百丽时尚：企业 AI 应用建设落地实践——从协同在线到 AI 原生

市面上不缺大模型，不缺算法，也不缺 AI 应用。普遍存在的困局是：怎么让 AI 在一家企业里真正落地——理解业务、融入运作、和人一起把事情做好。说到底，这是企业老命题的新一程：信息化提效率，数字化增效益，如今轮到智能化，要的是效能——而效能仅仅购买大模型实现不了，是一种长在业务里的能力，随每一次运转持续进化、按复利累积；先走一步的企业，攒下的从来不止一步。

大多数企业做 AI，是从模型下手的：选一个大模型，做一轮微调，搭一套检索问答，结果是 AI 能“读文档”，却读不懂“业务”，无从进场落地。问题还在企业自身缺三样东西：

• 一是业务没在线：经营过程散在会议、报表和一线的经验里，系统只记结果、不记过程；企业越大，决策者离真相越远，一线的情况经过层层筛选、解释、加工，常常呈现出“虚假繁荣”，递到桌面上已是一份“超额达标”的漂亮报表。
• 二是判断没标准：该怎么决策，锁在老师傅的脑子里，换个人，口径就换一套，机器读不出、也学不像；而 AI 给出的建议又是个黑盒：一位经营者可以接受 AI 参谋的建议，却很难接受它的建议无法解释，在要为结果负责的经营决策里，这几乎是致命的。
• 三是判断连不成网：就算某个环节想清楚了，判断也触发不了下一个动作；决策和执行是断开的，把事串起来、盯到底的，还是人。

三样缺口，根源是同一个：企业是围着“人”运转的，过程靠人接力、判断靠人经验、执行靠人跟进，它从来没有被整理成 AI 能进场的结构。模型再强，也读不懂一个没被结构化的企业。所以我们十来年摸索下来的答卷，是把顺序反过来：别人忙着让 AI 去读懂企业的混乱，我们先把企业自己工程化——AI 应用的落地，不是从 AI 开始的，而是从协同开始的。

这条路分三步，每一步补一个缺口。

• 第一部分·节点：用协同在线把业务全过程搬上线、落到一个个具体的节点上，让业务看得见
• 第二部分·本体：把协同沉淀的工程化资产、连同散在人脑子里的门道，翻译成 AI 的认知，让它在一个节点上看得懂、算出判断。
• 第三部分·任务：用企业工作台、全局任务中心和助理体系，把成百上千个判断落到任务，连成一张网、盯到底，让判断办得成。三步，一步踩着一步：协同攒下的资产，是本体的原料；本体算出的判断，是任务的上游；任务跑完的结果，又回流成更准的认知——每转一圈，AI 就更懂这家企业一分。

这套打法的内核，收成三句话：决策节点化、群即业务现场、决策即任务——业务拆到最小的“决策原子”；群，就是业务真实发生的载体，也是任务被采集、被执行的现场；每一个要动手的决策，都自动落成一个可运营、可管理的任务闭环。顺着这三句走下去，AI 会从一件外挂在业务上的工具，慢慢长成业务自己的一部分——这正是标题所说的：从“协同在线”，走向“AI 原生”。这里要说明一点：外界说的 AI 原生，是产品天然具备 AI 能力——没有 AI，它就不存在；我们说的，是 AI 生于业务——业务本就立得住，AI 是从结构化的业务里长出来、再随业务一起进化的那部分。

第一部分：节点——搭建协同在线，让业务看得见一、痛点：业务过程没上线，战略和执行对不上

先从我们实践中一对最有代表性的场景说起：年度预算编制和门店销售目标管理。一个是战略源头，一个是一线末梢，也是协同在线最早落地的试验场。

1.1 断裂的两端：预算编制与门店执行

传统模式下，这两端几乎是断裂的。预算编制像一场“数据苦旅”：目标要顺着一套四级架构逐级传递——从品牌总部，到地区、分区这两层管理单位，再到一线门店，靠 Excel 手工填报、邮件点对点交互，指标一调，各层级就得重新对一轮。预算定完，考验才开始：成千上万家门店、数万名员工，怎样每天朝同一个目标对齐？现实是系统里记着静态指标结果、一线跑着另一套线下数据报表，战略和执行对不上。更麻烦的是过程——分工写得明明白白，可落地的过程没人管，只有结果的校验；财务说“收入”、品牌说“回款”、地区说“实收”，同一个数字三种口径，往上一汇总，数据就打架。

这不单是一家企业的困境。回看传统信息化，企业普遍卡在三处：数据孤岛——各系统口径不一，同一个“销售额”在三个系统里是三个数；业务断层——系统靠接口传数据，业务却靠人一环环接力，端到端没人看得到全貌；决策滞后——数据碎片、管理黑盒，管理者看到的是上月甚至上季度的数。三处痛点，归到同一个根源：业务过程没有被在线化——系统记的是“结果”不是“过程”，数据是静态不是实时，组织关系是滞后不是动态。协同在线要解的，正是这个根源：不为连接而连接，而是让业务过程本身变得可见、可追溯、可校准。

1.2 生长：协同在线是怎么一步步长出来的

图1 ｜ IM工作群：进度统筹、信息透明、实时互动、目标协同

顺着这两端，协同在线是一步步长出来的：

• 第一步，用“工作群”改变沟通：按场景类别，如开关店、收入、商品、费用等，搭起结构化群体系，几百个岗位、几十条流程全纳进来，数据口径、模板、节奏第一次统一。大家在同一套语言下说话，权责更清晰，信息也从“追问才知道”变成“公开透明随时看”，于是“点对点”变成了“网状广播”，过程管理头一回有了载体。
• 第二步，系统入群、消息驱动：预算系统与群打通，进度自动推送、审批直接 @ 到人、填报数据群里随时可查，“人找数”就此变成“数找人”。
• 第三步，把闭环压到门店一天：店长点一张卡片，就把月目标拆到日、拆到人；店员点“报数”实时取数，从做表里解放出来；战报自动播报，闭店自动生成日总结，“群 + 产品”把系统操作、数据应用、管理动作串成一个闭环。

到这一步，一件事被验证了：工作群，把业务过程管起来了；过程一上线，哪个节点出了问题、如何进行调整改进，一眼看得见。

二、地基：四个在线，协同的四套工程体系

工作群要成为业务协同的载体，不能凭空而起，底座由四套工程体系支撑——这就是“四个在线”：业务在线决定群能承载多深的业务逻辑，沟通在线是一整套大规模组织协同的运行体系，这两个是核心工程；组织在线和权限在线管住人和边界，是基础保障。

2.1 咬合：四个在线怎么咬成一个闭环

图2 ｜ 协同在线：四套工程体系支撑

它们怎么从战略贯通到落地？拿一个目标的执行来看：

• 业务在线把战略目标转成可执行的规则和能力：年度预算拆成各品牌、各店的指标，做成任务卡片派出去，这是“做什么”；
• 沟通在线把任务推给对的人、把过程呈现、把结果广播：卡片推到店长群、执行反馈在群里、偏差管理者当场看得见，这是“做得怎么样”；
• 组织在线确保执行的人是对的：谁负责哪家店、谁向谁汇报，这是“谁来做”；
• 权限在线确保对的人有对的权限：店长看本店、区域看本区，组织一变权限自动同步，这是“能做多少”。

四者咬成一个闭环：一处偏差冒头（某店连续三周没达标），群里的数据就驱动调整、下发新决策、触发新一轮执行。

这个顺序本身，透着协同在线的一条核心逻辑——以业务为驱动，而非以组织为驱动：先明确“做什么”，执行过程自然会暴露“谁在做、有没有权限、对不对”，再回头校准组织和权限。

2.2 业务在线：从操作侧到能力侧

业务在线是协同的起点，要解决传统 IT“重建设、缺回路”的老毛病：衡量它的不是建了多少系统，而是能不能把业务能力拆成可编排的原子单元、让每一次操作都成为验证数据和规则的回路。这条路分四步：

• ①系统（把手工作业搬上系统，是信息化基础工程，不展开）
• ②业务中台（以微服务为底座，把业务能力拆解为原子能力，通过微服务化封装，沉淀形成企业共享的中台能力；微服务，即按业务领域拆成的一个个可独立部署、可复用的小粒度服务）
• ③数据中台（围绕数据的“进、存、出、管”统一口径）
• ④前端产品化（把岗位的标准操作与分析封装成产品，再拆成场景卡片）。真正改变全局的，是后三步。

业务中台，是最关键的一跃。传统系统面向操作界面：一个个独立的功能集合，能力被封在各自的边界里、无法跨系统复用，更回答不了“过程里发生了什么”。而企业 IT 长年在两个极端间摇摆——“重场景轻能力”，围着一个个场景堆功能，堆出一座座烟囱；“重能力轻场景”，原子能力很强大，却对真实场景考虑不周、用不起来。工作群，恰是那个难找的平衡点：它天然围绕业务场景搭建，又要求底层能力是原子化、高复用的，正好在“场景”和“能力”之间架了一座桥——以场景牵引“需要什么能力”，以原子能力支撑“场景怎么灵活编排”。

落到实处，先看一个例子：过去零售在线下、电商、私域各有一套发券、核销规则，一张券想跨渠道用，得在好几个系统间反复对接，苦不堪言；后来拆出一个统一的“券中心”，哪个渠道发券、用券、核销都调同一套服务，一处顽疾就此了结。业务在线做的，就是把这种“拆一次、全局复用”推到整个公司：业务过程在群里被拆成一个个节点，每个节点的动作抽象成一个独立的原子能力，通过 API 暴露、微服务承载，粒度远比传统功能模块更细。这套重构可以概括为“拆、汇、编排、迭代”：拆，把大系统打散，提供一个个具备原子业务能力的 API——只做一件事、可被独立调用的最小接口；汇，原子能力汇到业务中台共享、运行数据汇进数据仓库（数仓）统一口径；编排，按业务把原子能力拼成群里的 H5 卡片（H5 即基于 HTML5 的轻量网页，群里点开即用、不必另装应用）；迭代，在闭环里持续校准。能力体系，就此从“散落的工具箱”变成“有序的武器库”。

图3 ｜ 业务在线：构建原子-微服务能力，通过消息卡片串联操作与协同，推动界面变革

数据中台把分散在各系统的数据统一进数仓治理，围绕“进、存、出、管”统一标准口径。数仓管的是“结果数据”（销售额、库存），协同在线运行中还产生“过程数据”（卡片怎么派、动作怎么执行、偏差怎么校准），二者互补，才是完整的数据资产。

