1. 停在试点不是能力问题是路径问题MIT 把 300 多个企业 AI 试点翻了个底朝天结论就一句话95% 没产生可衡量的财务回报。关掉 AI业务照转。你不是缺一个更强的模型你是缺一条把它长进业务的路径。我认为AI Native 不是给业务加 AI 功能是重新设计业务如何运转。行业里吵了一整年的定义之争落到我这种天天翻案例的人手上我只认一条判据——AI 是长在业务流程里还是贴在外头。贴外头的叫「AI 加持」长进去的才配叫 AI Native。2026 年的讨论已经从拥抱期滑进祛魅期定义各说各话、试点大面积失败、组织阻力浮出水面。我不打算再给你一张愿景图。这篇给一条从现状出发、能动手走的路——从拆业务链路起手按价值×可行性排优先级把 AI 长进流程再闯过组织这一关。九节走完你就知道第一步该踩在哪。定位清楚了逐个拆。2. 先看清位置为什么大多数企业停在演示/试点先说个反直觉的事实试点失败不是模型不行。MIT 的《The GenAI Divide》报告写作日 2026-08-15 核实调研了 300 多个企业 AI 应用案例访谈 150 位 AI 负责人、问卷 350 名员工。结论是95% 的试点没对利润表产生可衡量影响只有约 5% 跑出了真金白银。失败原因不在模型能力也不在监管而在「脆弱的流程、缺乏上下文学习、和日常工作脱节」——AI 工具根本没嵌进企业已有的工作流。阿里云智能集团公共云事业部副总裁高飞在澎湃写的那篇《AI Native 企业的关键是从外化到内生》把这件事说得更狠承认 AI 重要和让它在企业里真正重要是两回事。关掉 AI 业务照转是因为 AI 还没有变成关键拼图——它只是被接在了旧流程边上。从 GPT 发布算起企业级市场走了三个阶段我画成一张图内生期 · AI 长进业务外化期 · AI 是外挂工具多数企业停在这里① 知识问答超级搜索框② Agent单点任务自主执行③ AI Coding流程按人机协同重写AI 只是工具不是关键拼图第一阶是知识问答——把大模型当超级搜索框第二阶是 Agent——AI 客服、AI 巡检、智能 BI能单点自主执行任务第三阶是 AI Coding——企业发现连「写代码」这件事本身都能被 AI 接管流程开始按人机协同重写。我的观察大多数企业停在外化期。上线的所谓 AI是给旧流程贴的搜索框、加的文字生成器Agent 也只敢在客服、问答这类低风险场景单点试点。真正把 AI 写进业务主链路的凤毛麟角。这里我要立一个判断它可能有人不同意「AI 替代 XX」是个错误命题。澎湃那篇《谁在杀死SaaS》分析得很清楚——范式更替的真实机制从来不是品类消灭而是价值层迁移。桌面软件没有死在互联网时代Office 至今还在用但最大价值流向了搜索引擎和平台。SaaS 同理薄界面层会被 Agent 重建但沉淀了厚重数据、承载复杂业务逻辑的那一层Agent 重建不了。所以别问「AI 会替代谁」要问「价值会从哪一层迁到哪一层」——你要做的是把 AI 接在价值要迁去的那一层。BCG 今年的报告给了个更扎心的提法「空心化」。收入、市场份额、客户留存看着都好好的但利润率和定价权正在流失——AI 原生攻击者抽走了最高利润的业务层。BCG 亚太区主席佐佐木靖在夏季达沃斯直接说只有约 5% 的企业实现了 AI 规模化多数企业把「部署 AI 工具」当成了「完成数字化转型」这是根本错误。现状看清楚了。你不是要选一个更聪明的模型你是要把 AI 从「外化」搬进「内生」。怎么搬第一步不是选模型。3. 第一件事不是选模型是「拆」业务链路大部分团队拿到 AI 的第一反应是先选个模型再找个场景塞进去。我的建议反着来——先别碰模型先把一条业务链路拆干净。我在《企业 AI Native 推动进程下更青睐什么样的人才》那篇里写过一句话业务拆解比写代码值钱十倍。