（本文作者为 Leo 张 ToB 杂谈，钛媒体经授权发布）
Related articles
AI 的 ToC 故事早已不是什么新鲜事。你可以让豆包帮你订机票，让千问帮你订外卖，让 Claude 代写一份周报...... 然而，当镜头转向企业腹地的核心业务流程时，画风却截然不同。
MIT 的一份报告指出，高达 95% 的 AI 落地项目止步于概念验证 （PoC） 阶段。与此同时，麦肯锡 2025 年的最新调研也揭示了一个尴尬的现实：近九成企业已在至少一个职能中常态化使用 AI，但大多数机构仍停留在探索或试点阶段，从试点走向规模化的鸿沟依然深不见底。
为什么在 C 端百花齐放，而在 B 端却鲜有很“ 给力” 的爆款应用出现呢？对此，神州数码副总裁、CTO 李刚指出，问题不在于 AI 不够聪明，而在于它没有真正深入到企业的运营“ 肌理” 之中。C 端工具解决的是“ 个人管理效率”，而企业需要的是一场涉及组织、系统与决策逻辑的“ 运营生产力” 革命。当大模型走下神坛，如何穿越被数据和系统层层包裹的“ 深水区”，正在成为判断一家科技公司 AI 成色的关键标尺。
产业 AI 陷入“ 点状提效、全局无解” 悖论
技术的热闹与落地的寂寥，构成了当下企业级 AI 市场最大的错位。
这种落差最直接的反应，便是企业高管层日益强烈的“ 价值焦虑”。神州数码首席执行官李映点破了一个企业普遍存在的困境：当管理者询问 AI 项目带来了多少真实的降本增效时，得到的回答往往是“ 衡量指标还在创造和收集过程中”。
这种局面的普遍性远超想象。行业调研显示，绝大多数已实施 AI 的企业尚未看到可量化的回报，有观点将这一困境归结为技术应用初期的“J 曲线效应”—— 在效率真正起飞前，组织往往要先经历一个磨合和下降的阶段。但在实际商业决策中，当预算第一年看不到回报，很多项目第二年就被搁置了。但这并不是 AI 本身不行，而是许多企业仍在用管理生产力的逻辑去丈量运营生产力。
过去十余年，国内企业数字化转型以“ 流程固化、系统沉淀” 为核心逻辑，通过 ERP、WMS、CRM 等各类信息化系统，将线下业务流程迁移至线上，实现了业务节点的数字化留痕。这种传统数字化模式在产业发展初期有效解决了业务无序、数据散乱、管理低效的问题，但随着市场环境快速迭代、业务场景持续复杂化，传统数字化的固有弊端全面暴露，成为制约 AI 深度落地的核心瓶颈。
传统数字化的本质局限，在于只能完成“ 系统内结构化数据固化”，无法覆盖企业海量的非结构化业务场景与隐性经验。企业真实的业务运行，从来不是标准化的线性流程，而是包含大量动态调整、人工决策、经验判断的柔性过程。行业知识、专家经验、会议纪要、业务沟通等非结构化信息，长期游离于数字化系统之外，形成了“ 系统内僵化、系统外混乱” 的割裂格局。为适配动态业务需求，企业只能不断外挂各类细分系统，最终导致系统碎片化、数据孤岛化、流程断层化的行业通病。
这种结构性矛盾，直接导致当前企业 AI 落地的四大典型痛点，在金融、制造业两大核心赛道表现尤为突出。首先是数据孤岛，企业各业务系统数据标准不统一、语义不互通，同一业务维度在不同系统中存在数十种字段定义，AI 无法精准解读企业真实业务数据，丧失决策基础；其次是“ 大屏综合症”，多数企业的 AI 项目最终沦为可视化数据大屏，仅能实现数据展示，无法嵌入决策流程、指导业务落地，“ 看见数据” 不等于“ 做出判断”；第三是技术外包，多数企业依赖外部厂商交付 AI 系统，最终形成“ 厂商懂技术不懂业务、企业懂业务不会用、IT 团队无法运维迭代” 的尴尬局面；最后是价值失踪症，绝大多数 AI 试点项目无法量化降本增效成果，没有明确的 ROI 反馈，难以获得持续的资源投入与组织支持。
其中，金融行业的 AI 落地困境则集中体现在“ 核心流程渗透不足、风险权责模糊” 两大维度。当前金融机构的 AI 应用大多局限于智能客服、基础数据统计、浅层风险筛查等辅助场景，核心的对公业务审批、个性化风控、全流程业务处理仍高度依赖人工干预。传统金融风控以客群特征为核心，采用标准化模板批量评估用户风险，仅能覆盖头部客户，无法实现小微客户、零售客户的一对一精准风控。同时，金融业务强合规、高风险的特性，让企业对 AI 介入核心决策极度谨慎，AI 决策出错后的权责划分、合规纠偏、风险兜底等问题长期没有解决方案，导致行业 AI 应用始终停留在浅层提效阶段，难以重构业务模式。
AI 需要深入企业流程
针对产业 AI 落地的深层痛点，业内有不少观点“AI for Process” 的理念将成为彻底颠覆传统工具化 AI 的落地逻辑。其核心核心要义在于，跳出单点场景提效的思维，推动 AI 从工具层升级为企业流程运行层的核心载体，通过 AI Agent、智能工作空间、行业知识治理体系，打通系统内外的业务断点，沉淀企业隐性经验与行业知识，重构人机协同模式，真正实现 AI 对企业核心运营流程的原生赋能。
最终，实现让 AI 从“ 帮人干活” 变成“ 进业务流程”。李刚表示，“AI for Process” 的核心定位并非简单的产品工具集合，而是意图成为企业流程重构的赋能者，试图推动从技术“ 智变” 到运营生产力“ 质变” 的跨域。
