夜雨聆风随着大模型与 Agent 技术快速普及，今天企业获取 AI 工具的门槛已经大幅降低。刚刚落幕的世界人工智能大会上，各类智能体方案轮番亮相，技术演示精彩纷呈。但热闹过后，产业界正在发生一次关键转向：行业不再单纯追捧效果惊艳的 Demo，而是开始严肃追问 AI 项目的真实商业价值。
Gartner 提出的 “试点炼狱” 正在成为很多企业的真实写照：不少 AI 项目在演示环境表现亮眼，一旦落地到真实业务，却无法产出可衡量的收益。MIT 的调研报告也印证了这一困境：95% 的企业 AI 试点，最终没有产生可衡量的财务回报。一个扎心事实是，很多企业即便已经上线多项 AI 功能，可一旦把 AI 关掉，原有业务依旧可以正常运转。
这让人想起 2003 年 Nicholas Carr 在《哈佛商业评论》发表的经典文章《IT Doesn't Matter》，他的核心判断是：当一项技术变得人人可得，它就不再构成企业的竞争优势。二十多年过去，AI 席卷全球，已经没有人会否认 AI 的重要性。但承认一项技术很重要，和让这项技术真正扎根企业业务，完全是两回事。
问题并不出在供给端 —— 大模型、Agent 工具随处可得，真正的卡点在于企业自身：多数企业的 AI 还停留在 “外挂” 状态，没有完成内生进化。
2026 年 5 月的阿里云峰会上，信号足够明确：从 AI 芯片真武 M890 到 Agentic Cloud，从千问旗舰模型 Qwen3.7‑Max 到百炼平台，阿里云完成了 “芯‑云‑模型‑推理” 的全栈升级。大模型的核心范式正在从 “说得好” 转向 “做得到”。
如今行业也看到一个新现象：OpenAI、AWS 等巨头开始重金布局FDE 前向部署工程师，不再单纯比拼模型跑分，而是派工程师深入企业内部做系统对接、流程改造。调用 API 做出 Demo 门槛很低，但真正打通业务链路、扛住生产环境，才是绝大多数企业跨不过去的坎。关键在于 —— 模型进入企业的这段路，怎么走？
SAP 中国方案架构总监周伟峰用一组数据点出了问题的本质：74% 的 AI 项目停留在试点阶段无法规模化，原因不是模型性能不足，而是卡在三个鸿沟：
第一，AI 没有你的业务知识。它能读懂数据，但不知道采购订单背后有一系列审批、收货和三单校验的逻辑。
第二，AI 看到的是碎片化的信息。财务在 ERP 里，客户在 CRM 里，生产计划在钉钉群里沟通，物流在第三方系统里，数据割裂。
第三，缺乏 AI 治理架构。AI 的操作如果无法被审计、无法被追责，就永远只能做演示，进不了核心流程。
这三道鸿沟指向同一个问题：AI 停留在企业的表层。它能帮你写会议纪要、做 PPT、回答常见问题，但碰不到订单、碰不到供应链、碰不到财务账本。这就是 “外化”——AI 像一件穿在外面的衣服，脱掉之后，企业的肌体毫发无损。
阿里云智能集团公共云事业部副总裁高飞有一个类比：企业热衷于追逐看得见的 AI 应用、酷炫的 Agent Demo，关心路灯怎么建，却忽略了地下管网。
过去 30 年，企业的 IT 系统围绕 ERP 构建，所有软件服务于流程，数据只是流程运转的副产品。选品、比价、结算、发货，流程固化好了，人按流程把事做完，数据在这个体系里地位低到什么程度？量大了就删，删不掉就拷到磁带机上。金钱永不眠，数据在沉睡。
AI 改变了这个等式。算法、算力、数据三要素，前两者都可以商品化，可以像水电一样按需采购，但数据往往是独特的，不可复制的。数据从 “副产品” 变成了 “数字员工的经验”。数字员工的能力可以拆成三个维度：大语言模型代表智商上限，数据代表积累的经验，Coding 代表动手执行的能力。后两者，全部依赖企业自身的历史积淀。
高飞用三个字概括了企业数据工作的前提：存、通、用—— 数据存在哪里，有多少量？各业务系统之间是否互通？数据是否被有效使用？一个令人警醒的事实是：相当数量的上市公司到今天还没有一个合理的数据治理方案。
何况，需要 “存通用” 的数据还在急剧扩大。过去企业处理的主要是结构化数据，但 AI 时代真正的增量来自非结构化数据：摄像头拍下的视频流、传感器采集的空间信息、客服对话的语音文本。
这些数据过去无法被处理，也就无人在意。以汽车行业为例：主机厂过去的核心系统是 ERP，但自动驾驶出现后，最核心的系统变成了智能座舱 —— 辅助驾驶需要海量路测视频数据，而这些数据在没有多模态模型之前根本用不起来。
非结构化数据的觉醒，正在改写企业数据资产的版图。当下产业圈越来越达成共识：通用大模型可以花钱买到，但属于企业自己的业务经验、物理世界沉淀的数据，花钱买不来。