前端产品化，是把一个业务领域下的标准岗位、标准规则的操作与数据分析，组装、封装成产品——它不是简单的界面开发，而是对业务规则的一次标准化封装。以两个例子说明：一个是面向经营分析的一站式数据应用产品，按不同岗位（从总裁到店长）在不同场景要看什么数、做什么操作来搭，把各岗位的数据权限和分析规则封进去，同一款产品，不同岗位看到的是不同的数据和操作入口；一个是面向货品运营订、铺、补、调全流程的产品，把每个操作的标准规则按场景组装、呈现。到了协同体系里，这些产品的操作再被拆成场景化 H5 卡片，按业务过程的流转嵌进群里的工作流——用户不必打开整个产品，点一下卡片就完成动作；操作产生数据、数据又驱动新操作，形成闭环。

这四步走下来，业务在线的建设还产生一个更重要的作用：业务规则一旦被拆成可独立调用的原子单元，每一个或一组原子 API，都是日后 AI 可调用的“手”——整个企业的运作逻辑，从此具备了被 AI 读懂、被 AI 调用的基础。

2.3 沟通在线：大规模组织协同的运行体系

沟通在线是协同的运行载体，让业务、组织、权限的能力在群这个场域里被打散、结合、流转。它不是“建群发消息”，而是一套以消息、任务、项目为中心的运行体系。

最底层是基础引擎：消息中台做信息的管道，任务中台把信息转成行动，项目管理把多个任务拢成一个有目标的框架。

工作群做场域载体：这些能力，最终都在“群”里运转起来。

群结构：群按业务闭环、同业同岗、主从关系、项目归类四条原则搭建。比四条原则更本质的，是按“群存在的目的”把群分成三类：组织群映射组织关系、呈现日常工作；项目群映射跨组织的任务协作、让多部门对齐进度；业务流群映射全业务流各枢纽节点的权限运作——比如补货流程从总部商品部到分区货品负责人再到门店店长，信息只在权限范围内流转。目前内部群有十几万个，其中上万个是有明确业务场景的“工作群”。

沟通在线最核心的能力，是千人千面：同一张卡片，不同的人看到的信息和操作不一样。一张“新店可行性申请”，申请人看到的是“审批进度”和“催办/撤回”，审批人看到的是“面积、预估投资”和“同意/驳回”，旁人只看到“已进入审批流程”。它背靠组织在线的精准关系、权限在线的操作边界，既回答“谁该看到什么”，也回答“谁不需要看到什么”——为每个人圈出一个“最小必要信息圈”。

它还让群聊有主线：群模板定下边界和角色，消息策略让关键信息不被闲聊淹没，任务机制保证讨论能转化成可追踪的行动——这不是“建了个群讨论工作”，而是“为一个业务场景搭了专属的协作场域”。

再往上，沟通汇集成一层管理总览：协同日历收拢“进度”，按个人、团队、组织三视角归拢计划与任务、逾期缺口提前告警；消息管理收拢“消息”，分层管好各类群、盯住已读与催办、每天自动生成群聊摘要——不钻进每个群，也能掌握全局。

2.4 组织在线与权限在线：管控骨架

组织在线解决“谁是谁、在哪里”（什么岗位、什么组织）。大企业最头疼的，是组织的实时变化——行政架构往往是静态的，和真实业务运行有偏差。办法是“呈现 + 回路”：门店和办公人员通过打卡建立校准回路，打卡即收到归属确认、有误一键拉群修正，人店关系、上下级关系、组织关系自动同步；底座是 EHR（人力资源系统）与组织中台，让组织关系在业务流动中动态趋真。

权限在线解决“在什么范围能做什么”，是组织和业务之间的桥梁：面对上百个系统、上千个角色，操作权限由岗位决定、数据权限由组织归属决定，组织、岗位一变，权限自动同步，做到“入职即开通、异动即调整”。

2.5 应对两种动态：业务在变，人也在变

四个在线，最终咬合成一套动态闭环，一起应对企业里两种绕不开的动态性：业务在变（目标、计划、异常、策略），靠业务在线和沟通在线把变化转成可执行的能力、在群里流转；人在变（异动、调岗、重组），靠组织在线和权限在线持续校准关系、同步边界。一个员工异动到新门店：组织在线校准归属、权限在线同步边界、沟通在线把他纳入新群、业务在线推送匹配新岗位的卡片——人变群跟着变，群变能力跟着变。群，就是这套系统运转的场域。

三、串联：协同在线，把四个在线跑成一张网

四大工程体系把地基打好，协同的本质才显出来：它不在“消息传得快”，而在把四块静态能力串起来、协同着跑起来——业务这才真正“在线”，资产也才沉淀得下来。这一层，就是协同在线。它靠“群”落地：业务在一个个场景里发生，每个场景由若干节点构成，节点又靠群在线化、闭成环——场景划定边界，节点定义动作，工作群承载场域，三者合一，四个在线这才合成一张能实时运转的经营网络。

3.1 载体：群为场域，场景闭环

协同在线把四个在线串起来，靠的就是——工作群：业务能力、消息任务、组织关系、操作权限，四股力量在群里合流，协同这才真的跑起来。工作群做载体，把工作流、动作、结果、连同结果引发的变化，统统搬上线。一个业务闭环落到群里，会展开成一条链：规则触发、任务派发、动作执行、结果广播、痕迹沉淀、效应研判，再启动新一轮决策与行动。每个动作都带着标准化的五个要素——谁、什么时间、什么业务、什么操作、什么结果，这几样，已是节点的雏形；而前一个动作的产出，直接成为后一个动作的输入，串联不再靠人推，而是预置在规则里。到最后，消息、操作、审批、数据全都收进群中——工作群，不再是沟通工具，而是业务运行的协作场域。

它能担此重任，是因为工作群是少有的、同时装着以下四大要素的场域：

• ：建群那一刻，谁该在场就都在场——角色、汇报关系跟着真实组织走，不必另建一套组织模型；
• ：人一进群，边界也跟着定了——谁能看什么数、动什么操作，随组织变动自动校准，不必逐个系统去配；
• ：群里讨论的就是正在发生的业务，卡片、审批、预警都在群里流转，是“事来找人”，而非“人去找事”；
• ：系统的通知、报表、数据都化成消息汇进群，不再散落各处——它也是把前三样串起来的那根线。

人、权、事、消息同构在一处、相互串联，一件事的过程就此显性化——谁提了异议、最终拍了什么板、卡在哪一步、下一步该谁，全都原生留在群里，可跟踪、可调控，不必事后补纪要。群就从“沟通工具”质变为“组织协作的最小闭环单元”——不是把人拉进系统里做事，而是让系统进入人做事的场域。

图4 ｜ 协同在线：用消息串联人、权、事，无界互联，高效协同

这一变，还悄悄完成了一次“人机界面”的颠覆。传统信息化的界面是系统窗口，人登录、找菜单、被系统牵着走；群体系下，界面变成群里的一张 H5 卡片，系统退到幕后专注能力和接口，用户不必知道“这个操作在哪个系统里”，点一下卡片就触达功能。这是从“人找系统”到“系统找人”的第一跃。这一跃也顺手铺好了更大的地基：业务能力原子化、消息驱动、组织权限校准、业务场景结构化，AI 应用落地的四大基础一齐就位。协同在线做的，正是把“人在系统里怎么做事”整个搬上台面、沉淀成结构；而一旦结构化，群就不再只是给人用的协作场，而能升级成 AI 读得懂、也进得去的作业现场。

3.2 改变：过程可见，呈现真实

在协同体系里，一次审批是一个决策行动，一次异常校准是一个修正行动，一次目标拆解是一个执行行动——它们不是“事后记录”，而是“正在发生”地被全员看见。

回头看，群带来了实质性的四大改变：

• 过程可见——会议沟通能直接转成可追踪的任务，“说了什么”变成“谁去做、什么时候完成”；
• 共识形成——口径、模板、节奏统一，团队在同一场域用同一套语言对齐认知；
• 数据趋真——每次推送都是一次“呈现与校准”，数据被实时用到场景里、准确性当场被验证，不必等到月底；
• 规则显性——每一次行动背后都有一条业务规则在起作用：审批权限为什么这么分、这个价格为什么被判成“低价”，规则不再是贴在墙上的标语，而是嵌在每一次推送、审批、判定里被激活、被校准；埋在系统配置里的隐性规则就此显性化，升级成企业可管理的知识。

过程看得见、认知对得齐、数据靠得住、规则摆得明——业务运行的“真实”，就此一层层呈现出来。

四、落地：品牌群体系整体建设

前面都是通用能力，最终要在真实业务里融汇贯通。一个场景跑通，靠打磨；成百上千个场景铺满一个品牌、还能复制到多个品牌，靠的是一套在实践里反复打磨的工程方法，分五步：梳理 → 提炼 → 判断 → 解构 → 编排。

• 梳理：沿 L1（经营价值链）到 L5（执行动作）的五层业务框架，把业务逐层拆到操作节点，用标准化的五个要素还原每个动作；
• 提炼：按高频、跨组织跨层级等维度，筛出最值得在线化的高价值场景；
• 判断：评估每个节点的系统支撑、定下实现路径；
• 解构：以 L5 执行动作为最小单元，一个动作需操作一个或多个原子 API 完成；
• 编排：用群结构、群能力、消息与任务驱动，把原子能力串成“消息、操作、审批、数据都在群”的闭环。

下面以一个完整品牌的群体系建设为例，将这五步法完整演示一遍。

4.1 群结构：沿全价值链设计业务活动

图5 ｜ 按照品牌全流程运营场景建设五大群体系，支撑品牌经营管理全面连接及在线

任何品牌运营，本质上都围着一个核心循环转：定目标、做商品、搞营销、卖出去、回头看，再定新目标。落到经营动作上，是一条环环相扣的链——年初定下全年做多少生意、拆到每季，据此规划开发多少款、每区备多少货，经订货会后组织供应商生产，交付后把货铺到各地各店，再用营销把货卖出去，然后每天盯销售、每周做滚动调整、月末复盘。每一环，都牵动总部多个部门、地区多个层级。

第一步，就是把这个经营循环做结构化梳理：沿 L1-L5 分层，L1-L2 明确核心价值流和运营模式，L3 识别出预算、企划、商品运营、营销、零售等具体业务场景或能力，L4 决策节点定义具体的业务活动与跨角色协作，L5 执行动作留到下一节的业务底表里再细拆。业务梳理清楚，再按高频、高价值把场景提炼出来，群的框架也就定了——群服务于 L3-L4 的业务目标和活动，由此形成五大群体系：

