AI发展至今，参数越来越大，模型越来越聪明，智能体能力越来越强，但企业侧感受到的价值并不明显。

AI发展至今，参数越来越大，模型越来越聪明，智能体能力越来越强，但企业侧感受到的价值并不明显。

在我最近交流的企业中，AI应用大多停留在个人提效层面，很少转化为组织级的经营效益。

个人提效不等于组织效能——员工用AI写材料快了一倍，公司的库存周转、销售转化、风险损失可能纹丝不动。

如何让AI真正进入组织、创造组织效能？这是所有管理者必须回答的问题。

从落地方式来看，我认为企业有两条路径。

第一条路径：从通用办公场景起舞

所谓通用办公场景，指行政、办公、知识管理等非核心价值链场景。

总体思路是：从高频通用场景切入，先解决"人人用得上AI"的问题，再逐渐向研、产、供、销、服等核心价值链渗透。

具体实施上，企业通常从协同办公平台、办公套件插件、知识门户或桌面智能体入手，核心目标是建立一个统一、低门槛、可管控的AI使用入口。

落地这条路径最典型的代表是腾讯的WorkBuddy产品——从今年3月的个人版桌面智能体，到6月发布的企业版，主线始终是从人的工作入口进入企业。

据易观数据《2026年二季度中国办公智能体平台市场洞察》报告披露，2026年6月，17款主流桌面端AI原生办公智能体平台合计访问量突破6000万次，其中WorkBuddy以2097万次居首。

需要说明的是，WorkBuddy访问量数据仅统计PC桌面端——它说明的是这条路启动快、用户接受门槛低，但访问量本身并不能证明组织效能的提升，这正是这条路需要回答的问题。

这条路径的优点很清楚——

启动速度快，个人提效直观可感；场景通用、需求容易识别，试点门槛低，对核心生产系统影响小，实施风险可控。

更重要的是，它能培养员工使用AI、判断AI输出、重构个人工作流的能力——员工AI素养是后续一切深化应用的基础。

但它的局限也同样明显。

如果企业前期只关注入口建设和通用功能，缺少对身份权限、操作审计、数据安全、主数据及业务语义治理的系统设计，那么当AI试图进入核心业务时，在复杂业务规则执行、异常处理和责任边界界定上将面临很大的不确定性。

而且，AI深入核心业务并非简单的系统连接——能否连接还受制于核心系统的数据和接口开放程度——更涉及业务流程、岗位职责和绩效机制的重构。

最后，缺乏前瞻性整体规划的企业，在后续向核心价值链拓展时，往往要为前期的"轻装上阵"补交系统集成、业务治理和组织变革的账，甚至有可能一切推倒重来。

第二条路径：从核心业务流程切入

即企业率先从研、产、供、销、服等主价值链，以及财务、人力资源等关键管控环节落地AI。

这条路径不以个人效率工具为起点，而是直接围绕企业经营目标，把AI嵌入业务系统、业务流程和关键决策环节，让局部提效直接转化为经营价值。

这不意味着企业需要一开始就大规模改造整条价值链。

更可行的方式是：优先选择业务价值高、数据基础好、规则相对明确、风险可控的场景，形成"小切口、深嵌入、可验证"的落地模式。

例如，研发环节的需求分析，生产环节的质量分析、设备运维，供应链环节的需求预测、库存优化，以及财务、人力领域的费用报销、经营分析、风险预警和人才管理等。

明确场景后，企业需要梳理相关数据、业务规则、系统接口和岗位权限，通过API、MCP、工作流、智能体等方式，按场景所需逐渐打通AI与ERP、CRM、MES、PLM、SCM等核心系统，让"AI分析与建议—人工审核与决策—系统执行与反馈"这条链路完整跑起来。

试点取得可量化成效后，再复制到其他环节，推动AI从单点应用走向跨部门、跨系统的主价值链协同。

落地这条路径的典型产品，是金蝶今年5月发布的企业AI操作系统灵基（Lingee）。

灵基的重点不是提供又一个智能助手，而是依托ERP/SaaS中沉淀的数据、流程与业务规则，让AI理解企业业务，在权限、审计和人工确认机制的约束下参与任务执行——把AI从外围辅助工具，变成受治理机制约束的数字员工。

灵基提供对话、工作、开发三种工作模式，分别承载人机协作、任务自主执行和智能体开发。

灵基与金蝶SaaS原生一体，同时提供开放链接能力，支持接入企业已有的其他业务系统。企业可以从财务分析、风险预警、研产供销协同等具体场景切入，把"分析判断—调用工具—执行任务—反馈优化"整条过程跑通。

这条路径的优势在于：AI从第一天起就与经营目标和核心业务指标绑定，价值直接体现在研发效率、生产质量、库存周转、销售转化和风险控制上，容易量化，也容易获得管理层和业务部门的持续投入。

但这条路径面临的挑战也非常突出，它的门槛也比第一条高得多。

其一，它高度依赖一个常被高估的前提：企业核心系统的数据是干净的。

我在实践中看到，大量企业管理基础差，ERP里的主数据都是混乱、口径不一的，甚至某些业务流程都可以被绕过。这样的企业，系统沉淀的仅仅是记录，不必然是高质量、有语义的数据。

正如我在《AI热潮里的冷思考：那些ERP尚未跑通的企业，在AI时代会更难》一文中所表达的思想，数据治理不达标的企业走这条路，AI放大的不是效率，一定是原有的积弊。

其二，厂商依赖度高。AI一旦深度嵌入核心业务流程，后续更换供应商的成本会非常高。

所以，企业在选型时必须评估供应商的开放程度、接口标准化水平和长期存续能力，尽可能与供应商建立战略级伙伴关系，同时把开放性和数据可迁移写进合同。

其三，组织变革成本高。

AI进入核心流程必然触及岗位、绩效和管理机制的调整，需要多部门协同，一把手不下场推不动。

所以，这条路径更适合数字化基础较好、核心系统相对完善、且具备较强变革推动力的企业。

反过来说，不满足这些条件的企业强行走这条路，大概率投入很高而收效甚微。

如何选择：明确主次，统一底座

有人会问：能不能两条腿走路，并行推进？

我的看法是：可以兼顾，但必须明确主次，且不能在缺少统一规划的情况下同时推进两套独立体系。

两条路径的方向不同——前者是"从入口走向业务"，后者是"从业务走向智能"——但最终都会在业务执行层交汇。

如果企业同时引入两套互不相干的平台，会出现AI入口重复、智能体重复建设、数据与知识体系割裂、权限和审计标准不一的局面，不仅推高集成和运营成本，还会造成责任主体不清。

选择主路径的判断标准，我建议看三个变量：核心系统的完备度、数据治理的成熟度、组织变革的推动力。

三项都弱的企业，从通用办公场景起步，先养AI素养、先建治理底座；

三项较强的企业，直接从核心业务切入，追求可量化的经营回报；

居于中间的企业，选一条主路径，为另一类场景预留连接能力；

具备强技术、数据和治理能力的大型企业可以双轨推进，但前提是建立统一的身份权限、数据语义、智能体治理和安全审计体系。

回到开篇的问题：AI带给企业的组织效能从哪里来？我的观点，是两项功课加一张记分牌。

把数据的口径和语义治理清楚，把场景放进主价值链——这两项是功课；可计量的ROI不是第三件事，它是前两件做没做的记分牌。

路径只是走法，功课才是目的地。

至于两条路最后谁走得更远，我坐在厂商这一侧，看法难免带有偏颇，你可以打着折扣听。

我有把握的只有一条：功课谁也替企业做不了。做了的，走哪条路都通；没做的，走哪条路都堵。