[智能应用]当AI走进核心业务，企业准备好了吗？ [复制链接]

当一位对AI寄予厚望的企业高管跟下面的运营团队说，“我希望用了AI能给流程节约成本带来20%-30%的效益提升。”
接下来会发生什么？
这句话传达下去之后，各个部门各自开始做AI实验——有的团队在代码方面做优化，有的做业务流程，有的做采购决策。每个团队做实验都要消耗大量Token，一段时间下来，管理层发现一个尴尬的事实：实现了自动化，但Token的费用已经超过了雇一个人专门做的成本。
这是SAP全球副总裁Varun Thamba在SAP中国峰会上分享的案例，源自他看过的一篇报道，而报道描述场景在当前企业中很常见。
SAP进行了一项覆盖13个国家、2600位企业高管（其中200位来自中国）的AI调研，结果显示39%的中国企业采取的是零散式AI策略，各部门各自行动，做了大量POC（概念验证），却很难形成可规模化的价值。只有18%的企业有战略性整体规划。
与此同时，一组数据也值得关注：中国企业的AI投资回报率从去年的18%涨到了22%，预计两年后可能达到38%。数字在涨，但SAP的调研同时揭示了一个隐藏的代价——67% 的受访中国企业认为，AI确实扩大了可处理任务的范围，但也让员工的工作负荷和责任压力同步增加了。
这不止是中国企业AI落地的年度群像，根本挑战来自哪里？
三个“未就绪”
Varun Thamba把企业AI落地面临的瓶颈归纳为三个维度：数据未就绪、员工未就绪、治理未就绪。
数据。调研中，当企业被问及“落地智能体AI是否准备好了”时，69%的中国企业认为自己目前的数据已为AI做好准备，较去年的70%略有下降。
原因很直接：很多企业在规划AI时并不知道自己是否具备足够高质量的数据。
“当他真正开始做这件事情的时候，会突然意识到，我有数据，但是这个数据还不够好。”Varun说，人力资源部门和财务部门拥有大量数据，但做AI时才发现数据的完整性和准确性远不达标。
员工。78%的中国受访企业表示，员工技能培训跟不上AI技术迭代的速度。AI几乎按周在进化，这意味着员工必须在更短的时间内掌握新工具、适应新流程。
治理。只有6%的中国企业认为自己具备有效治理AI所需的完备技能。在Varun的比喻中，这意味着“在一个地方，你的警力是不足的，无法确保在这里的人是真正守法的”。
上述三个维度叠加在一起，构成了一个企业级AI落地的完整困境：系统碎片化、数据孤岛、语义不一致，使得AI难以真正融入核心业务并规模化释放价值。
更深层的“弱链”
SAP大中华地区总裁原欣在峰会主旨演讲中，用一个经济学争论把这个问题推到了更宏观的层面。
乐观派的代表是斯坦福大学教授Erik Brynjolfsson，他在2026年2月的《金融时报》上预测，2025年美国生产率因AI提升到2.7%——这个数字看起来不高，但已是过去十年的2倍。
悲观派的代表是麻省理工的Daron Acemoglu（2024年诺贝尔经济学奖得主），他认为AI可覆盖的可盈利自动化运营部分只占经济总量的不到5%，未来十年AI对美国生产力的提升只有1.1个百分点。
“悲观的1.1%、乐观的2.7%。对于我一个在IT圈子里看到以年计、以月计的工作被Agent以天、以小时计完成，生产效率提升几十倍上百倍的人，怎么放到大的经济环境里只有个位数的影响？”原欣说。
她的答案是一个斯坦福教授Chad Jones提出的理论——弱链（Weak Link）。这个理论说，木桶能装多少水不取决于最高的板，而取决于最低的板。在整个技术变革中，企业需要找到自己的弱链并补齐它。
麦肯锡2025年全球企业AI调查的数据印证了这一点：88%的企业在至少一个场景使用了AI，但只有6%认为超过5%的EBITDA增长归功于AI。剩下94%的企业投入了真金白银，却还没有看到商业回报。
原欣的判断是：“AI能为企业创造多大价值，不取决于模型能力有多强，而取决于企业最薄弱的一环能否打通。对今天大多数企业而言，这道‘弱链'就是AI与核心业务系统之间的断层。”
IBM商业价值研究院与SAP联合发布的调研白皮书也印证了这一判断——企业推进智能化转型时，内部业务协同困难和IT架构老化是最大的结构性障碍，AI能力往往游离于核心系统之外，既拿不到完整的业务上下文，也无法触发实质性的流程执行。
探索突围
在峰会现场，三一集团、曼森集团、毕马威都分享了他们补齐“弱链”的行动和思考。