从 “外化” 到 “内生”，有三家企业从不同场景切入，给出了三条路径。它们的共同点是：
AI 的深度，取决于过去的厚度，而不是采购模型的参数规模。中国一汽：把智能体架构 “嵌入” 企业骨架
中国一汽的数智化进程经历了三个阶段的演进：ERP（流程在线化）→ EBC（能力组装，快速响应市场）→ EOA（运营智能，自感知、自决策、自执行、自进化）。
这不是推倒重来。EOA 不是替代 ERP，而是在 ERP 的数据和流程基础上，叠加一层智能体架构。
中国一汽的做法是把智能体架构嵌入企业架构 —— 在原有的业务架构、信息架构、应用架构、技术架构、安全架构之外，扩展出智能体架构这一层。
场景已经落地：
设计即制造。过去汽车研发是串行的 —— 研发设计、工艺评审、制造调试，出了问题再反复沟通。现在把制造现场的数据前置到研发环节，建立端到端的数据流转。以车门总成为例，梳理出 60 类、6275 项工艺边界规则，设计方案生成时，智能体自动调用这些规则，一次成型，减少返工。
审批模型替代审批单。原来一事一议，出了问题追查谁审错了，追责容易。AI 审批之后，追责逻辑变了 —— 追业务人的责任还是追 AI 训练者的责任？管理中心从单次审批转向审批模型的维护。中国一汽大营销运营部总监徐海强的原则务实：只要模型的准确率超越人类平均水平，就应该上线。
更深层的变化发生在认知层面。4S 店销售员介绍底盘，讲的多是技术参数，但数据显示用户对这样的介绍没有触动。再看高绩效顾问怎么做？他们不讲技术参数，而是说 “遇到什么路面，底盘性能有怎样的稳定性、操控性、舒适性”。
认知从 “我觉得这个好” 变成 “数据告诉我用户在意什么”—— 这是数据驱动的认知跃迁。
支撑这些场景的底座，是中国一汽几年来沉淀的资产：3 万多个标准化业务单元，正在被转换成智能体可调用的 Skill；全域贯通的业务对象，让数据从程序员的后台交到业务人员手里。
组织层面同步在动。产品经理转型为 AI 产品经理，前后端开发转型为智能体架构师。“未来企业不仅要买碳基员工的时间，还要买硅基员工的 token 和算力。” 硅基员工的考核维度是智能程度、准确率、响应速度和成本。
银泰商业：用物理世界的数据驱动决策
银泰的判断更激进：零售企业现在每年增长 3 到 4 个点，未来十年销售增长在哪？在 AI 购物渠道 —— 一个万亿级的市场，其中 80% 是增量。如果零售企业不变，传统零售的占比将从 75% 降到 45%。银泰不是锦上添花式地加 AI，而是把 AI 当成生存问题来解。
银泰搭建了 “眼脑手” 三位一体的 MOS AI 智能引擎：脑是基于千问大模型的推理决策，眼是部署在商场里的 6 万路摄像头，手是把分析结果交给人或机器执行的能力。
值得留意的是对物理世界数据的投入。6 万路摄像头不只做安防，而是在识别人的动作和货品的摆放位置。做了数据合规，不采集人脸，但重点看动线和陈列效果。这些数据过去沉睡在硬盘里，现在变成了训练空间智能的原料。之前对商场内任何零售场景做识别训练，周期是四周，现在可以做到 48 小时内上线，准确率 90% 以上。
提速是模型变强，也是工程层面下了功夫。银泰在大模型的推理引擎之外，另外部署了一层专门处理海量视频和文本数据的预处理引擎。一分钟视频直接传大模型，计算成本巨大；切成关键帧图片、做聚焦压缩之后再回传，效率完全不同 —— 这是工程上的门槛，不是调一个 API 就能跨过去的。
AI 化遵循渐进路径：先工具化（把经营的 58 个关键动作拆解，逐一 AI 化），再流程化（把工具串联成自动执行的流程），最后智能体化（让 AI 自主决策和执行） 。
银泰商业集团 CTO 熊超说，目前大部分场景进入了流程化阶段，少数已经到智能体化。一个量化指标：当 AI 权重达到 50% 时，一个人加一台边缘服务器协同工作，整体能效是传统方式的四倍；AI 权重 100% 时，倍率是十倍。
银泰做得快，根源也在于过去的积累：2017 年就开始做数字化，花了四年完成 100% 云化。
西门子：把数十年工业 know‑how 变成 AI 的 “知识库”
西门子推出的 Eigen Engineering Agent，帮助 PLC 工程师用自然语言生成符合工业标准的代码。单个程序块参数修改耗时从 6 分钟降至 1.5 分钟。
其核心不是模型多强，而是依托 TIA Portal 数十年积累的故障手册、编程规范等行业 know‑how，叠加阿里云的大模型能力。解决了工业人才短缺、项目周期紧张的痛点。
这三家企业的路径不同，但逻辑一致：AI 的深度，不取决于模型参数，而取决于企业把多少历史积累 “喂” 给了 AI。
