2026-09-16 18:33:43 中华网
过去两年，企业谈AI时最常讨论的是模型能力：能否理解自然语言，能否生成准确回答，能否处理更长的上下文。但当AI真正进入企业，决定项目能否运行的因素已经发生变化。模型只是能力来源，业务价值取决于AI能否读到真实数据、按照既定流程推进任务、在明确权限内采取行动，并由Agent持续完成监控、分析、调用和反馈。
2026帆软智数先锋AI创新大赛提供了一个观察窗口。大赛历时3个月，吸引16个国家和地区的394家企业、1000余位成员参与，共收到229份有效作品。参赛项目来自制造、汽车、食品、医药、交通、能源、金融、零售、教育和公共服务等行业，面对的不是同一种业务问题，也没有采用同一套技术路线。正是这种差异，让229份实践比一组标准化技术测评更接近企业AI的真实状态。
在可结构化分析的95项获奖作品中，共涉及83家企业。按作品登记的产品字段统计，简道云出现50次，FineBI Next出现26次，Dora出现22次;29项作品明确列出了两种及以上产品或技术组合。这个统计不代表全部229份作品的产品占比，但它揭示了一个清晰变化：企业不再期待单个模型解决所有问题，而是在把数据平台、业务系统、流程工具和Agent组合起来。
这批作品最值得关注的，是企业AI的基础结构正在逐渐成形。数据决定AI掌握哪些事实，流程决定分析结果如何变成业务动作，权限划定AI可以读取和执行的边界，Agent则把前三者连接起来，承担持续运行的任务。四项能力开始从项目配置变成企业可重复使用的基础设施。
企业AI的变化发生在业务系统内部
早期企业AI项目往往从一个独立入口开始。员工提出问题，模型检索知识或生成答案，价值主要体现为少查一次资料、少写一份初稿。这类场景容易启动，但很难解释AI对经营结果产生了什么影响。因为回答生成以后，业务仍要由人重新取数、判断、通知、建单、审批和追踪。AI提高了一个节点的速度，却没有改变整条业务链路。
229份作品呈现出的新变化，是AI开始进入生产、供应链、质量、财务、销售、资产、安全和数据运维等日常系统。它需要读取企业自己的订单、指标、设备、客户和流程数据;需要识别异常发生在哪个对象和哪个环节;需要把结果交给具体岗位，触发预警、整改、催收、调度或复盘;还要保留处理记录，便于后续核验。AI由此从一个面向个人的工具，变成业务系统中的一个参与者。
这也改变了企业评估AI项目的方式。问题不再只是模型能否回答，而是它能否在固定时间稳定运行，结果能否追溯到数据来源，异常是否到达责任人，行动是否进入流程，最终能否反映在效率、成本、风险或收入指标上。项目一旦进入这些环节，数据、流程和权限就不再是实施细节，而是AI能否进入生产环境的前提。
数据决定Agent能知道什么
企业AI首先遇到的往往不是模型问题，而是数据问题。数据分散在Excel、业务系统、纸质表单和个人经验里时，模型能够表达，却无法形成稳定判断。即使接入了数据库，如果指标口径、对象编码、时间范围和业务含义不清楚，同一个问题仍可能得到多个答案。企业需要建设的也不是简单的数据汇总，而是可被AI理解和调用的数据环境。
今麦郎的质量管理项目说明了数据在线的重要性。食品事业部原有27类制程巡检表单、348项质量指标，每天产生320张记录和6410个数据点。在线下流转时，这些数据很难支持全国工厂的趋势分析和事前预警。团队将检测、品评、标样和整改数据统一进入系统后，质量规则才可以持续运行，巡检数据分析由每天60分钟降至0分钟，食安内控预警由474次降至80次。
岚图汽车面对的是跨系统数据。供应链风险散落在SCOP、VLS、TMS、MES等系统中，团队以主数据和业务单据号连接多源数据，统一1200多个供应链风控指标，覆盖6000多家供应商。Dora可以进行预警研判和订单策略速算，前提是同一供应商、订单、物料和风险信号能够在数据层被准确关联。项目使人工取数由2小时缩短至5分钟，风险预警最多可提前45天。