三一集团经历了90年代业务线上化、2010年代全面信息化、全面数字化（灯塔工厂、数字中台），从2025年开始到现在迎来全面智能化。许国强总结说，“没有前面三个阶段，AI就是空中楼阁。”
2025年，三一由董事长亲自推动“全员AI强管控”——所有管理岗和关键岗都要思考AI与自身业务流程的结合点。一年下来沉淀了130多万条领域知识，训练了10多款垂域模型，落地了700多个赋能场景。去年AI引入成效约2亿元。但许国强也坦承：700多个场景提升了个人效率，组织级效率的提升仍在探索中。
曼森集团总经理杜国亚提供了一个更轻量的样本。在同行纷纷追逐大模型、生成式AI的当下，这家年增长30%-50%的企业选择的第一步，不是部署AI Agent，而是先把ERP系统建好——把“大脑”建好，再谈智能。
“AI能不能回答问题？可以。但能不能带来高效决策？没有数据沉淀不行。”他的做法是把原有数据全部定义为“全新的”，以最快速度完成系统切换。2025年12月，曼森集团选择部署在阿里云上的SAP Cloud ERP，正式开始打破这种信息割裂。选择云部署而非私有化，杜国亚的逻辑很直接：“我们不需要把所有事情想得那么复杂。我们之所以快速切换，是把这套系统定义成一个全新的系统，把我们公司所有的数据定义成全新的数据。”
毕马威亚太及中国咨询服务主管合伙人刘建刚则从用户自身视角提供了另一条实践路径——毕马威率先将自己的核心业务ERP迁移至公有云，成为示范性的"零号原型客户"。他的方法论是八个字：大处着眼，小处着手——既要有全面规划，又要从低投入、低风险的领域切入，做"最后一公里"延伸，先产生实效，再滚雪球式发展。他特别强调：AI并非零成本。
把以上这些实践放在一起，方法论闭环开始浮现。
第一步：数据就绪，统一业务底座，消除数据孤岛。三一用SAP S/4HANA构建全球统一业务底座，曼森在阿里云上部署SAP Cloud ERP取代多套独立系统，毕马威把核心ERP搬到公有云——三者的起点都是同一个动作：先修好“高速公路”。
第二步：知识就绪，沉淀业务知识，构建企业记忆。三一沉淀了130多万条领域知识，曼森把流程标准和业务规则统一写入系统。没有这些积累，AI Agent面对的将是点状的知识而非体系化的业务认知。
第三步：组织就绪，从IT驱动转向业务驱动，全员参与。三一的“全员AI强管控”由董事长推动，要求所有管理岗和关键岗思考AI与自身流程的结合点——这不是IT部门的事，而是整个组织的事。
这三步对应了SAP提出的三级AI治理架构：底层是数据治理层（SAP Business Data Cloud，确保AI调用的数据是可信、准确的）；中间是应用集成层（ERP与第三方系统的集成，打通端到端业务流程）；顶层是智能体层（Joule及AI Agent Hub，实现统一治理下的智能体协同）。
SAP在此次峰会上推出的“AI奇点启航计划”，本质上是把这个方法论变成了一个可执行的产品——企业报名参与联合工作坊，从真实业务问题出发，在2至4周内完成原型验证，看到AI带来的实际价值，最终通过RISE或GROW嵌入日常运营。
回报的起点
所有的方法论最终都要回答一个最朴素的问题：AI到底值不值？
Varun Thamba给出的建议是反直觉的——不要从AI开始，从瓶颈开始。他建议企业先看全业务流程中哪个环节造成了最大的成本浪费，然后在这个具体位置用AI，用量化工具计算Token投入和回报的关系，确保消耗Token的成本是小于可以被证明带来的价值。
许国强的判断则更为直白：“十年前数字化对很多企业是可选项，五年前是必选项，当下和未来——AI一定是生存项。AI不是取代人，是让会用AI的人取代不会用AI的人，让会用AI的企业跑赢不会用AI的企业。”
这句话听起来像是行业共识的宣示，但它的底色是一个更朴素的逻辑：94%的企业砸了真金白银却没看到回报，不是因为AI不行，而是因为企业自身在数据、流程、组织和治理层面还有太多的“弱链”没有补齐。
补链这件事不性感。它意味着要回到最基础的流程梳理、数据清洗、知识沉淀和标准统一——这些工作是三一集团二十多年从业务线上化、信息化到数字化打下的基础，在曼森表现为“先把内存储存好”，在毕马威表现为“零号原型客户自己先试”。
而这些恰恰是当前企业AI落地中最被低估的一课。正如原欣所说：“自主运营企业不是企业的终点，而是企业进化旅程的起点。”