盛大集团创始人陈天桥提出了一个分析框架：AI 进化分为三个阶段 ——AI Enable（赋能）、AI Native（原生）、AI Awaken（觉醒）。
绝大多数企业停留在第一阶段 —— 加法逻辑下的存量改良。旧流程加一个 AI 插件，就叫 “新流程”。权力结构没有改变，人依然是 CPU，AI 只是一个外接 GPU。
而 AI Native 是乘法逻辑。企业从第一性原理出发，让流程、组织和产品从一开始就为 AI 而设计。
陈天桥提出了三个问题来检验企业是否真正进入了 AI Native 阶段：
第一个问题，关乎 “存亡”：如果把 AI 拿掉，你的业务是 “变慢了”，还是 “不存在了”？ 这是区分 Enabled 和 Native 最残酷的标准。
第二个问题，关乎 “流转”：在你的业务链条里，谁是那个 “传球” 的人？ 真正的 Native 组织，不仅让 AI 干活，更让 AI 之间直接 “握手”。
第三个问题，关乎 “记忆”：你的系统是在 “消耗” 数据，还是在 “吞噬” 经验？ 这是关于护城河的终极拷问。如果你的系统不能把人类的 “痛苦” 转化为机器的 “直觉”，那只是在用 AI 搬砖，并没有建立真正的壁垒。
美的广州南沙空调工厂的实践，提供了一个 “撤掉 AI，业务停转” 的例证。一台注塑机出现节拍延迟，几秒之内，“工厂大脑” 便捕捉到异常，调度智能体迅速评估影响面，将受影响的工单自动分流至其他可用产线，物流配送智能体同步重新规划物料路线 —— 整个应急处置过程无需人工按下任何按钮。
这个 “工厂大脑” 是全厂的协同指挥中枢，实时汇总所有设备、智能体、仓储、质检等全维度数据，做出全局最优决策。传统的工厂系统以数据采集、可视化展示为主，全程依赖人工分析、下达指令；而智能体拥有感知、推理、自主决策和自我迭代能力，可脱离人工干预独立作业。
这才是 “内生”——AI 已经长成了工厂的神经系统，而不是挂在墙上的大屏。
从这三家企业的实践可以看出，“内生” 路径有清晰的规律：
第一，数据治理是地基，不可跳过。银泰花了四年完成 100% 云化，中国一汽沉淀了数万个标准化业务单元。没有这个地基，AI 建不起来。相当数量的上市公司到今天还没有一个合理的数据治理方案，他们想直接上 AI，就如同想在沙地上盖摩天大楼。
第二，组织变革与技术创新同步。中国一汽推动员工向 AI 产品经理、智能体架构师转型；银泰推动 “工具化‑流程化‑智能体化” 的渐进路径；Airtable 的创始人 Howie Liu 将工程团队重组为 “快思” 和 “慢思” 两大单元，前者专注于 AI 功能的快速迭代，后者负责核心平台架构的稳定 —— 快与稳并行，才能支撑 AI 原生的转型。组织不动，AI 动不了。
第三，工程能力是门槛。银泰部署预处理引擎来降低视频分析成本，而不是直接把一分钟视频丢给大模型 —— 工程上每省下一分钱，AI 规模化就多一分可能。调用一个 API 做 Demo 很容易，但要让它每天处理 6 万路摄像头的实时数据，是另一回事。这也是当下 FDE 岗位价值凸显的原因：Demo 易得，生产级的工程落地最难。
第四，选择大模型看的不只是性能，更是商用合规性、行业混训能力、多模态适配性。阿里云千问大模型及百炼平台、数据工程工具（OSS、MaxCompute、DataWorks）已成为主流选择。SAP 与阿里云的合作进一步验证了互补价值：SAP 提供 50 年积累的业务流程知识，阿里云提供本地化基础设施，双方联合可实现从订单追踪到亏损归因的全链路智能决策。
回到 2003 年 Carr 的命题。当 AI 人人可得，它就不再构成竞争优势。
经过 WAIC 一轮集中的技术狂欢之后，行业已经进入 “算经济账” 的阶段：算力、大模型、Agent 工具正在快速商品化，谁都可以买到。真正的竞争优势，是企业独有的数据、独特的业务流程、多年积累的行业 know‑how—— 以及把这些资产 “喂” 给 AI、让 AI “长” 进业务里的能力。
AI Native 企业的标志，不是 “用了多少 AI 功能”，而是 AI 从外挂功能模块，转变为嵌入组织肌理的能力。一旦撤去 AI，业务无法照常运转。
如陈天桥所言：“AI 赋能” 不是通往高生产效率的必然阶梯，它更像是一条短期很舒适、长期却极其昂贵的漂亮死胡同。真正的变革，从来不是在旧躯壳上修修补补，而是从基因层面重新编码。
把 AI关掉，你的业务还照常运转吗？如果答案是 “是”，那么你还在 “外挂” 阶段。跳出 “试点炼狱” 没有捷径，靠的是过去的积累、现在的决心，和把 AI “长” 进企业内部的耐心。
