论坛直击 | 深度：从2026 WAIC企业家论坛，看人工智能如何真正进入企业经营系统
发布时间：2026-07-29来源：世界人工智能大会
导语
七月的上海，世界人工智能大会展馆里，机器人在行走，大模型在回答问题，智能体正在演示如何替人完成越来越复杂的工作。技术世界似乎又向前跨出了一大步。但在展馆之外，企业家需要回答的是另一组问题：
3、越来越高的Token消耗，究竟意味着新的生产力，还是一张不断增加的成本账单？4、大模型技术隔三差五刷屏，AI工具买了一大堆，为什么公司的财务报表依然没有任何变化？7月18日下午，在“数智同行，繁荣共生”为主题的2026 WAIC企业家论坛上。这些直击痛点的质问引发了全场上百位企业掌舵人的强烈共鸣。当AI浪潮从“技术狂欢”驶入“商业落地”的深水区，企业到底卡在了哪里？技术很强，企业为什么还没变强？众多来自消费、制造、教育、企业服务、咨询及人工智能技术领域的企业家与管理者，将讨论从技术演示拉回企业经营的现实现场。论坛主持人马红漫在开场时提出，对技术发展而言，人们谈论的是浪潮；但对企业而言，“不是讲浪潮，而是讲步骤”。资本开支、收入、商业模式、利润和现金流，才是企业家必须面对的现实问题。在主办方致辞中，东浩兰生会展集团副总裁裘皓明将这种变化概括为“从管理复杂性到管理智能”。过去，企业管理流程、组织、供应链和全球化；今天，智能开始参与决策、创造和创新。企业必须进一步回答：AI应当处于战略的什么位置？如何从一次成功试验走向规模化价值创造？组织和人才又应如何调整？这些问题背后，是企业AI转型正在进入新的阶段。过去几年，企业主要回答“是否应该使用AI”；今天，它们必须回答一个更困难的问题：如何把AI从一项局部有效的工具，转化为能够持续产生回报的经营能力？论坛第一篇章“山顶的瞭望”，首先讨论企业在AI时代的战略判断。曾鸣书院创始人、阿里巴巴集团前总参谋长曾鸣指出：“企业当前面对的最大矛盾，是AI长期趋势日益清晰，短期回报却仍然模糊。”模型能力不断提高，企业的Token消耗迅速增加，员工也越来越多地使用AI工具。但效率上的改善究竟为收入、利润和企业整体回报带来了什么，仍很难准确计算。一边是不可忽视的技术趋势，一边是尚未充分兑现的财务回报。这并非个别公司的困惑，而是大多数企业共同面对的现实。在第一场圆桌“从大模型到大落地”中，德勤咨询CEO华思远给出了一个更具体的案例。华思远所负责的咨询业务约有7000名员工，人力相关成本占成本结构的约80%。三年前，德勤让约2000名软件开发人员使用Cursor，并在几周内完成大规模推广。员工个人效率很快提高约20%至40%，个别表现突出的员工甚至接近翻倍。但一段时间后，这种效率改善在财务报表中的体现却“接近于零”。原因并不复杂：一个编程环节节省了时间，但前后80分钟的工作流程没有改变。项目仍按原来的方式组织，岗位、审批、沟通和交付方式也没有重新设计。局部节省下来的时间，最终被旧流程吸收。华思远由此提出：“个人效率提升，不等于组织效率提升。”激励机制同样如此。他提到，有年轻员工直接问：“如果我的效率提升一倍，能不能拿到一倍工资？”当企业要求员工借助AI提高产出，却仍沿用原有的工作量、考核、晋升和收益分配制度，员工很难持续释放AI带来的效率。这揭示了一个关键事实：AI不能自动把个人生产率兑换成企业生产率。个人与企业之间，还隔着流程、岗位、考核、激励和组织结构。只要这些环节没有变化，AI创造的局部价值就可能被原有系统重新消化。AI已经进入企业的电脑、会议室和代码库，却还没有完全进入企业的经营系统。论坛第二篇章“从策略找启发”中，钉钉副总裁邱达复盘了企业级AI落地中的一个典型误区：在原有产品上不断叠加AI功能。钉钉早期也做过大量类似尝试。例如，用户可以用自然语言搜索企业内部信息，可以在文档中调用AI续写，也可以在表格中设置AI字段。这些功能确实有效，但随着实践深入，钉钉意识到，仅仅在旧产品中加入AI仍然不够。邱达提出：“未来AI产品最大的用户，不一定只是人，也可能是AI本身。”当产品服务对象从“人”扩展到“人和智能体”，产品结构就必须变化。AI不仅需要生成内容，还要读取数据、调用工具、获得权限并完成任务。在邱达的比喻中，大模型更像一颗CPU。