专注于数字技术的商业观察者
登录×
观察
2026-11-17

AI 落地这道坎:企业真正要补的是什么?

时间: 2026-11-17 编辑:

过去,企业引入AI,往往从一个具体场景开始:客服问答、知识检索、代码生成、营销内容……先找一个容易看...

过去,企业引入AI,往往从一个具体场景开始:客服问答、知识检索、代码生成、营销内容……先找一个容易看到效果的地方做试点。而现在,随着智能体从“回答问题”开始走向“自主完成任务”,AI正在逐渐从一个辅助工具变成业务流程的参与者。它需要读取企业数据、调用业务系统、获得相应权限,还要在运行过程中持续调整。

这意味着,企业真正面对的已经不是“部署一个AI应用”这么简单,而是一次组织能力的升级。

亚马逊云科技成长型企业及新兴业务总经理倪殿令对此有一个很直接的判断:企业真正需要改变的,不是在现有流程中简单叠加AI,而是利用AI重塑业务流程,向AI原生组织转型。

这句话其实点出了今天企业AI落地最容易被忽视的问题——AI能力本身可能已经不是最大的瓶颈,企业有没有能力把AI放进正确的业务位置,才是决定价值能否真正产生的关键。

倪殿令把企业成功的 AI 转型概括成一个“黄金三角”:以业务战略为中心、围绕场景、数据和人才进行构建。

这要求企业先回答清楚“为什么用AI”。企业不能因为AI现在很热,就把它到处塞进原有流程。真正有价值的场景,应该从业务目标出发,而且不能只盯着某一个部门。比如销售、客服、研发、财务各自做一个AI项目,看起来都有效率提升,但如果这些项目之间没有连接,企业得到的仍然只是一个个“AI孤岛”。

因此,亚马逊云科技更强调围绕客户旅程,而不是部门边界去定义AI场景。管理层需要先明确企业希望解决什么问题,再把场景、数据和人才组织起来,让AI真正进入业务流程。

这也是为什么,倪殿令观察到,企业在2026年出现的焦虑,已经和2025年不太一样。2025年更多的是个人的AI焦虑,到了2026年,很多传统企业领导者开始出现组织层面的焦虑。在他看来,企业真正需要思考的是:AI来了以后,原来的组织结构、工作方式乃至业务流程如何进行重塑。

这实际上把企业AI竞争拉到了一个更高的层面。

当AI从“帮员工做一件事”变成“替企业完成一段流程”,企业首先需要解决的就不再是模型够不够聪明,而是这个AI有没有进入企业真实业务的资格。

智能体尤其如此。

过去做一个AI应用,PoC成功似乎就意味着项目完成了一大半。但到了Agentic AI时代,真正难的部分往往才刚刚开始。亚马逊云科技产品专家团队总经理崔玮提到,从概念验证走向企业级生产环境,智能体面临的挑战远不止开发本身,还包括规模化运行、安全连接以及持续优化。

于是,企业需要的就不只是一个“能把Agent做出来”的工具,而是一套能够让Agent长期运行起来的基础能力。

Amazon Bedrock AgentCore正是沿着这个思路展开。它重点解决三大核心需求:快速构建、安全连接和持续优化。其Runtime、Gateway、Identity、Browser Tools、Code Interpreter、Observability等能力,本质上都是在解决一个问题——当智能体开始真正进入企业环境以后,如何让它“能干活”,同时又知道自己“能干什么、不能干什么”。

因为智能体和传统软件最大的不同之一,就是它开始拥有执行能力。过去的软件安全更多关注应用本身是否安全,生成式AI又增加了内容安全问题;而到了Agentic AI阶段,企业还必须面对第三层风险:智能体执行行为本身是否安全。

一个Agent如果能够调用企业内部工具,却没有清晰的身份和权限边界,那么它出问题时造成的影响显然不会只是“回答错了一句话”。

因此,崔玮特别强调,企业需要把智能体的执行逻辑和访问凭证、权限管理分离开来,通过Amazon Bedrock AgentCore Gateway等能力控制智能体访问工具和业务系统的范围。

也就是说,当智能体开始真正进入企业业务系统,企业需要建立的就不再只是传统的软件安全机制,而是一套针对智能体执行行为的安全合规体系:它能够访问哪些系统、调用哪些工具、拥有哪些权限,以及整个执行过程是否可控、可追溯,都需要被明确管理。

而这又进一步把问题引向了企业AI落地的另一个核心——数据。

一个Agent真正进入业务之后,面对的不会是干净整齐的数据库,而是企业多年积累下来的ERP、CRM、知识库、业务系统以及各种非结构化信息。更麻烦的是,同一个数据,在不同业务角色眼里可能还有不同的含义。