那篇讲的是个人怎么练这门功夫这篇讲的是组织怎么用它起手——同一套方法从个人手上挪到组织手上。拆我给五步选链路挑一条高频、重复、流程清楚的业务别先碰创新业务画流程把这条链路的现状画出来从触发到完结每个环节标清楚标环节逐个环节打标签——「重复、有规则、可验证」的是 AI 的活「判断、权责、人情」的留人找 AI 能干的在标成「AI 的活」里再筛出输入输出清晰、错了能兜住的那几个定边界每个环节写清「输入是什么、输出是什么、谁验收、做砸了怎么办」这套拆法本质就是我上篇说的逻辑蒸馏——把模糊业务蒸馏成一条模型能执行、每步可验证的任务链。拆到什么程度算拆完我压成一个可验证的标准你把手从键盘上拿开把这条链路讲给一个从没碰过你们业务的人他能照着你的描述复述到九成对。拆到这一步说明每个环节的输入输出边界已经清楚agent 才知道自己干到哪算干完。拆不出来的时候通常不是你不会拆是这条链路本身没想清楚——那恰恰是 AI 项目该停下的地方。别拿模型去试先回去把流程理清。4. 排优先级从哪条链路先下手链路拆完你面前可能躺着五六条。先卖个关子第一条该切的链路往往不是你觉得最容易的那条。后面兑现。排优先级我给一个两轴矩阵。横轴是价值——这条链路跑通能省多少成本、多贡献多少收入纵轴是可行性——数据齐不齐、流程稳不稳、错了的代价大不大。高价值 × 高可行第一批下手高价值 × 低可行先补底座数据、接口别硬上低价值 × 高可行放着别浪费组织信用低价值 × 低可行忘掉为什么不是先挑最容易的因为容易的链路往往价值也低——你花三个月把它跑通业务部门只会说「哦是有这么回事」然后没人用。我见过太多团队把组织信用花在「容易但没用」的链路上等真正高价值的链路要上马时预算和耐心都已经被耗光了。优先级定了还有一条铁律要守受控专精先跑不碰通用自主。这条铁律背后的数学是 agent 工程里最残酷的一组数——单步 95% 可靠的 agent5 步工作流成功率约 77%10 步跌到约 59%据《2026 下半年三个塌房预测》及复合可靠性分析写作日 2026-08-15 核实。可靠性衰减是乘出来的不是加出来的通用自主 agent 意味着长链路、高自由度等于主动跳进可靠性滑梯。所以第一批试点只切那些环节少、边界清晰、错了能兜住的专精链路——就像联想乐享跑起来的「总控 Agent 拆任务、专业 Agent 接力」那样每个专业 agent 只管自己最熟的那一段。现在兑现那个关子。第一条该切的链路往往不是你觉得最容易的那条而是「价值明确、可行性刚好够」的那条。最容易的那条多半是低垂果实摘了不解渴最难的那条现在是坑。真正该先动的是卡在价值×可行性矩阵右上角的——它可能是条中等难度的链路但它跑通的价值足够撑起你对整个组织的说服力。5. 让 AI 长进业务而不是贴上去试点跑通一个环节不算结束算开始。接下来要做的是把它从「外挂」变成「内生」——这一步做不好你就得到一堆 AI 孤岛。Palo Alto Networks 的 CEO Nikesh Arora 说得非常难听但很准超过一半的企业用 AI 的方法是错的。他把那种「用 AI 扫发票、效率提升 10%、砍 20% 人头」的做法形容为「不是革命只是给老旧系统贴上一块更高级的创可贴」。贴膏药和长基因差别在哪我拆成三样东西。第一流程要重设计不是叠加。贴膏药的做法是保留旧流程在某个环节旁边加个 AI 按钮长基因的做法是重新设计这个环节——人和 AI 各干各擅长的工作流按人机协同重画。这和我《DUI 时代软件交互范式与 Agent 产品组织》那篇的旧观点是同一件事agent 不是加一个功能是重构一条链路。第二数据要变成底座。高飞在那篇澎湃文章里有个反直觉的判断AI 时代最被低估的是数据。