企业AI落地“最后一公里”，究竟卡在哪？

来源：市场资讯

（来源：光子星球）

撰文| 郝 鑫

编辑| 王 潘

回溯时间线，企业AI化升级的进度并不慢。

2023年大模型元年，国内开启百模大战，企业开始思考大模型能做什么。2024年，大模型能力快速迭代，企业开始尝试接入AI能力，智能问答、文档助手等应用在其内部陆续上线。2025年，智能体概念爆发，从去年9月份开始，企业开始探索让AI切入到核心生产流程。

到了2026年，阿里云智能集团副总裁霍嘉判断，“今年是Agentic AI应用真正爆发的元年，企业的核心任务是推动AI应用落地。”

但现实是，大多数企业卡在了AI落地的最后一公里：从“能用”到“进入生产”。

背后的原因在于，AI落地企业要面对其内部原本运行多年的系统、权限、数据、设备和业务规则。这意味着，AI要想真正进入生产流程，不是再叠加一个入口的问题，而是要进入这套复杂的体系内。

让智能进入业务

过去二十年的企业数字化，主要解决了流程线上化、数据沉淀和系统协同的问题。但今天AI面临的情况不同，企业不是一张白纸，ERP、MES、DCS、OA已经在企业内部扎根。AI进入内部时，既无法推翻重来，又必须找到合适的切口，落地难度自然更高。

从数字化到智能化，最突出的变化是系统在业务中的角色。数字化以数据打通，业务重构为核心，数据是分析依据，决策主体是人，依赖信息化系统与网络；智能化以算法推理，自动决策为核心，数据成为了决策原料，决策主体变成机器辅助或自主决策，一来完备数字化底座与AI算法。

然而，企业现有的数字化架构大多是为流程固化和系统管控而设计。ERP管资源、MES管生产、DCS管控制、OA管流程，每一套系统都在自己的领域内高效运转。系统习惯于把已知的规则转化为标准动作，却不一定擅长应对规则模糊，需要跨系统推理以及依赖专家经验的复杂场景，而这恰恰是AI进入生产流程时必须面对的难题。

更关键的是，这些系统本身并不会主动提示AI，业务现场应该调取哪些数据，切换哪些系统，由谁来负责决策，一旦发生异常意味着什么。而上述种种问题，跟大模型是否聪明和便宜，关系不大。

系统层面的障碍之外，建设模式本身也构成了阻力。霍嘉告诉光子星球，传统AI项目式构建是先规划好流程，再开始建设。但今天模型相关技术日新月异，从年初的上下文工程到Harness工程再到自进化工程，仅在九个月之内就更新了四个版本。在固有的数字化建设模式下，很难跟上如此快的技术迭代和场景落地要求。

系统固化与建设惯性叠加，共同造成了当前企业AI落地的困境。AI既进不去存量系统，传统建设模式又跟不上技术迭代。

数字化时代已经完成的，是让业务进入系统；智能化时代需要完成的，是让智能进入业务。企业真正缺乏的，是一套能够让AI理解业务、调用现有数字化系统、接受验证并参与业务流程的方法论。

选场景、做Demo、Say No

这套方法论无法平地起高楼，也不能靠远离现场的产品设计来补齐，需要厂商进入业务现场，把问题、系统和工程实现连接起来。

但过去三年，企业尝试的路径大多远离现场。有的从大模型API切入，做出一批问答助手；有的从某个业务痛点出发，做单点POC；有的成立AI专项组，试图自上而下推动。这些尝试方向未必错，但共同的问题是，设计在远端，验证靠汇报，交付即结束。真正让AI进入生产流程、形成闭环的案例仍然不多。

阿里云在服务大型国企和行业头部客户的过程中，逐步摸索出一套企业AI落地的方法论。这套方法论无需企业从零构建一套新系统，核心是在企业已有的数字化底座之上，把通用AI能力转化为真正能进入生产流程的业务能力。

这背后也代表了一种全新的工作模式，霍嘉将其概括为四步：选对场景、快速验证、科学建设、效果飞轮。

选对场景是起点。判断一个场景是否值得用大模型技术去做，至今仍是大部分项目成功与否的首要原因。随着AI的发展，场景变得越来越多，实践下来发现，很多场景未必适合大模型，强行去做反而会失败。真正值得优先切入的，是那些高频、高价值、强专家依赖的核心环节，即越靠近生产核心，AI的价值越可衡量，越难被替代。

中国石油兰州石化是阿里云的重点客户之一。在选择场景环节，阿里云团队用三级漏斗式调研层层细化，总部战略调研覆盖6个职能部门和4个工业联创中心，再聚焦四个联创中心围绕勘探开发、注水采油、炼化装置、设备检维修筛选，最后进现场和装置管理人员、工艺专家、内操人员一起蹲流程，最终把炼化常减压装置异常告警诊断定为试点。

快速验证决定方向是否成立。不讲PPT，直接看DEMO。用真实数据、真实流程跑一遍，让业务专家直接对着结果提意见，把讨论从“要不要做”推进到“怎么做更好”。兰州石化项目中，团队进场后23天完成设计演示方案，再用13天现场端到端调通，36天产出可运行业务Demo。当可运行系统先摆上桌，业务专家直接对着诊断结果、证据链和处置建议，判断如何推进下一步。

