夜雨聆风
从前端营销、供应链到办公自动化，企业真正需要建设的，不是一个聊天机器人，而是一套能够持续接入新模型、新智能体和新Skill的能力体系。
企业导入AI，最怕的不是行动太慢，而是在错误的场景里跑得太快。模型不是企业的护城河，某一个AI应用也不是。真正的竞争力，是企业能否把知识、数据、流程和组织经验，转化为可以被AI持续调用和不断升级的能力系统。
几乎所有企业都已经意识到，AI可能像互联网、云计算和移动化一样，重新定义行业竞争。但当管理者真正准备投入时，却经常发现自己站在一片不断移动的地面上。
去年企业讨论的重点还是大模型和知识库，今年已经转向智能体、工具调用、多智能体协作和Skill。一个项目从需求调研、预算审批走到招标开发，往往需要半年甚至一年；而在这段时间里，模型能力、成本和应用范式可能已经发生两三轮变化。项目还没有上线，最初的技术路线就可能已经落后。
这正是当前企业AI转型最棘手的矛盾：企业仍在用工业时代的决策流程，追赶以模型速度演进的技术。
一、企业为什么越来越难做出AI决策
过去建设ERP、CRM和OA，企业通常先确定需求，再选择软件、实施交付，系统上线后可以稳定运行五年甚至十年。AI却不是这种相对静态的软件。模型在升级，调用成本在下降，智能体框架在变化，原本需要定制开发的功能，几个月后可能变成平台上的标准能力。
因此，企业管理者普遍陷入两种焦虑。一种是“再不做就晚了”，于是匆忙采购大模型、建设知识库、上线企业版聊天助手；另一种是“技术变化太快，不如再等等”，结果迟迟无法形成组织经验。前者容易制造昂贵的展示工程，后者则会错过建立能力的时间窗口。
① 技术路线尚未确定，模型和平台已经再次升级。
② 演示效果很好，进入复杂业务后准确率迅速下降。
③ IT部门完成了系统，业务部门却不愿改变原有流程。
④ 应用上线不少，却无法证明收入增加、成本下降或周期缩短。
更深层的问题是，很多企业仍把AI理解成一种新的软件功能：给原有系统增加一个对话框，给员工配置一个内容生成工具，或者把制度文件放进知识库。然而，AI的真正变化并不只是“生成得更快”，而是开始理解任务、调用工具、连接系统并执行流程。
当AI从Copilot走向Agent，企业面对的问题也从“如何生成一份内容”，升级为“是否允许AI查询客户数据、调用库存系统、生成报价、发起审批并代表企业作出回应”。这已经不只是技术问题，而是权限、责任、流程和组织治理问题。
二、企业缺少的往往不是模型，而是AI可以使用的企业能力
很多企业购买模型以后才发现，真正的障碍并不在模型。文档散落在员工电脑、邮件、网盘和聊天群里；客户、产品和物料使用不同编码；关键流程依赖少数老员工的经验；系统之间相互割裂；权限体系只能控制人，却无法控制智能体。
AI进入企业后，最先暴露出来的通常不是模型能力不足，而是过去多年积累的数字化欠账。模型可以理解一份合同，却找不到最终版本；可以分析客户需求，却无法获得完整的历史往来；可以提出采购建议，却不能进入ERP发起申请。
因此，企业AI转型不等于购买一个更强的模型，而是要让企业的知识可以检索、数据可以理解、工具可以调用、流程可以执行、权限可以控制、结果可以评估。
企业价值随着AI与知识、数据和业务系统的连接程度逐级提升，风险与治理要求也同步增加。
三、选择场景：不要先问AI能做什么，要先问什么值得AI做
企业很容易列出几十个AI创意：自动写文案、智能客服、合同审查、销售助手、供应链预测、经营分析、自动周报。但是，“模型能够完成”不等于“企业值得投入”。如果一个任务每月只发生几次，或者结果无法验证、风险不可控制，那么再惊艳的演示也很难形成经营价值。
企业应该从工作任务出发，而不是从技术名词出发。哪些工作每天重复发生？哪些岗位把大量时间花在查询、整理、转录和核对信息上？哪些流程经常等待、返工或出错？哪些经验掌握在少数员工手中？哪些任务完成后容易判断对错？这些问题比“我们应该使用哪个大模型”更重要。
