企业智能行动系统：大模型之后的竞争焦点｜战略提前量

数智之道

吴琪/文

中国企业正在迅速获得AI，却未必正在形成AI能力。

前者表现为接入了多少大模型，上线了多少知识库，部署了多少智能体；后者表现为企业能否借助AI更快地发现问题、作出判断、采取行动，并从行动结果中持续学习。

过去两年，智能客服、知识问答、会议纪要、辅助编程和内部知识库迅速普及，越来越多的企业拥有了自己的大模型平台。大模型可以分析材料、提出建议，却不会天然地知道一家企业应当在哪一刻优先交付哪个订单，是否需要调整采购计划，哪台设备必须提前维护，哪项质量异常应当立即停线；它更不知道一项决定应由谁授权，出现损失后由谁负责。

继续增加模型参数无法解决这些问题。模型与产业现场之间缺少一个由数据、知识、目标、规则、权限、执行、责任和反馈共同构成的系统层，笔者称之为“企业智能行动系统”。

由此，我们可以得到一个判断：人工智能竞争的下一阶段，不只是模型间的竞争，还将是企业智能行动系统之间的竞争。

大模型与企业之间，缺少一个系统层

大模型主要提供理解、生成、推理和规划等通用能力。企业运转却不只需要认知能力，还需要可信且及时的数据、明确的经营目标、可以执行的业务规则、连接ERP、MES、CRM、PLM等业务系统的接口、清晰的决策权限，以及异常升级、人工介入、结果验证和责任追溯机制。

企业智能行动系统就是连接经营状态、机器判断、组织权限、业务行动与结果反馈的系统。它以AI模型为认知引擎，以企业数据和知识为感知基础，以目标、规则、权限和责任为治理边界，使机器能力能够稳定地进入企业经营活动。

这一概念与当下流行的智能体（Agent）既有联系，也有区别。

智能体强调模型的自主规划和工具调用，重心仍在机器一侧。企业智能行动系统关注的是组织一侧：机器的判断以什么权限进入业务流程，由谁监督，出现异常如何升级，行动过程如何留痕，结果又如何回流为企业知识。前者是技术构件，后者是经营建制。

这里的“行动”并不等于机器完全自主。AI可以提示风险、提出方案，也可以触发审批、请求人工确认。在目标明确、结果可验证、风险较低且行动可逆的场景中，它还可以在授权范围内直接执行。企业真正需要设计的是不同决策上机器权限的分级配置。

如果一个AI应用不能持续获得经营状态，不能进入企业的行动流程，也不能验证行动结果，无论它的回答多么流畅，它就还不是企业智能行动系统。大模型主要解决能否理解和推理的问题，企业智能行动系统要解决能否据此行动，并使行动过程可记录、结果可验证、责任可追溯。

从AI工具到经营闭环

从能力形态看，企业AI应用大体可以分为三个层次。这并非所有企业依次经历的时间阶段：同一家企业内部，办公应用可能处于工具层，研发处于知识层，某些生产场景则已经进入行动层。

第一是工具层：AI为人提效。员工用AI搜索、写作、总结、翻译和编程，提高了个人效率，但形成的能力容易被竞争对手复制，也未必能够沉淀在企业内部。

第二是知识层：AI开始理解企业。企业建设内部知识库，使模型能够读取制度文件、产品资料、技术文档和历史案例。AI获得了企业语境，但主要作用仍然是回答问题和提出建议。

第三是行动层：AI进入经营闭环。模型不仅读取信息，还能依据企业目标和规则参与判断，按照分级权限提出建议、触发流程或者采取行动，并依据结果修正模型、规则和流程。

以供应链为例，大模型可以阅读库存报表，解释库存为何上升，并给出降低库存的建议。一套供应链智能行动系统却需要持续读取订单、库存、产能、物流和供应商状态，识别缺货、积压与交付风险，依据成本、交期和客户优先级生成调整方案；常规事项可以自动触发工作流，重大异常则升级给负责人；系统还要跟踪执行结果，检验此前判断，并修正后续决策。

目前，大量企业仍停留在前两个层次：模型与真实业务数据缺乏稳定连接，建议与执行系统彼此分离，机器没有明确的行动权限，执行结果也不回流。企业获得了越来越多的答案，却没有形成越来越强的行动与学习能力。

