垂直行业AI落地：数据治理与甲方自研的博弈
业务部门用AI工具后，一个月多产出1000份PPT，部门觉得效率翻倍去找老板报喜，老板却算了一笔账：效率提升了，但公司利润没有任何变化，这些PPT不过是当月多烧的10万元token。这个真实的行业观察，来自一场聚焦企业AI落地的圆桌讨论。
AI采购的决策逻辑：从IT主导到业务说了算
传统软件项目的采购通常由IT部门主导，业务部门仅负责验收，因为软件的价值仅体现在功能上线。但这场圆桌的四位嘉宾都认为，AI项目的决策逻辑完全不同。
语核科技创始人翟星吉指出，AI项目一定是高层驱动，但真正的主导者是业务部门。他打了个比方：企业购买AI Agent产品本质上是生产投资，就像制造业采购产线，买的是高级人力服务，而非普通软件。因此决策链路应该是业务部门先算出明确的ROI，再向老板申请预算，老板批准后快速落地。
帆软的沈涛进一步拆解了决策的两层逻辑：公司整体的AI投入预算，比如1000万还是2000万，由CEO等核心管理层决定；但这笔钱具体投向客服、风控还是商机挖掘等场景，则由业务部门拍板。这两层决策之间存在巨大的博弈：业务部门关注效率提升，而老板更在意效率最终能否转化为利润增长。
云享智慧的沙涛补充道，谁对业务结果负责，谁就拥有最终拍板权。他曾接触过世界前四的奢侈品集团，其IT部门的定位早已不是“修电脑、管网络”，而是像HRBP一样直接对业务结果负责，这类“非典型IT”也能主导AI项目的采购。
沈涛判断，当前很多企业还愿意为“希望”付费，但到明年，市场只会为结果买单。AI产品会像商业投放一样，投入100万必须看到120万、150万的实际产出，这一趋势会洗掉一大批只会讲故事的厂商。
数据治理：AI落地的“轨道”与“高铁”悖论
圆桌第二个核心话题围绕数据要素与治理展开。沈涛分享了一次行业调研的结果：在一场有互联网大厂数据负责人参与的圆桌中，大家给自己企业的数据治理打了75-80分，但AI落地的打分仅为20分。有企业高管直言“地基不牢，地动山摇”。
沈涛用一个生动的比喻解释了这一差距：AI Agent是高铁，而数据治理就是轨道。企业如果没有完善的数据治理轨道，即便买了再先进的AI工具，也无法真正跑起来。他举例说，自己某次出差的全流程数据，被分散在差旅系统、企业滴滴、文档系统、线索平台和视频号等多个不同的系统中，同一个事件被切割成多个片段，无法整合分析。
这种数据碎片化的问题，正是专业领域一直倡导的“本体论”的核心：数据应该按事件存储，而非按系统切割。一旦数据被分散存储，就无法还原完整的业务价值，比如某次差旅花费不足500元，却带来了数万元的商机，这个分析只有在数据整合后才能完成。
沈涛总结道，当前企业的数据治理需要迈上新台阶：将结构化数据和非结构化数据融合为企业的知识资产。当下的AI模型智能已经足够强大，只要将整合后的知识喂给模型，就能释放出巨大的价值，而绝大多数企业恰恰卡在了这一步。
最难萃取的不是数据，是专家的“隐性品味”
如果说数据治理是有数据基础企业的痛点，那么另外三位嘉宾则指出了一个更普遍的难题：企业真正值钱的资产，往往不在任何数据库中，而是存在于专家的脑子里。
翟星吉表示，企业最稀缺的不是结构化数据，而是专家的隐性知识。比如顶尖的解决方案专家，面对不同客户会调整沟通逻辑和故事框架，这些临场的判断和说服技巧，只有在面对具体客户时才会被激发，无法提前通过规则定义。很多企业试图预先萃取专家知识打造完美的Agent，但最终因为规则模型容错率极低，遇到特殊场景就彻底失效，最终被员工弃用。
深护智康的叶海峰则结合大健康行业的实践补充道，服务业的结构化数据极少，真正的核心能力是“讲不明白但干得漂亮”的隐性能力，比如顶级销售无法清晰描述如何搞定客户，但就是能达成目标，这种能力融合了情绪价值、专业度和情商，谁能将这类能力萃取出来，谁就能建立真正的护城河。
