大模型的核心范式正在從“說得好”轉向“做得到”。

作者 | 高 飛

2003 年，Nicholas Carr 在《哈佛商業評論》上發了一篇《IT Doesn't Matter》，論點是當一項技術人人可得，它就不再構成競爭優勢。記得這篇文章引發的爭議持續了蠻久，一度每場我參加的采訪，幾乎都有人問。今天輪到 AI 興起，沒人再說 AI doesn't matter 了。不過，承認一件事重要，和讓這件事在企業里真的重要，是兩回事。這個新問題應該會被討論很久。

去年，MIT 的《The GenAI Divide》報告調查了 300 多個企業AI部署案例，發現 95% 的試點沒有產生任何可衡量的財務回報。模型在三年里躍遷了三次，從語言理解到多模態感知再到自主編程。幾乎每家企業都試圖在業務中疊 AI。但是加完之后又往往會發現一個尷尬的事實：關掉它，業務照轉。AI 并沒有變成關鍵拼圖。

問題不在供給端。

5 月 20 日的阿里云峰會主會場，來自供給側的信號是足夠明確的：從新一代 AI 芯片真武 M890 到 Agentic Cloud，從千問旗艦模型 Qwen3.7-Max 到阿里云百煉平臺，阿里云完成了“芯-云-模型-推理”的全棧升級。用阿里巴巴集團通義大模型事業部負責人周靖人的話說，大模型的核心范式正在從“說得好”轉向“做得到”。關鍵在于模型進入企業的這段路。換句話說，不在外化，而在內生。

而峰會次日的“AI 驅動的企業應用”分論壇，就沿著這個邏輯追問同一個問題：模型做得到了，企業準備好了嗎？

1、三年半走到臨界點

阿里云智能集團公共云事業部副總裁高飛最近密集走訪企業客戶，他的判斷是：從 GPT 發布到現在三年半，企業級市場經歷了三個階段。

最初是知識問答。企業拿大語言模型搭一個超級搜索框，本質上還是在用模型的問答能力做專家服務。到了 2025 年上半年，市場轉向 Agent，比如 AI 客服、AI 巡檢、智能 BI，大量企業提出需求，希望構建能自主執行任務的應用。再到 2025 年下半年，AI Coding 崛起，整個技術范式發生轉移，企業開始意識到編程能力本身可以被 AI 接管。

三個階段遞進，AI 的能力邊界在指數擴張。但高飛緊接著拋出了一個和主流敘事相反的判斷：不管 AI 怎么發展，企業首先要重新重視的，其實是數據，數據才是 AI 時代企業的核心生產力。

他的類比是：有時候，企業關心路燈怎么建，卻忽略了地下管網。過去 30 年，企業的 IT 系統圍繞 ERP 構建，所有軟件服務于流程，數據只是流程運轉的副產品。選品、比價、加入購物車、結算、發貨，流程固化好了，人按流程把事做完，不需要泛化性。數據在這個體系里的地位低到什么程度？量大了就刪，刪不掉就拷到磁帶機上。

金錢永不眠，數據在沉睡。

AI 改變了這個等式。算法、算力、數據三要素，其他兩個都可以商品化，但數據往往是獨特的。數據從副產品變成了核心生產力，從“附加結果”變成了數字員工的經驗。數字員工的能力可以拆成三個維度：大語言模型代表智商上限，數據代表積累的經驗，Coding 代表動手執行的能力。三者缺一不可，但后兩者，經驗和執行力，全部依賴企業自身的歷史積淀。

這是整個論壇底層的一條暗線：所有人都在講 AI 是未來，但 AI 要在一家企業里真正扎根，靠的是過去和此刻不斷沉淀的數據。

大模型公司本身就是人類歷史互聯網數據的產物，企業的 AI 同理。企業里有多少數據被存下來、被打通、被用起來，決定了 AI 在你的組織里能走多深。

高飛用三個字概括了這個前提：存、通、用。數據存在哪里，有多少量？各業務系統之間是否互通？數據是否被有效使用？相當數量的上市公司到今天還沒有一個合理的數據治理方案。于是，如果有企業一號位問“能不能幫我做一個 AI 應用”，他要先回答一個問題是“你的企業有多少數據量”。