群结构，本质上是在定义业务活动的边界、参与人和节点——它定下“谁在什么业务场景下做什么事”，也就为后面的节点细化划好了场域。

4.2 业务底表：把场景拆成节点

群搭好，核心工作才开始：场景不能直接“被协同”，得先拆成节点——节点，是场景内最小的可管理单元。每个群里到底有多少个具体动作？每个动作谁执行、调哪个接口、遵循什么规则、产生什么数据？这些不回答清楚，群就只是个空壳。五步里的判断和解构，就落在一张“业务过程底表”上：深入 L4-L5，把每个动作按五个要素——谁、什么时间、什么业务、什么操作、什么结果——逐项过一遍，再评估系统支撑、定下实现路径，拆到一个操作和对应的多个原子 API。

拿商品运营群里的“价格管控”节点看一遍，五个要素是这么落的：

• ：门店店长和区域主管——异常卡片直接推到该门店运营群并 @ 到人；
• 什么时间：系统实时检测到某商品售价低于品牌基准价的那一刻触发，超时未处理自动升级；
• 什么业务：价格管控——基准价由品牌商品部设定；
• 什么操作：自动生成异常任务卡片、派发到群，背后调用低价检测和任务派发两个接口；
• 什么结果：处理完自动核销关闭，全过程沉淀进群消息流和数仓。

一个节点这样拆解清楚，几百个节点都这样拆解清楚——每件事的谁、时间、业务、操作、结果都定义明白，群才接得住、落得实；这些原本散落在各系统、各岗位的动作，就被织成一张场景-节点-群三层咬合、连贯可追溯的执行网络。

4.3 群组联动：五大群体系跑成一个闭环

最后一步编排：当群结构和节点能力都就绪、五大群体系在消息层面彻底打通，整个品牌的运营循环就在群里转了起来：预算群启动目标并分解，推到企划群；企划群定下款式与上市节奏，推到商品运营群；运营群制定各区订货、铺补调货，价格管控规则同步生效——某店一低价，预警卡片立刻弹出；门店收货后，零售运营群运转起来，货品陈列培训、每日拆解目标、报数、跟进、日终总结；所有门店的数据最终回流预算系统，形成新的滚动预测，驱动下一轮调整。五大群体系像五段咬合的齿轮，在消息驱动下环环相扣——总部能看到每家门店的实时脉动，一线能感知总部每一次策略调整。从战略制定到一线执行、再到反馈修正，这个循环不再靠月度报表和层层会议，而是在群里实时发生、实时校准。整个品牌运营，就此从“大概知道在做什么”，变成了“精确知道每一步是怎么发生的”。

4.4 攒下来的：四类工程资产

这套一体化协同体系的工程建设，一边支撑业务运转，一边攒下四类资产。

• 数据资产：结构化数仓的结果数据，加上过程行动流，让企业不只知道“发生了什么”，更能追溯“如何发生”。
• 规则资产：权限、数据、流程规则，从隐性配置走向显性沉淀，成为可审视、可传承的知识。
• 组织资产：动态真实的组织关系网络，加上精细化的权责——这正是协同在线区别于其他数字化方案的核心：不只是业务在线，更是人、权、事的实时串联。
• 能力资产：业务动作拆出来的原子能力体系——一个动作对应多个原子 API，经真实业务验证、按场景编排成套，再配上一份“哪个场景用哪些能力”的业务能力目录；要用时按目录取、按业务拼，AI 日后动手，调的就是它。

这四类资产，沉淀了 AI 应用落地所需的四大资源：数据资产是结果和过程，规则资产是判断依据，组织资产是该谁来做，能力资产是执行动作，它们是协同在线工程化的成果，每一类，都将在后面 AI 认知的构建里扮演不可替代的角色。

第一部分小结：一切都落到节点上 协同在线用四大工程体系和五步法，把品牌全价值链的业务过程全面在线化，完成了品牌群体系的一体化落地——带来界面变革、真实组织关系、数据治理业务化三重价值，长出数据、规则、组织、能力四类工程资产。 这一切，最终落到一个词：节点（对应业务框架的 L4 决策节点）。 四大工程体系、群这个载体、品牌群体系，到头来都落在了一个个具体的业务节点上。节点，是企业业务运行的最小运营决策单位：每个节点都是一套“输入—规则—输出”——接住上一步的结果和数据，照着规则做出动作，再把结果交给下一个节点。协同在线做到的，就是把这套循环完整搬上线，让每个节点都变得可识别、可触发、可追溯。 但“看得见”，还不等于“看得懂、做得自主”。要再往智能走一步，得先让 AI 真正看懂一个节点——看懂它要处理的对象、对象之间的关系、该守的规则、要奔的目标。唯有看懂，它才谈得上在这个节点上做判断、再推动下一步动作，直接作用到经营结果上。而这份“看懂”，正是本文第二部分“本体”要做的事。

看得见，不等于看得懂——协同体系记下的还只是“素材”，机器认得每一个数字，却读不懂数字背后那套业务。第二部分要过“读懂”这一关。

为什么“读懂”这么关键？因为经营上的判断，几乎没有一个是“单点”的。一个分区的销售掉了几个点，账面上只是个数字；可掀开看，背后往往同时压着商品结构、库存深浅、折扣力度、客流、季节时机好几个因素——是一批对象、一串事件、几条因果、几个时间窗口叠在一起的结果。过去厘清这种局面，靠的是老师傅的经验和几张局部报表：经验散在各人脑子里，传不下、对不齐；报表摆得出数字，却缺一套统一的业务结构，数字终究是一个个孤岛。

所以真正缺的，是一套能让 AI看懂业务的认知底座；把它补上，AI 才能从“只看见结果”一步步走到“看懂过程”，再走到“判断怎么干”。这套底座就是本体。第二部分要造的就是它，分三步走：先找到那个最小的决策节点——AI 该在哪儿结合；再用本体让 AI 看懂它——凭什么做判断；最后把判断落成一个能驱动执行的任务——判断怎么变成行动，其中“本体”这一步，展开为“建什么”和“怎么转”两章。三者在一个节点上扣成一个“小闭环”，全文“节点 → 本体 → 任务”这条主线，先在一个节点上走通一遍。

一、节点：业务拆到哪一层，AI 才使得上劲1.1 从 L1 到 L5：补货怎么一层层拆下来

认知不能悬在空中、给“整个企业”笼统建一套——它得落到一个个具体的决策点上。所以第一步是往“深”里走：沿着业务结构一层层拆下去，找到 AI 应用结合的那个点。

这件事，第一部分已经替我们铺好了一半——业务流程全在群里梳理清楚了，而群的边界、业务场景的边界、节点的边界，本就是同一条：群把节点圈好了，本体要描述的范围也就跟着划定，不必从头再圈一遍。

以补货为例，顺着 L1-L5 的业务框架往下拆：

• L1 经营价值链——一年做多少生意、货怎么从企划走到门店；
• L2 运营模式——进销存怎么平衡、考核怎么定；
• L3 业务能力——也就是第一部分在群里圈定的那些“业务场景”，订货、补货、集采……补货是其一；
• L4 决策节点——一项能力再拆成几个要“做决策”的点：光补货就拆成确认品类补货空间、确定补货开放款（哪些款放开来补）、选款定量、补货采购、有效性跟踪五个；
• L5 执行动作——每个 L4 节点底下，又是一串照着做的动作，比如“确定补货开放款”底下是备候选款、评估、发布候选款池、分区反馈。

图6 ｜ 方法：按照业务流程框架 L1-L5 结构化向下拆解，找到 AI 发力的点

1.2 L4 节点：做决策的最小单位（决策原子）

这一层层拆下来，L4是至关重要的一层。L4 是“要做判断”的地方——“确定补货开放款”真正要拍的板，是“这一周到底哪些款值得放开来补”；L5 则是“照着判断去做”。往上的 L3 还没到“具体决定什么”，往下的 L5 已经是“照着决定去做”；夹在中间的 L4 节点，才是做决策的最小单位。我们将它视作决策原子：目标独立、责任人唯一，一次“判断到决策”能独立跑完、也能独立复盘。本体、任务，都建在一个个决策原子之上。

拿“确定补货开放款”具体分析：它有清楚的目标（评估商品表现、库存、供应、毛利，圈定可开放的 SKU）、明确的产出（一张开放款清单）、唯一的责任人（总部商品负责人主责）、上游输入（品类补货空间、销量库存）、下游去向（交给“选款定量”），还有一个承载协作的群。这些要素一齐，一个 L4 节点才算定义清楚——它不是笼统一个“补货”，而是一件目标、产出、责任、上下游都锁定的决策。

分清 L4 和 L5，是为了定下AI 该在哪儿使劲。过去上系统，多半只落在 L5，帮人把机械动作自动化——点卡片、填表；可真正的价值在 L4，在让 AI 参与决策：基于数据和业务知识做分析、归因、推演，给出“哪些款该开放、该补多少”的判断。一句话，决策点归 L4，落地在 L5。而业务这么一拆，恰好拆出了 AI 能落脚的地方：人看“补货”是一件事，AI 却能拆到五个节点、几十个动作、上百条规则——拆得越细，AI 能落地的地方就越多。

二、本体：AI 靠什么在这个点上看懂

定下 L4 这个决策点，新问题就来了：AI 凭什么在这个点上做判断？它得先看懂这个节点——有哪些对象、彼此什么关系、按什么规则判断。承载这套认知的，就是本体（ontology，知识工程里的术语：把一个领域有什么对象、什么关系、按什么规律运转，描述成机器读得懂的结构）。

2.1 老办法为什么不够：决策不是一条写死的因果链

先说说过去的做法为什么不够用。过去把经营决策交给系统，老路子几乎是统一的：把一件事的来龙去脉，归纳成一条写死的因果链——某个条件满足，触发某个动作，动作产生结果，再触发下一步。流程稳定的年代，这套够用：确定、可控、好维护。

可零售经营的决策，本身不是一条写死的链路。同一次促销，淡季旺季效果可能相反；同一笔库存，这周“正常”、下周“积压”；同一个补货决定，二十来天后货才到，等它生效，货架早不是拍板时的样子。把这些压进一条固定因果链，毛病很快冒出来：它只盯着“有哪几个环节”，却看不全环节之间正在发生什么；结果不对时，理不清是哪一步偏在哪，更答不了经营者关心的“我把这步改一改，后面会怎样”；加上分析、执行、反馈各在一个系统里、靠人来回接力的动得慢。三样归到根上是同一个缺口：缺一套能撑起经营决策、能归因也能推演的业务因果模型。

2.2 本体：那层稳定的“知识”

