犯错；如果同时记录这两个规格为什么不能合并、依据哪条规则、遇到什么情况必须查看原文，这次纠正才会变成企业的经验与知识。

反馈也需要从“好不好”变成“错在哪里”。指出遗漏了交付时间、混淆了含税与未税价格，或者使用了过期库存，才可能沉淀为新的校验条件。模型可能更换，但企业从真实工作中积累的字段、规则和错误案例会持续增值。

业务人员还要帮助系统区分事实、推断和决定。客户询问了某个价格是有记录可查的事实，客户对价格不满意可能只是根据语气形成的推断，是否调整报价则是需要权限和商业判断的决定。如果三者混在一起，AI 很容易把一次猜测写成正式结论。为信息保留来源、时间和状态，并在输出中标明哪些内容仍需确认，是业务经验能够安全进入系统的前提。

但是这不意味着把客户关系交给 AI。AI 可以准备客户资料、拜访提纲和跟进文案，却无法替人建立信任、判断谈判余地、处理利益冲突，更不能承担对外承诺的责任。

技术人员：把不确定的模型放进确定的约束

技术人员面对的第一个问题，不应是“选哪个模型”，而应是“这段业务流程究竟怎样运行”。

如果任务的输入、输出、异常和责任人都没有说清楚，再强的模型也只能在模糊目标上生成一个看似合理的答案。技术人员需要先把真实案例拆成能够验证的任务，再根据复杂度、成本、数据敏感度和失败后果选择模型。模型选择不是一次采购决定，而是流程设计的一部分。

更关键的是，把确定性计算与语言模型分开。语言模型擅长理解文本、提取信息和协调工具，却不应“凭感觉”计算价格、敞口或风控指标。只要一项计算有明确公式、单位和规则，就应交给确定性的程序；模型可以收集参数、解释结果和提示缺项，但不能替代计算本身。

同一条流程也不必始终调用同一个模型。格式固定的信息抽取可以交给成本较低、响应更快的模型；来源冲突或规则复杂时，再转给能力更强的模型；一旦缺少关键资料，则应直接转交人工，而不是继续增加推理成本。技术人员真正要设计的不是一条“永远使用最强模型”的直线，而是一套路由和回退机制，让能力、成本与失败后果保持匹配。

同样，读取资料、修改内部表格、发送报价和确认订单，是完全不同的权限等级。不能因为 Agent 能调用业务系统，就默认它拥有对外承诺的权力。高风险操作需要明确的审批节点，超出边界时系统必须停止，这些不确定因素也是 AI 时代对技术人员的新考验。

除此之外，上线前的评测也不能只看几个顺利的演示。材料缺失时是否会编造，字段冲突时是否会提示，需要批准时是否真的等待，这些真实错误和边缘情况更能说明系统能否进入经营。上线后还要保留输入来源、规则版本、人工修改和最终确认记录，让偏差能够被定位和修正。

三类人怎样共同跑通一段流程

图 5　AI 进入业务流程的责任闭环。NOVA 绘制。

企业把 AI 引入任何涉及客户承诺的业务流程时，管理者首先要划定目标与边界：系统可以承担资料归集、缺项检查和内部草稿准备，但无权自行作出对外承诺；一旦信息不足、条件冲突或超出授权范围，就应停止执行并转交责任人判断。

业务人员负责把判断标准说清楚，明确字段口径、合格输出以及必须人工介入的例外情况；技术人员再将这些要求转化为系统规则，区分哪些任务适合由模型理解和提取，哪些必须交给确定性程序，哪些动作只能在审批后执行。

Agent 在边界内完成提取、计算调用和草稿整理；业务人员复核结果并说明修改原因；技术人员把高频错误补充到规则和评测案例中。下一次运行时，系统使用的就不只是一个模型，还包括企业积累下来的工作方法。

三类人的责任并不是只在项目启动时出现一次。流程上线后，管理者仍要决定哪些异常值得调整边界，业务人员仍要解释错误背后的真实原因，技术人员则要验证修改是否解决旧问题、又有没有制造新问题。没有持续的责任人，再完整的流程图也会很快失效。

这形成了一条真正能够进入经营的闭环：

目标与边界 → 数据与规则 → 受控执行与留痕 → 人工确认 → 反馈与更新

它与普通聊天最大的区别，是不把每次对话当成孤立事件。系统知道使用了什么信息，人在什么地方改过，最终结果由谁确认。效果不佳时，企业能够定位问题，而不是笼统地归结为模型不够聪明。

结语

21.5% 的采用率说明 AI 正在进入更多企业，但工具覆盖不等于经营改变。

“接入模型”购买的是一种能力，“进入流程”重组的却是数据、规则、权限和责任。前者越来越容易，后者才是 AI 商业化真正困难、也真正产生差异的地方。

当管理者能够划定边界，业务人员能够沉淀经验，技术人员能够建立受控系统，AI 才不只是聊天框里的工具，而会成为一套可运行、可检查、能够随业务共同改进的工作系统。

下一步，继续深入产业与AI的结合

这也是NOVA接下来希望持续讨论的方向。后续文章将围绕AI如何进入产业研究、业务协同、风险管理和经营决策展开，关注模型能力怎样与行业知识、企业数据、流程规则和责任机制结合。

NOVA更希望先把一些基础问题讲深、讲透：AI进入产业需要哪些前提，哪些能力真正具有长期价值，企业应当怎样建立边界，以及产业经验如何转化为能够被系统理解和复用的方法。

我们相信，产业与AI的结合不会由一个宏大的概念一次完成。它更可能从对行业问题的持续理解开始，在一个个可以验证的方法中逐步形成。后续，NOVA会沿着这些方向继续研究、实践、记录和分享，敬请期待。

参考资料

1.Goldman Sachs Research, AI Adoption Tracker — July 2026: Adoption Rises to 21.5%, Sarah Dong、Joseph Briggs.

2.Goldman Sachs：Will the Corporate Investment in AI Pay Off?

3.Goldman Sachs：AI Investment Is Shifting as Inference, Enterprise Adoption Accelerate

4.OpenAI：Introducing OpenAI Presence

本文讨论企业 AI 应用方法，不代表具体客户项目已经落地，不构成投资、交易或经营决策建议。本文引用的研究图表及公开网页截图仅用于信息说明与评论，相关商标、版式及内容权利归原权利人所有。部分原始发布路径可能未能完整核验；如有来源标注遗漏或权利异议，请联系更正或删除。