第一批场景不必追求宏大。最理想的试点通常具有几个共同特征：高频发生、规则相对清楚、数据容易获得、结果可以验证、错误能够人工纠正，并且四到八周内能够看到变化。
四、前端营销：AI不只是写文案，而是重构从获客到成交的链路
前端营销是大多数企业最容易启动AI的领域，但也是最容易停留在表面的领域。自动生成公众号文章、海报文案和营销邮件，虽然能够节省时间，却很难形成真正的竞争壁垒。更大的价值来自AI对客户信息的理解，以及对销售过程的持续推动。
1. 市场洞察与潜在客户识别
AI可以持续汇总行业新闻、招投标信息、客户动态、招聘信息和竞争对手变化，自动形成行业简报，识别潜在采购信号，并根据客户规模、需求匹配度和购买时机进行线索排序。原本依赖销售人员手工完成的背景调查，可以被压缩到几分钟。
2. 个性化内容与客户培育
真正有效的AI营销不是批量生产更多同质化内容，而是根据客户所属行业、岗位、需求阶段和历史互动，重新组织产品价值、案例和解决方案。对于出海企业，AI还可以结合当地语言、行业表达和文化习惯进行本地化，而不只是机械翻译。
3. 销售智能体
销售智能体可以在拜访前生成客户简报，会议后自动整理纪要、识别需求和异议，生成跟进邮件，更新CRM并建议下一步行动。CRM由此不再只是一个要求销售填写的数据库，而开始变成主动帮助销售推进商机的系统。
4. 客服与客户成功
AI可以连接产品知识、订单、合同和服务记录，回答标准问题，判断客户情绪，识别投诉升级风险，并把复杂问题连同完整上下文转交给人工。客服记录还可以反向进入研发和运营体系，帮助企业发现高频故障与产品缺陷。
五、供应链：价值巨大，但不能一步把决策权交给模型
供应链拥有大量高价值场景，包括需求预测、库存预警、采购建议、供应商评估、交期风险识别、物流优化、质量异常分析和设备预测性维护。但供应链直接影响资金、生产和客户交付，一次错误决策可能带来远高于办公场景的损失。
传统供应链系统擅长处理订单、库存、价格和交期等结构化数据，而AI还可以理解供应商邮件、合同、报价单、质检报告、客户投诉、政策新闻、天气与港口变化。它能够把过去无法进入计算系统的非结构化信息，转化为风险信号和决策依据。
但企业不应一开始就让AI自动调整采购计划或生产排程。更稳妥的路径是：首先让AI汇总信息，其次提供预警，然后生成建议，再由人批准执行；只有在低风险、高频、规则明确且错误可逆的环节，才逐步实现自动执行。
高风险决策由人负责，低风险动作逐步交给AI；重要建议必须可以追溯数据来源、推理依据和审批记录。
供应链AI最常见的失败，并不是算法不够先进，而是物料编码不统一、历史数据质量不足、模型建议无法进入ERP执行，以及业务人员不信任输出。只有形成“感知—预测—决策—执行—反馈”的完整闭环，预测准确率才可能转化为库存下降、周转改善和交付稳定。
六、办公自动化：不要只建设一个企业版ChatGPT
会议纪要、邮件摘要、报告初稿、制度查询、合同初审、数据整理和员工培训，是企业最容易快速落地的AI场景。这些工具可以提升个人效率，却未必会自动带来组织效率。因为员工节省下来的十分钟，可能又消耗在复制、核对、上传和切换系统上。
真正的升级，是从Copilot走向Agent。Copilot帮助员工完成某一步，Agent则围绕目标连续推进任务。例如，一个报销智能体可以识别发票、核对金额、判断费用类别、检查制度、补充信息、发起审批并更新财务系统。只有跨越系统边界，AI才从内容工具变成数字员工。
在这个过程中，Skill将成为企业AI能力的重要单元。查询客户、核验库存、检查合同、生成报价、创建采购申请、分析销售数据，都可以被封装为经过授权和验证的Skill。不同智能体不必重复开发，而可以像调用组织中的标准能力一样组合这些Skill。
未来企业之间的差距，不只是拥有多少智能体，更在于沉淀了多少安全、可靠、可复用的业务Skill。
七、如何避免“开发完成即落后”