何況，需要“存通用”的數據還在急劇擴大。

過去企業處理的主要是結構化數據，交易記錄、訂單流水、財務報表。但 AI 時代真正的增量來自非結構化數據，攝像頭拍下的視頻流，傳感器采集的空間信息，客服對話的語音文本。這些數據過去無法被處理，也就無人在意。汽車行業是一個典型：主機廠過去的核心系統是 ERP，但自動駕駛出現后，最核心的系統變成了智能座艙，因為輔助駕駛需要海量路側視頻數據，而這些數據在沒有多模態模型之前根本用不起來。非結構化數據的覺醒，正在改寫企業數據資產的版圖。對很多企業來說，這已經不只是 IT 部門的事，而是一個戰略層面的課題：你有沒有能力把物理世界的實時數據納入自己的數據體系？

SAP 中國方案架構總監周偉峰用另一組數據印證了同樣的判斷：74% 的 AI 項目停留在試點階段無法規模化，原因不是模型性能不足，而是卡在三個鴻溝。AI 沒有你的業務知識，它能讀懂數據，但不知道采購訂單背后有一系列審批、收貨和三單校驗的邏輯；AI 看到的是碎片化的信息，財務在 ERP 里，客戶在 CRM 里，生產計劃在釘釘群里溝通，物流在第三方系統里； 缺乏 AI 治理架構，AI 的操作如果無法被審計、無法被追責，就永遠只能做演示，進不了核心流程。

這三道鴻溝本質上是同一個問題：AI 停留在企業的表層。它能幫你寫個會議紀要、做個 PPT、回答一些常見問題，但碰不到訂單、碰不到供應鏈、碰不到財務賬本。

怎么從外化走到內生？三家企業給出了三個不同切面的答案。

2、三家企業的內生路徑

中國一汽：把智能體架構嵌入企業架構

中國一汽的數智化進程本身就是一個縮影：ERP 到 EBC 再到 EOA。ERP 是流程在線化，完成任務。2012 年業內提出 EBC（企業業務能力平臺），核心目的是把能力組裝起來，快速響應市場。到了 AI 時代，中國一汽提出 EOA（運營智能），目標是構建“自感知、自決策、自執行、自進化”的運營中樞。

三個縮寫背后是三十年企業 IT 的演進，每一步都沒有推倒前一步。EOA 不是替代 ERP，而是在 ERP 的數據和流程基礎上，疊加一層智能體架構。中國一汽的做法是把智能體架構嵌入企業架構，從原來有業務架構、信息架構、應用架構、技術架構、安全架構，現在擴展出智能體架構這一層。

這不是概念游戲，是已經落地的場景能說明問題。

設計即制造：過去汽車研發是串行的，研發設計，工藝評審，制造調試，出了問題再反復溝通。現在把制造現場的數據前置到研發環節，建立端到端的數據流轉。以車門總成為例，梳理出 60 類、6275 項工藝邊界規則，設計方案生成時，智能體自動調用這些規則，一次成型，減少返工。

審批模型替代審批單：原來一事一議，出了問題追查誰審錯了，追責容易。AI 審批之后，追責邏輯變了，追業務人的責任還是追 AI 訓練者的責任？管理中心從單次審批轉向審批模型的維護。中國一汽大營銷運營部總監徐海強的原則務實：只要模型的準確率超越人類平均水平，就應該上線。審批的目的是規避風險，只要模型準確率有效，合規效能就有保障。

更深層的變化發生在認知層面。

4S 店銷售員介紹底盤，講的多是技術參數。專業人員覺得有技術范，但數據顯示用戶對這樣的介紹沒有觸動。再用數據來看看高績效顧問怎么做？他們不講技術參數，而是說“遇到什么路面，底盤性能有怎樣的穩定性、操控性、舒適性”。認知從“我覺得這個好”變成“數據告訴我用戶在意什么”，這是數據驅動的認知躍遷。

