从「用 AI」到「AI 原生」：企业落地 AI 的四个 Ready

过去两年，AI 的概念供给远远超过落地供给。几乎每家企业都做过 demo：模型能对话、能写文案、能生成报表，可一旦接进真实业务，就卡在数据、流程、权限和人的配合上。

问题往往不在模型不够强。真正决定成败的，是企业有没有为 AI 准备好四样东西：可用的数据、值得做的场景、能接住上下文的工具，以及愿意下场的人。所谓“AI 原生”，不是给旧流程配一个 AI 助手，而是让数据、流程和人的协作围绕 AI 重新组织。这套框架来自制造业与财税场景的落地实践，可以当作企业自查的清单。需要说明的是，文中的具体操作以飞书为协同与知识底座、豆包为模型与智能体入口；换成其他产品，框架仍然成立，但细节要重新对一遍。

先算清产出：AI 到底交付什么

企业最容易犯的错，是把 AI 当搜索引擎：问一句，答一句，答得还挺像样。但业务要的不是“像样”，而是“能直接用的结果”。所以在谈模型之前，先把问题倒过来问：你希望 AI 替你交付什么？

同一件事的产出，取决于三个变量：用哪个模型、给它什么上下文、信息如何被组织。写成公式就是 Y = F(X)：F 是模型能力，X 是投喂给它的上下文，Y 是最终产出。

以报销为例。要让 AI 交出一张可以提交的报销单，得先把发票、报销制度、审批流程这些上下文给它，再选合适的模型，最后才谈得上“自动提报”。只丢一句“帮我报销”，得到的是通顺但用不上的回答——这不是模型不行，是上下文没给够。

由此可以把企业要做的事拆成四块：

维度	要回答的问题	关键动作
数据 Ready	企业有没有自己的知识	建知识管理闭环，缺数据先补数据
场景 Ready	先做哪一件事	按高频、可容错、有沉淀、有价值筛选
工具 Ready	用什么接住组织上下文	选模型，选能沉淀上下文的协同工具
组织 Ready	人怎么配合	育选用留、联合团队、全员入局

四块缺一不可。

四个 Ready：数据、场景、工具、组织

这四块既是自查清单，也是投入顺序：先把数据补齐，再挑场景，再选工具，最后落到组织；四者缺一，AI 就只能停在 demo。

四个 Ready 与产出公式的对应关系。

数据 Ready：没有知识闭环，就没有企业级 AI

通用模型的数据来自互联网，它知道世界上大量的事，却不知道你这家公司的报销制度、客户口径、项目进度。所以它给出的回答往往结构完整、条理清楚，但和你的业务没有关系，也用不进工作流。

企业想让 AI 回答“自己的问题”，前提是先把知识管起来。完整的知识管理是一个闭环，包含五个环节：

1. 知识生产：开会、培训、做方案、项目立项，本质上都在生产知识；
2. 知识加工：把原始材料梳理、归类、系统化；
3. 知识存储：放在公网云、企业云，还是各人的电脑里，可用性和安全性差别很大；
4. 知识传播：在组织内共享，让同事能够复用；
5. 知识消费：交给 AI 调用，替代原来“人问人”的问答。

知识管理闭环的五个环节。

马云多年前说过，未来的数据可能比石油还宝贵。这句话正在被验证：数据不流动，不同部门就会重复做同一件事；信息只躺在个人电脑里，跨部门的复用就无从发生。企业内部大量的重复劳动，本质上都是知识没有打通。

企业的知识管理通常会经历三个阶段：先是在线管理，个人知识变成组织知识，但零散存放；再是支撑业务，知识能解决实际问题、提升效率；最后是融入业务，知识嵌进流程，长出各个岗位的 AI 智能体。

判断数据准备到不到位，有一个很直接的问题：“你的数据在哪里？”很多企业答不上来。这种情况下的正确顺序是先做数据建设，而不是急着买模型——没有数据，AI 顶多给出公网大模型水平的辅助回答，看着有用，实际用不了。

传统流程的对照也很直观。审批要总经理手签，人不在就卡住，出差回来积一堆报销；一个问题从 CEO 问到总监、再问到主管，层层传递两个小时过去，决策成本就这么上去了。数据归整给 AI 之后，老板可以直接问项目采购情况、这个项目赚了多少钱。

