个人早就用上了AI,企业的AI还停在业务门外
分析师/会磊 校对/Tina 策划/Eason “以前做会员活动,方案都是几个人在会议室里拍脑袋定出来的。券发出去,等两周报表回来,才知道哪一档等于白送。”一位连锁餐饮....
分析师/会磊
校对/Tina
策划/Eason
“以前做会员活动,方案都是几个人在会议室里拍脑袋定出来的。券发出去,等两周报表回来,才知道哪一档等于白送。”一位连锁餐饮集团的会员运营负责人说。而现在,系统会先把几种方案的效果和风险摆出来,人只判断选哪个。他觉得省下的不是写方案的时间,是试错的时间。
这句话道出了一个分水岭。如今会干活的工具已经不少,个人的活先被接走了:写方案、做表、出报告,一句话交代下去,成品就出来了,提升的是员工个人效率,但真正能让AI把一件事想到、做完、再复盘的企业,仍然是少数。
德勤《技术趋势2026》智能体的企业只占11%;
今年7月,云徙科技发布《基于
xGOS.AI
01 插件装了,订单为什么还是走不完
市面上的AI工具,如今已分出几条路线:办公套件里的助手负责写材料、做纪要、查文档;客服机器人、OCR、智能外呼,各自盯住一个具体动作;
问题在于,企业运营并不是这些工具简单拼起来的。一笔订单要跨营销、交易、履约、结算四个部门,中间还夹杂着折扣底线、审批例外、库存约束,这些判断散在人身上。工具能记录、能分析、能生成方案,唯独不能替企业把判断做完。
云徙科技在《基于xGOS.AI的企业AI应用标准》白皮书里给出了三条判断标准:能不能自己执行业务决策;能不能走完感知、决策、执行、反馈这个循环;会不会在使用中进化。
按这三条判断标准来衡量,办公助手主要服务个人效率,单点工具只覆盖一个动作,系统厂商的AI与自家产品贴得最紧、换了系统往往要重新对接,
为什么卡在这儿?因为有三样东西,是AI工具给不了的。
一是语义。财务、运营、电商各有一套口径,销售额按含税、不含税、发货、下单分别能算出不同的结果,AI分不清哪个可信;客户、门店、商品、订单之间,得先有一层机器能懂的定义和关系,这层东西叫
二是知识。规则、经验和判断依据散在人脑里,模型里没有。
三是业务能力。调价、发券、补货、审批这些动作,最终都要在业务系统里落成单据;老系统不改,接口开不出来,AI再会想,也只能停在建议层面。
缺了这三样,智能体再能干,也是在系统外面干活。
这也解释了通用AI和企业AI的分野:前者比的是个人效率,可以外挂;后者比的是业务结果,得长在系统里。云徙科技的xGOS.AI正是按这三层来做的——资产层管判断依据,底座管执行通道,
02 卡住AI的,是哪四道断层
三条标准要立得住,得先看清企业里卡在哪儿。
卡住AI的有四道断层:第一道是知识,从来没被结构化,锁在老员工脑子里,人一走就带走;第二道是流程,按岗位串行执行,按层级层层审批,AI只能出建议;第三道是数据,散在各套系统里,口径不一;第四道在战略和执行之间:战略往下走,每过一层翻译一次,到一线往往成了模糊口号。
这四道断层,对应前面说的三层结构:资产层管知识和数据,底座管执行通道,场景层让任务跨部门跑完。
图注:xGOS.AI以
先说资产层。AI要自己拍板,前提是判断有据可依。而企业的碎片信息往往散在人的经验、流程的节点、系统的接口和数据的记录里。云徙把这一层叫
资产一共分四类:知识资产;MCP;
四类里最费功夫的是,因为它不在任何一套系统里。通用模型懂行业,却不懂这家企业。你问他怎么提升复购,它答得出分层、权益、唤醒;可有的企业按到店频次乘客单价分层,同一个商品的折扣底线在各渠道也不一样。这些细节,通用模型并不知道。
策略要落到动作,中间得经过两次翻译。先把一句话翻成规则,什么条件触发、阈值多少、谁审批、超限怎么办;再翻成动作,调价、发券、下单、转人工。规则存在资产层,动作走底座,结果回到资产层。
夹在中间的是业务断层卡住的地方,往往不是模型不够聪明,而是没有一条能让AI签字的通道:它得连上用了十几年的老系统,管得住哪个岗位、哪个AI能调什么,把几个动作编排成能跑完的流程,而且全程还得看得见、追得回。
最上方是场景层,有四个入口:营销、订单、供应链、业财,每个入口下面是一支AI团队:策略师出方案,执行师动手,分析师看结果,人定目标和边界。
这三层不是分别去满足的。判断有依据,执行有通道,一圈跑得完,靠的是同一套结构。能不能进化,要看结果回不回得来。
03 哪些交给AI,哪些必须人确认
回到开头的三条判断标准,第一条问的是AI能不能自己执行业务决策?同样是补货、审批、开方,交给它的程度可以完全不同。