本体要补的，就是这套模型。把它理解成给一个业务节点造一个数字孪生：现实里的商品、门店、库存，连同它们的关系和运转规律，尽量原样搬到 AI 面前——它看到的不再是一堆孤立数据，而是一个能看懂、能推演的业务世界。但要厘清一件常被搞混的事：本体描摹的只是这座孪生的结构与规律那一层（有哪些对象、什么关系、按什么规则运转），至于每时每刻在变的实时数据（今天卖了多少、此刻还剩多少），那是数仓的事、不装在本体里。这背后是企业 AI 落地的一个关键分野——稳定的“知识”沉淀进本体，易变的“数据”推理时才喂进去：唯有如此，AI 才能在天天在变的数字里、依着业务的规律，做出前后一致、可追溯的判断。

这条“分开”还有第二半：该算准的硬计算（销量、库存、达成）交给固定算法，不劳大模型临场估；大模型只做它擅长的软判断——读懂现状、顺因果权衡、在几个方案间取舍。软的归软、硬的归硬，凡是能定死的都不留给临场发挥，AI 才靠得住。理清这两条分工，本体在决策链上的位置也清楚了：上承战略目标（定“什么算好、什么该出手”的标尺），下接综合决策，自己是夹在中间、被反复调用的那套认知。

2.3 六维：六个问题，连成一个经营闭环

那本体里到底装了什么，能让 AI 看懂一个节点？装的是六个维度：实体、事件、状态、时间、因果、动作——六维合起来，拆解的正是这家企业真实的运作逻辑；说穿了，就是让 AI 能回答关于这个节点的六个问题。每一维，以“补货”场景展开看：

六维里，时间被特意摆在因果前面：因果判断依赖时间节拍、状态演变要靠时间度量、一个动作能不能用也由时间说了算。先立住时间，后面的因果才量得准。同时，也别把六维看成六个并排的格子，它们咬合成一个转起来的环：实体、事件不断改写状态，时间、因果贯穿其中，把静态现状推成能推演的局面；动作一落，又作用回实体、引出新事件。这个环从看懂现状 → 判断成因趋势 → 动手干预 → 形成新状态，每转一圈，就是一个节点“小闭环”的内核。

把我们这个“六维本体”和常听到的“知识图谱”摆一起看清：它们底层相通：都把对象、关系描述清楚、支持链路查询和多层追溯；不同在于范围和用途。业界常见的知识图谱实践，多半到“把业务说清楚”为止；六维本体在这之上多建了时间、因果、动作三维，还让改变每个实体状态的执行动作能调用系统接口协作完成，为的不是“说清楚”，而是让 AI 把一个决策做下去。这个方向上，业界像 Palantir 也在做类似的事，底层方法并不神秘；我们下功夫、也拉开差距的，是把它长在零售经营的真实节点上。换来的，是一种高度一致、可追溯、可审计的“受控的智能”，这不是一套什么都想沾一点的通用平台，而是能在补货、调价这些具体业务决策上反复调用、每一步都查得清的一套经营判断能力。

2.4 建设：本体怎么建、建多少

最后说说这套本体从哪来：它不是凭空设计的，而是自下而上攒出来的。原材料，恰恰是第一部分沉淀的那几百个 L5 动作，上文中指明了 L4 定义“做什么决策”，L5 则揭示出“决策依据什么逻辑”，所以本体以 L4 为骨架、以 L5 为血肉。以“补货量试算”为例，把其业务操作全部拆开，本体六维要素全在其中（实体是 SKU、事件是每笔销售到货、时间是二十来天的补货周期、动作是那条补货公式……），几百个操作逐一萃取、归并去重，一个节点的本体就攒出来了。这也是它的底气：不是灌给 AI 的教条，而是从真实运行里长出来的业务常识。

但本体的六维要素的来路并不一样，这点得讲清楚。实体、事件、规则的表述这些，大半能从 L5 协同沉淀里现成拿到——这是第一部分协同体系留下的真红利；可更值钱的因果强关系、动作效果库，翻操作文档萃不出来，得把资深业务专家请出来、和科技团队一起把门道结构化、再拿历史数据反复校准——这是一笔额外的、还要持续投入的功夫。正因为贵，本体才讲究够用就好：只在需要做策略选择的节点建因果，只在需要预警处定阈值，不求一次建全，而是在使用中演进——每一次人否决 AI、每一次结果回流，都是它的校准信号。

也正因分域，成本才摊得开：商品、门店、库存这些核心域一次建好、全域共享；补货、调价这类场景域跨品牌复用；只有节点私有的一小部分才按品牌定制。所以本体不是给每个节点各做一套，而是一整套长在一起的认知，用到哪个节点、就把那部分点亮；第一个品牌最重，往后会快下来——这也是它能从一个品牌走向全集团、而不必每换一个就推倒重来的原因。

三、应用：四层决策空间怎么转3.1 决策空间：一个判断，分四层

六维讲的是本体里“装了什么”；这一节讲它“怎么转”：一个判断，是怎么从这套认知里被算出来的。要看清这点，得先把一个决策的四层摆出来。一个业务判断从目标到落地，其实分四层：

• 战略目标层——预算、达成、毛利的盘子，规定“往哪儿走”，给判断定方向和红线；
• 业务具象层——六维就装在这一层：把业务专家脑子里那套门道（补货看什么、连带率怎么诊断）结构化下来，回答“业务长什么样”；
• 数据映射层——把这些规律对到数仓的真实数字上：“存销比低于某线”该看哪张表、哪个字段、按什么口径算；它记的是这层对应关系、不是那个随时在变的值，AI 要用时顺着它就取到“业务此刻是多少”；
• 综合决策层——它不生产知识，只调用知识、卡住目标、喂进实时数据，把一个判断做出来。

中间两层合起来，正是上一章讲的本体，一层是认知的结构，一层是取数的通道。四层摆开，判断的形成，是在综合决策层。

图7 ｜ 企业数字孪生模型：四层决策空间建设

3.2 综合决策层：把本体转起来

还是回到补货的“选款定量”。换作没有本体，AI 顶多给你一句“按历史销量，建议补三百双”，这个孤零零的数，你不知道它凭什么。有了四层和六维，它是这么转的：（1）分析：顺着实体维一层层往下钻，这款鞋当前库存多少、存销比多高、是畅是滞，把现状摊清；（2）归因：调事件、因果两维，把近期涨势拆开，主推贡献几成、大促几成，涨是真需求还是一阵风；（3）推演：拿时间维一比，补货要二十来天才到，而主推热度只剩几天，算下来未来这段大约要卖多少、现有库存够不够；（4）落到动作维，给出进取、平衡、保守三档，连同各自的缺口测算和风险，一并摆出来。

这一整套转下来，和传统 BI 报表有两处最不一样。一是每一步都摊在明面上：库存从哪张表读的、涨势因何而来、缺口怎么算的、为什么给这三档，原原本本可查、可追问、也可否决。二是主动：BI 能做跨部门、叠指标的挖掘，却终究是被动的，靠分析的人去翻数据、找相关性；而这套转法让 AI 自己顺着因果链往下挖，把“相关”追成“因果”。企业要的从来不是一个最聪明的 AI，而是一个最可靠的 AI，四层加六维这套白盒转法，给的正是这份可靠。

四步里最见功夫的，是“推演”，顺着因果链往前推，回答“这一步改了、后面会怎样”。推到深处，是一套“沙盘”打法：不碰真实数据，在一个平行世界里把几个指标（价格、到货量……）调一调、让系统按本体里的因果重算，几套方案摆到一起横比，人看着沙盘拍板、定稿了才写回真系统，把“拍脑袋”变成“看沙盘”。补货这个例子还用不上这么重的沙盘；真把它推到极致的，是预算滚动。

四、闭环：节点配本体，本体产任务4.1 主体：决策的主体是“结果”，本体两步走产任务

综合决策层把判断算出来，还只是半程；让判断算数的，是它得落成一件做出来的事。

要落成任务，先得认清一个决策的主体，而这恰是最容易混的一处：一个节点的主体是谁？不是“谁来做”（那个负责的人），而是“做出什么”，是节点要产出的结果。 “确定补货开放款”这个节点，主体就是那张开放款清单；本体就以它为核心，把销量、库存、生命周期、毛利这些拉进来当配角。而配角是相对的：今天在这个节点当配角的 SKU，到了它自己的节点里就是主体。主体，随节点流动。

主体一锁定，这个决策从头到尾就是结果导向的：所有对象、所有规则，都朝着“把这个结果落准”来调节。而任务要牢牢锚住的正是这个结果。任务不是流程的起点，而是决策的结果。这背后，是一次主体的挪移：信息化时代，单据是主体，一套套系统围着单据转，单据记下什么、业务就被系统定义成什么；到了智能化时代，业务运行的主体从单据换成了任务，单据不再是业务的载体，而是任务执行过程中按需调用的资源。主体越强，能被它调动的资源反而越丰富。 任务的上游，是一个刚落定的判断；它和第一部分群里那种“待办卡片”也就分了家：那种卡片传的是“去做一个动作”，这里的任务扛的是“达成一个结果”。

那判断怎样形成任务？靠的是同一套本体的两步走：判断时，用它算“该不该动、动多少”；一旦拍了板，还是这套本体，换个用法，算“这个决定派给谁、改哪个字段、在哪个群里确认”。判断一落定，顺着这两步一走，就落成一个带着结果承诺、能驱动执行的任务，不必再把结论翻译一道。这个“结果承诺”，正是任务区别于传统工单的根子：它承载的不是“做完某个动作”，而是“达成某个结果”。

顺着这两步，判断一落定就合上了闭环：生成的任务带着完整的本体上下文，推到责任人的企业工作台上 @ 他确认；确认后，系统调用那个只做一件事的接口，把活交给 L5 执行；结果回写，节点的本体也更新到最新。从数据到分析、分析到决策、决策到任务、任务到落地、落地再回写，一个节点的小闭环，就此合上。

4.2 同一套本体的两个极致：门店诊断与预算滚动

补货这条线，是相对干净的单链决策。真实经营的难，往往在两种更硬的局面：一种是一个坏结果背后缠着好几条因果链，另一种是要对着还没发生的未来下注。这两种，恰好对应我们已经在跑的两条纵深，把上一章说的“归因”和“推演”，各推到了极致。

