前不久，SAP CEO 柯睿安表示“继续采用订阅模式是愚蠢的”，整个行业都在讨论按使用量计费、智能代理、自动化替代人工操作这些新模式。
前不久，SAP CEO 柯睿安表示“继续采用订阅模式是愚蠢的”，整个行业都在讨论按使用量计费、智能代理、自动化替代人工操作这些新模式。但比计费方式更值得深思的是，为什么 AI 在企业里总是“雷声大、雨点小”？为什么自动化与智能化喊了十几年，真正落地的场景却寥寥无几？企业不断投入，却得不到多大成效，到底谁才是制约 AI 落地的真正罪魁祸首？很多人第一反应是业务不够标准化、数据质量不够高，但这些答案虽然正确，却只停在表面。真正的问题不是企业缺少标准，而是缺少“被标准化的意愿”。企业之所以多年无法标准化，不是不能，而是“不愿”。因为每一个流程背后，都是多年来积累下来的权责结构、组织习惯、部门壁垒、甚至利益链条。要标准化就意味着打破旧逻辑、重新分配权力和责任，而不是简单地写一份流程图。因此，阻碍企业智能化的不是业务复杂本身，而是对改变的天然抗拒。数据质量也是同样的道理。并不是企业没有意识到数据差，而是没有意识到“数据差的代价”。当数据只用于报表时，质量好坏影响不大。当数据成为 AI 决策基础时，错误数据意味着错误决策，代价成倍放大。问题在于过去十几年，企业从未感受到这种“放大效应”。如今 AI 的出现，让数据质量的风险暴露得更彻底。真正阻碍 AI 落地的不是数据治理做不好，而是没有“非做不可”的痛感。很多企业还存在一种错觉，以为 AI 是“加东西”，而不是“减东西”。他们不断加预算、加系统、加项目，却从不愿减冗余、减例外、减无谓的流程复杂度。AI 从来不是替企业装饰门面的，而是迫使企业把不必要的东西删掉，把该统一的统一，把该业务流程清洁的清洁。越是拒绝“减法”的企业，越是无法拥抱 AI 的“乘法”。那些业务看似复杂的中国式企业，并不是天生不适合自动化，而是舍不得放弃那些不必要的复杂。另一个常被忽视的罪魁祸首是“技术驱动而非场景驱动”。很多企业上来就谈模型、谈算力、谈平台，却没有问过自己一句话，到底想解决什么问题？没有场景的 AI 就像没有血液的心脏——结构再大、能耗再高，也无法让身体活起来。真正落地效果好的企业，都有一个共性，不是让 AI 适配业务，而是先把业务拆解得足够清晰，再让 AI 嵌入进去。换句话说，业务必须先做“可被科技利用”的改造。此外，不少企业在推进智能化时只盯着工具，而忽略了组织动力。AI 的应用本质上是一场“工作方式变革”，需要组织对流程、职责、决策链条做出调整。当业务部门依旧按旧方式干活，IT 部门仍旧按旧方式运维，管理层仍旧用旧指标衡量价值时，AI 注定只能停留在 PPT 上。组织不能用旧的规则去容纳新的生产力，否则 AI 再强大，也只会成为新的工具堆积。更深层的阻力来自“缺乏复盘与迭代文化”。传统系统上线后能跑就行，很少有人持续反思流程怎么优化、规则是否冗余。但 AI 的本质是持续学习、持续训练、持续优化，如果企业依旧维护旧有的“一次性上线”思维，AI 就会变成一块不会成长的石头。AI 落地不是项目，是生命体；不是一次性交付，是长期运营；不是某个系统上线，而是组织能力的升级。还有一个很现实的罪魁祸首，就是企业把 AI 当“外力”，而不是“内力”。AI 永远不可能替企业解决企业自己都看不清的问题。如果企业不愿意面对自己的流程真相、不愿意暴露数据问题、不愿意承认组织内耗、不愿意启动真正的流程再造，那么 AI 就只能附着在旧体系上，最终沦为花钱买热闹。真正能推动 AI 落地的企业，往往具备几个共性：敢于面对自身流程的陋习，敢于推动跨部门协作，愿意让业务变得更透明，愿意为数据建立统一标准，也愿意持续打磨场景。这些企业并不是因为“天生标准化”，而是因为“愿意被标准化”；不是因为本身数据质量高，而是因为“愿意让数据变好”。AI 不会因为企业复杂而失败，但会因为企业拒绝改变而失败。因此，制约 AI 落地的罪魁祸首既不是业务复杂，也不是数据质量差，而是企业缺乏“为变化付出成本的勇气”。真正的智能化不是跟风上技术，而是敢于触碰自己系统深处最难改的那部分。能跨过这一步的企业，才真的能让 AI 带来价值，而不是让 AI 成为又一次昂贵的表面化升级。
