企业 AI 进入真实业务层：换道容易拆墙难，当 IT 方案没人用，主导权该还给谁

「如果 AI 还没有进入你的真实业务，其实就已经慢了一点。」在近日一场企业研讨会上，一位科技公司高管这样描述当下企业管理层对待 AI 的最新判断。这句话背后，是一个正在发生的分水岭。

上半年，多数企业仍把 AI 看作效率提升工具：写文案、做摘要、辅助编程，停留在工具层的浅尝辄止。到了下半年，越来越多企业的一号位、核心管理者开始思考一个更硬的问题——如何把 AI 深度对接到真实业务场景里。

这种转变意味着 AI 不再只是个别员工的效率插件，而要进入验光室、工厂、安检现场这类业务核心。传统企业对 AI 的使用，也从工具层的尝鲜，走向战略布局与组织协同的深水区。

对中小企业来说，这道分水岭既是压力也是机会。压力大在不得不动，机会大在用对一个点就能在效率或体验上拉开差距。问题只在于，怎么落，而不是要不要落。

蔡司光学是一家典型的「传统光学 + 消费电子」跨界企业。它的探索很有代表性：不是盲目上大模型，而是把 AI 实践清晰地拆成消费端与制造端两条线。

在消费端，蔡司在中国服务着数万家眼科医院与眼镜零售门店。AI 一方面辅助验光师、视光师开展更专业的诊断，另一方面把屈光度、散光、轴位等专业术语翻译成家长容易理解的风险图谱，推动门店从一次性配镜转向持续的眼健康数据服务。

具体到一个场景：蔡司推出了面向儿童青少年近视管理的 AI 近视防控风险预测模型，把抽象的检测指标转化为可理解的风险视图。这让门店从「卖一副眼镜」变成「提供一个持续的健康入口」。

在制造端，数据从验光端传入工厂，工厂每天生产几十万个个性化定制镜片供应全球。蔡司的「灯塔工厂」落地了质量监控、设备维护和管理等 AI 应用。消费与制造两端的数据被打通，AI 才有了真正的用武之地。

作为传统能源企业，中国燃气对 AI 的应用分层非常实在。最基础的一层是传统工作效率提升，包括会议合规检测、多维表格信息收集这类看得见、上手快的小工具。

第二层是改变工作方式：把金牌销售的实战经验沉淀为可复制的方法论，同时借助 OCR、人脸识别以及动态模型，在入户安检环节自动识别安全隐患。这一层已经触及业务流程本身。

第三层则推动商业模式迭代：从单纯售卖燃气，拓展到综合能源服务、多品类产品销售，依托供需模型研判区域能源价格走势。AI 在这里不再只是省钱，而是开始赚钱。

这个三层结构给很多传统企业一个可参照的模板：不必一上来就谈颠覆，先从效率层入手建立信任，再逐步把 AI 推进到方式和模式层。每一层都跑顺了，下一层才接得住。

在多家企业的分享中，蚂蚁数科的方法论值得单独拿出来说。它和大量企业合作交付智能体项目时，会邀请合作方内部顶尖的销售、理财师、信贷员、门店店长来梳理一线工作流程，再与 AI 技术结合落地。

这套做法的核心，是把主导权交还给业务侧。科技服务商提供的是技术能力，而项目由真正用工具的人——业务负责人——来牵头，数据专家深入具体工序与流程，协助搭建应用。

蔡司的做法与此呼应：它把数据专家设为正式岗位，让数据专家深入具体业务工序，协助业务部门开展分析、搭建智能体，但项目主导权仍由业务侧掌握。

这背后是一条朴素经验：一套能真正落地的系统，必须由 AI 工具的实际使用者来定义需求。科技专家可以做支撑，但不能替业务做主。否则，方案再先进，也容易停在演示里。

比采购算力、部署模型更隐蔽的成本，是组织摩擦。蔡司的高管直言：他们也试过，IT 数字化的专家做了很多方案，最后没人用，用户体验不好。

这种「没人用」的尴尬在很多企业反复上演：科技团队按自己的理解把系统搭好，业务端却觉得不顺手、不解决实际问题，于是系统上了线却躺在角落。显性投入花出去了，价值没出来。

蚂蚁数科从服务商视角印证了同一个痛点：现在最大的问题，是科技公司不理解业务。让业务人员把业务逻辑翻译成科技人员能懂的语言，再通过 AI 实现价值，这中间的成本高得超出预期。

换句话说，AI 落地的第一公里不是算法，而是沟通。谁能把业务语言和技术语言接起来，谁的系统才有人愿意用。这一点，再强的模型也替代不了。

组织协同是比技术更难攻克的环节。伴随着企业运营数据持续沉淀、对客户服务承诺等级不断提升，算力网络已经不是配套技术，而是 AI 生产力的第一个基础设施——这话反过来说也一样：部门墙不拆，数据就流不动。

中国燃气的做法是直接动组织：把人力资源部门与 CTO 及 IT 团队合并，成立「人才与数智中心」，打破原有部门墙，重新设置组织项目组，考核目标直接指向业务效能提升。

这不是简单的汇报关系调整，而是把「业务」和「科技」放进同一个责任单元，让懂业务的人和懂技术的人必须坐在一起解决同一个目标。当考核都指向业务效能，协同才真正发生。

对中小企业，未必需要这么大动干戈，但逻辑相通：AI 项目要有人对业务结果负责，而不是只对系统上线负责。把责任落到业务侧，方案才不会被束之高阁。

除了组织摩擦，还有一张常被忽略的隐形账单：把数据能力嵌入原有业务流程的成本。它不像采购算力那样写在合同上，却实实在在消耗着时间和信任。

很多企业的数据散在表格、邮件、老系统里，没做过结构化。AI 要发挥作用，第一步是把这些数据先在线化、权限化，而这一步往往比训练一个模型费力得多。

更麻烦的是口径不一致。同一个指标，不同部门定义不同，模型喂进去的是互相打架的数据，出来的结论自然没人信。统一主数据和业务口径，是 AI 落地前必须补的课。

所以评估一个 AI 项目，别只看模型多聪明，要看它要为「数据清洗和流程改造」付多少隐性成本。这张账单算不清，ROI 永远是个谜。

作为长期服务企业的科技团队，我们的体会和蚂蚁数科的判断高度一致：最大的问题，是科技公司不理解业务。再好的算法，套不到真实的业务语言上，也是空转。

因此我们的交付方式从来不是「先给一套标准产品」，而是先到一线把业务流程摸透：销售怎么谈、验光怎么测、安检怎么走、工单怎么派。把这些弄清楚，AI 才有落点。

我们建议企业在选科技伙伴时，把「懂不懂我的业务」放在第一位。能听得懂一线语言、愿意让业务主导的团队，比单纯堆参数的团队更可能把系统做「有人用」。

一句话：AI 落地，七分在业务，三分在技术。把业务这七分做扎实，剩下的三分技术才有意义。

一条稳妥的落地路线是：先选一个高频、痛点明确的单点场景做试点，跑通后再横向复制、纵向加深，最后形成业务与科技的系统性协同。

试点阶段别追求大而全。一个会议纪要、一次入户安检识别、一张验光风险图，都是好的起点。先让员工尝到「真的有用」的甜头，推广的阻力会小很多。

复制阶段要把试点里沉淀的数据、流程、权限模板化，让下一个场景能快速复用，而不是每个都从零搭。模板化能力，决定了 AI 能不能从「项目」变成「能力」。

对中小企业最现实的建议：从一个你最痛的点切进去，用最小投入验证价值，再决定是否扩面。把 AI 当成一次次小步快跑的实验，而不是一次定终身的转型。