门店诊断，把“归因”推到极致。它盯住一个点：一个门店的经营，按月、周、日一层层往下钻，直到追出病根。最见功夫的是它不满足于找“一个”根因，真实经营里，一个坏结果常常缠着好几条链，例如货品结构长尾太重、月底冲量、深度打折、顾客低价买了又退、门店执行走样……门店诊断要做的，是把这团缠住的链拆开、分角色，哪条是主导、哪条是放大、哪条在暗暗抵消。AI 在这里真正的价值，不是找到那个唯一的原因，而是站在全局，在好几条原因里认出真正值得动手的那一条。有一个真实的门店，达成率数字很漂亮、看着超额，门店诊断却把它诊成“虚假繁荣”：主导链是商品结构长尾，放大链是月底深度打折（退货反而更高），几个健康品牌在合计数字上盖住了病态品牌。拆到这个程度，干预才有的放矢，而不是甩一句模糊的“建议优化商品结构”。这套沿营运、货品两条纵线逐层下钻、再横向把关键变量连起来的归因方法，我们叫它“关键链”。

预算滚动，把“推演”推到极致。如果说门店诊断是对着过去往回追，预算滚动就是对着未来往前推：它横跨过去、现在、未来，按月往前滚动、在分区上联动，把下一段的目标拆成几条必须被盯住、被验证的经营假设。它也最擅长戳穿“合计数”的假象：某个品牌一个月销售额看着超了预算，可按分区一拆，销量是强冲上去的、价格和折扣却一路下拖，毛利根本没跟上——“卖得多”不等于“赚得好”；更凶险的是，合计均价看着在回升，一下钻却家家分区都在跌，所谓回升，只是销量权重在品牌间挪了个位置。看穿假象，靠的正是上一章那套沙盘：按月往前滚，把销售额、成交均价、到货量几个指标调一下，横纵联动重算，硬约束（供应周期、季节窗口）当红线拦、软约束（折扣、毛利）提示达标，进取、平衡、保守三套方案摆到人面前，人拍板、定稿才回写系统。

两条纵深，一个往回归因、一个往前推演，却长在同一套本体上。它们不是哪一个 L4 决策原子里的判断，而是骑在多个节点之上、调用本体做出来的综合判断，卡着战略目标，把归因和推演做出来——这正是那个“综合决策层”落到真实经营上的样子。

而无论跑到多深，守的还是那条底线：场景限定、大小模型结合。先圈定这个场景的指标、词汇和逻辑框架，不让“万能 AI”脱缰；该用传统数理模型算的（比如销售预测），仍旧用传统数理模型。

第二部分小结：在一个节点上闭环 到这里，第二部分收成一句话：让 AI 在一个业务节点上真正看懂、并接上行动。节点定主体，本体供认知，决策产任务，执行依接口；前面说的“看不全、理不清、动得慢”，也在这一个节点里被一条条填平了。 这套本体，让企业第一次拥有了一套超越具体人、不随人走的经营认知：过去这份认知只随人存在，人走了、调岗了就散了；如今被沉淀成结构，独立于任何一个具体的人而存在。它不止是一张更全的数据看板，也不止是一张描述世界的知识图谱，而是一套长在经营过程上、又能反过来驱动经营的业务映射。让企业从“记录发生了什么”的信息化，走向“判断该怎么办”的智能化。 本体的建设任重而道远。眼下它在补货这类相对清爽的决策上跑通了，可更缠绕的复杂决策，仍要靠资深专家深度参与；而几百个节点的本体谁来牵头、专家怎么请进来共建、AI 真在 L4 上给出否决意见时一线接不接受，每一个都比建模本身更难。正因为难，这条路只能一个节点一个节点地啃，道阻且长，行则将至。 而且，一个节点看懂了、闭环了，管的还只是自己这一段。补货节点刚把一款货的库存补健康，隔壁的预算滚动节点还拿着上月旧数，推着“库存不足、得追加预算”，这两个节点各自都对，合起来却对不上账。从“看懂一个节点”，要建设到成百上千个节点的判断彼此看见、连成一张整体运转的网，才能谈得上战略目标顺着这张网层层分解下去、一线的反馈又顺着这张网汇上来校正全局。 而把这些判断连成网、盯到底的，是下一个词——任务。

第二部分，AI 靠本体在一个节点上算出了判断。可判断只是半程，一个没人认领、没人跟进、没人反馈的判断，再准也只是屏幕上的一行字。它说“这款货该补一批”，然后呢？谁去补、在哪确认、拖着没人管怎么办、补完了谁告诉 AI？第三部分回答的，就是这一连串“然后呢”：判断怎么变成“任务”，落成企业的结果。

顺着第一部分的“节点”、第二部分的“本体”往下，第三部分讲“任务”，沿“边界—能力—整体—管理”四步走：判断落到哪张网上、网上每件事怎么被办完、整张网怎么被记录沉淀、任务又怎么被管起来。

这套任务网络体系，我们还在探索、边做边校准：从年初开始规划设计，这半年摸索建设，企业工作台的大方向清晰、全局任务中心还在探索建设路径，下面是当前我们的整体设计。

一、边界：判断落到哪张网上

判断要落地，先得有个地方接住它，而这个“地方”，不在某一套系统里，在业务本身的结构上。

一家企业的业务系统，通常是按专业能力切的：商品、库存、采购、销售、财务，各管一段。可业务要办的事，很少局限在某一个系统里，而是围绕一个目标、冲着一个结果去的，例如处理一次商品缺货、完成一次新品上柜、应对一次门店收货异常等。系统按能力分工，任务按结果组织，两者的边界天然不对齐。一次缺货处理横跨好几个系统，哪怕每个系统都装上自己的 AI，把这件事从头看到尾、串起来、盯到底的，还是那个业务员。

那这件“完整的事”，挂在哪儿，可以不用新搭一套结构？我们的解法是：“任务”。第一部分已经把业务拆成了场景和节点，第二部分又在节点上定准了做判断的决策点；顺着这张现成的结构，只差最后一环：每个节点在特定条件下，落下一件件要办成的事——任务。承载它落地的还是工作群，建群那一刻圈定的参与范围、协作角色和权限边界，正好原样接住任务；到这一部分，群还多担一重身份：它是AI 接手业务的现场，业务在群里跑，AI 就在群里一步步接过原本人工的操作，把“一群人协作”慢慢变成“少数人 + AI 协同”。

第二部分本体的建设是往深里拆、找准一个个决策点；到任务这个部分，建设方向要改变——往宽里连。把所有场景、所有节点在各种条件下要办的任务汇到一起，就是一张业务运行的任务网络。AI 的每一个判断，最终都要落到这张网的某个点上。可这张网过去从没被完整地“看见”过：它散在各系统的操作日志里、散在群里一来一往的消息里、散在一线口口相传的经验里，看不见、调不动、也说不清哪里出了错。而靠人来管这张网，是管不过来的，人最多管到“人”这一层，再往下，任务太多太碎，靠开会、发消息根本串不起来。好在这张网并非无迹可寻，群里消息怎么流转，背后就是任务怎么流转。消息体系底下，本就藏着一套任务体系，只差把它显性化、组织起来。

所以需要两大设计：一是企业工作台，站在每一件事跟前、把结果完整交付；一是全局任务中心，把整张网记录、沉淀下来。

二、能力：企业工作台，把一件完整的事办完

在各系统里各自堆 AI，起步往往更快，却办不完一件完整的事。完整的上下文不只在系统数据里，还在群里的沟通、在“谁提的、前一步产出了什么、归谁负责、适用哪条规则”里；它要对业务对象有统一的理解，还得盯着结果，例如创建成功一张调拨单，只证明一个系统动作做完了，不等于门店的缺货真解除了。这些，单个系统都给不齐，得有一个架在系统之上的统一执行层，于是有了企业工作台。

企业工作台，是一个架在群、任务和业务系统之间的执行空间。它和常见的“工作台”不是一回事。常见的“工作台”是把应用入口聚到一页的门户，而我们规划的企业工作台是把一件件任务办完的业务执行平台。它以任务为中心，推着一件事从产生走向完成。它不是又一个大一统的新系统，而是面向 AI 时代的企业级业务执行平台，底层系统仍在，工作台只是把散在各系统里的能力，通过任务、本体、上下文和 Skill，重新组织成人和 AI 能一起使用的业务能力。

2.1 办完一件事：本体、上下文、Skill、Agent

它怎么把一件事办完？就拿前文“这款货该补一批、然后呢”再举例，办完这件事靠四样东西咬合在一起：本体认出这事在动的是哪款货、哪家店、眼下什么状态，上下文把它落到这一次具体的缺货上，Skill把“补一批”这个动作真落到系统里，Agent把这几样串起来、一直跑到货补上、结果回来。

先靠本体，找到对象。认清这件事在动谁：哪个对象、什么状态、什么关系、允许什么动作、要发生什么变化。这套统一语义，就是第二部分本体的六个维度（实体、事件、状态、时间、因果、动作）附着在具体节点上的样子，它描述的是业务世界本身，而不是某个系统的数据表结构。

再靠上下文，把本体落到这一件具体的事上。这里的“上下文”，不是大模型对话里喂进去的那段输入文本，而是一件事在办理时的完整业务现场。本体讲“这类对象通常怎么变”，上下文讲“眼下这一件事里，是哪个对象、现在什么状态、为什么要动它、和前后任务什么关系”。说清楚点：六维本体是稳定、通用的那一套结构（这类事该看哪六维、各维的规律），而上下文则是把该本体在眼下这件事上实例化，也就是填进此刻的实时数据、挂上和前后任务的关系。这也正对应着第二部分所述“本体只装稳定的结构与规律、实时数据留在数仓”，到了一件具体事上，才由上下文把两者连到一起。这里要分清两样东西：运行上下文是这一次的现场，也就是眼下是哪个对象、什么状态、为什么动它；至于任务与任务之间怎么连（谁触发谁、何时跳过退回），则是另一样东西——任务关系：它是这张网的骨架，归全局任务中心管。

然后靠 Skill，把该发生的变化落到系统里。Skill 不是把一个接口再包一层，而是一个有明确业务语义的标准执行能力：在满足前置条件时，对某类对象执行一项合法动作，让它从当前状态进到目标状态，返回一个能被后续任务接着用的结果。一个“审核商品上架”的 Skill，内部要查申请、校验、提交、发通知——调好几个接口，但对任务层只暴露“审核商品上架”这一个入口。这样做出来的 Skill，是从真实业务出发的，不是从技术场景硬凑的，能被反复复用、越复用越精。用一句话把这三者的分工摆清：接口管“能做什么”，本体管“是什么、允许怎么变”，Skill 管“怎么做成”。第一部分沉淀的那些原子 API，就是这里说的“接口”；把它们按业务语义组织起来、拼成一个完整的业务能力，才成了一个 Skill。这一步，也让协同攒下的能力资产换了一副形态：原子 API 是面向动作的能力，一次调用或多个组合、完成一个动作；到了 Skill 和任务这里，它长成了面向结果的能力，冲着一个业务结果去、做完还要认账。任务和 Skill 也不是一对一，一个任务可调多个 Skill，一个 Skill 可服务多个任务。