企业AI核心业务落地：现状、挑战与准备度分析
一、整体准备度：从“实验”到“核心”的过渡期
当前企业AI应用呈现**“战略重视度高，规模化落地不足”**的矛盾状态：

预算层面：AI已从“创新试验”升级为“核心业务预算”，2025年企业LLM支出中仅7%来自创新专项预算，其余纳入常规IT/业务预算，平均预算增幅达75%
。
战略定位：仅25%的企业将AI作为业务核心驱动力，55%的企业认为AI影响战略规划但未成为核心，16%仍停留在“探索AI能做什么”的实验阶段
。
技术成熟度：数据科学/机器学习最成熟（聚焦运营优化），生成式AI主要用于员工生产力提升（如内容生成、代码辅助），智能体AI（可自主执行任务的AI）生产部署率仅15%，但自2024年增长一倍
。
二、企业落地的核心挑战（“未准备好”的症结）
调研显示，69%的中国企业认为数据已为AI做好准备（较2025年下降1%），但实际落地仍面临“系统碎片化、数据孤岛、语义不一致”的三重困境，具体表现为7大痛点：

战略层面：盲目跟风，脱离业务本质
部分企业将AI视为“降本增效”的万能药，未明确AI与长期战略的关联，导致项目沦为“面子工程”，投入产出比低
。
技术层面：基础设施与模型选型不匹配
传统IT系统难以支撑AI运行，改造成本高；模型选型缺乏专业评估，可能出现“技术先进但业务适配度低”的问题
。
组织层面：架构僵化，跨部门协作难
传统层级化架构与AI项目“快速迭代、跨部门协同”的需求冲突，导致项目推进缓慢
。
数据层面：质量差、治理弱，AI“无米下锅”
数据准确性、完整性不足，数据孤岛严重，直接导致AI模型输出结果偏差，无法支撑核心业务决策
。
人员层面：员工抵触，能力缺口大
员工担心AI替代岗位，或缺乏AI工具使用能力，导致项目落地阻力大
。
成本层面：长期投入压力，ROI不明确
AI项目初期硬件、人才成本高，后期维护、迭代成本持续，部分企业未做好长期投入准备
。
生态层面：依赖定制化开发，规模化难
多数企业依赖定制开发AI应用，缺乏标准化、可复用的AI原生应用，导致落地成本高、推广难
。
三、成熟企业的“准备度”特征
已实现AI核心业务落地的企业，普遍具备以下特征：