如果说过去几十年的数字化是把流程“ 固定死”，那么如今神州数码推动 AI for Process 的野心，是想把这些流程“ 盘活”。
一个很直观的现象是，当前大多数企业的传统核心系统，其实是“ 僵化且碎片化” 的。大量的关键决策依据 （如邮件里的讨论、会议纪要中的修改意见），流失在系统外的“ 信息孤岛” 中，导致流程必须靠“ 人肉” 来衔接。对此，李刚指出，传统的数字化技术只能记录发生了什么和结果，却很难解释为什么发生和沉淀判断过程，因而无法真正适应现实世界的动态、柔性、复杂需求。
IDC 近期发布的 《IDC 中国 AI 增强的企业级 ERP 市场份额，2025：AI 增强驱动下的中国 ERP 市场格局》 中指出，ERP 系统正在从“ 记录系统” 走向“ 执行系统”，企业不再满足于用 ERP“ 记录发生了什么”，而是希望系统能直接“ 参与业务执行”。这种需求的倒逼，使得中国 AI-enabled ERP 市场在 2025 年同比增长了 96.1%。
为了解决“ 系统外” 的盲区，一种新的软件形态正在萌芽。以神州数码为例，前不久，神州数码发布了名为“ 神州问学 2.0：Agentic Process Workspace” 的平台。其核心逻辑是为企业构建一个在现有数字化系统之外的“ 流程运行空间”，让 AI Agent 能够读取系统内外的结构化与非结构化信息 （如邮件、会议记录），让 AI 能够同时感知，并保证 Agent 的工作成果能够沉淀回传，形成可追溯的过程记忆。
这种新形态在看似最传统金融场景中，也展现出了巨大的杀伤力。神州信息 AI 创新中心总经理晋梅博士分享，传统的信贷审批极度依赖客户经理和风控经理的个人经验，产出的几十页报告写完后便束之高阁。而在新的 AI 流程中，系统可以“ 蒸馏” 出老专家们长达二三十年的隐性经验，直接赋能给年轻的审批员。然而，当 AI 深度介入资金流动时，责任的归属也成为了悬而未决的难题。业内讨论中已有观点指出，监管要求敏感数据不出行，每个判断都必须可复现、可审计，这让 AI 不能像在 C 端那样天马行空地“ 创造”，必须在本体论的框架下运行，确保每一次决策都在合法合规和客户意图的边界内。
在汽车高端制造领域，这套落地范式同样解决了行业核心痛点。针对汽车研发 NVH（噪声、振动与声振粗糙度） 指标调整的复杂场景，某整车厂商与神州数码一道，通过搭建专属 NVH 智能协同体系，打造 Team Leader、范围确认、目标解读、文档辅助四大专项 AI Agent 团队，覆盖 33 项核心噪音指标、500 余个关联零部件。当车辆性能指标发生变更时，AI 团队可自动梳理关联零部件范围、输出优化方案、迭代参数与验证方案，智能判别无需调整的老旧方案，规避无效返工。原本需要 2-3 周完成的方案迭代、审核落地工作，如今可按天完成，大幅降低研发返工率与项目延期风险。
FDE 模式成企服标配
理想很丰满，但回到现实，“ 百业百态” 的复杂场景往往让通用大模型无所适从，神州数码 AIBG AI 产研中心总经理侯浩指出，大模型有“ 博士” 级的理解力，但你必须给这位“ 博士” 一本企业专属的“ 操作手册”。手册怎么来？主要依靠 FDE（前沿部署工程师） 模式。
Palantir 提出的 FDE 模式在 2026 年的科技圈格外火爆。这种模式将工程师直接派驻到一线，不是在会议室里画 PPT，而是和医生、汽车工程师一起，发现真正的业务痛点，提炼出专家头脑中那些尚未文档化的“ 隐性知识”。在李刚看来，FDE 并非简单的驻场开发，而是通过高频的现场反馈，将提炼出来的规则、技能和数据关联，回流沉淀为可复用的“ 判断力资产”。
然而，FDE 模式在中国是否能跑通 Palantir 那样的高毛利神话，仍然面临考验。毕竟 Palantir 的成功不仅靠 FDE，更靠本体论的产品化沉淀和超高的客单价支撑，而对于中国客户来说，“ 每年预付几千万” 的接受度和本土厂商的服务毛利空间，都是不小的挑战。
虽然路径艰难，但变革的窗口正在收窄。未来三年，企业级 AI 的最大变量或许就是智能体的深度使用。有行业观察者指出，当内部知识体系的精确度和准确度非常高时，AI 自动化的程度会越来越高，很多传统的岗位和流程可能会被短路或颠覆。
这个过程中，企业组织架构的颠覆性重构，将成为产业 AI 化的核心趋势。传统企业组织架构依托人工协同模式搭建，业务增长与人员扩张呈线性关系。而 AI Agent 的规模化应用，将催生“ 超级团队” 新模式。对此，李刚表示，未来企业核心团队将由少量超级员工与数十个 AI 智能体组成，智能体承担 70%-80% 的重复性、流程性、逻辑性工作，人类员工聚焦战略决策、场景创新、风险把控等高价值工作。
企业级 AI 产业已经告别“ 概念炒作、单点试点” 的初级阶段，正式进入“ 流程重构、价值落地、组织革新” 的高质量发展周期。AI for Process 的核心价值，在于打通了技术与产业的最后一公里，让 AI 不再是悬浮的技术概念，而是深度融入企业运营、可量化、可沉淀、可迭代的核心生产力。
（文｜Leo 张 ToB 杂谈，作者｜张申宇，编辑丨杨林）
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