最后是 Agent，把这几样串起来跑。Agent（能理解目标、自己规划步骤、调用工具把事办完的 AI 程序）不是工作台本身，也不等于某个 Skill；工作台是它的运行环境，任务是它的目标，本体和上下文是它判断的依据，Skill 是它的工具。一件事跑起来是这样一条链：全局任务中心产生任务 → 工作台准备运行环境（任务、本体、上下文）→ Agent 理解任务 → Agent 制定执行方案 → Agent 调用 Skill → Skill 调用业务系统完成执行 → Agent 获取并判断执行结果 → Agent 更新上下文与任务状态 → 全局任务中心触发下一项任务。

把这四样连起来，工作台的关键，是把“用 Skill 调用系统接口”这个动作，从人做，交给 AI 自动执行。这正好接上第一部分：群体系完成了“从人找系统到系统找人”的第一跃，工作台则是下一跃：从人调系统，到 AI 调系统。

2.2 两类：业务工作台与 IT 工作台

企业工作台，我们先分为两类：

业务工作台，运行的是经营业务，是业务应用的逻辑——商品、零售、供应链、财务、人力，是价值真正的承载面。做三件事：对应一个业务场景调 Skill 完成一个动作；把这个动作反映到任务的完成情况上；把一个个任务串起来，完成一个业务决策目标。

IT 工作台，是背后的“工作车间”，是实现功能的逻辑——业务工作台要用的 Skill，在这儿被建出来：已有系统能支持的，组织、串联接口，形成 Skill 能力；系统还支撑不了的，先建立研发任务，在 IT 工作台完成系统的设计、编码、测试和发布，再制作 Skill 能力。业务动作最后都要落到系统里跑，系统底座始终在，IT 工作台干的，就是在业务动作和系统底座之间，把 Skill 这座桥一段段接上。

业务工作台用 Skill、IT 工作台建 Skill，两套工作台形成一个循环：业务里冒出缺口 → 变成业务需求和 IT 任务 → IT 工作台研发交付 → 业务工作台用起来 → 反馈 → IT 接着优化。

图8 ｜ 企业工作台逻辑架构（探索）

IT 产研，是这套工作台第一期就先跑通的场景。IT 工作台本就以 IT 为主体、定位是服务业务。一个需求从收集到上线，过去要走八个环节，环节的推动全靠人和人的反复沟通；如今压成五个，环节之间变成人和 AI 协作：需求一进来，AI 先借历史相关需求数据把影响范围整理出来，细到具体的功能菜单、按钮和使用的业务岗位；然后进行需求澄清，依次产出原始需求文档、需求 PRD 文档、技术设计文档，再进行代码编写、测试验证。整个过程都有 AI 参与，执行性的活越来越多交给 AI，人退到关键节点上把关，从“执行者”变成“决策者”。这个八到五，是探索里跑出来的结果，不是先画好的图纸；我们没去追“一条路径全自动跑完”，而是把散落的链路收敛成一条流水线。每个环节的输入输出都被一套交接标准锁住，问题不再丢失，而是沉淀成规则喂给下一次。目前这条线已经基本跑通，下一步是把需求、产研、交付完整串联起来，再全面铺开。

这里还得点破一件常被当成包袱的事：IT 工作台能把 Skill 一段段接上，前提是企业本来就有一套跑得动的系统。多年信息化沉淀下来的业务系统，不是要被 AI 推倒重来的包袱，而是整个工作台的地基，工作台不重做系统，它站在系统之上，只记录“什么时间、为了什么、调了哪个接口”。说白了，这条路不是拿 AI 把老系统换掉，而是给传统软件套上一层 AI、让它们被智能地调用起来。老系统还在原地跑，只是从此能被任务和 Agent 调动。而把上百个系统的接口一个一个自研沉淀成 AI 能统一调用的标准件，这一又慢又重的工程，恰恰堆出一道很难被抄走的壁垒，前端界面 AI 也许很快学会，后端这套接口能力，短期替代不了。

2.3 企业工作台的边界

工作台不接管所有 AI。当单个系统就能闭环、上下文全在一个页面的事，交给系统内嵌的 AI 反而更利索；工作台要接的，是那些跨系统、跨岗位、跨群，要走很多步、还得对最终结果负责的事。也有几条边界它守着：不替代 ERP，不另起一个数据主库，也不让 AI 绕开权限、规则和审计自作主张。工作台扛的是一件别的系统扛不动的事：把一件跨越多个系统的完整业务，真正办成一个结果。这，正是这一章开头那句“办完一件事”，落到实处的样子。

三、整体：全局任务中心，把整张网记录、沉淀下来

工作台把一件件事办完了，可整张网靠什么记录、沉淀下来？靠它背后的底座：全局任务中心（它和第一部分沟通在线里的“任务中台”不是一回事：任务中台把消息转成一个个行动，全局任务中心把这些行动连成、沉淀成一张网。未来有可能任务中台和全局任务中心会进行整合，这需要在建设过程中再论证）。它要做的，一句话：以任务为脉络，把散在群消息、系统日志和口口相传里的业务运行真相，变成一张可感知、可调度、可沉淀的网。它先让整张网被感知，过去看不见的运行过程，如今一个个任务连起来，哪里在跑、哪里卡住，一目了然；再靠三大库让这张网一轮比一轮准——认知（知识库）、运行（任务库）、能力（Skill 库），每一次执行都垫高下一次的起点。其中任务库、知识库是它自己沉淀的；Skill 库里存的是登记和契约，真身在工作台里产出、挂进来被任务引用——三样靠统一的标识、版本、契约扣在一起。三样各司其职：

• 知识库管认知——凭什么这么判断；
• 任务库管运行——要执行的任务清单、正在跑的任务，以及它们织成的网；
• Skill 库管能力——任务怎么被做完。

知识、任务、Skill 全汇集在这一处，知识库连接了决策思考，任务库连接了运营逻辑，Skill 库连接了系统操作。

前面一路提到的“业务规则”，到这儿也各归各位：凭什么这么判的决策规则，通过本体建模沉到知识库里；一个动作怎么做成的执行规则，封在 Skill 里；事和事怎么接续的流转规则，归任务库。因此，全局任务中心虽由 IT 来建设，但服务于业务——沉淀下来的不是接口与代码，是这家企业怎么经营的认知与打法，长期汇集、持续演进、形成资产。

3.1 知识库：凭什么这么判断

本体是精炼的，只装决策必需的规则和因果；可企业里的知识还包括：术语的解释、方法的来龙去脉、踩过的坑、规则背后的口径规矩、老师傅脑子里的经验等等。这些不直接参与计算，但 AI 要把判断解释给人听、要应付本体里没覆盖到的例外，都得靠它们。打个比方：本体是菜谱上的关键步骤，知识库是主厨脑子里的整套厨艺。照着菜谱能把菜做出来，可客人再问一句“这道菜为什么先煎后炖”，答得上来的是厨艺，不是菜谱。知识库顺着同一条业务价值链的 L1 到 L5 分层，每一层装的是做这一层判断要用的知识，越往上越通用稳定、越往下越具体鲜活。L1 是价值链层的行业常识，L2 是各业务线的方法，L3 是具体场景的门道，L4 是这家企业在决策点上的规矩口径，L5 是落到岗位、甚至某个老手攒下来的经验。要点在于：知识库只回答“凭什么判断”，不装具体怎么落地，流转归任务库，执行归 Skill。

3.2 任务库：定了之后怎么落地

判断被拍板之后，要变成一件实实在在的事：得有人认领、有单据、有时限、有“干完了”的标准。这套标准做法，就沉淀在任务库里，但它不是谁坐下来凭空写死的模板，而是从业务里梳理、反推出来的。一头顺着价值链自上而下拆“这类事该怎么做”，一头从系统跑出来的大量真实数据自下而上反推（补货那几个任务节点，就是从成千上万条真实补货记录里反推出来的）；同时，反推出的模板并不能直接上线，还要过业务专家校验、再小范围灰度试跑，才正式发布。把业务本来的规律显性化、沉淀成模板，这件事本身就是 AI 工程化建设的一环，而不是把流程写僵。任务库里装两样东西：一个是这样梳理出的任务模板（一类事的标准做法：要什么单据、走什么流程、凭什么信号算干完），另一个是模板落地跑出来的任务实例（下文也称“任务单”）。

模板只是规则、不能直接执行；要落成一个能跑的实例，是几样东西实时凑到一起：任务实例 = 任务模板 + 业务对象 + 触发原因 + 责任人 + 完成标准 + 当前上下文。

• 任务模板给“这类事怎么做”；
• 业务对象给“这一件事在动谁”；
• 触发原因说清“为什么这张单现在冒出来”；
• 责任人定“谁担这件事”；
• 完成标准定“凭什么算干完”，是业务对象真到了目标状态才算完，不是某个系统接口调成功就算完；
• 当前上下文给眼下这一次的现场：实时数据、此刻状态、做到哪一步。

至于本体、知识、Skill，不必复制进每一张任务单，单子只标明引用哪一版就行。

任务身上有两套结构，并行不打架。一套是任务关系：这些任务单怎么串成网，它管着：谁触发谁、何时跳过退回等，这些都不落在单张实例里；正是任务关系，把孤立的实例连成了网，这张网不是预先画好的静态图，而是随业务运行实时生长的；同一套模板，在不同地区、不同组织维度上，还会实例化出各不相同的样子。另一套是价值链汇聚：任务和知识库、本体共用同一条业务价值链的 L1 到 L5。其中，L3 按场景把一组任务归拢，L4 是任务诞生的决策节点，L5 落到今天执行的那张单；再往上，一组任务按真实组织架构或项目维度，逐级聚成父任务或项目，这也为任务“往上聚”备好了依据。一套管任务怎么连，一套管任务归在哪一层，各管一维。顺着这两套结构，把每个动作的前因后果都串起来，攒成一张企业全链条的业务价值图。这张业务价值图记下的是“实际怎么跑”，日后要改流程、做创新，凭的就是它。

如此，两个库的分工就清楚了：知识库管“凭什么判断”，任务库管“定了怎么落”。它们都顺着第二部分谈及的那条业务价值链 L1 到 L5 来组织，层层对得上。每一层的认知，恰好回答这一层任务“凭什么这样设计”。再以补货举例：

表里最后半句（处理人的调整，会被记下来、沉淀回知识库）正是整个体系“越用越准”的关键。知识库支撑任务的设计，任务的执行又反过来喂养知识库（回流前先过一道校验，脏经验不进库）。两个库不是各管各的仓库，而是一个循环的两端。