场景 Ready：高频、可容错、有数据、有价值

数据是地基，场景是切口。企业不可能一次把所有业务都 AI 化，先做哪一件事，直接决定第一仗能不能打赢。筛选标准可以归纳为四条：

1. 高频次；
2. 对精准性要求不严苛；
3. 业务数据已有沉淀；
4. 能带来直接的业务价值。

优先落地 AI 的四个筛选标准。

报销和审批是典型的好场景：制度范围内的自动通过，超出制度才转人工复核，既省了人力，也保留了风控。反过来，算薪、算钱这类一旦算错就麻烦的场景，不适合放在第一批。数据不要求完美，哪怕只是一个框架性的结构，但业务流程必须清晰。

三个已经在制造业跑通的例子，可以说明这套标准怎么用。

新人培训与陪练。 过去靠有经验的老员工带，或者专门搭平台。现在把老员工的方法、销售话术灌给 AI，由 AI 每天陪新人练、定期复查，覆盖率高，可以同时服务几千人。

会议质检。 零售、餐饮、生产每天有大量班前会，总部政策有没有传到店长、组长，一线真实反馈是什么，高管往往看不到。AI 可以在十分钟内分析两百多场会议，把一线问题、市场舆情、商业机会汇总给决策层；同样的信息如果层层上报，往往要半个月，机会早就错过了。

设备点检。 人工巡检发现不及时，停机两三个小时才报修。有个客户是特斯拉的供应商，测算过产线因维修停一天损失约 300 万元。AI 接入设备数据后自动告警、生成处理方案、派给责任人并闭环留痕，高风险直接升级到管理层。

在制造业客户中，一个交付团队一年可以共创近两千个 AI 产品；一千人的公司，可以有一千多个智能体。通用办公场景几乎都能被 AI 覆盖，剩下的问题只是“你有没有想清楚要做哪一个”。

工具 Ready：模型在趋同，差别在「懂你」

AI 竞争的上半场比模型，下半场比谁更懂你。

头部模型的迭代以周计，很多能力已经超过一般专业研究者。但对普通企业来说，模型动辄上万亿参数，真正用得到的可能只有五六十分的水平，就足以覆盖 90% 的需求。模型选型越来越不构成壁垒，工具之间的差别转移到了另一个地方：它是否理解你的组织。

所谓“懂你”，是任务发下去之后，AI 知不知道你的角色、能力、每天在做什么、跟谁开会、说话风格、判断逻辑。这些信息散在群聊、文档、会议、知识库里，构成了企业的组织上下文。工具的价值不只是能不能调用模型，更在于它有没有把这些上下文接住：一次提问，可以调动整个组织的记忆。

这也是个人助手与企业级助手的根本区别。个人助手解决单点问题：做一份报表、做一次分析。企业级助手要解决业务流问题：一条业务流程七八步，复杂的十几步甚至几十步，AI 是只做中间一段，还是把整条链路串起来。

区别还在于结果能否沉淀和复用。AI 应该直接把分析结果交给下一个同事，而不是给你一张表，你再转给别人。飞书里的妙记、消息、日历、多维表格、文档、OKR、任务、项目，本来就是数据产生的地方；关键是把这些日常动作同步、沉淀下来，让 AI 有东西可读。

组织 Ready：数字员工与「育选用留」

不要只当观众、只提需求，AI 属于每一个下场的人。

过去业务量上来就加人；现在更现实的做法，是一个人带一组数字员工。有的团队负责人，手上挂着七八个“数字员工”：做 PPT、做海报、做名片、整理会议、跑报销。报销这条链拆得很细：智能体打开邮箱、下载附件、按公司流程规整、自动提交审批。

数字员工也需要管理。逻辑不再是从前的“选用育留”，而是“育选用留”：

• 育：AI 大讲堂做全员科普，配学习社群、直播、系列培训；2–3 小时的高层工作坊、1 天的一号位工作坊；
• 选：AI 黑客松、内部先锋队式选拔；全国性的 AI 大赛里，表现突出的往往是年轻人；
• 用：打造企业级 IP，线上线下持续运营推广；
• 留：软性奖励（头像勋章、高层表彰）、硬性激励（绩效、奖金、奖品），以及 AI 式激励——给更多 Token 用量。