崔玮举了一个很简单的例子:同样问“企业销售额是多少”,CEO和业务人员可能需要看到的数据范围、口径和权限完全不同。对于智能体来说,真正的问题并不是“能不能找到数据”,而是它是否知道应该找什么数据、用什么口径理解,以及自己有没有权限使用这些数据。

这也是企业AI走向更深层应用之后,数据治理开始发生变化的地方。

过去的数据治理,更多解决的是数据有没有、准不准、能不能共享;而在Agentic AI时代,还要进一步考虑数据的语义、上下文、可追溯性以及访问边界。只有这些基础能力逐渐成熟,企业才可能真正构建出能够理解业务的数据智能体。

至此,企业AI转型的逻辑其实已经逐渐清晰起来:真正的难点并不是再增加一个模型或者再开发几个Agent,而是让AI能够和企业原有的业务流程、数据、系统以及权限体系真正连接起来。

金蝶的实践,恰好提供了一个很具体的观察样本。

金蝶中国副总裁兼研发中心总经理刘仲文介绍,金蝶与亚马逊云科技的合作始于2015年。当时双方面对的是传统软件向云和SaaS转型的问题。今天,这条转型路径又进入了AI阶段。

变化之处在于,过去企业需要解决的是“如何把业务搬到云上”,现在则变成了“如何让AI进入已经运行多年的业务系统”。

金蝶的做法并不是重新建立一套与原有业务割裂的AI系统,而是把ERP、业务数据、业务系统以及各种连接器作为AI进入企业的上下文。

据了解,金蝶今年推出了企业AgentOS,分为Work、Manage和Build三部分:Work帮助个人利用AI提升工作效率,Manage帮助管理者提升决策效率并推动组织向AI原生转型,Build则提供智能体工厂,在标准产品无法满足需求时构建新的AI能力。

这三个层次其实对应了企业AI转型的三个阶段:先让个人使用AI,再让AI进入管理和组织,最终让企业具备持续构建AI能力的能力。

金蝶发票云的实践则提供了一个更直观的结果。

作为金蝶旗下业务,发票云目前有约两万家客户,每天约有1000个工单。过去很多工单依赖人工处理,在使用Amazon Bedrock AgentCore后,工单首次响应时间从15分钟缩短到3分钟,日均工单处理量提升3倍,AI自动回复率从60%提升到80%。

这些数字当然直接体现了效率变化,但更值得关注的是,这个案例并不是一个孤立的“AI提效”项目。

因为金蝶同时在研发端推动AI转型,利用包括Kiro在内的工具覆盖产品需求管理、开发、测试等流程;在模型层面借助亚马逊云科技接入全球模型服务发展海外业务;在业务层面,又把AI建立在原有ERP和业务数据之上。

这意味着,AI并没有被当成一个外挂,而是在逐渐进入企业原来的业务体系。

如果把这个关系放到企业AI转型的大背景里看,会发现它其实很有代表性。

企业未来需要的不是一家厂商包办所有AI能力,而是不同层次的技术和业务能力能够连接起来。尤其对于正在全球化的中国企业而言,本地业务能力、全球云基础设施、模型服务、安全能力以及持续研发能力,都需要同时具备。

这也是亚马逊云科技反复强调“深耕本地、链接全球”的原因。

对于金蝶来说,AI转型和全球化正在同时发生。 刘仲文表示,期待在海外市场、全球模型服务能力和安全等方面与亚马逊云科技继续合作,他提到,金蝶希望“在未来几年借助全球化再造一个金蝶”。

写在最后

AI正在越来越快地进入企业,但真正的变化或许才刚刚开始。

从金蝶的实践,到亚马逊云科技对企业AI落地的判断,可以看到一个越来越清晰的趋势:企业真正需要的,不是再增加几个AI工具,而是重新思考AI应该进入哪些业务、连接哪些数据、承担哪些工作,以及组织本身如何适应这种变化。

模型会不断升级,智能体的能力也会持续变化,但企业的业务不会因为技术更新就自动完成转型。真正决定AI能走多远的,仍然是企业能否把业务场景、数据、技术和人才连接起来,并在实际运行中不断调整和迭代。

这或许也是从AI试点走向AI原生最关键的一步——不是让企业拥有更多AI,而是让企业真正形成持续使用AI、驾驭AI并不断创造新价值的能力。

标签:
版权声明:本文版权归数字商业时代所有,未经允许任何单位或个人不得转载,复制或以任何其他方式使用本文全部或部分,侵权必究。