数据基础扎实：已完成数据治理，建立统一数据标准，打破部门数据孤岛，具备“生产级数据”支撑AI模型训练
。
战略与业务对齐：AI项目与核心业务痛点强关联（如供应链优化、客户精准营销），而非“为AI而AI”
。
组织适配灵活：成立跨部门AI专项团队，高层直接推动，建立“小步快跑、快速迭代”的项目机制
。
技术路线成熟：采用“多模型组合”策略（闭源+开源模型搭配），优先选择标准化AI原生应用，降低定制开发成本
。
人才储备充足：既懂AI技术又懂业务场景的复合型人才占比高，员工AI技能培训体系完善
。
四、企业“准备好”的实操建议
明确战略锚点：先问“AI能解决什么业务问题”，而非“我们该用AI”，确保项目与长期战略、核心痛点强关联
。
夯实数据基础：优先投入数据治理，建立数据采集、清洗、标注的全流程规范，打破部门数据壁垒
。
小步快跑验证：从“高价值、低复杂度”场景切入（如客服问答、文档生成），通过小规模试点验证ROI，再逐步扩大范围
。
构建组织适配机制：成立跨部门AI专项团队，明确“业务+技术”双负责人，建立“敏捷迭代、快速试错”的项目文化
。
平衡技术选型：优先选择标准化AI原生应用，结合企业需求定制开发，避免“重复造轮子”
。
总结
当前企业处于AI从“实验”到“核心”的过渡期，仅少数企业真正准备好将AI融入核心业务。多数企业需先解决数据治理、组织适配、战略对齐等基础问题，再通过“小步快跑”验证价值，逐步实现AI的规模化落地。AI不是“技术炫技”，而是“业务工具”，只有真正解决业务痛点，才能释放核心价值。

企业AI落地普遍困局：高额Token成本吞噬效益，短板“弱链”决定AI真实价值
一、真实落地痛点：目标降本20%-30%，AI算力开销反而超人力成本
SAP全球副总裁Varun Thamba在SAP中国峰会分享典型企业AI困境：
高管定下明确预期——AI改造流程实现20%~30%成本节约、效益提升；指令下发后各部门分头开展AI试点，代码优化、业务流程自动化、智能采购决策多点开花。
但大规模测试后管理层陷入尴尬：各部门频繁调用大模型产生海量Token计费，自动化落地后，算力开销总和，竟高于原岗位人工薪酬，AI降本目标完全落空。

该场景是国内企业AI落地普遍现状，配套SAP覆盖13国、2600位企业高管（含200家中国企业）调研数据印证行业结构性问题：
1. 落地策略碎片化：39%中国企业零散推进AI，各部门独立做POC概念验证，试点繁多但无法规模化复用、沉淀价值；仅18%企业拥有自上而下完整AI战略规划。
2. 回报率缓慢提升但隐性负担加剧：中国企业AI投资回报率由去年18%升至22%，预测两年后达38%；但67%受访企业反馈，AI拓宽了业务处理边界，同步显著增加员工工作负荷与责任压力。

二、三大底层瓶颈：数据、员工、治理全部“未就绪”
Varun Thamba将企业AI规模化失效根源归纳为三重短板，也是绝大多数企业的共性短板：
1. 数据未就绪
69%中国企业自认为数据可支撑智能体落地，同比小幅下滑；企业普遍存在“有数据、无优质数据”的矛盾。人力、财务部门存量数据庞大，但完整性、准确性、标准化严重不足；数据孤岛、语义不统一，AI无法获取连贯可信的业务上下文。
2. 员工未就绪
78%企业坦言员工技能迭代跟不上AI更新速度，大模型、智能体以周为单位持续迭代，员工缺少体系化培训，难以熟练运用AI重构原有工作流程。
3. 治理未就绪
仅6%企业搭建完善AI治理体系，类比为“辖区警力不足”：缺少统一管控规则，各部门随意调用模型、无成本管控、无安全边界、无权限规范，算力浪费、数据泄露、错误决策风险同步放大。

三重短板叠加，直接造成AI与核心业务割裂：系统碎片化导致智能能力游离于主流程之外，只能做单点工具，无法端到端驱动业务，难以释放规模化商业价值。

三、宏观经济学视角：“弱链理论”解释AI宏观增速与企业个体回报割裂
SAP大中华区总裁原欣引入学界分歧与弱链（Weak Link）理论，解答核心矛盾：微观场景AI效率百倍提升，宏观经济生产率增长却仅个位数。
1. 学界两种预判
- 乐观派斯坦福Erik Brynjolfsson：2025年美国AI拉动生产率提升2.7%，为近十年均值2倍；
- 悲观派诺奖经济学家Acemoglu：AI可盈利自动化场景不足经济总量5%，十年仅拉动生产率提升1.1%。
2. 核心逻辑：弱链决定整体上限
木桶承载力由最短木板决定，AI技术再强大，企业数据底座、老旧IT架构、业务协同机制、组织能力的薄弱环节，会彻底限制价值释放。
麦肯锡2025调研佐证：88%企业已上线AI场景，但仅6%企业实现AI拉动EBITDA增长超5%；94%企业持续投入，却未兑现可观商业收益。
企业最大弱链：AI智能工具与ERP等核心业务系统存在断层。IBM与SAP联合白皮书显示，IT架构老化、内部业务协同困难是智能化头号结构性障碍，AI无法深度介入真实业务执行环节。

