企业 AI 的下一道坎，不在模型层 而在工程化落地

9 月 17 日，阿里云和北京礼渔科技在阿里巴巴北京朝阳科技园办了一场企业客户研讨会，名字叫「Agent GO·千问办公·北京站」。来的企业成分很杂，做咨询的、做塑料软包装的、做医疗和零售的都有。

上午由阿里云的解决方案架构师开场，讲大模型时代的企业转型节奏。下午礼渔科技讲他们做过的落地案例。原以为这种场合的问题会集中在模型选型上，结果提问环节冒出来的问题，几乎没有一个是问模型的。

有人问，公司文档散在十几个地方，怎么让 AI 找得到；有人问，财务数据能不能给 AI 看，权限怎么卡；还有人问，上一轮做的知识库现在没人用了，这算不算白做。

这些问题听起来琐碎，但它们指向同一件事。模型能力早就不是最卡的那一环了。

2026 年关于企业 AI 的调研数据摆在一起，会看到同一个形状。

德勤今年对三千多名高管的调查显示，把自家四成以上 AI 试点推进到生产环境的受访者不到四分之一。麦肯锡的调查里，89% 的组织至少在一项业务里用上了 AI，跑出成效的只有 6%。S&P Global 的数据更直接，2025 年有 42% 的企业放弃了大部分 AI 项目，这个数字在前一年还是 17%。

Gartner 今年 4 月对 782 位技术与运维负责人的调查给了一个更清晰的漏斗。每一千个拿到预算的 AI 项目，大约一百二十个能上线，其中大约三十四个能达到预期的投资回报。这家机构还预测，到 2027 年底会有超过四成的智能体项目被取消，理由是成本持续攀升、商业价值不清晰、风险控制不足。

注意措辞。它说的是项目被取消，不是技术失败。这两件事对企业来说含义完全不同，前者说的是投入产出的判断，后者说的才是方案本身行不行。

失败原因也查得到。多项 2026 年的调查把它们归成三类，与既有系统集成太复杂约占 41%，治理与安全问题约占 38%，算不出投资回报约占 33%。这三条里，没有一条能靠换一个更强的模型解决。

换个说法会更清楚。一个演示级别的智能体，接三五个干净的接口，拿一份整理好的数据跑一遍，很容易做得好看。换到生产环境，它要去对接一套十五年前的 ERP，要读一个没有文档的非标准接口，要在数据格式比标准化工作还早的系统之间对账。演示里没有的这些事，恰好是真实业务里最耗时间的地方。

这也解释了研讨会上那个提问。企业买了工具，员工也在用，但价值没有落到报表上。工具解决的是单点效率，业务链路上那些藏在人和流程里的规则，工具看不见。

研讨会下午的分享里，礼渔科技讲了两个案例，都不是标准意义的样板间。

第一个来自一家综合性咨询机构，主营财务尽调、内控评价和专项合规咨询三条业务线。它的处境在同类机构里很有代表性。一个项目进场，先要列资料清单发给客户，客户交回来的东西要核对是不是齐了、是不是重复要了；中间阶段有成堆的账目和单据要处理；做完要出报告；报告和底稿最后还要归档。顾问的时间大部分消耗在这几件事上，需要专业判断的部分反而被挤到加班时间里。

更麻烦的是经验。一个做了十五年的资深顾问，他的判断标准存在脑子里和私人电脑里，带新人只能靠师傅带徒弟，人一走，东西就散了。这类问题的麻烦在于它的形状，环节多，每个环节都要人，每个环节的判断标准还不一样，用一套标准软件一次性解决不了。

礼渔科技的做法是分三段推进。第一段把重复劳动自动化，做前期准备、数据分析、报告生成和资料归档四个工具箱；第二段把知识库检索、多 Agent 协作、权限控制这些能力补上；第三段把专家经验沉淀成专属知识库，持续给团队用。