顾家家居进一步把元数据本身变成AI的工作对象。项目接入日志、元数据、血缘、任务、权限和安全信息，用于监控数据平台健康状态。AI不只读取经营结果，也分析数据集更新、任务失败、资源负载和上下游影响。故障根因定位由90分钟缩短至15分钟，说明企业数据基础设施不仅要向业务提供数据，也要向AI开放关于数据如何产生、流转和失效的上下文。
这些案例共同指向一种更完整的数据底座。它包含业务数据，也包含指标定义、主数据、知识文档、数据血缘、更新时间和质量状态。对于高风险场景，分析结果还需要能够回到具体字段、指标口径和原始记录。企业所说的可信AI，最终必须建立在这些可核验的信息上。
流程决定分析能否变成业务结果
数据让AI看见问题，流程决定问题接下来由谁处理。很多AI应用止步于一份报告或一条建议，原因不是分析没有价值，而是结果没有进入组织的工作方式。业务闭环至少要回答几个具体问题：什么条件触发任务，任务交给谁，哪些节点需要人工确认，结果写回哪里，超期如何提醒，处理完成后怎样验证。
今麦郎把质量管理设计成预警、诊断、整改和验证的连续流程。指标触及预警线后，系统向质量主管和工厂负责人推送信息，并启动专项整改。结果不只是告诉管理者哪里有风险，而是把责任和处置要求一起送到业务现场。食安管理由依赖人工发现转向系统持续监控，标准也从文件要求变成每天运行的规则。
山东高速济宁发展的做法更接近一套企业级运行机制。企业基于简道云形成92个应用、682个流程表单、87万条数据和760个仪表盘，再由悟帆AI执行车辆异常巡检、晨会汇总和安全经费追踪。以车辆场景为例，AI每天定时读取数据，识别异常后写入预警表并推送责任人;管理员查询历史记录、启动整改，结果回写系统，AI在后续巡检中再次验证。核心业务流程线上化率由约40%提升至95%以上，管理运营成本下降24%，年节省约287万元。
晶科能源则把生产异常闭环压缩到分钟级。Dora连接断线明细、分析看板、闭环系统和业务知识库，自动生成日报并识别异常原因。单次断线从发生到闭环处置被压缩到20分钟以内，切片断线率均值下降3.3个百分点，测算年综合收益约1148万元。这里的价值来自分析速度，也来自分析、责任和处置被放进同一条流程。
流程因此成为模型能力进入组织的转换层。没有流程，AI给出的结论仍然依赖个人主动采纳;进入流程后，触发条件、责任岗位、处理时限和结果反馈都有了明确位置。企业AI的价值也从一次回答的质量，转向一项工作是否按要求完成。
权限划定企业AI的生产边界
当AI只负责生成文字时，权限问题相对简单;当它开始读取经营数据、调用系统和推动任务时，权限就成为核心架构。企业必须区分AI可以看什么、可以分析什么、可以建议什么、可以执行什么。读取一张汇总报表与查看客户明细不是同一种授权，生成风险提示与暂停订单也不是同一种权限。
这种差异在财务、采购、质量、医疗和国资监管等场景中尤其明显。作品中出现了财务共享穿透式风控、采购全流程合规、食品安全预警、资产盘点和供应链风险管理等项目。它们都要求AI在跨部门数据中工作，同时限制敏感字段、人员范围和可执行动作。权限过粗，系统可能把不应公开的信息带入回答;权限过严，Agent又无法获得完成任务所需的数据。
山东高速济宁发展的双AI体系采用同一数据底座，并通过权限隔离控制不同应用和岗位的数据范围。这个设计的意义不只在于安全。权限本身也是业务语义的一部分：哪些人可以看到某类风险，谁有权确认异常，哪一级负责人可以发起整改，什么动作必须保留人工审批。只有把这些规则配置进系统，AI才可能在不改变企业治理边界的前提下参与工作。