组织上要组建 HR + 业务 + 技术的联合团队，按“岗位定义 → 知识注入 → 技术搭建 → 考核机制”走一遍，最后衡量的才是 AI 价值。

用人才生命周期管理数字员工。

落地时有三个容易被忽略的原则。

第一，从“少数人的发明”走向“全员的折腾”。 反面是外包需求模式：只提需求、少数人试点、以为买来就能用；正面是参与共创、全员练兵、在实战里把能力“折腾”出来。

第二，拒绝完美主义。

AI 落地是进化，而非交付。

有个客户去年用工作流搭流程，今年升级成模型驱动，只需要跟申请人交互就能把流程走完；响应从 40 分钟缩短到 30 秒级，成本也降了。上线不是终点，而是迭代的起点。

与完美主义同源的还有六种典型误区：以为公司数据很多、喂给模型就厉害（数据富有陷阱）；所有工作都投入资源自研（完全自研陷阱）；场景明确就认定 AI 一定能解决（模型万能陷阱）；私有化还追求最新技术和最佳效果（盲目私有化陷阱）；把 AI 当成 IT 部门今年的投入任务（科技主导陷阱）；上了 AI 就砍掉一半人（裁员陷阱）。它们共同的问题是，把 AI 当成交付物，而不是一种需要长期养成的能力。

第三，不要只算短期 ROI。 以长期战略价值代替短期会计回报，“敢干，才是最大的 ROI”。

落地路线图：五步与两笔账

企业落地可以拆成五步。每一步都应该有明确的产出物，而不是一句口号。

1. 认知对齐：先让高层和一号位理解 AI 和模型正在发生什么变化——不是学提示词，而是知道能力边界、成本结构和组织影响。常见做法是 2–3 小时的高层工作坊、1 天的一号位工作坊。培训只是引子，真正要做的是公司整体的 AI 落地规划，先把语言统一，避免用旧流程套新工具。

2. 流程与场景调研：逐个部门盘点需求和流程，十个部门往往会冒出一长串候选场景。调研要回答三件事：这个流程有多高频、痛点有多大、数据基础够不够。最后产出的是一张按价值和可行性排序的场景清单，而不是各报各的愿望清单。

3. 选场景、选工具：图片、视频、文本各有擅长的模型，接错模型效果和成本都会出问题。这一步要定下“用哪个模型、接哪个接口、谁来维护”；能用现成接口和工具，就不要所有环节都自建。

4. 交付：小步快跑。先小范围上线，把一条流程跑通；再持续记录问题和 Bad Case；然后快速优化，调整模型、知识和流程；最后把跑通的模板复制推广。原则是“先可用，再好用”。

5. 持续迭代：上线不是终点。要管模型（谁在用、用了多少、适合什么场景）、管知识库（怎么更准）、管流程（哪里还能省一步），也要管额度，避免成本失控。

选型时要算两笔账：一次调用的成本和响应速度。单次调用可能是一元、八毛、五毛的差别，但一天几百上千次调用，选错模型的成本会被放大；响应速度则直接决定这条流程能不能嵌进业务。很多场景用更小的模型就能覆盖，不必一上来追最大最新的模型。

三个财税场景：一套可复用的样板

财税行业的 AI 普及率并不高：手机上用过对话工具的不少，真正把 AI 嵌进日常工作（起草方案、整理会议、做 PPT）的还不多。

企业缺的不是再“附赠一个工具”，而是把客户、流程、内容、营销数据和 AI 组成一套可衡量、可治理的数字业务系统。传统“财务顾问 + 会计”的模式里，重复录入、靠人催任务、靠人写营销内容，在业务增长之后难以为继。

三个场景都搭在飞书多维表格和智能体上，目标不是各做一个 demo，而是让数据、流程和内容在同一套系统里流转。

个性化 CRM

原来要跑多个系统查数据、靠人跟进，客户信息散在不同系统里。现在把合同、客户、报价 SOP 都放进多维表格当数据库，形成统一的客户视图：

• 合同管理：90 天内到期的合同持续推送给负责人，签约时间、到期状态一屏可见；
• 异常提醒：客户资料缺失、代办事项到期自动提示，避免“到用的时候才发现没材料”；
• 风险标记：按回款风险、合作情况等维度标记客户，风险高的优先跟进；
• 情报专员：用对话问回访数据，它基于沉淀的数据分析回款风险，给出下一季度的行动计划，比如提前 15 天做付款提醒；
• 报价：说出客户和需求，按报价 SOP 生成报价单，可以直接导出 PDF，或转发到客户微信。报价 SOP 可以按产品、客户类型维护不同价格，比如小规模纳税人客户的代理收费。

