2003 年，Nicholas Carr 在《哈佛商业评论》上发了一篇《IT Doesn't Matter》，论点是当一项技术人人可得，它就不再构成竞争优势。记得这篇文章引发的争议持续了蛮久，一度每场我参加的采访，几乎都有人问。今天轮到 AI 兴起，没人再说 AI doesn't matter 了。不过，承认一件事重要，和让这件事在企业里真的重要，是两回事。这个新问题应该会被讨论很久。
去年，MIT 的《The GenAI Divide》报告调查了 300 多个企业AI部署案例，发现 95% 的试点没有产生任何可衡量的财务回报。模型在三年里跃迁了三次，从语言理解到多模态感知再到自主编程。几乎每家企业都试图在业务中叠 AI。但是加完之后又往往会发现一个尴尬的事实：关掉它，业务照转。AI 并没有变成关键拼图。
问题不在供给端。
5 月 20 日的阿里云峰会主会场，来自供给侧的信号是足够明确的：从新一代 AI 芯片真武 M890 到 Agentic Cloud，从千问旗舰模型 Qwen3.7-Max 到阿里云百炼平台，阿里云完成了“芯-云-模型-推理”的全栈升级。用阿里巴巴集团通义大模型事业部负责人周靖人的话说，大模型的核心范式正在从“说得好”转向“做得到”。关键在于模型进入企业的这段路。换句话说，不在外化，而在内生。
而峰会次日的“AI 驱动的企业应用”分论坛，就沿着这个逻辑追问同一个问题：模型做得到了，企业准备好了吗？
三年半走到临界点
阿里云智能集团公共云事业部副总裁高飞最近密集走访企业客户，他的判断是：从 GPT 发布到现在三年半，企业级市场经历了三个阶段。
最初是知识问答。企业拿大语言模型搭一个超级搜索框，本质上还是在用模型的问答能力做专家服务。到了 2025 年上半年，市场转向 Agent，比如 AI 客服、AI 巡检、智能 BI，大量企业提出需求，希望构建能自主执行任务的应用。再到 2025 年下半年，AI Coding 崛起，整个技术范式发生转移，企业开始意识到编程能力本身可以被 AI 接管。
三个阶段递进，AI 的能力边界在指数扩张。但高飞紧接着抛出了一个和主流叙事相反的判断：不管 AI 怎么发展，企业首先要重新重视的，其实是数据，数据才是 AI 时代企业的核心生产力。
他的类比是：有时候，企业关心路灯怎么建，却忽略了地下管网。过去 30 年，企业的 IT 系统围绕 ERP 构建，所有软件服务于流程，数据只是流程运转的副产品。选品、比价、加入购物车、结算、发货，流程固化好了，人按流程把事做完，不需要泛化性。数据在这个体系里的地位低到什么程度？量大了就删，删不掉就拷到磁带机上。
金钱永不眠，数据在沉睡。
AI 改变了这个等式。算法、算力、数据三要素，其他两个都可以商品化，但数据往往是独特的。数据从副产品变成了核心生产力，从“附加结果”变成了数字员工的经验。数字员工的能力可以拆成三个维度：大语言模型代表智商上限，数据代表积累的经验，Coding 代表动手执行的能力。三者缺一不可，但后两者，经验和执行力，全部依赖企业自身的历史积淀。
这是整个论坛底层的一条暗线：所有人都在讲 AI 是未来，但 AI 要在一家企业里真正扎根，靠的是过去和此刻不断沉淀的数据。
大模型公司本身就是人类历史互联网数据的产物，企业的 AI 同理。企业里有多少数据被存下来、被打通、被用起来，决定了 AI 在你的组织里能走多深。
高飞用三个字概括了这个前提：存、通、用。数据存在哪里，有多少量？各业务系统之间是否互通？数据是否被有效使用？相当数量的上市公司到今天还没有一个合理的数据治理方案。于是，如果有企业一号位问“能不能帮我做一个 AI 应用”，他要先回答一个问题是“你的企业有多少数据量”。
何况，需要“存通用”的数据还在急剧扩大。
过去企业处理的主要是结构化数据，交易记录、订单流水、财务报表。但 AI 时代真正的增量来自非结构化数据，摄像头拍下的视频流，传感器采集的空间信息，客服对话的语音文本。这些数据过去无法被处理，也就无人在意。汽车行业是一个典型：主机厂过去的核心系统是 ERP，但自动驾驶出现后，最核心的系统变成了智能座舱，因为辅助驾驶需要海量路侧视频数据，而这些数据在没有多模态模型之前根本用不起来。非结构化数据的觉醒，正在改写企业数据资产的版图。对很多企业来说，这已经不只是 IT 部门的事，而是一个战略层面的课题：你有没有能力把物理世界的实时数据纳入自己的数据体系？
SAP 中国方案架构总监周伟峰用另一组数据印证了同样的判断：74% 的 AI 项目停留在试点阶段无法规模化，原因不是模型性能不足，而是卡在三个鸿沟。AI 没有你的业务知识，它能读懂数据，但不知道采购订单背后有一系列审批、收货和三单校验的逻辑；AI 看到的是碎片化的信息，财务在 ERP 里，客户在 CRM 里，生产计划在钉钉群里沟通，物流在第三方系统里； 缺乏 AI 治理架构，AI 的操作如果无法被审计、无法被追责，就永远只能做演示，进不了核心流程。