支撐這些場景的底座，是中國一汽幾年來沉淀的兩大資產：標準化的業務單元和貫穿全域的業務對象。中國一汽已經沉淀了三萬多個業務單元，現在正在把它們轉換成智能體可調用的 Skill。業務對象則讓數據從程序員的后臺數據庫交到業務人員手里，放大了數據的使用價值。

組織層面同步在動。產品經理轉型為 AI 產品經理，前后端開發轉型為智能體架構師。徐海強的說法是：不是讓員工自發轉型，而是從組織層面用角色牽引。未來企業不僅要買碳基員工的時間，還要買硅基員工的 token 和算力。硅基員工的考核維度是智能程度、準確率、響應速度和成本。

中國一汽的路徑，底子是幾年數據治理和業務對象標準化的積累。過去的厚度決定了內生的深度。

銀泰：用物理世界的數據驅動零售決策

銀泰的判斷更激進：零售企業現在每年增長 3 到 4 個點，未來十年銷售增長在哪兒？在 AI 購物渠道。這是一個萬億級的市場，其中 80% 是增量。如果零售企業不變，傳統零售的占比將從 75% 降到 45%。

這意味著銀泰不是錦上添花式地加 AI（也就是外化），而是把 AI 當成生存問題來解。

銀泰搭建了“眼腦手”三位一體的 MOS AI 智能引擎。腦是基于千問大模型的推理決策，眼是部署在商場里的 6 萬路攝像頭，手是把分析結果交給人或機器執行的能力。三者協同，形成一個完整的感知-決策-執行閉環。

值得留意的是對物理世界數據的投入。6 萬路攝像頭不只做安防，而是在識別人的動作和貨品的擺放位置。做了數據合規，不采集人臉，但重點看動線和陳列效果。這些數據過去沉睡在硬盤里，現在變成了訓練空間智能的原料。之前對商場內任何零售場景做識別訓練，周期是四周。現在可以做到 48 小時內上線，準確率 90% 以上。

提速是模型變強，也是工程層面下了功夫。銀泰在大模型的推理引擎（額葉）之外，另外部署了一層專門處理海量視頻和文本數據的預處理引擎（枕葉）。一分鐘視頻直接傳大模型，計算成本巨大。切成關鍵幀圖片、做聚焦壓縮之后再回傳，效率完全不同。這是工程上的門檻，不是調一個 API 就能跨過去的。

AI 化遵循了漸進路徑：先工具化（把經營的 58 個關鍵動作拆解，逐一 AI 化），再流程化（把工具串聯成自動執行的流程），最后智能體化（讓 AI 自主決策和執行）。銀泰商業集團 CTO 熊超說目前大部分場景進入了流程化階段，少數已經到智能體化。

一個量化指標能說明進展：當 AI 權重達到 50% 時，一個人加一臺邊緣服務器協同工作，整體能效是傳統方式的四倍。AI 權重 100% 時，倍率是十倍。

銀泰做得快，根源也在于過去的積累。2017 年就開始做數字化，花了四年完成 100% 云化。熊超說“我們至少做了四年的數字化積累，這個過程中還是能夠把水位往上拉得比較好一些”。沒有那四年的數字地基，AI 化不可能在以小時為單位的時間內落地。

西門子：讓 AI 寫符合工業標準的代碼

西門子的 Eigen Engineering Agent，做的事情直接：幫 PLC 工程師寫代碼。

PLC（可編程邏輯控制器）是工業世界的基石。從數控機床的開關門到機器人控制，所有工業設備的底層都是 PLC 程序。西門子是 PLC 市場占有率最高的企業，也是工業軟件領域歐洲第一、世界第二的提供商。