这样，销售和顾问不需要记住每个客户的状态，系统会把该跟进的事推到面前。

自动化营销

原流程是四步人工：找爆款资讯、做海报、写小红书文案、发布。现在由 AI 串起采集、选题、生成、审核、发布、复盘：

1. 采集：维护对标账号和历史帖子，每天 9 点定时抓取爆款；
2. 选题：进入“待评估 / 已采纳”状态，人工确认后进入生成；
3. 生成：按问答、科普、故事三类账号生成海报和配套文案，再按账号标签匹配分发；需要精细化时可以二次修改；
4. 审核：按公司合规要求检测不能出现的内容、必须出现的内容，通过才发布；
5. 复盘：发布后看效果，把好的沉淀成模板。

人工仍然保留在审核和发布两个环节，因为合规需要人来判断；其余环节交给 AI 自动完成，效率提升来自这里。

经营分析报告

客户把数据填好，员工清洗后上传，AI 按两套结构化模板生成网页版报告，内容可以按实际需要调整。过去这份报告依赖个人经验、没有统一标准，不同人做出来的口径不一致；现在模板把结构固定下来，人只需要保证数据质量。报告可以直接给客户，也可以作为内部复盘材料。

一个闭环，而不是三个工具

三者并不孤立：营销获客 → CRM 承接 → 复盘增值 → 财务分析报告，老板可以实时看到业务情况。更底层的复用方式是“技能”封装：把已经跑通的流程做成一个技能交给智能体，后续只需要发 Excel；不会写提示词也没关系，可以跟 AI 对话，让它引导你把技能补完整。技能本身也可以管理、复用，不必每次从头搭。

绕不开的四件事：安全、成本、备份、接入

下面这些问题，基本都围绕飞书（协同与知识底座）和豆包（模型与智能体入口）展开。

Q1：财务数据这么敏感，用 AI 怎么保证不泄露？

A：先把底线说清楚：企业不要用免费版。免费版的服务协议里通常有一条“可将数据用于服务改进或模型训练”，你点了同意，等于把数据交出去；付费版通常只做分析、不做回流。飞书企业版另有数据安全协议，不拿企业数据做训练。然后安全要分两层看：第一层是企业与公网之间——数据放在哪朵云、云厂商的防火墙能力如何、要不要私有化部署；第二层是同事与同事之间——同一份数据，谁能看、谁能改、谁能导出。第一层靠平台和 IT，第二层只能靠企业自己设计权限；很多泄露不是黑客，而是内部人顺手转发。

Q2：权限到底能细到什么程度？

A：可以细到“文档”和“字段”两个层级。文档侧：飞书文档有 L1–L4 密级，不同级别对应不同的可见范围，查看、复制、创建副本、编辑、下载、转发可以分开控制；外发带水印、可溯源，转发到组织外会被拦住或提示。字段侧：飞书多维表格按角色配权限——同一条记录，销售只能看客户名和阶段，财务能看金额，谁能改、谁能新增也分开；还可以限制某人只能看某几个字段。再加两条：员工离职前批量下载、删除文件会有预警；权限按“所有权”走——老板能问出财务数据，是因为他本来就有那张报表的权限，没有权限的人问 AI 也问不出来。

Q3：模型费用怎么管，会不会被滥用？

A：飞书后台有模型管理，可以按人、按部门分配额度和可用模型：市场部开视频模型，财务只开文本模型；谁用了多少、花了多少都能查到。最容易失控的是视频——生成一次的成本远高于文本，有企业一周就消耗了 17 万多，老板看到账单才发现。降本有两条路：一是换更小的模型，会议纪要、分类、抽取这类任务不需要旗舰模型；二是私有化部署，把常用模型放在自己的服务器上，二三十人同时用也能扛住，代价是要接受能力与最新公有模型的差距。

Q4：投入产出怎么算，又怎么分摊到部门？

A：先别算总账，先算单点账：这个智能体替代了哪个动作、每天发生多少次、每次省多少时间。比如报销，原来要人工下载附件、填单、提交，现在智能体一次做完，省下来的是每次下载、填单、核对的时间；单据越多，这笔账越明显。分摊上，把公共消耗（公共知识库、公共智能体、平台席位）和各部门自己的调用量分开，像水电费一样先在后台看清水电表，再按部门预存或结算；组织结构变了，分摊口径也要跟着变。

