“AI真能在我們企業跑起來嗎？沒有海量數據也能玩轉AI么？AI落地企業后能帶來哪些改變？”在近期的全球商業創新大會上，用友網絡助理總裁、數據服務事業部總經理李進闖被問得最多的，正是這些關于AI落地的問題。李進闖給出清晰的答案：AI落地，根本不用等，現在，就是最好的行動時機。
01 別被“數據門檻”嚇退，AI落地清晰有路徑
一提到AI，很多人下意識覺得“得有海量數據才行”。自家企業數據零散、規模有限，似乎沒法觸碰AI？其實這也是對AI的一大誤解。
AI的發展可分為兩個階段：
第一階段是效率助手期，此時的AI無需超越人類智能，對數據的依賴也遠沒想象中苛刻，更像一位“超級助理”，幫企業處理重復工作、快速分析數據，直接提升管理效率，這一步所有企業都能立刻啟動；
第二階段是AI自主成長期，需海量數據支撐，AI智能程度將超越人類。
當下可先把“效率助手”的價值做透，就是最務實的選擇。就像保險行業的規則引擎、翻譯行業的智能工具，AI對很多行業的重塑早已開始。
02 從看數到用數，從效率助手到智腦
AI在企業的落地是從“工具”到“助手”再到“智腦”的漸進過程，可劃分為四個層次：
L1：看數（BI）—— 管理者的 “指揮棒”
特點：指標固定，主要供中高層使用（比如月度銷售報表），輔助決策。
痛點：基層員工難獲數據支持，且數據滯后（常為 T+1 甚至 T+5），難以及時響應業務變化。
L2：問數（ChatBI）—— 人人可用的 “數據助手”
特點：支持自然語言交互（比如 “湖南 vs 湖北上月訂單金額差多少”），能自動分析原因（“為什么江西銷售額下滑”）、模擬未來（“原材料漲價 1 元對利潤影響多大”）。
價值：業務員、店長等基層人員也能隨時查數據，IT 部門不用再天天做報表，管理顆粒度更細、響應更快。
L3：用數（DataAgent）—— 業務崗位的 “智能助理”
特點：能主動發現問題、協同處理任務。比如庫存管理中，它會實時盯著庫存與安全線的差距，一旦超標就自動提醒補貨，甚至給出具體方案（需人工確認）。
案例：某企業的庫存 DataAgent 發現 “基地項目倉” 周轉率低，自動追溯到 “4 寸芝士冰淇淋蛋糕” 庫存異常，分析出是 “安全庫存設置不合理”，最終建議將安全庫存從 400 件調整為 739 件，精準解決積壓問題。
L4：智腦—— 自主決策的 “超級大腦”
特點：無需人工干預，多個 AI 智能體聯動工作。比如生產、采購、銷售智能體協同制定排產計劃，自動響應市場變化。
03 破解落地難題、實戰方案已成型
企業在推動 AI 與數據深度融合、真正讓 AI “用起來” 的過程中，常會遇到四個“攔路虎”。結合實踐，實戰方案已成型：針對 AI 輸出結果不靠譜的 “幻覺” 難題，采用 “大模型 + 本地小模型” 架構，通過多源數據交叉驗證（如用生產數據校驗銷售數據）提升結論可靠性；對于 AI 計算過程看不懂的 “黑盒” 難題，構建 “人機協同” 機制，讓員工參與算法設計、流程優化，實現 “過程透明、結果可驗”；面對 AI 聽不懂企業 “行話” 的 “術語壁壘” 難題，用 RAG 和向量化技術，把企業獨特的指標定義、計算規則 “翻譯” 給 AI；而數據安全與訪問效率難平衡的 “權限風險” 難題，則通過基于企業指標體系的權限控制系統解決，確保不同崗位只能獲取 “該看的數據”。
04 這些企業已經嘗到甜頭
從財務到庫存，AI正在多個場景創造看得見的價值：集團財務智能分析中，用自然語言提問3秒出結果，發債計劃制定時能預警風險并建議對沖方案；下屬企業報表解讀，原本人工3天的工作AI1小時搞定，還能識別風險、對比行業差距；庫存健康管理中，DataAgent自動監測問題、追溯根因并支持一鍵執行，某企業借此減少30%呆滯庫存，提升25%庫存周轉率。
AI是必然趨勢，無論企業規模大小都無法回避；數據是基礎，沒有業財一體的信息化建設，數據就是“無源之水”；模型是核心，本地數據模型是AI發揮價值的關鍵。AI落地無需等待“完美數據”，從“效率助手”起步，用“AI+數據”破解核心難題， 現在，就是行動的最佳時機。