Eigen Engineering Agent 基于阿里云賦能的 AI 能力，讓 PLC 工程師可以用自然語言交互的方式生成代碼、創建項目配置、查詢故障手冊。解決的痛點實際：工業領域技術型人才短缺，項目周期越來越短，工程師大量時間花在重復性的編碼和文檔工作上。

效果數據（來自西門子數字化 AI 產品總監宋元明）：對 PLC 程序塊參數的更改，每個程序塊含 66 個參數、200 行代碼，Agent 全流程（代碼生成、測試代碼生成、人工審核）從原來的 6 分鐘降到 1.5 分鐘。單看好像不多，但一個工業項目里有成百上千個這樣的代碼塊，累積起來節省可觀。文檔的編譯翻譯從 35 分鐘降到 11 分鐘，人機交互畫面的組態從一小時降到半小時。[數據基于客戶場景和任務]

但這個產品讓人留意的，不只是提效數字，而是它能生成符合工業標準的代碼。

所有和工程相關的規范由西門子把控，Agent 生成的代碼符合 PLC 編程的行業標準規范；模型推理和代碼生成能力則由阿里云賦能的大語言模型提供。兩者結合的前提，是西門子 TIA Portal（博途）多年積累的工程實踐知識，故障手冊、設備配置規范、編程語言標準，這些沉淀在幾十年產品迭代中的 know-how，是 Agent 能生成合規工業代碼的底子。

三家企業，三個完全不同的切入點。仔細看，它們有三個共同特征：痛點真實、流程扎實、歷史數據夠厚。中國一汽的三萬個業務單元和 6275 項工藝規則不是一天建成的，銀泰的 6 萬路攝像頭和四年云化也不是突擊完成的，西門子 TIA Portal 的工程知識庫更是幾十年的積累。

企業 AI 的內生，本質上是把過去的厚度變成未來的能力。

3、讓內生成為可能的那一層

中國一汽的行業大模型、銀泰的智能引擎、西門子的 Eigen Engineering Agent，底層都基于阿里云的大模型能力。

解釋是：對企業來說，選擇一個大模型底座，考慮的不只是 benchmark 上的分數，還有幾件現實的事：模型是否可商用、可開源？能否做行業混訓和蒸餾？多模態能力是否覆蓋物理世界的空間理解、路徑規劃、視頻流處理？千問大模型在這些維度上是目前企業級應用中被充分驗證的選擇之一。

而阿里云提供的不只是模型。從阿里云百煉的模型調度平臺，到千問的推理和編程能力，到 Qoder 的 AI 編程工具，再到從 OSS 存儲到 MaxCompute 到 DataWorks 的全套數據工程平臺，企業可以在這個底座上完成從數據資產化到智能體開發的完整鏈路。

SAP 和阿里云的合作也印證了這個邏輯。底層是阿里云的基礎設施，安全體系、數據本地存儲、算力保障；SAP 帶來 50 年積累的業務大腦，ERP、供應鏈、財務管理的流程智能；上面通過 AI 層相互連接，SAP 的 AI 能力將在今年二季度落地到阿里云，接入千問大模型。這個組合之所以必要，是因為 SAP 有深厚的流程知識（730 萬個數據字段，每一個背后都有業務語義），但在中國需要本地化的大模型和數字基座；阿里云有強大的基礎設施和數字生態，但在企業核心業務流程上缺乏 SAP 那樣的深度。二者互補。

一個正在推進的案例能說明這種組合怎么落地：一家按單制造的服裝企業，訂單鏈路要經過銷售、生產、采購、庫存、質量、財務六個環節。之前的問題是訂單準交率低，面料斷供三天后才知道。現在借助 SAP 和阿里云的聯合方案，CEO 可以在釘釘里用自然語言問“某某訂單狀態怎么樣了”，智能體抓取數據、追蹤全鏈路，不僅知道哪個訂單逾期、卡在哪個環節，還能知道哪個訂單虧了、虧在哪里，并生成具體的改善建議推送給對應部門。從分析到執行，中間不再需要層層傳話。