先看全自动的。门店补货要同时考虑服务水平、库存成本和调拨时效,店长很难三者兼顾。云徙所服务的某家居企业把补货拆给四个AI团队:需求预测出基准,门店与分仓生成两级补货方案,总仓在起订量、箱规、产能的约束下出采购方案,库存监控盯缺货、积压和临期,方案由系统自己跑,人只看异常。实践下来,现货率和服务水平都比人工排补货时明显提高。
半自动的一类,是把选项摆到人面前。一家地产与商业运营企业把获客、签约、回款、佣金结算的规则放进同一套系统。碰上签约延迟、回款异常,系统会把补充材料、回款跟进、审批几条路拆出来,交给人选。放不放行,最终还是人来签字。
第三种是不许自动。一家畜禽养殖企业把兽医知识库、兽药知识和积累的病例接进AI诊疗,养户用文字、图片或语音说症状,系统给出疑似疾病、鉴别要点和用药建议,供养户参考。但开药这一步不归模型管:禁用药、
交到哪一步,看的是出事谁担责,不是模型多聪明。动钱、动药、动合同的,人签字;动库存、动排班、动触达的,AI自己跑;中间那一段,由AI把选项摆出来,人来选。当然,前提是权限写得清,哪个岗位、哪个AI、能动哪一类动作、动多大额度,都要在系统里落成规则;权限含糊,AI就只能退回成建议。
04 闭环跑不完,断在哪一环
第二条标准问的是能不能走完感知、决策、执行、反馈这个循环?多数企业的AI还挂在业务系统外面,只出建议,连不上就谈不上跑完;真正接进去的,断点也各不相同。
会员营销这一圈,最容易断在反馈。券发出去,核销、复购和退单散在三个系统里,说不清哪一环漏了,下一轮就只能从头发券。
订单这一圈,容易断在执行。一笔订单从下单到结算,占库存、派仓、结算回传,几道手各算一套;接口开放不出来,动作落不下去,单据也回不来。一家家电品牌把电商、门店、物流仓和支付接进同一套框架,建起
供应链这一圈,断口常在策略。补货单下出去只是开头,到货率、周转天数、临期库存分在三张表上,对不上就各看各的,缺货和积压常常同时存在:一个仓的滞销,往往就是另一个仓的缺货;调拨、退供、清货,本该放进同一套策略里权衡。这一环断了,就拼不出一个统一的判断。
业财这一圈,断口在入口。营销费用多数由经销商先垫,再逐级提报核销,单据跨月、口径不一,核销一慢,预算就滚不动。一家调味品企业上线了
四块断的地方不一样,共同点却很一致:中间总有一环没人管:要么落在人手里,要么落在别人的账上,回来的时候自然就断了。而补这一环,多数时候不是加一个AI应用,是改系统。
05 同样的活,第二次会不会更快
第三条标准问的是会不会在使用中进化,换句话说,同样的活,第二次做会不会更快。
一家经营多个餐饮品牌的连锁集团,在授权范围内把旗下品牌的会员数据接了进来,不同品牌、不同渠道的会员信息拼成一张
过去做这样的方案,要从几套系统分别取数、逐项配人群,做到能执行往往按天算;现在只要把目标说清楚,AI团队就会分工产出分群、方案和触达,人只在关键点确认,准备时间从按天压缩到了按小时。
活动做完,事情才刚开始。分群逻辑、权益组合和结果都会回写到资产层,下次做同类活动,起点就不再是一张空表。
要进化,账得算得清。一次放行是对是错,事后得有结果对上;对不上,沉淀下来的只是说法,而不是经验。规则也是在用的过程中长出来的。促销能不能叠加、赠品算不算毛利,写成规则还要过执行这一关;老被误触发的规则,说明边界写错了,得回头改。前两条标准能靠设计和实施做到,这一条只能靠时间。
06 留下来的,和留不住的
三条标准,说到底只问一句:做完这一轮,结果有没有回到企业身上。一次佣金放行、一轮调货、一张单据核销,当时为什么这样定、依据在哪,都回到资产层;下一班人接手,不必重新问一遍。模型可以调用,工具可以购买,规则买不到。
比规则更难买的是人。人的本事只能长,而且长得最慢。过去靠经验拍板的店长,现在要把目标说清楚、把边界划出来、按结果改规则;过去埋头拉数的运营,现在要判断AI给的三个方案哪个能用。这些不在任何交付清单里。
当然,这套东西有边界。业务模式清楚、规则写得出来、相对稳定的企业最见效;规则还在试错、数据没打通的,确定性就有限。评估效果也别只看上了多少应用,更要看经验有没有沉淀成资产。
留下来的东西也会坏。规则会过期,口径会漂移:同一个会员,百货按消费额、超市按到店频次给权益,一张券发下去就重复了。谁定规则、谁改口径、谁对结果负责,不写清楚,AI用得越久越不准。
Gartner模型会更新,工具会换代,但开头那位负责人省下的试错时间,说到底不是模型给的,而是企业把判断的依据、执行的通道、跑完的结果留在了自己手里。云徙科技xGOS.AI想做的,正是让这三样长进企业自己的系统里。