翟星吉将这种能力称为“品味”：它只在特定场景下被激发。叶海峰补充道，脱离具体情景和实例，专家自己都无法清晰描述这种判断逻辑。
针对这一难题，翟星吉给出的解决方案是打造“会学习的Agent”：就像招聘聪明的应届生，哪怕行业知识不足，只要学习能力强、愿意被教导，就能在实践中快速成长。落地成本最高的不是技术本身，而是让组织内的员工愿意持续使用Agent、并在使用过程中不断教导和优化它。
甲方自研AI，AI公司还有机会吗？
圆桌最尖锐的话题来自主持人的提问：过去一年，快消和消费品行业的头部品牌砍掉了70%的AI采购订单，不少IT能力较强的甲方开始自建AI团队，甚至有美妆公司打算将自研的AI产品商业化。那么，是AI公司更懂行业，还是行业公司自研AI更有优势？
沈涛通过历史研究给出了结论：早期AI热潮后，最终赚走最多钱的是“垂直行业knowhow + AI能力”的交集企业。如果非要偏向一方，他认为拥有垂直行业积累的企业会更有优势，因为AI技术本身正在快速平权。比如曾经属于高科技的人脸识别技术，仅用三年就普及到了大众场景，当前的Agent技术门槛也会在未来快速跨越鸿沟，实现技术平权。
但垂直行业的knowhow永远无法平权，它存在于老师傅的经验和现场实践中，而非线上的数据库里。不过沈涛也给甲方泼了冷水：他曾接触过一家年营收百亿的行业头部企业，内部AI项目做得非常出色，但独立出来的商业化公司却卖不出去产品，因为垂直行业的企业缺乏投放、销售和数据分析的商业化人才，能做出好产品不等于能卖出去。
叶海峰则跳出了甲乙方的固有思维：AI不是工具，而是“人”，因此双方的关系应该从采购转向共生。他分享了医疗行业的案例：医疗机构不需要单独的AI工具，而是希望团队带着业务能力和AI团队进场，共同服务客户，最终项目取得了巨大成功。他认为，未来如果AI公司还只是单纯售卖工具和能力，客户很快就会选择自研。
沙涛则从行业壁垒的角度补充道，不同行业的变化逻辑不同：玩法被彻底改写的行业会诞生新势力，而壁垒深厚的行业，AI只是提升了运营效率。但前提是企业必须将knowhow沉淀为组织资产，而非随着专家离职而流失。
快问快答：千人公司CEO的AI落地第一步
圆桌最后，主持人抛出了快问快答：如果你是一家千人公司的CEO，关于AI落地会做的第一件事是什么？四位嘉宾给出了四种截然不同的答案：
翟星吉：给每位员工采购公司的AI产品并开展培训，一方面让观望的员工意识到AI对岗位的冲击，倒逼主动学习；另一方面让拥抱AI的员工成为内部KOC，带动整个组织转型。
沙涛：让每位员工建立共享文件夹，上传所有工作相关的信息，然后找出最快跑通自己工作Agent的员工树立标杆，以点带面推动全员落地。
沈涛：每天凌晨在公司群分享AI行业见闻，让员工意识到老板不仅懂行还比大家更努力，倒逼优秀员工主动行动起来。
叶海峰：千人公司往往已经固化，首先筛选出最愿意“革自己命”的核心团队，单独成立AI部门，重构流程、组织和管理模式，愿意接受变革的留下，不愿改变的离开。
四位嘉宾的答案看似不同，实则指向同一个核心：AI落地最终落地的是组织，而非技术。
总结：AI落地的三道核心关卡
回到开头的1000份PPT故事，老板并非不识货，而是效率提升不等于利润增长。企业AI落地需要闯过三道核心关卡：
第一，预算逻辑升级：从为“希望”付费转向为结果付费，明确效率到利润的转化路径；
第二，数据治理升级：整合结构化与非结构化数据，搭建完整的业务知识轨道；
第三，隐性知识沉淀：萃取专家的隐性能力，打造会学习的AI Agent，构建组织的知识资产。
当下的企业AI赛道，早已不是“要不要上”的问题，而是“如何让AI真正创造利润”的问题。能够清晰回答这一问题的厂商，才能打开企业的AI预算大门。