Q5：订阅该买哪一档，豆包和飞书各买什么？

A：先分清三层：个人版（免费或低价，功能和额度受限，适合试用）、豆包工作（按席位订阅，每月配一定点数，文本、表格、会议纪要够用，视频等重能力通常没有）、企业版（能力更全，带管理后台、权限和数据协议）。飞书侧的能力按模块来：智能纪要、知识问答、多维表格、智能体，可以按需开通。算账时把“席位费 + 点数消耗”合起来：席位费一年几百到上千元，真正贵的是高频调用视频和大模型的部分。建议先用一两个场景跑三个月，看人均调用量和节省的时间，再决定扩不扩席位。

Q6：数据能不能自动备份？

A：飞书多维表格的数据是实时的，可以手动下载，也可以批量导出成 Excel/CSV；但不支持定时批量导出——这是产品在信息安全上的取舍：一旦允许定时全量导出，就等于给了一个把公司数据搬走的通道。需要留档，通常三种做法：一是按月手动导出关键表；二是用带浏览器的自动化工具做定时任务，但要先评估账号权限和审计；三是在数据流转完成后自动清理，有的企业用 Docker 把处理环境隔离起来，跑完即销毁。要注意：数据一旦下载到个人电脑，平台侧就管不到了，真正的风险从这一步开始。

Q7：我们用的是钉钉，必须换飞书吗？

A：不必。接入分两条路：一条是“用模型，不用飞书”——把豆包等模型的账号或接口接到现有系统或机器人上，钉钉里也能用；另一条是“用飞书搭”，因为技能、模板、多维表格、智能体是封装好的，开箱即用，复杂场景再走定制。两条路的差别在集成深度：原有业务系统（ERP、财务系统）能打通，但接口、权限、数据同步都要单独做，做出来的“丝滑程度”不一样。如果只是问答、写文案、做报表，第一条路就够；如果要让 AI 嵌进审批、合同、回款这些流程，飞书 + 豆包的组合成本更低。

Q8：搭这些应用，一定要会写提示词或写代码吗？

A：不一定。豆包里有“技能”这层封装：把一条已经跑通的流程（比如“收 Excel→清洗→按模板生成报告”）做成技能，后续只需要发文件，它按固定步骤执行；技能可以管理、复用，也可以对话式创建——你说不清提示词，就告诉它“我要把哪几步固化下来”，它引导你补全。除了技能，常见做法是直接套用内置技能或模板，或把已有的报告框架丢给它，让它按框架填。真正需要开发的，是和原有系统打通、做复杂权限和定制流程的部分。

Q9：数字员工答不准、答偏了怎么办？

A：先接受一个前提：任何问答型应用的准确率都到不了 100%。要提高，一般从四件事入手：数据——文档、PPT、PDF、图片、视频要先清洗、切分、打标签，直接把原始文件丢进去，模型找不到重点；模型——按场景选，问答用对话模型，表格用结构化能力，图片、视频另算；技能——把问答流程固化成技能，限定它只能基于哪些资料回答；记忆与权限——不同的人问同一个问题，答案可能不同，历史消息、角色、数据权限都要设计。这四步做完，再谈“准确率”才有意义。

Q10：公司只有几百人，也要按大企业的权限体系买吗？

A：不用一步到位。飞书企业版按“组织共享存储 + 人数上限”卖：比如 15T 空间、500 人以内，像租一层办公室——面积固定，里面怎么隔房间、钥匙给谁，由企业自己定。权限可以按角色、按文件、按字段分配；跨表取数、扩容则按组织统一申请。规模小的时候，先把共享空间和关键文档（合同、报价、客户资料）的权限管好，再逐步细化到字段；不要一上来照搬大企业的复杂权限，维护成本会超过收益。

结语：AI 原生是一种组织能力

回到开头的问题：为什么大量 AI 项目停在 demo？

因为 demo 只需要模型，生产需要组织。数据决定 AI 知不知道你在说什么，场景决定第一仗打不打得赢，工具决定上下文接不接得住，组织决定这件事能走多远。四者齐备，AI 才从“一个买来的工具”变成“组织的一项能力”——这就是从“用 AI”到“AI 原生”的距离。

而这条路上没有一次性交付。AI 落地是进化，不是交付：先把一个高频、可容错、有价值的场景跑通，再让它在使用中持续变准、变快、变便宜。真正拉开差距的，往往不是最早采购模型的公司，而是最早开始“折腾”的组织。