技术迭代的加速正在把企业AI推向一个新的分水岭。Agent能力不断突破企业高层和一线员工对AI的热情持续升温但真正进入业务流程、承担真实任务并产生业务结果的应用仍然只是少数。这意味着企业AI已经从“能不能用”的阶段进入到“能不能被组织承接”的阶段。模型能力本身不再是唯一变量数据口径、业务语义、权限体系、流程稳定性和责任归属正在成为AI从试点走向规模化落地的关键约束。在此背景下观远数据创始人兼CEO苏春园做客“对话首席”栏目与爱分析展开了一场深度对话。本次对话围绕企业AI真实落地进度、Agent进入工作流的关键障碍、Context在企业AI中的作用、5A落地路径方法论、决策智能平台以及企业级AGI的演进方向等主题展开。核心观点1、企业AI的真实状态是“两头热中间难”企业高层对AI高度重视且持续加码一线员工对AI工具接受速度极快但中间的IT与数据决策层反而非常谨慎核心矛盾不是技术而是组织AI建设与AI风险管控能力的滞后。2、AI真正进入企业的标志不是“能用”而是“进入工作流”判断AI是否落地的关键标准不是POC完成与否而是是否进入业务工作流。当前只有5%的AI应用真正进入业务流程从“工具体验”走向“业务执行”。3、企业AI的核心瓶颈正在从“模型能力”转向“Context能力”决定AI效果的关键不再是模型本身而是上下文系统包括指标体系、业务语义、组织权限与策略结构等。没有统一ContextAI只能输出“正确但无用”的结果。4、企业AGI本质上是持续进化的决策系统。企业AGI是闭环系统从数据到上下文形成决策转化成行动带来反馈优化系统。一旦跑通闭环企业的决策速度和决策质量都会发生结构性变化。以下为本次对话实录在不改变原意基础上略有修改。01 企业AI落地的真实进度两头热中间难A您这两年观察企业AI落地最直观的一个感受是什么苏春园如果用一句话来概括我们内部有一个判断叫“两头热中间有点难”。所谓“两头热”其实是两个方向都在加速。一端是一号位也就是企业高层对AI的重视程度非常高而且这种重视不是短期的而是持续加码的状态。我们看到的现象是几乎每一年过完年企业对AI的关注度都会再提升一轮很多甚至是一号位亲自下场推动从战略到资源都在往AI倾斜。另一端是一线员工。一线的情况完全不同他们对AI工具的使用非常高频而且是自然发生的不需要推动。一旦工具足够好用他们会主动去用比如写代码、做分析、做内容生成这一层的渗透速度其实非常快。但真正卡住的是中间这一层也就是企业的IT负责人、数据负责人、数字化负责人这一层。他们相对谨慎不是说不愿意做而是必须考虑更多系统性问题比如数据治理、权限体系、风险控制以及业务流程的稳定性。所以你会看到一个比较典型的断层现象上面很热下面很热但中间反而变得最复杂。A为什么会出现这种中间层“卡住”的情况是技术不够成熟还是组织问题苏春园本质上更偏组织问题而不是技术问题。我们在很多客户场景里看到一个很典型的现象Agent类应用在POC阶段会非常活跃甚至一上线就很快被一线大量使用比如做数据分析、做报表生成、做简单决策辅助但一旦进入到真正的业务流程就会迅速遇到挑战。比如数据口径不一致不同部门对同一个指标的定义不同再比如权限问题谁能看什么数据、谁能触发什么动作这些在传统系统里已经很复杂在AI系统里会被进一步放大还有一个问题是责任归属当AI给出一个建议并触发动作之后这个结果到底谁负责这在企业内部其实是非常敏感的。所以你会看到一个很现实的情况有些Agent看起来用得很热但真正进入工作流的比例其实并不高我们服务了1000多家企业粗略观察大概只有5%左右真正进入了稳定业务流程意味着约95%还在demo、试点、POC阶段或者还停留在对话式应用中并没有真正承担真实任务、拿到业务结果。但这个5%其实很关键它意味着AI已经开始从“工具体验”走向“业务执行”这是一个非常重要的拐点。下半年到未来6到10个月这部分已经跑起来的企业会形成明显加速度星星之火已经在起来。A从DeepSeek到OpenClaw再到现在Agent能力增强这一轮AI变化对企业的影响到底是什么苏春园这个转折是非常明显的是认知层面的跃迁。去年大家更多是在体验层面觉得AI很聪明但本质上还是一个对话工具。但今年开始尤其是Agent能力逐步成熟之后企业第一次开始真正感受到AI可以“执行任务”而不仅仅是回答问题。比如我们看到很多企业在早期尝试的时候会出现一种非常典型的热度路径一开始非常兴奋大量使用Vibe Coding或者数据分析Agent去做各种尝试但进入到二季度之后问题开始集中暴露出来比如数据权限、数据一致性、系统集成等问题。这时候企业会突然意识到一个问题AI不是一个孤立工具它必须嵌入企业系统。