企业级权限还需要与审计和追溯结合。一次分析应当记录使用了哪些数据和指标，一次自动执行应当保留触发条件、调用工具、输出结果和人工确认节点。高风险动作可以设置为AI建议、人工批准;低风险、高频且规则明确的任务，可以逐步开放自动执行。权限不是项目上线前的一次审批，而是伴随场景运行持续调整的人机边界。
Agent成为连接数据流程与权限的执行层
Agent受到关注，核心原因是它能够围绕目标持续工作，读取数据、调用工具、保存状态、执行流程，并在遇到例外时把任务交还给人。它把模型的理解和生成能力，接到企业已有的数据与系统上。
在岚图汽车的供应链项目中，Dora承担预警研判、策略速算和日报推送;在山东高速济宁发展，悟帆AI按固定时间执行巡检并把结果写回简道云;在顾家家居，Dora支持周期通报、责任人提醒和归因建议;在OTP Bank，AI Agent持续识别FineBI平台的活动峰值、连接错误和查询负载异常，因资源不足导致的失败任务由每天567个降至7个，处理高负载问题数据集的时间由每天1至2小时缩短至5分钟。
这些Agent承担的任务并不相同，但运行方式相似。它们都有明确目标和触发条件，使用企业内部数据，调用已有系统能力，把结果送到下一环节，并留下可以检查的执行记录。Agent由此成为数据、流程和权限的使用者，而不是悬浮在系统之外的独立应用。
这也解释了为什么企业需要同时建设前三项能力。没有稳定数据，Agent只能依赖不完整信息;没有流程，Agent不知道结果应该交给谁;没有权限，它要么无法完成任务，要么承担不必要的安全风险。Agent的成熟度，不应只用模型参数或回答效果衡量，还要看它能够在多少真实任务中稳定运行。
四项能力正在形成可复用的业务基础设施
把这些项目放在一起看，数据、流程、权限和Agent并不是四个并列功能，而是一套相互依赖的运行结构。数据提供事实和业务上下文，流程把判断转化为组织动作，权限控制信息和行动边界，Agent在约束内持续完成任务。任何一项缺失，AI都很难从试点走向规模化。
数据缺失时，企业得到的是表达流畅但无法核验的回答;数据存在但流程缺失时，AI只能提出建议，业务结果仍依赖人工推动;流程存在但权限不清时，系统不是无法调用必要信息，就是可能越过治理边界;前三项已经具备却没有Agent时，监控、分析和推进仍要由人反复发起。四项能力组合后，同一套基础才可以支持多个场景。
这里所说的新基础设施，不是再建设一个覆盖所有需求的大系统，而是沉淀一组可重复调用的企业能力。统一指标和主数据可以被多个Agent读取，系统连接器可以复用，权限模型可以按组织角色继承，流程模板可以在不同工厂和部门复制，Agent的运行记录又会反过来完善数据和规则。企业不必为每个场景从零搭建一遍。
山东高速济宁发展的实践能够覆盖12大业务领域，关键不在于同时上线了多少智能助手，而在于92个应用和682个流程先承载了业务运行。上海新动力把132项精益标准放进班组云后，AI才有规则可比对、有问题可触发、有整改可追踪。这些案例说明，规模化AI依赖的是公共底座与业务资产的积累。
获奖作品还呈现出四个明显转向
95项获奖作品并不能替代对全部229份作品的完整统计，但作为经过评审筛选的样本，仍能帮助我们理解企业AI正在向哪里发展。
单点工具正在让位于组合式建设。95项获奖作品中，有29项在登记信息中明确列出两种及以上产品或技术组合。企业会同时使用数据集成、BI、零代码业务系统、RPA、大模型和Agent平台，让每类工具承担适合自己的环节。组合增加了实施复杂度，却也更符合真实业务的结构。
问答正在让位于任务执行。作品标题中仍能看到智能问数和分析助手，但进入决赛的项目更多强调预警、巡检、整改、催收、调度和运维。企业关注的重点开始从回答是否自然，转向任务是否完成、异常是否闭环、结果是否写回系统。
