任卿：从「数字生产」到「智能经营」，企业真正要跨过的那几道坎

千问办公客户发展总裁　任卿

这几年，AI 成了一个绕不开的话题。企业在模型、算力、系统、人才上投了不少钱，但我想先问一个问题：这些投入里，真正进入业务流程的，到底有多少？

按会上引用的一组统计口径，制造业里已经有接近九成的企业「用上了 AI」，但真正长进业务流程的场景渗透率不到 5%。这中间差的不是技术，也不是模型买得不够好——大多数企业，其实停在了「对话层」。

我今天想讲的，就是怎么从「数字生产」走到「智能经营」，以及这条路上，企业真正要跨过的那几道坎。

01. AI停在对话层：个人提效，不等于组织提效

为什么很多企业「用上了 AI」，却感受不到变化？因为 AI 还停留在对话层。

对话层确实有价值。以前处理一个工单、写一个文档、整理一份会议纪要，要一个小时；现在可能三分钟、五分钟就做完了。但这是个体的效率，不是组织的绩效。

制造业是大协同，是整条产业链的配合。企业里的系统大量还是孤立的，只是在过去的系统上加了模型的调用，看起来能聊天、能对话，但很多场景里它还不能干活。这就是「能聊不能做」。

再往下看，还有一个更隐蔽的问题：经验不沉淀。某个员工把 AI 用得很好，可他一旦调岗、离职，这套用法就没了——能力随人走、随人散。这不是个人的问题，是组织的问题。

02. 为什么一号位看不到真实的公司？

中国企业家、创业者都非常勤奋，每天看大量数据和报表。过去我们也做了很多报表体系、数据中台，但离期望还是有差距。为什么？

第一个原因，是现场数据本身的结构。车间、市场、客户那边产生的数据，大多是非结构化、离散的。它经过 ERP、MS 这些业务流规范化，变成一张张报表；而报表在做抽象和合并的时候，原始信息就已经大量损耗了。

第二个原因，是组织。数据一层一层往上传，从班组、车间到事业部，异常被归并、口径被拉齐，细节一点点消失。等传到一号位手里，往往已经是一张被「磨平」的报表。

最大的问题是：一线的温度、对真实世界的感知，和管理者的洞察、决策，不在一个轨道上。这不是下属不努力，而是组织结构决定的衰减。

03. 模型只是一个层次，难的是给 AI 装上「手脚」

我们常说 AI 是模型、是参数、是 Token 消耗。但如果把 AI 分层来看，模型只是其中一个层次。

模型能力会越来越强，智能化越来越高。可要把模型用好，还得给它「安上手和脚」：工具调用、运行环境、审计，以及评估和决策的标准。这些东西，单个制造企业过去很难自己投，所以我们很多是结合开源和公开能力，基于对模型和场景的理解去构建。

还有一个数字值得说：到今天，AI 大致读完了人类所有的公开知识，这部分大概占全部知识的 60% 以上。剩下的知识在哪里？在每一家企业的私域里——在工艺、在配方、在客户、在老师傅的手上。

所以模型再大（从今天的 2.4T，到将来的 4T、5T），通用能力再强，它也不懂你的现场、不懂你的工厂、不懂你的客户和班次工艺。「纸上得来终觉浅，绝知此事要躬行」，讲的就是这件事。

这 40% 的知识，过去一直沉睡在企业内部，不但没产生价值，反而成了成本。今天，我们必须下决心把它激活。

04. 不用推翻旧系统，难的是让它「AI ready」

很多企业家会担心：过去做了那么多系统，是不是都要推翻重来？是不是又要做一轮大投入？

我的判断恰恰相反。过去的资产用得越多、沉淀越多，做 AI 转型的条件就越好。 真正要跨的鸿沟，是让系统从「给人调用」变成「给 AI 调用」，也就是我们常说的 AI ready。

这件事今天已经不难了。用 MCP 这类方式，把过去的流程、工具变成 AI 可以调用的能力，本身是很简单的操作。我们看到比较好的做法是：不用换系统、不用换账号，甚至权限都不用改，只是在执行层和表达层重新呈现一遍。

同时，审计的逻辑也要变。过去很多企业审批做得很重、事后审计做得很轻，而审批本质上是一种「责任转移」。AI 时代，应该让被 AI 武装的「超级个体」发挥流动性，把事后审计、结果跟踪和反馈闭环做强。

企业里最终会看到的，是一系列的 agent——从 agent 到数字分身，再到数字员工。

05. 车间里的 AI：从抽检到 100%

道理说到这里，不如讲几个具体的场景。

会议场景。 制造业经常开早会、班前会、复盘会。现场问题怎么变成公司决策，过去这个连接是中断的。现在我们把现场会议管理搬进业务流程：用 AI 做现场的数据收集，用 AI 做纪要整理，再结合 MES 的流程，把它变成风险、洞察和机会——从过去的抽检，变成实时、全面的质检。每一次会议、每一次沟通，都能沉淀为个体和组织的资产。

巡检场景。 过去靠老师傅：他看得懂、有感觉，还要有责任心、奖惩到位。今天我们可以把行业里老师傅的经验「技能化」，变成一套可执行的巡检流程。效果很直接：一轮巡检过去大概要三天，现在半天就够了；覆盖率从抽检的有限比例，变成 100%。

销售场景。 高速发展的那些年，只要跑得勤、能见到客户，生意就能做成。现在光靠制度、价值观、培训已经不够了。AI 驱动的销售，能让老板看到客户对产品的真实反馈——为什么买、为什么不买。这就是 VOC，用客户的声音定义产品，而不是听销售加工过的转述。每一次客户拜访，都变成经营决策的触点。