第二部分的“本体”在这两个库中间干什么呢？它管的，是从“选项”到“承诺”的那一下拍板。本体六维里有一个“动作”维，装的是每个选项的业务规律，例如：补货作用于库存、要些时日见效、成本几何；调货见效快；降价立竿见影但伤毛利。AI 判断时，就是拿着这些规律，在几个选项之间推演比较。而每一个动作身上，都预先挂着一张“落地说明书”，写明它一旦被选中，该到任务库里取哪一份模板。于是拍板那一瞬间发生的事就很清楚了：AI 依托本体和知识库，把几个选项的效果、成本、时间摆在一起比；人一拍板，选定的那个动作顺着它的说明书，从任务库取出对应模板，套上今天的对象和上下文，生成一张有责任人、有时限、有闭环标准的任务单，落到工作台上。动作是“可以怎么办”的选项，任务是“说到就要做到”的承诺；决策，就是把一个选项变成一个承诺的那一瞬间。第二部分算出的判断，到这里就落成了一张有责任人、有时限、有完成标准的任务单。

3.3 Skill 库：任务到底怎么被做完

第三样，Skill 库：任务到底怎么被做完，一件件可复用的执行能力封装在这里，供任务调用。Skill 的生产在工作台完成（IT 工作台建、业务工作台用），登记和编排沉淀在这个库里被任务引用。它凭什么能反复复用？靠的是一层稳定的契约：每个 Skill 对外只亮出一个业务入口和一套固定的进出口（要什么、产出什么），内部到底串了哪些接口、日后接口怎么改，调用它的任务一概不必知道。正因这层契约稳，同一个 Skill 才能被几十个任务共用；哪天底层系统升级，只改 Skill 内部，所有引用它的任务原地不动、跟着一起受益。建和用分开，改一处、全局都得利。

3.4 三样合起来：一个自我校准的闭环

三样一转，就成了一个闭环：认知（知识库）定义任务该怎么做，运行（任务库）承载它真实地跑，能力（Skill）把它做完，跑完的结果再回流、沉淀回认知——转一圈，下一次就更准。这张网上每一件具体的事，既可以人来接手，也可以交给数字员工（就是前面那个接任务的 Agent，换到“员工”身份上的名称）去完成。

这一转，先带来“可调”的一面：任务落进网里就不会石沉大海。每一张任务单从生成起就有主、有时限、有“到哪一步”的状态；到点没人认领，系统自动催办；催办还不动，就按模板里定好的规矩自动升级到上一级，不用管理者在群里一个个去追。这已经不是设想，我们单电商这一个业务域，AI 每月就在群里接管数十万张超时单据的盯办和催办，过半能在两小时内完成；货品、客服这些域，也是相近的量级。

更深一层，是“可学习”的一面。每一张任务单闭环时，都带回一份真实的答卷：补的那批货后来真按时到店了吗？卖得像预测的那样吗？处理人把量改了，是他对还是 AI 对？这些结果顺着回流（同样先过那道校验的闸），数据更新了，本体里的规律被校准了，可复用的经验沉淀进知识库了，任务模板里的时限也有了真实统计做依据。沉淀得越久，针对一个业务场景能调出来把任务做完的 Skill 就越强，结果就越准。从而这张网，是越跑越准的。

也正因如此，全局任务中心和工作台，是一件事的两半，这句定调才立得住。工作台在前台把一件件事执行掉，全局任务中心在背后把这些事记录、沉淀成网，再作为认知供回给下一次。任务中心不亲自办业务动作，工作台也不另建一套任务账本，各守一边、扣在一起。而从群里冒出一条消息开始，到工作台把这件事办成，再到任务中心把整个过程沉淀下来，群消息 → 工作台 → 全局任务中心，正好合成一条完整的闭环。

再往长远看，工作台不会只有一个，尤其在业务侧，商品、零售、供应链等会各自长出自己的工作台；IT 工作台则始终只有一个：Skill 是全企业复用的标准件，只能出自同一条生产线、守同一套契约。可无论多少个工作台，任务的账都只记在一处：全局任务中心是所有工作台共同的底座，所有工作台的任务最终都收敛到它。

最后，这套设计到底不一样在哪？“以任务为中心、让 AI 执行任务”，是这两年全球头部厂商共同押注的方向，我们不居首创；让我们真正不同的，是把它长在了“工作群”这个业务现场上。别处的聊天工具往往只是任务的触发器和通知面，任务的真身落在另一套独立系统里；在我们这里，工作群一旦建起来，人、权、事、消息就已经串在一起、边界划清，恰好解掉了 AI 在企业落地最难啃的组织关和权限关，任务就在群里被采集、派发、执行、确认，并叠上本体、那道自研的系统接口底座、贯穿企划到销售的全业务链。正是“工作群作现场 + 本体 + 系统接口底座 + 全业务链”这套组合，而非其中任何单独的一块，成就了我们的实践特色。

四、管理：四大助理体系，运营网络之上的管理网络

到这里，全局任务中心已经把企业的运营理成了一张任务网络。可管理者要的，不只是“事在跑”，还得“管得住”。这就要在运营网络之上，再收拢出一张管理网络，为此我们设计的解决方案是四大助理体系。它的立身之本，是把这张任务网接回到真实的组织上来管。

4.1 定位：助理是组织与任务的连接

助理，是真实组织和任务之间的那道连接。这是最容易想岔的一处：它既不是“AI 秘书”那样伺候某个人的私人副手，也不只是把任务收拢起来的一个筐。它一头认得真实组织（谁负什么责、谁管哪一摊）；一头连着任务网（每件任务此刻在谁手上、办到哪一步）；再用助理的方式，协助一个个具体岗位把手上的任务办成，让整个任务中心高效地转起来。所以谈助理，先得认准这层身份：它不是又一个干活的 AI，而是按真实组织、真实运行的逻辑，把任务管起来的那套入口；它从组织的结构化，一路走到任务的结构化。这套入口背后调度的，还是同一批 Agent 和 Skill，把它当干活的执行者看，是数字员工；把它当管理者的入口看，就是助理。而顺着不同的维度收拢，便有了几个各管一段的助理。

图9 ｜ 助理体系建设逻辑：按照真实组织和真实运行的逻辑来管理任务

那这几个助理是怎么长出来的？靠一“拆”一“聚”。拆，不是新结构，就是前面走过的那条线：沿 L1-L5 把业务拆到节点、节点落成一件件任务，拆到这一步，任务已经理清，但它们是按业务运行结构组织的，还不是按“谁来管”组织的。聚，才是这里新做的事：换一个维度，把这张网上散落的任务合并同类项，顺着真实组织归拢，同一类任务落到该管它的那一层，收成个人、团队、组织三层。所以助理不是把任务简单堆给谁，而是把任务顺着组织重新编排了一遍。这几个助理，就站在这一拆一聚的交点上，让每一层管理者面对的就正好是他那一层该管的那批任务。

助理照着真实组织这样一搭，就成了组织的一面镜子。日常运行里，组织相对是稳的，任务却天天在生、在变；正因如此，这张顺着组织长出来的管理网最稳当，任务再怎么动态生长都兜得住（这三层的底子，第一部分建群、理群时已经备好）。可组织并非一成不变，一旦重组或者权责调整，助理也随之把任务归属重新编排一遍，也就是组织变到哪，管理网就长到哪，照样接得住对应的所有任务。更进一步，每一次重新编排，还是对组织与权责的一次重新审视，哪类任务归哪一层、哪些权责交叠或悬空，顺着任务倒着一照，反倒比一张组织架构图更清晰明了。这面镜子照的是组织，却也反过来让组织把自己看得更清，有时甚至逼着它把权责理得更顺。

4.2 任务的分类：哪些交给人、哪些交给 AI

助理具体怎么“协助”一个岗位？第一步，是把这个岗位上的任务理一理。同一个岗位手上的事，要分两个问题看：一是这件事什么性质：要执行、要审核、要拍板，还是只要通知一声；二是这件事人和 AI 怎么分工：从人自己做，到 AI 备料、人点头，再到 AI 全程自动、只在出岔子时找人。

这两根轴彼此独立，同一种性质的事，人机分工可深可浅：越靠标准化、低风险的一端，越能交给 AI；越牵涉判断与担责，越要人负责。正因为“什么性质”和“谁来做”本就是两回事，才要分开来看。至于每类任务的人机边界具体落在哪，还在业务里边做边探，这里先把框架立起来。

理清这两根轴，人机的界线就清楚了（助理照这套口径给一个岗位收拢任务，全局任务中心那头也照同一套把任务汇集起来，两边对得上）：凡是要担责、要判断的，人负责；凡是能标准化、能交给 AI 的，就落成 Skill 交给数字员工去执行。而界线的另一头得钉死：执行可以委派，责任不能转移。任务运行靠 AI 支撑，可关键节点始终由人拍板，AI 助理只把该决策的时刻提醒到位。活这样交出去，一线的人也不是被取代，而是往上挪了一步，像客服坐席，从一句一句地应答，变成一个人带着几个 AI 分身工作，去训练 AI，去接管 AI 啃不动的异常。

4.3 四个助理各管一段：组织、团队、个人，外加项目

分好类，再按管理天然的三个粒度（宏观、中观、微观）各设一个助理，各回答一类问题：

• 组织助理站在宏观，回答“大盘目标对没对齐”：盯经营指标的达成，滤掉琐碎进度，只把影响大盘的偏差顶上来（比如某个品类的实际占比明显偏离了规划），做达成分析和预警。
• 团队助理站在中观，回答“我们做得怎么样、哪儿卡了”：顺着组织架构往下一两级，跟进任务状态、盯协同阻力和延期风险，该催办的催办、该预警的预警。
• 个人助理站在微观，回答“我现在该做什么”：把落到个人头上的任务收拢，排好优先级、推着快点办完。

这三个助理还各管一段节奏——个人助理盯日、团队助理看周与月、组织助理管季与年，日、周、月、季、年层层汇总，把业务的日常运行稳稳托住。它们都不是虚设的角色，而是挂在真实组织的岗位上、和职能分工一一对齐的。

这三个，是助理体系的主轴，都扎在组织上。此外再点一个项目助理：有些任务不是按组织走，而是按目标走，一群人围着一个明确目标（开一家店、上一个系统）集中干出的一批任务，就由项目助理临时拢起来、盯着目标往前推，达成即散。它收的还是同一张网上的任务；四个助理搭在一起，日常的运营和临时的项目就都照应到了。

