AI员工时代，企业AI落地的四大阻塞点与破局方向

本文作者：得帆智能联合创始人兼CTO徐翔轩

AI员工时代，已经来了

2024年以来，关于AI在企业里怎么用，已经有很多讨论和尝试。如今，一个共识已悄然形成：绝大多数企业对AI的态度，已经从"要不要用"，转向"怎么用好"。

那么，随着在AI员工、智能体越来越多地进入企业，企业的数字化架构正在或将要发生哪些变化呢？

1

三个趋势

我观察到三个非常明确的趋势：

第一，AI融入企业架构不可避免。不管你现在用的是GPT、Claude、通义、文心、DeepSeek还是其他模型，越来越多的AI员工，或者说智能体，正在成为企业的常态生产力。

第二，引入AI坚守三个"要"核心原则：要让AI发挥尽量大的作用，要让AI的行为受控可管，还要尽量复用企业既有的数字化系统和数据资产。不是另起炉灶，而是在既有基础上做增量升级。

第三，传统的数字化架构必须升级。过去的架构是围绕"应用"设计的，ERP管ERP的事，CRM管CRM的事。当AI员工进入企业后，需要跨系统调用、理解业务数据、自主执行任务，传统架构无法支撑这些诉求。

2

三个判断

基于上述趋势，我们可以得出三个关于企业AI发展的关键判断：

判断一：AI员工的作用将越来越大。模型能力在快速提升，企业的AI基础设施也在逐步完善。当这两点形成合力，AI员工能干的事情、能干好的事情，只会越来越多。

判断二：token消耗量有望成为AI员工价值衡量的核心指标。人类员工的价值可以通过工时、KPI、OKR等方式衡量，但AI员工的价值评估尚在探索之中。在众多衡量维度中，token消耗量是一个值得探索的方向。一个AI员工被调用的频率越高，token消耗自然就更高，在一定程度上能够反映其创造的业务价值。

判断三：AI员工的技能提升和协作管理会成为企业新课题。如何提升AI员工的业务技能，适配企业的个性化需求？如何实现AI与人类员工的高效协作，构建新型工作模式？这些问题将深刻影响企业的数字化建设与人力资源管理两大领域。

这些趋势与判断共同指向一个清晰的演进方向：企业的数字化架构正在从"以应用为中心"转向"以智能体为中心"。未来的企业数字化架构，将围绕AI智能体的需求进行重构，最终目标是构建一个更加灵活、高效、智能的企业运营体系。

AI员工入职需要具备哪些技能？

1

从App-Centric到Agent-Centric

有了以上认知，我们可以发现，过去，企业以应用为中心，AI更像是零散的“功能插件”或“辅助助手”，不触达核心业务。员工需要在ERP、CRM、OA等多个系统间反复切换。跨系统的数据流转和业务协同，高度依赖人工搬运。

现在，我们需要以智能体为中心。员工直接和AI对话，表达业务诉求。AI智能体需要精准理解员工的意图，跨系统调用数据与服务，端到端地完成从需求提出到结果交付的全流程任务。

这种从App-Centric到Agent-Centric的转变，是对企业业务流程、组织模式与员工角色的深度重构。

2

AI员工的“入职”核心能力要求

要让AI智能体真正成为能创造业务价值的“AI员工”，必须具备三大核心能力：

第一，理解数据。数据可信与语义一致是AI发挥价值的前提。如果客户主数据在CRM里叫一个名字、在ERP里叫另一个名字，AI就会困惑，给出的结果也不可信。

第二，调用系统。AI员工必须具备连接与调用企业全域业务系统的能力。例如查库存要连ERP，查客户要连CRM，走审批要连OA，如果这些系统之间是割裂的，AI什么都做不了。

第三，执行任务。AI员工不能只"给个建议"，而要拥有从理解需求到交付结果的端到端自主执行能力，能够自主编排任务流程，根据实时数据调整执行策略，无需人工干预即可完成闭环。

将这个三大核心能力整合起来，我们会发现，企业需要的是一个"AI操作系统"⸺让AI员工能够理解数据、调用系统、执行任务的统一底座。

听起来很简单，但现实是，大部分企业会遇到一系列结构性障碍。

AI员工落地的阻塞点与破局方向

1

阻塞点一：连接与治理

企业数字化建设形成了由ERP、CRM、OA、SCM等多个系统构成的复杂生态，接口标准、数据格式、技术架构差异巨大，光系统集成的成本就高得惊人。

系统连接的难题尚未解决，模型调用的治理困境又接踵而至。许多企业往往同时试用多个大模型，但这些模型的API调用缺乏统一管控，Token消耗不可视，企业无法精准核算不同模型、不同业务场景的AI投入产出比，合规审计、隐私保护也很困难。

更深层次的问题在于企业数据资产的服务化能力不足。高质量的业务数据分散在各个系统的数据库中，很难被封装为标准化、可复用的API服务，供AI员工直接调用，不仅效率低下，还容易造成数据口径不统一、重复建设等问题。

2

阻塞点二：数据资产

数据口径不统一即同一个业务对象在不同系统里的定义不同，许多企业缺乏完善的主数据管理体系，AI员工在跨系统调用数据时产生理解偏差，输出的结果自然难以让人信服。

数据安全与可控性则是更严重的问题。AI员工在调用外部工具和服务时，企业尚未建立安全围栏，调用权限缺乏清晰界定，容易会给企业带来数据安全风险与合规风险。

3

阻塞点三：智能中枢缺失

当企业初步实现AI员工的落地应用后，一个隐藏的问题会逐渐暴露：AI员工的决策过程是一个“黑盒”。企业不清楚AI调用了哪些工具、使用了哪些数据、模型推理的逻辑是什么、在哪一步出现了偏差。缺乏全链路监控与追溯能力的状况，使得企业对AI员工的信任度难以建立。

4

阻塞点四：编排与交互

企业的实际业务流程往往高度复杂，远非一句Prompt就能搞定。但很多企业缺乏可视化的编排能力，无法将复杂的业务流程转化为AI可执行的任务序列，导致AI员工只能处理简单的单点任务，价值创造能力大打折扣。

另外，员工的使用也是割裂的，查数据去一个系统，做审批去另一个系统，问AI去第三个地方。协作的体验非常碎片化，AI员工难以真正融入企业的日常运营。

连不上、数据差、管不住、编不好⸺这四个阻塞点，恰好对应了企业数字化架构需要升级的四个方向：连接与治理能力的提升、数据资产体系的升级、智能中枢平台的建设、编排与交互能力的优化。

这些阻塞点并非不可逾越的鸿沟。下一期开始，我们将进入架构拆解环节，逐层讲解企业AI原生架构的每一层该如何建设，才能够解决这些阻塞点，为企业从“以应用为中心”到“以智能体为中心”的转型提供可落地的实践路径。