所以也就出现了一个很关键的变化点我们内部有一个词叫Harness Engineering。去年大家讨论更多的是Prompt Engineering今年开始越来越多企业在讨论Harness Engineering好几个CIO提到当一线开始深度使用成为超级个体之后组织的承载力跟不上。这里面的原因有几方面——第一数据和权限的管控问题。当一线用DeepSeek、ChatGPT等大模型自己做事的时候可能就是数据导出来用但数据口径对不上权限乱。组织层面需要建起一整套的DataOps、AI Ops、Harness engineering的体系。第二应用之间的连接。原来BI时期所有东西都是可控的——结构化数据、IT系统、H5、看板。但现在AI时代的边界变模糊了Agent可以接各种外部数据、API需要新的连接范式。第三业务复杂度需要场景化。当一个对话的Chatbot变成一个能完成端到端业务流的Agent它跟组织里所有相关系统都要打通复杂度是指数级上升的。所以我们也在做企业级托管能力。比如用户在Gemini、Kimi或其他Agent上做出来的应用可以托管到企业分析平台里由平台接管登录、权限、后台监控、安全和分享机制。这样个人侧的热度才有机会真正进入组织工作流。换句话说重点已经从“怎么用AI”变成“怎么管住AI、怎么组织AI、怎么让AI进入流程”。02真正的分水岭不是模型能力而是上下文能力A您刚才提到企业AI的中间层卡住很大一部分原因和数据、流程有关。现在大家越来越强调Context这个变化是怎么发生的苏春园我们现在越来越强烈的一个判断是在企业级AI里面决定效果的不是模型能力本身而是上下文能力。但这里的Context其实远远不是大家理解的“把文档丢给模型”这么简单它是一个结构化系统。我们内部拆解下来大概有七个层面的Context能力比如指标定义、业务语义、组织权限、策略结构、行动定义、数据口径以及反馈机制。进一步看还会涉及指标如何拆解到履约和营销动作、责任人、企业目标和决策原则等。举一个最简单的例子在传统BI时代企业最重要的是Single Version of Truth也就是所有人看到同一套数据口径。但在AI时代这件事情是不够的因为AI不仅要“看同一份数据”还要理解“这份数据在业务里意味着什么”。比如销售额下降这件事在不同Context下含义完全不同。可能是季节性波动也可能是促销结束也可能是库存策略调整导致的结果。如果没有上下文AI给出的建议很可能是错的甚至是误导性的。所以我们现在看到一个非常明确的趋势就是企业正在从“数据统一”走向“业务语义统一”再进一步走向“决策上下文统一”。我们内部有一个说法在企业级AI应用里第一性原理可能不是“Attention is all you need”而是“Context is all you need”。Context是企业不可被模型直接训练出来的部分也是企业真正掌握在自己手里的核心能力。A这个Context在产品层面是怎么落地的它和传统的数据体系有什么不同苏春园我们做了一层非常关键的设计叫Context Layer。在这一层里面很多过去需要人工维护的内容现在开始逐步交给Agent去做。比如指标定义以前是数据团队去定义、维护现在可以通过Agent基于历史BI系统、看板、分析链路自动生成初始版本然后再由人去确认和修正。再比如Ontology业务本体建模过去这是一个非常重的工程项目需要大量专家投入。但现在我们可以用Agent基于少量输入自动生成初版结构再通过持续运行不断优化。但Context也不是越多越好。上下文太多会带来混乱、消耗和误判所以要按场景组装Context Pack在某个业务场景或某个决策环节里把最关键的上下文组合起来再通过人的干预、Agent evaluation和业务反馈持续校正。更关键的变化是Context不再是静态的而是动态进化的。它会随着业务运行不断被反馈修正这一点非常重要。因为企业的业务本身就是变化的如果上下文是静态的那AI系统一定会逐渐失效。这件事对CEO也很重要。企业里那些已经被验证有效的策略不能等到一周、一个月甚至年终复盘后再层层传递而应该通过上下文沉淀和Agent分发尽快出现在更多战区、门店或一线人员的工作台上直接推动下一步动作。03 企业AI落地节奏很重要A你们提出5A方法论解决的核心问题是什么苏春园5A本质上不是一个技术框架而是一个节奏控制框架。我们看到企业在落地AI时最大的问题不是不会做而是节奏错了要么过快导致混乱要么过慢错过窗口。所以我们把这个过程拆成五个阶段。第一个A是Agile也就是敏捷化一天完成构建一周投入试运行。