这四个助理不是让人去“查”的看板，而是主动来“找”人的，它把管理从“人找事”翻成了“事找人”。落到群里是这样：助理进到一个业务群，认出它关联着哪些任务、盯着对话和任务状态；一旦有该管的事冒头，例如一个偏差、一处延期、一个待确认等，它不等人来翻报表，直接在群里把风险和建议摆到该拍板的人面前；人一点头，它就联动工作台把动作落下去，结果再回写、回推到群，没人需要另外登录系统翻数据。管理不再建在业务之外，而是长在业务群聊之内——管理即业务。而且，这种管理将达到过去够不着的细。过去管理只能管到人、管到部门、看到月底的报表，任务一多、一碎就抓不住；如今顺着这张任务网，管理既能细到每一个具体任务的状态，又能一眼纵览全局。于是，AI 不只让业务能拆得更细，也让管理能管得更细。

第三部分小结：小闭环到任务网，判断落成结果 把三个体系（企业工作台、全局任务中心、助理体系）放到一起，才能实现判断落成结果。工作台和全局任务中心，一个在前台执行、一个在背后记录沉淀，各守一边；把助理这一层加上去，三样就各就各位了：工作台把一件件事办完，全局任务中心把整张网沉淀成运营网络，四大助理在这张网之上收拢成管理网络；一个负责执行、一个负责记录、一个负责管理，合起来才是完整、活着的一张网。 就拿一件我们正在重构的、更缠的事：开一家新店。从门店提交申请到最后一笔工程款打完，要穿过十几个阶段、几十个任务节点、七八类角色（门店、监理、设计、总部工程各组、供应商、财务），还散在招投标、ERP、审批、付款好几套系统里，这些过去全靠人在群里盯、单据在系统间手工搬，断点多、易漏。现在把它重组成一张任务网：总部沉淀一套标准工程模板，新开一店就复制出一份项目副本，任务顺着模板自动派生、按规则流转（该并行的并行、该等齐的等齐），验收自动对照标准核验、一完成就驱动下一个；散在各角色手里的上百个任务，由助理顺着工程组织逐级收拢，哪一处卡了就自动顶到该管的人跟前。它带来的不是某个环节的效率提升，而是把过去靠几十人分别盯守、沟通、协调、推动、还常对不齐的流程，变成一张能自动流转、能整体看见、能持续优化的任务网。 回到开头那个“然后呢”，第二部分让 AI 在一个节点上算出了判断，第三部分做的是让判断真正落成企业的结果：知识库供依据，本体把判断推成选项，人一拍板、选项就成了承诺，任务库给承诺一套标准的落法，工作台把它执行到底，助理全程跟进，结果再回头喂养知识库和本体。运转一圈，系统对这家企业的认知就更准一点。判断有依据、落地有章法、执行有跟进、结果有回音——AI 到这一步，才算真正跨过了从“能说”到“能干”的那道门槛。

回到全文最初的问题：怎么让 AI 在一家企业里真正落地？

谈到这里，答案就落在这三个词上：节点、本体、任务。节点：协同在线把业务全过程搬上线，让千头万绪都收进一个个具体的节点；而节点，正是任务产生的地方、本体的挂载点、AI 可以精确介入的位置。本体：让 AI 在一个节点上看懂业务、算出判断；任务：让判断不停在屏幕上，而是被认领、被跟进、被办成，再沉淀回认知。看得见、看得懂、办得成，AI 就这样从“读文档”一步步走到了“做业务”。

这三步连起来，是一条双向穿透的链：战略顺着任务穿透到一线的每一个动作，一线的结果又顺着任务汇聚上来、回写成认知。往下，决策不再卡在谁的待办里；往上，真实的一线不再层层衰减。一圈圈转下去，一家企业就从一堆各自为政的系统，长成一个能自我校准、越跑越懂自己的有机整体。

而这三步，长在一副更大的工程底座上。模型让 AI 会思考，工程化让 AI 会做事。模型的聪明是通用的、也是现成的，谁都能调用、也随时在刷新；难的、也见高下的，是“会做事”这一半，把一家企业的系统、数据、流程、组织，一层层接进 AI 能读懂、能调用、也能担责的轨道。这套底座不是一把规划出来的，是根据具体业务应用需要一步一步探索和迭代出来的，才有今天这八层建设。底下两层是地基，越往上越贴近经营：

图10 ｜ 百丽时尚科技中心工程化数智整体建设规划（绿色：信息化+数字化，已建成&运行中&持续迭代｜蓝色：智能化，探索&建设中）

• 1.业务系统：把各自为战的业务系统拆开，提炼成可独立调用的原子能力。要害就在“拆”这一下：按业务场景打散、用微服务把能力组织出来，系统就从“功能的堆叠”变成“能力的组件”。这些通过 API 暴露的原子能力，是后续一切协同流转和 AI 调用的执行通道，AI 要“动手”，动的正是它们。
• 2.数据仓库：把散在各系统、口径对不上的数据，归进一个统一的底账。用“进、存、出、管”搭起企业级数仓，一路走过三代：一代按 L1-L5 存好结构化数据，二代扩展成湖仓一体，把图片、音频、文档这些非结构化数据也纳进来，三代基于“本体”建模，把数据重组成结构化知识。前两代是“信息库”，答“有什么、为什么”；三代是“应用的库”，答“怎么办”，AI 的每一步推理都沿着规则可追溯。
• 3.协同在线：把企业的整个运行网络搬上线，这是最独特的一层、也是贯穿八层的主线。过去系统解决“做什么、怎么做”，协同解决的是“谁来做、什么时候做、做完了告诉谁”。它由四个“在线”环环相扣：业务在线拆出能力，沟通在线以群为场域、用消息和任务把能力流转到对的人，组织在线校准“谁是谁”，权限在线划定“谁能做什么”。到最后，人、权、事被消息串成一张网，没有它，AI 既没有能感知的环境，也没有能落脚的通路。
• 4.场景·群·节点：在这张网上把业务拆出结构。先沿全价值链梳理场景、形成 L1-L5 框架，再搭起结构化群体系，在群里定位 L4 决策节点、L5 执行动作，如此业务运行这才被拆到一个个看得见、可识别、可触发的节点上；后面的判断、执行和任务，都从这些节点里长出来。
• 5.本体·AI：把老师傅脑子里的经验，变成 AI 看得懂、还能照着做的认知。本体把一个节点上有哪些对象、什么关系、按什么规律演变、可以怎么动手沉淀成结构；AI 依着它，在天天变的数字里做出前后一致、可追溯的判断，在决策点上分析、归因、推演，再到动作层自动落地，从而补上“有洞察却落不了地”那道最深的断裂。
• 6.企业工作台：让 AI 照着任务去调系统接口。工作台是群的后台引擎、承上启下的执行调度层：上接任务、下接系统 API，中间用 Skill 把“任务需要什么”和“接口能做什么”接上。协同在线铺好了网络的“路”，工作台就是路上的信号灯和调度，决定什么时间、什么条件下调哪条路把任务办成。
• 7.全局任务中心：任务、知识、Skill 的总汇集点，把所有任务连成一张会沉淀、不断变准的网。群把边界划清之后，它把群里产生的所有任务串成网络：知识库存决策逻辑、口径与经验，任务库存所有任务实例及状态，任务模板靠“知识+规则”实例化成具体任务，再由上下文把任务关系连成网。沉淀越久，这张业务价值图越准，还能反过来优化流程、推动创新。
• 8.助理体系：按真实组织，把这张运营的网收拢成一张管理的网；助理是真实组织与任务的连接，组织调到哪、这张网就长到哪，反过来把权责照得更清。顺着组织和目标，归拢成个人、团队、组织、项目四类助理：该催的催、该预警的预警、该拍板的时刻提醒到人。任务中心体现运营网络，助理体现管理网络；而它们和人打交道的场域还是群，正因为协同在线早把群的边界、角色、权责跑通了，助理才能准确地把事送到该管的人跟前。

这八层一层层叠上来，层层相因、缺一不可，从能动手，到看得懂，到办得成，到管得住，少垒一级，上面的全部悬空。它不是画出来的，是一步步走出来的；也正因如此，把 AI 真正落进一家企业，才既慢又重：它要的从来不是一个更聪明的模型，而是这一整套一级压一级、只能亲手垒起来的底座。

也正是站在这里，能看清一件更大的事：这一轮 AI 浪潮，真正的瓶颈，或许已不在模型这一端。再聪明的“大脑”，也得有一副能在真实企业里感知、判断、动手的“身体”才落得了地；而炼就这副身体才是最难，它只能一寸寸从真实业务里长出来、被真实结果一次次校准，画不出来，也买不来；就连这套方法本身也一样，也还在路上，虽然大方向已经清晰、一部分跑通，余下的工程也仍要一步步踏踏实实地建。模型越强，这副身体反而越要紧。

于是，当 AI 不再是外挂在业务之上的一件工具，而是长在业务运行里、和人一起把每一件事办成的一部分——这，就是“AI 原生”。企业的智能，不是买来的一个功能，而是从业务里内生、还会不断进化的能力，这种能力一旦在企业内真正长出来，它趟出的路，别人接得上；它垒起的底座，也能托起更多的智能。用工程化的方式，把企业的智能，从一个想法，变成每天都在发生的现实。

从此，模型的每一次进化，都能落成企业自己的进化——地基之上，复利刚刚开始。

声明： 1. 文章第一部分“工作群及协同在线”，是在“钉钉”的基础能力上实现的； 2. 文章第二部分“本体及决策推演”，是与滴普科技共创； 3. 文章第三部分“IT 工作台”，是在优维科技的 Knodo 平台上实现的； 4. 此文章的内容，是百丽时尚集团科技中心的全体员工通过半年的探索后总结的。

点击阅读作者更多文章

更多AI落地思考和实践将在「2026 ITValue Summit 数字价值峰会」呈现！

过去四年我们持续跟踪AI变化：
—2023，百模大战，我们分享了50个创新场景，告诉行业AI将如何影响企业数字化转型。
—2024，我们用十几场直播+9场闭门会，逐一拷问｛大行业+大模型｝在中国的真实渗透率。
—2025，我们做了10个AI预判：摩尔定律放缓、CIO职业挑战、企业组织重构等问题都在今年得到应验。

现今，AI已不是“新知”，但同样也并没有“共识”。

在这个厂商“烧不起”，企业“等不起”的“兑现”时刻。面对企业级 AI 落地，谁都不敢说有最优解，对话比结论更重要。

我们期待通过不同角色、立场的深度对话，完成价值交换、相互启发。
扫码关注2026 ITValue Summit 数字价值峰会进展。