这种快速验证的思路，同样贯穿于项目推进的节奏。霍嘉对项目推进有一个明确要求：把周期压短。一个央企项目团队最初汇报上线要3个月，霍嘉直接说不要做了，将发布节奏改为每月一次，后来到每周一次。此外，他还坚持一个前提，即与客户构建真正的“One Team”关系，而非传统甲乙方模式。

科学建设覆盖语料数据、模型策略、评测体系与工程方法。生产级系统与实验环境有着本质区别，需要一条完整的技术路径来支撑。

仍然以兰州石化项目为例，阿里云团队先基于知识图谱技术构建常减压装置本体知识库，把物理世界的业务语言翻译成本体世界的语言；再用大模型把操作手册、各种IT系统里的数据清洗成Agentic数据，灌入本体知识库；最后构建全域推理引擎，基于千问Max模型和常减压装置训练垂域时序大模型。当异常出现时，该模型能够模拟人的思考过程，协助智能体捕捉异常信号，给出根因判断。该系统自5月份上线至今持续运行，整体效果达到90%准确率，处置效率提升80%。

效果飞轮让前三步持续增值。系统上线后产生的新数据、业务人员的新反馈、专家积累的新经验，都应该回流到语料库、评测集和工程规则中，驱动模型和系统持续优化。每一次循环，系统对业务的理解更深一层，输出的价值更高一截，而单位成本随之下降。当产出价值远超投入成本时，智能化建设就进入了自我强化的正循环。

算力、模型、智能体缺一不可

这套方法论的落地，离不开一套完整的全栈式AI基础设施作为支撑。

整体上看，这套支撑体系分为三层：最底层是AI Infra，中间是MaaS，最上面是Agent。底层算力支撑推理效率，MaaS层提供模型调度与私有化部署，Agent层完成智能体编排与工程约束，安全与可观测体系保障生产级运行。

阿里云是比较好的观察样本。在AI Infra层，阿里云有平头哥芯片，当前在售的PPU1.5是国内第一个支撑原生FP4的芯片，也是第一个做到144G HBM3E显存和800G显存带宽的芯片，确保MOE大尺寸模型推理效率足够高。

在MaaS层，阿里云提供千问系列模型，包括2.4T参数的大模型，以及Qwen3.8的27B小模型，同时提供五类专属闭源模型，从大语言到多模态到语音识别、语音生成、视频生成、图像生成与编辑，都能进行私有化部署。

在Agent层，阿里云提供AgentScope智能体框架、Qoder AI原生编程工具、Harness工程平台、工业本体平台等。

兰州石化项目验证了这套全栈体系的支撑能力。本体知识库让智能体看懂装置，Harness层让每一步推理可审可信，13个专业AI助手嵌入班组日常，工业软件通过MCP协议被大模型统一调度。

这套全栈能力还构建了一个正向循环的飞轮。云厂商在客户现场用AI原生产品解决问题，客户的使用产生真实数据和反馈。这些反馈回流到产品团队，驱动产品功能迭代和架构演进。产品能力增强后，进一步提升场景价值和工作效率。

霍嘉告诉我们，在服务客户的过程中，阿里云从最初只用模型和云的基本产品，一步步拓展到了百炼平台、Qoder、千问办公等更多AI原生产品。在真实场景里获取的需求，可以成为产品以后迭代的反馈源，不断保持产品的先进性。

对云厂商来说，当使用和产品飞轮转起来以后，能够驱动底层的模型和数据飞轮，从而提升整体的商业化；对客户而言，一次性解决了找不到场景、验证技术可行性和ROI以及生产级上线的三个痛点。一旦产生了正向的ROI，企业AI落地自然也有了价值回报。

技术不是壁垒，把技术转化为企业专属智能才是

当企业AI落地逐渐走向深水区，更根本性的问题正在浮出水面。通用大模型越来越强，但企业的核心竞争力，从来不是拥有聪明绝顶的模型。

通用大模型是技术底座，可以被任何企业调用，能力趋于同质化。真正拉开差距的，是企业自身的数据、知识和流程，是沉淀在生产流程里的工艺参数、专家经验、制度规则和业务逻辑。

霍嘉反复强调一个判断：无论什么技术，对企业而言，价值归根结底就是“增收、提质、降本、增效”八个字。企业经营的本质是创造价值、赚取利润，技术本身不构成壁垒，把技术转化为专属能力才是。

专属智能不是买来的，是在生产流程里一点一点长出来的。这个过程没有捷径，哪些数据可用，哪些知识可信，哪些规则必须硬性约束，哪些判断可以交给模型，都需要在真实验证中逐一确认。而一旦沉淀下来，这些专属资产就构成了企业智能化转型中最难以复制的壁垒。

当模型能力同质化后，真正能卖出溢价的不是模型，而是用专属智能解决具体业务问题的能力。模型越强，专属智能的天花板越高；但专属智能的厚度，取决于企业自己在业务场景中积累了多少。

专属智能要落地，也需要具体的产品载体。以千问办公为例，除了大规模个人办公场景，也上线了面向企业的私有化版本，可部署于企业自有环境，并围绕安全可信要求完成权限、数据隔离和审计适配。

千问办公带进企业的，不只是一个AI助手，而是懂岗位、能协同、可追溯的数字员工，在企业服务、运营管理和产业协同中承担具体工作。当数字员工真正上岗，专属智能的厚度才有了可衡量的落点，也才有了持续增厚的空间。

通用智能是起点，专属智能才是终点。当企业把通用能力转化为自主可控的专属智能，AI才真正从“能用”走向“进入生产”，从技术工具变成生产力本身。