四、标杆企业补弱链落地路径（三一/曼森/毕马威三类样本）
样本1：三一集团（重工大型制造企业，全链路数字化基础完备）
历经业务线上化→信息化→数字化（灯塔工厂、数字中台）三阶段沉淀，2025年启动全员智能化，董事长牵头推行“全员AI强管控”：
1. 所有管理、关键业务岗梳理AI融合场景；
2. 沉淀130万+行业领域知识，自研十余款垂域模型，落地700+AI赋能场景，年度AI增效约2亿元；
3. 现存短板：单点岗位效率提升显著，组织级全局效率优化仍在探索。
核心结论：无前期数字化基建，AI只是空中楼阁。

样本2：曼森集团（高速增长中型企业，轻量化落地）
不盲目追逐大模型、AI智能体，优先夯实ERP数据底座，解决信息割裂：
1. 全面替换多套零散旧系统，上云部署SAP Cloud ERP，统一全公司数据标准；
2. 逻辑：AI决策依赖完整、统一数据沉淀，基础业务系统是AI的前置“大脑”；云部署轻量化落地，快速消除数据孤岛。

样本3：毕马威（专业服务机构，咨询落地方法论）
自身作为标杆客户迁移核心ERP至公有云，提炼八字落地思路：大处着眼，小处着手
1. 顶层搭建整体AI规划，规避零散试点；
2. 从低投入、低风险小场景切入，快速产出量化收益，以试点成效带动全公司推广；
3. 明确底线：AI不存在零成本，必须核算算力投入与业务回报。

通用闭环落地三步法（对应SAP三级AI治理架构）
1. 数据就绪：搭建统一业务底座
用ERP、数据云打通全链路数据，破除孤岛，统一数据标准；三一S/4HANA、曼森云ERP、毕马威云化核心系统，底层逻辑一致——先修好数据“高速公路”。
2. 知识就绪：沉淀体系化企业业务知识
梳理流程、规则、行业经验形成企业专属知识库，避免AI仅掌握碎片化信息，支撑智能体完整业务推理。
3. 组织就绪：业务驱动、全员参与
AI转型不再是IT部门独立项目，自上而下推动业务岗深度参与，匹配培训、考核机制，补齐员工能力短板。

配套SAP三级AI治理体系：
底层 数据治理层（Business Data Cloud）：保障输入数据可信、精准；
中层 应用集成层：打通ERP与第三方系统，实现端到端业务流转；
顶层 智能体协同层（Joule/AI Agent Hub）：统一管控、调度所有企业AI工具。

五、SAP落地方案：AI奇点启航计划
将三步落地方法论标准化交付：企业参与联合工作坊，立足真实业务痛点，2~4周完成可量化价值的原型验证，验证收益后依托RISE/GROW体系嵌入常态化业务运营。

六、企业AI落地核心行动准则与长期判断
1. 落地反常识建议：不从AI入手，从业务瓶颈入手
Varun Thamba建议先定位全流程成本损耗最高的环节，精准投放AI；量化核算Token算力成本与场景收益，确保AI投入低于节约的人力、损耗成本，从根源解决“算力超人工费”的困境。
2. 长期行业判断（三一许国强）
十年前数字化是企业可选项，五年前成为必选项，当下AI是生存项；AI不会单纯替代人，善用AI的个人、企业，淘汰拒绝拥抱AI的个体与组织。
3. 行业本质总结
94%企业投入无明显回报，并非大模型技术存在缺陷，而是企业自身数据、流程、组织、治理存在大量未补齐的“弱链”。
数据清洗、流程标准化、知识沉淀、统一系统底座等基础工作缺乏噱头，却决定AI最终能释放多少商业价值；补齐底层短板，才是AI兑现效益的唯一前提。