CPU本身很重要，但裸CPU无法自动成为完整的计算机。企业级AI还需要工程架构、场景数据、清晰定义的Skills和工具，以及稳健的执行权限与安全体系。这也解释了为什么许多项目在演示阶段表现出色，进入真实业务后却频繁遇到问题。演示只需要模型完成一次回答；企业生产环境要求系统持续、稳定地完成任务。演示可以容忍偶尔出错，但客户、订单、财务和生产流程必须明确谁能调用哪些数据、执行哪些操作，以及出现错误后如何追溯。邱达以语音转写为例介绍，当识别准确率低于约90%时，用户通常就不愿继续采用。为适应更复杂的语言环境，钉钉准备了15种方言的金标数据，并进行专项训练，使识别跨过约90%的可用门槛。他总结道：“模型相同，数据准备不同，产品结果会完全不同。”这意味着，企业AI转型不能继续沿用“采购一套软件、部署一套系统”的简单逻辑。模型只是能力来源之一，企业还需要围绕模型重新建立数据、工具、权限和执行体系。只有当AI进入完整工作流，产品、流程、角色和权责才会真正发生变化。在第二场圆桌“智造时代，中国制造的下一个黄金十年”中，埃森哲大中华区AI与数据事业部总裁曹琦峰将当前企业AI应用概括为“试点繁荣、价值缺口并存”。大量企业已经开展AI试点，但从试点到规模化价值之间仍存在距离。造成这种差距的原因不只是技术，还包括流程、组织、人才和数据基础。制造业尤其如此。一个算法在实验室中达到很高精度，并不意味着它已经能够进入真实生产；一个场景可以使用AI，也不意味着值得企业持续投入。上海交通大学教授李金金提出，工业AI必须区分“痒点”和“痛点”。“痒点”是使用AI之后有所改善，但不足以改变经营结果；真正的“痛点”，则必须显著节省成本、增加产量、改善质量，或解决过去长期无法解决的问题。李金金强调：“企业不能只说提质增效，而要明确提质多少、增效多少。”例如，“提高车间生产效率”并不是足够明确的目标。设备故障率降低5%、10%还是20%，对应的经济价值完全不同。企业必须先把模糊愿望转化为具体、可测量、可验证的业务指标。她还分享了一个生物发酵企业案例。大型发酵罐容量可达数百吨，在这一生产规模下，产量提升1%都可能创造可观价值。围绕这一核心问题，团队开发流程制造大模型。按照现场分享口径，该模型最终帮助企业将产量提高约10%，产生数亿元级经济效益。李金金据此总结出一套协同路径：“企业出题、技术翻译、科研答题。”先由最接近生产和客户的一线人员提出真问题，再将企业问题翻译成AI能够解决的技术问题，最后由技术团队开发并在实际生产中验证。海尔集团CIO刘超则提出了“痛点密度”和“数据厚度”两个维度。痛点发生得越频繁，解决后的累积价值越大；企业积累的成功和失败数据越丰富，AI越有条件学习。两者结合，才能更快找到值得投入的场景。目前，海尔已经形成30多个AI质量检测项，并部署到约三分之一的相关生产线，效率提升约20%，检测准确率达到91%以上。刘超认为，制造业AI价值最终仍要落到质量、成本和效率。海尔重点寻找流程密集型、劳动密集型和信息密集型场景：流程密集型能够沉淀经验，劳动密集型直接对应效率和成本，信息密集型则能够持续提供学习基础。格力电器CMO朱磊则从生产现场补充了另一重判断：许多看似细小的问题，一旦进入规模化产线，就可能直接影响效率、质量和安全。格力智能工厂拥有2000多台工业机器人和相关装备，其中大量设备由企业自主研发。朱磊提出，工业AI的价值不只是让机器“能做”，更要让它在焊接等复杂环节中达到老师傅般的稳定水平，真正解决过去做不好或高度依赖人工的问题。由此可以形成一套更清楚的场景判断标准：高价值AI场景，必须同时具备足够重要的业务问题、足够深的经验和数据，以及可以明确衡量的结果。企业不应从“AI能够做什么”开始，而应先问：哪些问题发生频率最高？造成的损失最大？结果是否可以验证？企业在哪些领域拥有别人难以复制的积累？随着基础模型逐渐普及，企业之间的差距将越来越少地取决于“是否接入某个模型”，而更多取决于自身知识、数据和经验能否被AI调用。欧莱雅集团全球首席人工智能官Dr. Andreea Lachapelle在演讲中提到，欧莱雅成为AI驱动型企业的过程，并不是从生成式AI出现后才开始。大约15年前，欧莱雅已经启动数字化转型，之后进入美妆科技转型阶段。