算法和算力可以商品化数据往往是你独有的。过去 30 年数据是 ERP 流程运转的副产品量大了就删现在数据从副产品变成「数字员工的经验」。SAP 的数据也能佐证74% 的 AI 项目停在试点没法规模化原因不是模型不够强是 AI 没有企业的业务知识。数据底座不建AI 就是没有记忆的员工。第三工程上要可控。这才是 Harness 登场的理由——它解决的是意图漂移、幻觉、不可审计这一串问题。我在《Agent Harness 架构公共要素》那篇里拆过八项公共要素Agent Loop、上下文管理、工具流水线、安全边界、会话可观测、多 Agent、可扩展性、模型适配。企业落地里你要的不是这八项全上而是至少把「会话可观测」和「安全边界」立起来——agent 跑错了能不能查、乱来了能不能拦。没有这两道闸AI 孤岛只会越用越多因为没人敢把孤岛连起来。联想乐享是业内首个把自研 Harness 运行层落地到企业场景的智能体——工程可控不是理论有人拿真金白银验证过了案例那节细讲。我压成一句话贴膏药的组织AI 孤岛越用越多长基因的组织AI 才是关键拼图。AI Native 不是给传统组织贴 AI 膏药是从底层业务逻辑重新设计。6. 过组织这一关最大的坎在组织不在技术前面五节讲的都是技术和方法但真正的死结在这里。AI Native 落地最大的障碍从来不是模型能力是组织。BCG 报告里有一句我特别认同——AI 时代最稀缺的资源不再是算法而是企业自我重塑的能力BCG 甚至建议把 AI 转型 70% 的资源投到人和业务流程上而不是技术本身。九成公司死在同一个地方减法。AI 进场意味着原有的岗位、流程、汇报关系要变。但组织里没人因为「消灭了自己的岗位」而被提拔——被裁的岗位主人不配合保住岗位的人联合抵制负责推动的 CIO 一个人在台上唱独角戏。一把手说要推真到要砍业务环节、调绩效指标的时候没人愿意当那个刀。这就是为什么「一把手工程」和「CIO 推不动」同时成立一把手给了预算和态度但没给组织变革的工具CIO 接住了预算却推不动跨部门的流程重组。北大国家发展研究院管理创新实验室副主任朱丽在一个采访里点破了另一件事——AI 在组织层面的渗透是分阶段的据经济日报、新浪财经 2026-07 报道阶段一AI 单点提质增效决策全权在人AI 是效率工具——大多数企业现在在这阶段二人机角色调整部分判断权转移给 AI人和 AI 重新分工阶段三组织架构重塑决策权按 AI 参与重新配置组织走向制度化、结构化朱丽把终局讲得很有画面感「超级个体是起点超级团队是路径AI 原生组织是终局。」她给 AI 原生组织列了五大关键系统——组织去中心化、重新定义 CEO 职能、储备关键人才、建立适配的绩效激励机制、明确以谁为主体的企业文化。这套框架怎么用我的建议是别用阶段一去证明阶段三。多数组织的错误是把「某个环节用 AI 提效了 30%」当成 AI Native 的证据然后宣布胜利。但单点提效不改变生产关系——它只是让旧组织跑得快了一点。真正过组织关是主动把组织往阶段二、阶段三推判断权怎么移交、绩效怎么重算、哪些岗位要人退出来去做更高层的事。之前的文章提到团队会收敛成 Builder定义意图和 Reviewer验证结果两个角色人退到两个签字点上。同一个逻辑放到全公司——每个业务环节都要有人定义「AI 要达成什么」有人验收「AI 做没做到」。7. 一条可执行的落地路径六节拆完我把方法收束成一条五步路径。我上篇写过四步诊断→拆解→试点→固化这次扩成五步因为「规模化」这一关在组织层面绕不开。① 诊断找重复·有规则·可验证环节摸清数据底座② 拆解画流程→标环节→定边界③ 试点挑最窄最疼链路定死验收线④ 固化重设计流程接数据底座·立 Harness 闸⑤ 规模化复制到同类链路组织架构跟上来诊断先摸清家底——哪条业务链路重复、有规则、可验证数据在不在、通不通、能不能用。