面对快速变化的技术，企业不应试图准确预测哪一个模型会长期胜出，而应建设能够适应变化的架构。业务应用不应与单一模型深度绑定，而应允许企业根据准确率、速度、成本和合规要求切换模型。
企业真正需要长期掌握的是业务规则、专有数据、流程接口、评测标准和权限体系。在应用层与模型之间，应逐步形成一个统一的企业AI能力层，负责管理模型接入、知识检索、数据连接、Skill调用、身份权限、日志审计、效果评测和成本控制。
模型：根据任务动态选择模型，避免被单一供应商锁定。
知识：建立版本、来源、权限和有效期管理。
工具：将业务系统接口封装成可控的Skill。
身份：明确每个员工和智能体可以查看、建议或执行什么。
评测：持续测试准确率、稳定性、安全性和业务收益。
审计：记录AI使用了什么数据、调用了什么系统、执行了什么动作。
与此同时，AI项目不能再采用“一次开发、最终验收”的传统交付逻辑。应用上线只是运营的开始。企业必须持续收集失败案例、更新知识、优化Skill、比较不同模型、调整人工审核比例，并用业务指标判断下一轮投入。
八、一条更现实的企业AI导入路线
统一管理层认识，把部门流程拆解到任务级，形成场景清单和价值优先级，避免重复采购与无序试验。
选择三至五个高频、低风险、可量化的场景，用四到八周证明价值。每个每个试点必须有业务负责人和明确基线。
将知识库、模型接口、权限、评测、审计和Skill沉淀为公共能力，减少各部门重复建设。
让AI从内容生成进入销售、采购、供应链、财务和运营流程，并建立人工审批与异常处理机制。
围绕“人类员工与数字员工协同”重新设计组织和流程，使AI成为企业持续运行的第二生产系统。
九、AI转型不能只交给IT部门
AI会改变岗位分工、审批权力、绩效评价和组织边界，因此它首先是经营管理项目，其次才是技术项目。CEO需要确定转型方向和风险边界；业务部门必须定义问题、提供数据并对结果负责；IT部门负责平台、集成、安全和稳定性。
企业可以建立一个小型跨部门AI团队，由业务负责人、产品经理、AI工程师、数据工程师、IT安全人员和一线专家组成。这个团队不应包办所有开发，而应负责建立方法、平台、治理标准和可复制的样板。
尤其需要警惕一种常见现象：业务部门提出一个模糊需求，IT部门把它翻译成技术项目，供应商完成交付，最后没有人对经营结果负责。一个真正有效的AI场景，必须同时拥有业务指标、技术指标和风险指标。
十、治理不是刹车，而是企业敢于使用AI的前提
当AI只帮助员工修改一段文字时，治理问题并不突出；当智能体开始查看客户数据、修改订单、创建采购申请甚至对外回复时，治理就成为规模化应用的前提。
企业必须明确：哪些数据可以提供给模型，哪些内容必须脱敏；不同员工和智能体分别具有什么权限；哪些结果可以直接使用，哪些必须人工审核；AI是否可以代表企业对外表达；模型升级后是否需要重新测试；出现错误后如何追踪来源和责任。
治理的目的不是阻止创新，而是把AI从少数人的私下尝试，转变为企业可以审计、可以复制、可以承担责任的正式生产能力。
结语：企业需要的不是AI项目，而是持续进化的能力
未来企业之间会出现五个层次的差距：员工会不会使用AI，AI能否获得企业知识，AI能否调用业务系统，AI能否参与并执行核心流程，以及企业能否持续把新模型、新智能体和新Skill转化为经营能力。
第一层差距可能只是个人效率，第二层开始影响组织知识，第三层开始改变流程成本，第四层将重构企业运营，而第五层最终决定企业能否在技术持续变化的时代保持竞争力。
因此，企业现在最重要的事情，不是押注哪一个模型，也不是一口气建设几十个AI应用，而是选择几个真正有价值的任务开始实践，同时建立可复用的知识、数据、Skill、评测和治理体系。
模型不是护城河，单个应用也不是。真正的护城河，是企业能否把自己的知识、数据、流程和组织经验，沉淀成一套可以被AI持续调用、可靠执行和不断进化的能力系统。企业导入AI，不是完成一次技术升级，而是在建设属于自己的第二生产系统。