第二个A是Applied也就是场景化一个月进入真实业务工作流。第三个A是Automated也就是自动化自动生成决策洞察与行动建议。第四个A是Actionable也就是行动化落地到可执行、可追踪的业务动作。第五个A是Adaptive也就是自进化能力让系统可以在真实业务反馈中不断优化。这个路径其实解决的是一个非常现实的问题企业AI不是一次性项目而是一个逐步进入组织的过程。A为什么你们一直强调“场景先行”而不是像过去数据中台那样先搭平台苏春园这是一个非常关键的反思。过去数据中台的失败很大程度上是因为bottom-up路径也就是先建设能力再寻找场景。但问题是能力建设往往过重周期太长最后和业务脱节。AI时代完全不一样我们非常明确的判断是场景先行。也就是说必须从具体业务场景出发比如供应链、销售管理、门店运营、电商运营等优先选择价值高且可落地性强的场景然后快速跑通最小闭环。一旦这个闭环跑通它就不是一个项目而是一个可以复制的能力模块。选择场景时我们通常会看两个维度一个是业务价值一个是落地可行性。比如消费品行业里的供应链、销售渠道管理、电商运营等都可以放进这个二维矩阵里优先找业务价值中高、落地可行性也高的场景。为了让场景真正跑起来还需要FDE化的交付方式。以联合利华为例我们的FDE团队会在现场做业务调研、梳理workflow白天在仓储中心看流程晚上快速迭代第二天再和业务一起验证。重度共创会深度驻场轻量方式则通过workshop和线上线下陪跑完成。企业也要接受一个现实技术变化曲线很陡但企业采纳曲线往往比较平缓。真正重要的不是全员一窝蜂上某个工具而是找到自己所在阶段从高价值场景快速开始并尽快让AI成为工作流的一部分。04 决策智能平台的本质从“看数据”走向“做决策”A决策智能平台和传统BI或者数据平台最大的区别是什么苏春园核心变化是从“以数据为中心”转向“以决策为中心”。传统BI体系本质是OLAP分析系统它解决的是一个问题发生了什么。但决策智能平台要解决的是另一件事接下来应该做什么。这背后其实对应经典的四层数据分析描述性、诊断性、预测性和处方性分析。过去很多企业能做到“发生了什么”但要进一步做到“为什么发生”、“如果不干预会怎样”、“应该采取什么动作”往往很难真正打穿。大模型和Agent的出现让自然语言理解、目标推理和工具调用可以被动态组合起来决策智能才有机会真正普及。所以整个系统架构是完全不同的。我们现在的架构大致分四层。最底层是可信数据底座包括数据治理、指标体系等这是基础能力。第二层是可信上下文层也就是我们刚才讲的Context Layer。第三层是智能中枢层也就是DecideX这样的Agent编排系统它负责调用数据、模型、工具并完成决策推理。最上面是应用层包括各种场景Agent比如供应链排产Agent、电商运营Agent、门店分析Agent以及ChatBI、洞察Agent等。A这种架构最大的变化体现在哪里苏春园最大的变化是系统从“工具逻辑”变成“结果逻辑”。过去BI是工具你只要能看数据就可以了但现在的系统必须对结果负责。比如一个促销策略不只是告诉你数据变化而是要推动动作并且跟踪这个动作最终带来的业务结果甚至要反过来验证这个动作是否真的带来了客流变化、转化提升或者库存优化。这就让整个系统从分析工具变成了一个决策与行动系统。从产品实现看这也意味着系统要处理更多非结构化上下文并且要有写回、反馈、审计、留痕、追审和版本运维能力。越底层的权限、接口和可信机制越需要稳定越上层的Agent能力和业务组件则会持续快速演进。05 企业AGI是持续进化的决策闭环A现在很多人在讨论企业AGI但更多是围绕模型规模和Token消耗您怎么看这个方向苏春园在企业场景里这些指标一定会很快弱化。企业最终是非常理性的它不会关心你用了多少Token它关心的是业务有没有变化。比如销售有没有提升效率有没有提升成本有没有下降这才是核心指标。所以企业AI的评价体系一定会从“技术指标”转向“业务指标”甚至在6到12个月内这种变化会非常明显。A怎么理解企业AGI的本质苏春园如果一定要总结企业AGI本质上是一个持续进化的决策系统。它不是一次性的智能能力而是一个闭环系统。数据进入系统形成上下文然后产生决策再转化为行动行动带来反馈反馈再反向优化系统。这个循环一旦跑通企业的决策速度和决策质量都会发生结构性变化。对我们来说AI决策智能平台某种程度上就是在帮助客户构建这样的数据决策大脑它不替代所有系统而是调度数据、上下文、工具和业务系统推动企业持续自我进化。我们自身也在做100天AI重构把决策目标、上下文数据和一线工作方式重新组织起来目标是让组织每天、每周都变得更聪明。
)