今天的AI应用，建立在人才、API、云技术、自有平台、模块化架构以及长期科研积累之上。她强调：“成为一家AI驱动型企业，是一段长期旅程。”理肤泉的案例说明了传统知识在新环境中的价值。长期积累的医学研究、科学内容和专业网络进入数字空间后，当消费者向AI询问护肤问题时，这些知识能够帮助品牌被识别为具有专业权威的选择。这不只是品牌传播问题，也说明企业过去积累的知识，正在从内部经验转化为算法可以识别和调用的智能资产。类似变化也发生在制造业。老师傅对设备、工艺和缺陷的判断，过去很难完整写入操作手册，今天却可以被提取为知识图谱、模型约束、规则和工具。德勤咨询CEO华思远提到，许多企业积累了大量结构化数据，却没有把优秀员工和老师傅头脑中的隐性知识转化为AI可用的知识。但知识也不是越多越好。钉钉副总裁邱达提醒，企业不能简单地把所有历史文档、员工对话和组织信息全部塞进上下文。即使上下文窗口很长，信息过多、噪音过大，也可能降低模型正确率。他提出：“好的摘要、好的删除和好的遗忘，反而会提高结果质量。”企业过去强调保存更多数据；进入AI时代，还需要判断哪些信息真正影响任务，哪些内容应该被压缩、过滤或遗忘。因此，AI时代真正稀缺的，不是一般意义上的“大量数据”，而是与真实业务相关、经过长期实践验证，并能够反映行动结果的企业知识。AI没有让所有企业重新回到同一起跑线。相反，它正在重新评价企业过去的积累。知识和数据是基础，但并不会自动转化为竞争优势。曾鸣教授在论坛中提出，AI时代的核心价值创造机制可能是“智能复利”。工业时代的机器在使用中会产生损耗，而AI系统有可能在使用中变得更强。当系统完成真实任务、获得结果反馈，并依据反馈调整，它就能够承担更复杂的任务；更复杂的任务又带来更高质量的反馈，进而形成持续学习的循环。曾鸣教授将其概括为：“这不是一次性的效率提升，而是一个不断学习、不断增长的正循环。”真正的分界线，不是AI会不会回答问题，而是它能否独立完成端到端任务，能否对结果负责，并形成行动、反馈、学习和提高的闭环。他将AI能够独立“上岗”的临界状态称为“六十分系统”。一个刚刚达到独立工作水平的系统，能力可能只有60分；但进入真实任务、不断获得反馈后，就可能迅速提升到90分、150分甚至更高。而当AI从生成内容进一步走向真实行动，它面对的环境也将变得更加复杂。在第一场圆桌中，Om AI联汇CEO赵天成将这一变化概括为“让模型从数字世界走向物理世界”。他指出，过去的大模型主要以文本Token作为输入和输出，但真实世界是连续、动态的，包含图像、声音、空间关系、动作和实时反馈。机器不仅要“理解文字”，还要能够感知环境、作出判断并采取行动。赵天成提出：“物理世界需要的，不只是能够理解语言的模型，而是能够感知、理解并行动的物理大脑。”这也意味着，AI越深入生产制造、智能终端和现实服务，越不能只依赖通用模型能力，还需要新的模型架构、训练目标，以及来自真实环境的持续反馈。第一，问题闭环，从真实业务目标出发，而不是从技术能力出发。第二，数据闭环，让执行结果重新进入系统，成为后续学习依据。第三，流程闭环，让AI嵌入完整工作流，而不是停留在孤立环节。第四，责任闭环，明确机器可以决定什么、人必须判断什么，以及最终由谁承担结果。GOMAXLAB科研总监李璐指出，企业并不缺少大模型演示，真正缺少的是“可进入业务、可解决问题、可接受验证的结果”。只有当输出可以验证、结果可以反馈、问题可以修正，企业才可能从一次试验走向持续改进。如果AI让原来需要十个人完成的工作缩短为五个人的工作量，企业应该减少人员、增加任务，还是重新定义工作？如果员工借助AI提高一倍效率，企业如何调整薪酬和晋升？如果智能体可以跨部门完成任务，原有部门边界是否仍然合理？这些问题无法由技术部门单独回答。学而思执行总裁位晨将企业AI转型区分为“AI增强”和“AI原生”两条路径。前者是在原有业务中增加AI，后者则要重新设计产品、流程和组织。她提出：“AI的目标不应只是让更少的人完成同样的事情，而应让同样的人更快完成更多、更有价值的事情。”如果流程、激励和管理机制保持不变，员工即使获得AI增强，也可能很快被旧制度拉回原来的工作节奏。出门问问首席战略官高佳则将这种变化概括为从“工具阶段”进入“系统阶段”。