为什么试点通过，组织却没有改变

这也是许多AI项目“演示惊艳、落地困难”的根源。试点往往由技术团队主导，选择边界清晰的场景，使用经过清洗的数据，因此效果可观。一旦推向真实运营，AI就要面对跨部门的数据口径冲突、没有被数字化的业务规则、权责不明的审批链条和无法回避的经营风险。

这一落差并非个别企业的偶发现象。麻省理工学院NANDA（网络化智能体与去中心化AI）项目在2025年发布过一份初步研究。综合52次高管访谈、153份调查和300多个公开实施案例后，他们发现，其样本中约95%的企业生成式AI应用尚未形成可衡量的损益影响。这个数字不能简单解释为“95%的AI项目失败”，却说明试点、上线与经营价值之间存在一道普遍鸿沟。

这些问题在试点阶段通常被有意绕开。试点验证了模型能做什么，却没有回答企业必须改变什么。要让AI进入核心业务，企业需要重新梳理数据主线、明确业务规则、开放系统接口、配置机器权限，并建立验证、升级和责任追溯机制。这些工作远比接入一个模型困难，却决定了AI能否产生持续价值。

企业也需要重新理解数据问题。许多企业并非没有数据，而是数据不能支持行动：设备、订单、质量、客户和财务数据分散在不同部门，定义不一致，无法形成从判断依据到行动结果的证据链。数据边界的背后往往是部门边界、考核指标和权责划分。不改变数据的权责安排，再好的模型也只是一个更聪明的外围工具。

责任问题同样不能用“人负最终责任”一句话带过。AI深度参与经营后，企业必须把责任变成具体机制：机器的权限范围事先明确，每一步行动可以记录和回放，每一种异常有明确的升级对象和处理时限，每一次人工接管都有依据。系统本身不能承担责任，但必须让组织责任能够被落实。

部署优势如何转化为学习优势

工具层、知识层和行动层，是企业AI能力形态的静态划分。企业之所以必须努力进入行动层，是因为只有当AI参与真实行动并获得结果反馈时，才可能形成持续学习。

与主要依照预设规则运行的软件相比，AI系统更有可能利用持续产生的数据和反馈，改善识别、预测与判断能力。但AI不会因为被持续使用就自动学习。数据不等于反馈，反馈不等于知识，局部改进也不等于企业能力。

以制造业质量检测为例，AI的价值不只是减少人工检测成本。系统还可以持续识别缺陷与原料批次、设备参数、工艺条件和环境变化之间的关系，进而影响工艺设计、供应商选择、设备维护乃至新产品研发。一次检测产生新的数据，企业验证此前判断，再据此更新模型、业务规则或行动权限，改变下一轮生产。只有形成这样的循环，AI使用才会转化为学习。

因此，中国丰富的场景和海量数据不会自动成为优势。只有当企业能够记录行动、验证结果，并据此改变模型、规则和权限时，场景才会产生反馈，反馈才会成为知识，知识才会改善下一次行动。

如果只是为员工配置通用大模型，企业得到的主要是工具普及；如果不断建设彼此孤立的试点，企业得到的主要是应用数量；如果项目始终依赖外部厂商，企业自身没有沉淀数据、规则和验证能力，部署越多可能意味着依赖越深。企业真正需要完成的是从部署优势到学习优势的转换。

中国拥有的首先是部署条件

企业能否把部署转化为学习，最终累积成的是国家层面的竞争差异。

关于中美人工智能竞争的讨论，通常围绕芯片、算力、资本、人才和模型排行榜展开。这些指标当然重要，但也容易让人把人工智能竞争误解为一场单一维度的技术竞赛。

美国依托先进芯片、巨额资本、顶尖人才和基础模型优势，不断推高机器智能的能力上限，再推动这种通用能力向企业和社会扩散。中国虽然受到高端算力约束，却拥有完整的制造业体系、庞大的工程师队伍、密集的供应链和丰富的应用场景，更有可能从大规模部署出发，在真实场景中降低成本、积累反馈、改进产品和重构系统。