诊断没做透就上 agent是九成项目翻车的原因。拆解把目标链路按第 3 节那五步拆干净每个环节标清输入输出和验收标准。试点挑一条「价值×可行性」右上角的窄链路先跑把验收线定死——上线前先写清楚「它做对了长什么样、做错了长什么样」。固化跑通的环节重新设计流程、接上数据底座、把 Harness 的可观测和安全闸立起来让它从「外挂」变成「内生」。规模化把固化下来的能力复制到同类链路同时组织架构跟上来——这一步是慢变量拼的是前面每一节。最后给试点定个性这是我踩过坑之后的切身体会试点死掉和试点验证是两回事。试点死掉是没拆透、没验收线、跑不通试点验证是跑通了、也证明有价值但因为组织没跟上而没能推广——后者不是失败是成功了一半。别被「试点失败率」吓住要先分清你死在哪一格。8. 案例走一遍从拆解到跑通路径讲完拿两家公司的真实案例走一遍。两家都是中国企业都在 2026 年公开了数据我写作日核实过。联想乐享 4.0从单点工具到智能体重构业务。据 CCID 网、亿欧、新华网等 2026-07 报道联想乐享 6 月末升级到 4.0从「企业超级智能体」全面进入「AI 闭环执行任务」时代——用户用自然语言说出需求乐享连贯完成商品咨询、产品推荐、下单交易、售后维修一句话办成一串事。它走的是典型的三阶跃迁路径单点工具 → 业务流程 → 智能体重构业务。落到数字上月活突破 700 万、日均交互超 100 万次、累计拉动销售额超 50 亿联合 46 个垂直领域场景智能体组成「智能体军团」上一财年助力联想中国区客户直营营业额同比增长 33%。对照第 7 节路径联想把「研产供销服」全价值链拆开选了客户直营这条高价值链路总控 Agent 拆任务、专业 Agent 接力跑通后固化进 46 个场景智能体再规模化复制——每一步都能对上。海尔智家工艺规划从数小时到分钟级。据 e-works、中金在线等 2026-06/07 报道海尔的超级智能体「智小能」覆盖 9 大业务板块、70 多个核心工作场景应用人数突破 6 万被定义为制造业首个企业级 Agent OS。底层是海尔用十年时间搭起来的 H-work 统一平台——「统一入口、统一能力、统一数据、统一架构」。最典型的效果在工艺规划编制时长从数小时压到分钟级方案准确率提升 20% 以上工艺员从一线编写执行者变成审核把关人。注意这个角色转变——这正是第 6 节说的组织阶段二部分判断权转移给 AI人退到审核位。「四个统一」的数据底座搭了十年才是「数小时到分钟级」能落地的前提。两家对照着看能得出一个共同结论跑通的都不是「选了个好模型」而是「拆了链路、重设计了流程、建了数据底座、最后过了组织关」。模型只是最后拼上去的那块。9. 结论AI Native 是代价明确的重构AI Native 不是免费的赋能是代价明确的重构。它要你拆业务链路、重设计流程、建数据底座、上工程闸最后还要动组织——每一件都是要投入、要砍东西、要得罪人的活。所以行动起点我给三句话都是马上能落地的从一条链路起手不是从战略起手。挑一条「价值×可行性」右上角的链路按第 3 节拆开跑一个带验收线的试点。把试点当内生来设计不是当外挂来验证。第一步就规划好流程重构、数据底座、Harness 两道闸别等孤岛长出来再拆。把组织关提前。别等技术跑通再谈组织——一开始就把「谁定义意图、谁验收结果、绩效怎么重算」摆上桌。这一关越晚越难。写在最后95% 的试点在死但死因不是模型不够强是路径没走对。而路径是现成的——拆、排、嵌、过。你要做的不是找更聪明的模型是找到那条该拆的链路然后动手。你们公司的 AI 试点是成了、死了、还是卡在组织关评论区说说我想知道真实战场上这一关到底卡住了多少人。