这类改造的成效可以从几个具体动作上看。资料清单的生成不再依赖人工比对，系统会调取企业的工商、资质、涉诉和纳税信用数据自动拼出清单，客户已经提交的资料会被标出来，避免重复索要。账目处理环节，一份 32,689 行的序时账经五类检测筛出 21 条分级异常线索，每条都能定位到对应的凭证。现场访谈的排期由系统完成，3 天 14 场，自动错开客户的月末结算时点。前期分析成果则自动收敛成 8 页汇报材料。项目整体效率提升 60% 以上，八成重复工作不需要人工再做。

这个案例里最值得单独拎出来的是礼渔科技划的一条线。AI 负责的是基础核对和异常识别，结论怎么下、专业判断怎么做，仍然留在业务人员手上。在咨询、审计、法律这三个行业，这条线能不能划清楚，直接决定 AI 进不进得了业务流程。一个回答得出来但找不到依据的 AI，专业场景里没人敢用。

第二个案例来自制造业，一家国内排名靠前的塑料软包装企业。它面临的问题在行业里很常见。内部系统彼此孤立，经营决策依赖负责人凭经验判断；客户资源绑定在销售个人身上；电商端的咨询量把客服团队占满；排产与质检环节人工介入过深。这家企业此前已经用轻量级工具做过信息化，这说明一件事，上过工具不等于解决了问题。

给出的方案是先立一个统一的 AI 入口，再按三阶段推进，顺序是知识库与 AI 客服、经营看板、营销内容，然后是 AI 排产、数据中台与仓储优化，最后才轮到视觉质检、折袋机器人与智能产线。

这个排序本身值得说。前一批事情的共同点是见效快、不触碰核心生产系统，能在短周期里让管理层看到数据变化和客服人效变化。等这些建立起来，再往排产和仓储走，组织内部的阻力会小很多。对多数制造企业而言，困难不在判断该做什么，而在判断先做哪一件。顺序本身就是方案的一部分。

研讨会上有几个问题被提出来，没有得到完整答案。它们恰好也是行业当前的空白区。

一是数据治理到什么程度才算够用。企业内部资料格式不统一、版本混乱，AI 找出来的东西可能是三年前的旧版本。现场给出的回应是知识库需要治理和迭代，但一条业务规则发生变化时，知识库多久能跟上，这件事没有明确说法。等到发现知识库里的规则过期了，往往已经错了几个月。

二是成本能不能算清。Gartner 那份预测里提到的成本持续攀升是真实存在的。一个智能体上线以后，模型调用、检索、监控、人工复核都要花钱，而试点阶段这些成本是被藏起来的。IBM 和牛津经济研究院今年初调查了两千名技术高管，84% 的人没有把 AI 的财务管理完全落地，85% 的人对自己 AI 花了多少钱缺乏实时可见性。企业算不清这笔账，规模化的决定就做不下去。

三是人的位置。麦肯锡的调查显示，表现好的组织有一个共同点，它们围绕 AI 重新设计过工作流程，而且高层从一开始就参与。这两件事都不是技术团队能单独完成的。流程改动意味着职责重划，职责重划意味着有人要少管一块，这些事得业务负责人来推。

礼渔科技在会上讲的一句话可以看作对第三条的回应。他们的理念是不追求一步到位，用一个真实场景启动，先软后硬、先易后难。

这句话的意思是先把第一步走扎实。它不解决问题，但至少承认了这件事没有一步到位的方法。

企业 AI 正在从「能不能做」转向「怎么落地」。前一个问题在 2024 年之前基本有了答案，后一个问题才刚刚开始被认真对待。

从这场研讨会上的案例看，能够跑通的路径有共同特征。不以模型为中心，而以业务流程为中心；不追求一次做全，而按见效快慢排顺序；不回避人的问题，而把能力交还给业务团队。

这个转变对服务方也提出了新要求。会调模型的人很多，愿意进业务现场、把规则一条条问清楚、陪着客户跑完第一版的人少。而这恰好是决定项目能不能活过第一年的那部分工作。

免责声明：该文章系本站转载，旨在为读者提供更多信息资讯。所涉内容不构成投资、消费建议，仅供读者参考。