IT交付正在转向业务共建。食品质量、设备运维、班组管理、应收风控和供应链调度都包含大量行业规则，单靠技术团队难以定义。业务人员提供指标、阈值、处置方式和责任划分，IT或数字化团队负责数据连接、平台能力和治理。AI项目因此成为业务经验结构化的过程。
效果展示正在转向量化价值。仅从95项获奖作品的标题看，就有17个直接写入数字，其中不少涉及效率、差错率、工时或业务规模。进入作品正文后，更多项目给出了改造前基线、改造后结果、统计周期和收益测算。评估标准由“有没有AI”转向“业务发生了什么变化”。
这些转向进一步强化了基础设施判断。项目越靠近真实业务，越需要处理长期运行、跨系统协同、责任边界和价值核算。一次演示可以绕开这些问题，生产环境无法绕开。
企业下一阶段应当怎样建设
企业没有必要同时启动大规模数据治理、流程改造和Agent平台建设。更可行的方式，是选择一项高频、责任明确、结果可衡量的业务任务，从闭环倒推所需基础。这个任务最好已经存在稳定流程，或者至少有清晰的处置规则。例如异常巡检、质量预警、应收催收、日报生成和平台运维，都比宽泛的“智能经营顾问”更容易验证。
· 先定义业务结果。明确要缩短哪段时间、减少哪类风险、降低哪项成本，并保留改造前基线。
· 再梳理数据和语义。确认数据来源、对象编码、指标口径、更新时间、质量状态和追溯方式。
· 把现有工作还原成流程。写清触发条件、责任岗位、人工确认、超期处理、结果回写和复盘机制。
· 按风险配置权限。区分读取、分析、建议和执行，敏感数据与高风险动作设置更严格的授权和审计。
· 最后配置Agent并持续运营。监控任务成功率、人工接管率、异常漏报、执行时长和业务结果，依据记录调整规则。
当第一个场景跑通后，企业应优先沉淀可复用资产，而不是迅速复制更多名称不同的Agent。指标库、知识库、连接器、权限模板、流程模板和运行监控，比Agent数量更能决定后续推广速度。新的场景应复用已有基础，只补充特有的数据和规则。
企业还需要为Agent设置持续责任人。模型、数据和业务规则都会变化，流程也可能因为组织调整而失效。一个没有运营责任的Agent，即使上线时表现良好，也会逐渐偏离实际业务。技术团队维护平台和安全，业务团队维护规则与效果，双方共同决定自动化边界，才能保证系统长期运行。
企业AI进入基础设施建设阶段
229份作品展示的不是一条统一技术路线，而是企业在不同现场解决问题的多种方式。制造企业从异常和质量切入，消费企业从客户与渠道切入，国企从监管和资产切入，数据团队从平台稳定性切入。它们最终遇到的却是相似问题：数据是否可信，流程能否推进，权限是否清楚，Agent能否持续执行。
这意味着企业AI正在跨过单点工具阶段。数据、流程和权限原本分散在不同系统与管理制度中，Agent把它们重新组织为可执行的任务。四项能力一旦形成公共基础，AI就不再依赖某个员工临时发起，也不再局限于一个部门的试点，而可以在清晰边界内进入更多业务环节。
下一阶段的企业AI差距，将体现在这些基础能力的完整程度。能够持续沉淀业务数据、把经验写进流程、用权限控制行动，并让Agent在真实任务中稳定运行的企业，会更快把AI从局部提效扩展到组织能力。229份实践作品留下的共同答案，也由此变得清晰：企业AI的建设重点正在从选择一个更强的模型，转向建设一套让模型可以安全、持续参与业务的基础设施。
资料与统计说明
大赛总体数据为394家参赛企业、1000余位参与成员和229份有效作品。本文对作品结构的定量描述，基于主办方整理的95项获奖作品名单，涉及83家企业;产品出现次数允许同一作品重复计入，不能视为市场份额。案例数据来自参赛团队提交的作品全文、决赛资料和赛后获奖信息;OTP Bank案例来自团队提交的中英文项目材料。