06. 制造业的 AI 和通用 AI 不一样：安全是不可绕过的前提

制造业对 AI 更谨慎，这是对的。办公室场景容错性高，写代码做到 95% 的正确率，剩下 5% 对知识工作者问题不大；但在生产经营环节，下一张错误的订单、发一条错误的机器指令，风险可能是不可承受的。

所以制造业的 AI，第一层要求是可回退、可及时干预。先在小场景里验证，在验证中打磨，把它从 90% 做到 99%。就像可用性有「两个九」「三个九」，金融级要六个九、数据层要八个九；连续作业的产线不可中断，所以可审计、可回退特别重要。

第二层是权限分级。AI 对数据和操作的权限，不应该超过组织和物理世界的边界，否则就失控了。我们基于钉钉上已经沉淀好的权限、角色和业务流来做授权，再加上自动降级、容灾和故障转移。

第三层是数据隔离。一个工艺、一个配方、一份客户质量数据、一条核心供应链，它的重要性可能超过机器设备本身。我们遇到过客户在通用模型里查到了自己公司 2026 年的战略规划，随后马上规定：工作层面不允许员工使用个人级 AI 工具。企业级和个人级，在数据、安全、合规上有明确不同的要求。

07. 数据归企业，落地要陪跑

说到数据，我想把我们的立场讲清楚。

钉钉从第一天起就坚持一个原则：钉钉是客户的钉钉，不是阿里巴巴的钉钉。 to C 的产品，用户免费用，数据归平台；to B 不是这样。钉钉上的数据、权限、业务流程，以及由此衍生出来的内容，都属于企业，我们只是和企业一起共建。

关于落地，我们用的是一套笨办法。真正难的 FDE 这件事，需要既懂业务、又懂 AI，还需要足够的信任，所以我们一定是陪跑的方式。

第一步，一定要找一个「好衡量」的场景，不要一上来就做很空泛的事情，否则效果说不清，很容易变成一笔纯投入。我们判断一个场景能不能规模化，看三条：数据链路是不是可复制（一定要从数据开始，而不是先买几张卡、先上一个系统，因为数据代表业务流程，是最核心的资产）；权限责任是不是清晰明确；ROI 是不是为正，规模复制之后边际成本是不是明确下降。

周期因企业而异，两周是比较典型的，也可能更长。主导权在企业，不在平台。企业家常见的偏差，是高估 AI 的短期影响、低估它的长期影响，所以这件事一定需要相互信任。

再回答两个经常被问到的问题。

一个是人才评估。 我们的做法是先从人才顶层开始，而不是从考核开始。过去靠日报、审批流、项目记录来看一个人做了什么；销售拜访只看次数，长周期订单的过程是不透明的。他说了什么、表达了什么观点、做了哪些努力促成客户挽回或增购——这些语音和语言数据，99% 都丢掉了，这才是考核和人才评估最难的地方。

现在阿里内部所有会议（包括客户拜访）都用钉钉会议，先把现场在线化、沉淀成数据。有了数据，归因就简单了：谁参与了项目、谁输入了建设性意见、客情是谁的努力留在公司的。把过程客观化、把贡献具象化之后，考核反而变成一件简单的事。这里有一条原则：企业的所有数据，应该归属企业，而不是归属个人。

另一个是老师傅的经验怎么数据化。 本质还是数据问题。老师傅不像白领每天写文档，他的手艺很多靠「感觉」。我们在现场数据上做两件事：一是 ASR，把语音——包括方言和行业术语——变成 AI 能懂的文本；二是 VSR，用视觉模型把操作流程和状态里隐藏的规律抽取出来，变成 AI 能够阅读理解的东西。原则是尽量不改变老师傅的做事方法、不掺透他的业务流程，否则阻抗太大；我们只是增加一个「传感器」的环节，去感知物理世界，剩下的交给训练。

08. 下一步：三步并行

最后回到「怎么落地」。今天我们不只是做一次讨论，更希望会议结束之后有东西可以行动。我把它分成三步：

第一，全员 AI 工具的普及。 用和不用，就是本质差别。用得不好没关系，不用是很大的问题；没有一个人的工作可以跟 AI 没关系，尤其是老板和企业家。现在企业里分层很明显：有人是狂热的 AI 使用者，有人只是布置任务让团队去用 AI。

第二，让 AI 真正嵌入业务。 它不能只停留在基础的沟通协同里。

第三，把组织上下文做厚。 今年很火的一个词叫「组织进化」：只有组织上下文足够，agent 才会逐步产生智能，进化速度才会快。核心是让 AI 理解业务、理解数据、理解场景，落点还是数据，以及数据合理的应用。

这三步不是递进关系，而是并行关系，完全取决于企业的决心。

过去，钉钉服务了超过 2600 万家企业与组织。AI 化之后，我们以钉钉为基础、以阿里的核心 AI 基础设施为底座，希望在企业数据资产的治理、agent 体系的构建、数字分身和数字员工这些新的工作范式上，和大家一起往前走。

阿里内部已经在这么做。全公司约 12 万人，把过去的工作手册和工具变成 AI 可以调用的技能，短短几个月已经超过 5 万个，平均每两个人就有一个技能，新员工上手变得非常简单。我们看的是每个员工每天用 AI 解决了多少任务——简单查个信息不算，要看营销、财务、研发解 bug、客户服务这些真实任务。现在平均每人每天至少 8 个以上，增长速度非常快。

我相信，AI 会帮助我们穿越这一轮新的产业周期：从「制造」走向 AI 驱动的生产经营体系，从制造变成一种新的经营范式。也希望千问办公能成为大家在 AI 时代共创共赢的合作伙伴。

排版｜林洁