用AI写文案、做会议纪要，仍然属于工具升级；组织升级则要求AI进入完整工作流，让产品、流程、角色和权责共同变化。中层管理者也不会简单消失。如果中层的主要工作是传递信息、汇总材料和监督流程，这部分价值会受到AI冲击；但系统设计、业务判断、跨部门协调和人际沟通的重要性会提高。高佳提出，未来中层可以成为“智能体构建者和系统设计者”。海尔的做法则提供了另一种思路：集团平台统一提供底层能力，保障资源、安全、效率和成本；各个小微组织围绕自身客户和产品决定具体业务逻辑。底层能力统一，前端业务保持自主。这既可以减少重复建设，又避免统一平台压制一线创新。不同企业不会采用完全相同的组织形式，但都必须重新回答三个问题：人与AI如何分工？效率收益如何分配？谁来定义目标、监督系统并承担责任？这正是“管理智能”比“使用智能”更困难的原因。论坛闭幕总结中，马红漫将全天讨论归纳为三个关键词：AI、复利与人性。AI代表技术进入企业战略和现实行动；复利意味着任务、数据、反馈和能力需要形成持续增长的飞轮；人性则提醒企业，技术最终仍然要回到人的需求、判断和创造力。随着基础模型逐渐成为可以广泛调用的基础设施，企业之间的差距，可能越来越少地来自“有没有使用某个模型”，而更多来自：一旦一家企业率先形成这样的循环，竞争优势就可能开始自我强化。曾鸣教授将这种现象称为“黑洞效应”：用户会把更复杂、更高价值的任务交给更可靠的系统；系统获得更多稀缺反馈后变得更强；能力提升又会吸引更多任务、数据和人才。他提出：“未来最大的商业溢价，将属于最早进入能力差距扩大阶段的企业。”过去，企业比较谁拥有更多资源；互联网时代，企业比较谁能连接更多用户；AI时代，企业可能开始比较谁学习得更快，谁能够将每一次任务转化为下一次能力提升的基础。从这个角度看，企业真正需要建设的，并不是一组分散的AI工具，而是一套持续学习的经营系统。它以真实问题为起点，以企业知识为基础，以完整流程为载体，以行动反馈为动力，并通过组织机制，让人和机器共同进化。为了帮助企业快速评估自身AI转型的健康度，结合本次论坛嘉宾的共识，我们提炼了以下自查框架：1. 场景校验：我们接入AI的场景，是在解决“员工个人省事”的问题，还是在解决“核心业务流程变慢”的问题？2. ROI量化：AI项目是否有明确的财务或运营指标（如交付周期、客单价、库存周转率），而非仅看“使用率/日活”？3. 数据资产：企业内部的隐性知识（专家经验、业务诀窍）是否已经标准化并沉淀为AI可调用的知识库？ 4. 组织解构：业务流程是否根据AI的能力进行了重构，还是依然强制AI适应原有的繁复审批链条？7月18日下午的WAIC企业家论坛没有提供一份可以直接复制的AI转型答案。来自美妆、制造、教育、咨询、企业软件和人工智能技术领域的实践，也不可能被压缩成同一套方案。但不同议程和不同产业经验，共同给出了一种更清晰的判断：评价一家企业是否真正完成AI转型，不能只看它部署了多少工具、调用了多少模型，也不能只看员工节省了多少时间。更重要的是，它是否选中了真正影响经营结果的问题，是否让长期积累的知识进入系统，是否让AI参与真实行动，是否建立持续反馈机制，以及是否愿意重新设计组织。正如论坛现场各位嘉宾所达成的一致共识：AI转型绝非一日之功，它是一场需要顶层设计、业务沉淀与跨界合作的长期主义实践。企业需要的不仅是认知的突破，更是持续落地、场景对齐的真实战场。只有完成这些变化，AI才会从一项成本、一种工具和一次试验，转化为企业可以持续积累的能力。AI已经足够强大。接下来的问题，是企业能否建立一个与之相匹配的经营系统。WAIC企业家论坛，作为WAIC CONNECT贯穿全年的产业连接生态第一站，已告一段落。接下来，WAIC CONNECT还将深入全球场景与产业现场——9月香港、马来西亚的产业对接会与WAIC City Walk即将启幕，我们持续助力企业穿越AI转型深水区，寻找产业落地新增长。
转载说明：本文系转载内容，版权归原作者及原出处所有。转载目的在于传递更多行业信息，文章观点仅代表原作者本人，与本平台立场无关。若涉及作品版权问题，请原作者或相关权利人及时与本平台联系，我们将在第一时间核实后移除相关内容。
五度妙笔
企业透视镜
API商城
数据库