上述三家企業，中國一汽、銀泰、西門子，走的都是自建路徑：在自己的業務土壤上長出 AI 能力。

斑頭雁和 MuleRun 則提供了另一條路：由外部的智能體平臺和工具，幫助企業加速完成從外化到內生的跨越。

斑頭雁 (BTY)CEO 張毅，釘釘創始團隊成員、前釘釘副總裁，工程技術出身。現在斑頭雁，他也在 AI Agent 產品技術開發的一線。

在他看來，企業討論“外化還是內生”，本質是要回答 2 個問題：做什么？怎么做？

做什么。打造能自主執行的“AI 員工”，是企業 AI 價值落地的關鍵應用。 斑頭雁不把自己定位為 Agent 開發平臺，而是端到端、開箱即用的 AI 員工。Agent 平臺只是底座，目標是讓 AI 員工具備自主學習、自主執行、自主迭代的能力——能獨立執行任務，業務價值很容易判斷真偽：做完了就是做完了，做沒做、做得好不好，一目了然，不存在“上了 AI 但說不清創造了什么價值”的灰色地帶。

怎么做。AI 員工要真正成為企業的一員，自主學習、執行、迭代都必須在企業人類主管的監督下進行。 這部分監督工作可以概括成三件事： 業務判斷，AI 員工做什么、怎么做；執行流程，AI 員工融入企業的流程、規則、安全；結果閉環，評估 AI 員工的工作結果。

過去 2 年，某知名時尚集團科技中心在斑頭雁 Agent 底座上累計開發了 2000+ AI 應用，至今依然健康運行。這些一線執行動作的 AI 化，如今都沉淀成了 AI 員工可直接調用的“任務”和“技能”。

回到“外化還是內生”，斑頭雁給出的答案是：AI 員工就是內生的載體。Agent 平臺底座提供自主學習、執行、迭代的能力，企業的管理者和工程師在監督中持續校準業務判斷、執行流程和結果閉環，把碎片化的企業 know-how 一點點串成 AI 員工可調用的任務和技能。當 AI 員工能在這套機制下跑完一個完整的業務流閉環，AI 就不再是外掛的工具，而是真正長在企業身上的能力。

MuleRun 首席產品官付鋮提供了另一個視角。MuleRun 是阿里云孵化的通用智能體業務，主打辦公場景的 AI 自動化。其產品邏輯是：不要刻意設計 Agent，讓 Agent 觀察人怎么工作。把企業已有的工作流程、協作方式、決策過程完整地暴露給 AI，讓它大量觀看人是怎么做的，自己總結規律、形成專屬的 Agent。

企業內部怎么劃分客戶、針對不同客戶怎么處理，這些模型不知道，因為那是企業內部信息。但如果你讓 AI 看到業務專家 A 和技術專家 B 討論完一個 case 之后是怎么決策的，看了足夠多次，它自然就能形成專門做客戶分類的 Agent。這個過程里沒有“設計”這一步。

兩家企業還不約而同強調了一個衡量標準：看 AI 介入后，流程中還需要多少次人工審批。這個指標簡潔但深刻：人工審批越少，意味著 AI 滲透越深，自動化程度越高，離內生越近。

所以，外化和內生最根本的區別，不僅是效率提升了多少百分點，而是看它對原有流程的改造程度，企業的運營方式可逆還是不可逆。

中國一汽把三萬個業務單元轉化為智能體的 Skill，銀泰的邊緣服務器在每個商場實時處理視頻流來驅動經營決策，西門子 PLC 工程師已經習慣用自然語言讓 Agent 生成代碼，這些企業已經走的是一條不可逆的創新路。

Carr 二十年前的問題今天也可以做個翻新：AI matters，這已經沒有爭議。但對一個具體的企業來說，AI 在什么時候開始真的 matter？

答案是：AI 不是掛在系統外面的一個功能模塊，它已經長進了組織的肌肉和骨骼里。