一条道路更多地从智能前沿走向产业，另一条道路则从产业现场反向塑造智能。

这只是对相对优势和发展顺序的概括，而不是非此即彼的划分。

美国成熟的企业软件生态本身就是强大的应用基础，中国基础模型的追赶速度也不断打破“只能依靠应用”的简单叙事。没有持续进步的模型，应用会很快就会触顶；没有深入企业运行的系统，再强的模型也难以兑现为生产率。

中国真正独特的条件，在于人工智能可以进入一个规模巨大、门类完整而且竞争充分的产业体系。

2024年，中国安装了约29.5万台工业机器人，占全球新增安装量的54%。这并不意味着中国已经在工业人工智能上全面领先，只能说明中国拥有让算法进入设备、产线和物流系统的物理基础。

与此同时，截至2025年12月，中国生成式人工智能用户规模已达6.02亿，较2024年12月增长141.7%，普及率达到42.8%。大模型正从少数技术人员使用的工具，变成广泛使用的认知基础设施。

更重要的是，中国企业所处的竞争环境迫使新技术迅速接受市场检验。新能源汽车、消费电子、家电、物流和电子商务等行业产品周期缩短，成本和价格压力持续上升。企业很难长期为不能产生经营结果的AI项目买单，模型必须进入研发、排产、质检、采购、设备维护和供应链管理，才能证明自身价值。

场景多不等于系统强，部署快不等于生产率提高。目前，中国首先拥有的是潜在的部署优势，而不是已经兑现的系统优势，能否成为长期竞争优势，还取决于部署能否产生可验证、可积累的经营结果。

谁来建设企业的系统层

如果系统层是大模型之后的竞争焦点，接下来的问题是：谁来建设它？

大型企业需要围绕核心经营决策建设自己的智能行动系统。真正具有战略价值的，不一定是覆盖全公司的宏大平台，可能是能够直接影响交付、质量、成本、研发和客户价值的决策闭环。

企业AI建设的基本单元，应是围绕具体经营目标连接起来的感知、判断、权限、行动和反馈。

对于数量庞大的中小企业来说，自建完整系统层既不经济也没有必要。更现实的路径是通过行业平台和专业服务商获得标准化的连接器、工作流、验证工具和治理能力。

大模型可以通用化，但企业的经营目标、风险偏好、业务例外和责任关系却不能完全通用化。平台化必须满足三个底线：数据主权归企业，业务规则的配置权归企业，系统能力可以迁移而不被单一供应商锁定。否则，AI部署越广，企业对平台的依赖可能越深。

对平台企业而言，下一步的竞争也不只是接入更多模型或推出更多智能体，而是能否把系统层做成可复制的行业产品：既能连接业务系统，又能配置权限；既能推动行动，又能保留证据；既能降低中小企业的使用门槛，又不掏空企业自身的学习能力。

对政策制定者而言，衡量AI发展的指标也需要从模型数量和应用数量，逐渐转向系统是否进入核心业务、是否产生可验证的生产率改善，以及企业是否形成了能够持续积累的自主能力。政策制定者可以首先把“AI系统是否进入核心业务并产生可验证的生产率改善”纳入示范项目、政府采购和产业扶持的评估标准。

从模型竞争走向系统竞争

美国在先进芯片、基础模型、顶尖人才和前沿研究方面仍然拥有显著优势，低估这些优势并不现实。中国也必须持续提升基础模型和关键软硬件能力，不能把产业应用当作基础能力不足的替代品。

但随着模型能力扩散、开源模型进步和推理成本下降，企业获得通用智能的门槛会不断降低。竞争的重心将逐渐从“谁能够使用智能”转向“谁能够组织智能”。模型能力决定企业可以做什么，企业智能行动系统则决定这些能力能否稳定进入经营活动，能否被验证、被治理、被积累。

对企业管理者而言，下一阶段应先回答三个问题：企业最值得重构的决策闭环是什么？机器在这个闭环中应当如何实行权限分级？行动结果如何被验证，并沉淀为企业自己的知识？

中国已经拥有形成这一循环的前半部分：庞大的产业场景、坚实的设备基础和快速部署能力。下一步，是把这些条件转化为可执行、可验证、可治理并且能够持续学习的企业系统。

大模型提供通用智能，企业智能行动系统则把通用智能变成企业能力，也将成为大模型之后真正的竞争焦点。

（作者系前罗兰贝格中国区总裁和埃森哲大中华区副主席）