【大河财立方记者李雯雯】“一年前，企业讨论AI焦点多是‘技术靠不靠谱’‘会不会又只是一个概念’；如今，问题变成了‘我们应该从哪儿开始’‘多久能见效’。”10月28日，HAI成长型企业数智化创新峰会现场，用友网络（600588）河南区副总经理贾俊岭的这番观察，勾勒出企业AI应用阶段的转变。
热度褪去之后，行业共同面对的考题，不再是“要不要AI”，而是AI如何跳出演示场景，深度嵌入真实的企业经营流程之中。
现状：单点试用多，体系融合少
当前，生成式AI在各类场景快速普及，不少企业已经完成AI工具的初步试用，文档总结、话术生成、数据初步查询等轻量化应用随处可见。但多数AI应用停留在“工具插件”层面，单点试用多、体系融合少，浅层提效多、重构经营的案例少。
“个人AI工具侧重单点提效，而企业级AI的核心，是深度理解业务、管理与客户经营，驱动组织整体效能升级。”贾俊岭说。不少企业投入资源上线AI功能，一段时间后发现，工具和原有业务系统相互割裂，数据分散在不同部门、不同平台，AI拿不到完整、可信的经营数据；业务流程没有跟着AI的能力同步调整，员工使用意愿不强，最终AI沦为点缀，难以持续产生价值。
在他看来，成长型企业的AI落地，最容易踩的误区就是“追新技术、上大功能”。很多企业看到AI的宣传案例，急于搭建大模型、启动全链路智能化项目，反而忽视自身管理基础能否支撑。
“AI能力不是一次性全部上线完成的，它是在持续不断地实际运用中逐步积累出来的。”贾俊岭建议，企业不妨从单一场景、一条业务流程切入，先跑通链路、做出业务成效，再依靠配套机制把AI能力固化到日常运营中。
破局：以“驾驭工程”补齐大模型先天短板
人工智能（885728）是继蒸汽、电力、信息革命之后新一轮技术变革，但技术革命并不天然等同于生产力革命。
通用大模型在个人场景得心应手，落地到企业经营里却频频受阻。用友网络（600588）企业BG解决方案部总经理郑焕亮用一个比喻解释原因：和大模型对话，就像在一张大小有限的桌子上摆放信息，这张桌子就是上下文窗口。随着对话持续，信息不断增加，一旦超出承载上限，模型就会自动筛选、删减、压缩原有信息，丢失的内容会直接造成后续回答偏差。这也是很多人体验中，AI刚开始回答精准，越往后输出越容易出错的根源。此外，大模型本质是基于概率的预测运算，输出过程如同黑盒，无法清晰地解释得出结论的推导逻辑。
这类特性对个人使用而言尚可包容，但企业业务容错空间极小。财务核算、合同审核等场景要求一分钱不能偏差，每一步操作都需要可审计、可追溯，权限、流程、责任边界有着刚性约束。概率化输出、结果不稳定、过程不可知的短板，和企业业务规则天然冲突，“这也是大量企业即便试用通用AI，也不敢将其嵌入核心业务链条的核心原因”。
郑焕亮表示，行业在实践中探索弥补这套短板的路径，大致走过三个发展阶段。早期依靠提示词工程，依靠精心设计指令引导模型输出；之后转向知识库投喂与调优，向模型灌入行业知识、企业业务资料，让模型读懂业务；而当前行业探索的重心，落在“驾驭工程”上。他把大模型比喻为一台动力强劲的发动机，发动机本身无法直接上路，还需要搭配方向盘、刹车、仪表盘，遵守既定交通规则，这套约束、管控、引导模型按规则行事的配套体系，就是驾驭工程。
“驾驭工程的核心，不是改变大模型底层的概率属性，而是给模型划定清晰边界、设定目标规则、建立纠错与管控机制。”郑焕亮说。企业级智能化，追求的是让整个组织在规则框架内，稳定、持续地把业务做对。
协同：打通人机配合机制，重塑组织能力
技术底座、管控体系搭建完成之后，组织和人员的适配，成为AI落地的又一道关键门槛。数智华成FDE学院院长张欣表示，数智转型从来不是单纯的技术项目，而是一场组织能力的重塑。
他认为，AI数字员工落地，会给企业战略、组织架构、人才培养、业务流程、内部管理、考核激励六个维度带来冲击。以考核层面为例，“激励错配是突出矛盾”，传统KPI体系以人的劳动产出为核心，没有考虑AI带来的增量价值。业务产出变了，考核体系却没更新。于是常常出现这样的情况：员工借助AI把两天的工作压缩至两小时，不仅没有正向激励，反而会被分配更多任务，久而久之，员工对AI工具产生抵触情绪。
“没有度量就没有动力，不评价就不会深度应用。”张欣建议，企业需要将AI带来的增量产出纳入考核激励体系。同时，重新厘清岗位权责，明确人和AI的分工边界；配套分层培训体系，让管理层看懂AI的能力边界与价值空间，帮助一线员工掌握实操方法，在内部营造包容试错的氛围。
从观望质疑，到主动寻找落地路径，企业AI已经跨过概念普及期，进入深耕经营的深水区。AI不是一套拿来即用的标准化产品，而是适配企业经营节奏、持续迭代的能力体系。技术底座、数据治理、业务适配、组织协同，缺一不可。