这三道鸿沟本质上是同一个问题：AI 停留在企业的表层。它能帮你写个会议纪要、做个 PPT、回答一些常见问题，但碰不到订单、碰不到供应链、碰不到财务账本。
怎么从外化走到内生？三家企业给出了三个不同切面的答案。
三家企业的内生路径
中国一汽的数智化进程本身就是一个缩影：ERP 到 EBC 再到 EOA。ERP 是流程在线化，完成任务。2012 年业内提出 EBC（企业业务能力平台），核心目的是把能力组装起来，快速响应市场。到了 AI 时代，中国一汽提出 EOA（运营智能），目标是构建“自感知、自决策、自执行、自进化”的运营中枢。
三个缩写背后是三十年企业 IT 的演进，每一步都没有推倒前一步。EOA 不是替代 ERP，而是在 ERP 的数据和流程基础上，叠加一层智能体架构。中国一汽的做法是把智能体架构嵌入企业架构，从原来有业务架构、信息架构、应用架构、技术架构、安全架构，现在扩展出智能体架构这一层。
这不是概念游戏，是已经落地的场景能说明问题。
设计即制造：过去汽车研发是串行的，研发设计，工艺评审，制造调试，出了问题再反复沟通。现在把制造现场的数据前置到研发环节，建立端到端的数据流转。以车门总成为例，梳理出 60 类、6275 项工艺边界规则，设计方案生成时，智能体自动调用这些规则，一次成型，减少返工。
审批模型替代审批单：原来一事一议，出了问题追查谁审错了，追责容易。AI 审批之后，追责逻辑变了，追业务人的责任还是追 AI 训练者的责任？管理中心从单次审批转向审批模型的维护。中国一汽大营销运营部总监徐海强的原则务实：只要模型的准确率超越人类平均水平，就应该上线。审批的目的是规避风险，只要模型准确率有效，合规效能就有保障。
更深层的变化发生在认知层面。
4S 店销售员介绍底盘，讲的多是技术参数。专业人员觉得有技术范，但数据显示用户对这样的介绍没有触动。再用数据来看看高绩效顾问怎么做？他们不讲技术参数，而是说“遇到什么路面，底盘性能有怎样的稳定性、操控性、舒适性”。认知从“我觉得这个好”变成“数据告诉我用户在意什么”，这是数据驱动的认知跃迁。
支撑这些场景的底座，是中国一汽几年来沉淀的两大资产：标准化的业务单元和贯穿全域的业务对象。中国一汽已经沉淀了三万多个业务单元，现在正在把它们转换成智能体可调用的 Skill。业务对象则让数据从程序员的后台数据库交到业务人员手里，放大了数据的使用价值。
组织层面同步在动。产品经理转型为 AI 产品经理，前后端开发转型为智能体架构师。徐海强的说法是：不是让员工自发转型，而是从组织层面用角色牵引。未来企业不仅要买碳基员工的时间，还要买硅基员工的 token 和算力。硅基员工的考核维度是智能程度、准确率、响应速度和成本。
中国一汽的路径，底子是几年数据治理和业务对象标准化的积累。过去的厚度决定了内生的深度。
银泰的判断更激进：零售企业现在每年增长 3 到 4 个点，未来十年销售增长在哪儿？在 AI 购物渠道。这是一个万亿级的市场，其中 80% 是增量。如果零售企业不变，传统零售的占比将从 75% 降到 45%。
这意味着银泰不是锦上添花式地加 AI（也就是外化），而是把 AI 当成生存问题来解。
银泰搭建了“眼脑手”三位一体的 MOS AI 智能引擎。脑是基于千问大模型的推理决策，眼是部署在商场里的 6 万路摄像头，手是把分析结果交给人或机器执行的能力。三者协同，形成一个完整的感知-决策-执行闭环。
值得留意的是对物理世界数据的投入。6 万路摄像头不只做安防，而是在识别人的动作和货品的摆放位置。做了数据合规，不采集人脸，但重点看动线和陈列效果。这些数据过去沉睡在硬盘里，现在变成了训练空间智能的原料。之前对商场内任何零售场景做识别训练，周期是四周。现在可以做到 48 小时内上线，准确率 90% 以上。
提速是模型变强，也是工程层面下了功夫。银泰在大模型的推理引擎（额叶）之外，另外部署了一层专门处理海量视频和文本数据的预处理引擎（枕叶）。一分钟视频直接传大模型，计算成本巨大。切成关键帧图片、做聚焦压缩之后再回传，效率完全不同。这是工程上的门槛，不是调一个 API 就能跨过去的。
AI 化遵循了渐进路径：先工具化（把经营的 58 个关键动作拆解，逐一 AI 化），再流程化（把工具串联成自动执行的流程），最后智能体化（让 AI 自主决策和执行）。银泰商业集团 CTO 熊超说目前大部分场景进入了流程化阶段，少数已经到智能体化。
一个量化指标能说明进展：当 AI 权重达到 50% 时，一个人加一台边缘服务器协同工作，整体能效是传统方式的四倍。AI 权重 100% 时，倍率是十倍。
银泰做得快，根源也在于过去的积累。2017 年就开始做数字化，花了四年完成 100% 云化。熊超说“我们至少做了四年的数字化积累，这个过程中还是能够把水位往上拉得比较好一些”。没有那四年的数字地基，AI 化不可能在以小时为单位的时间内落地。
西门子的 Eigen Engineering Agent，做的事情直接：帮 PLC 工程师写代码。
PLC（可编程逻辑控制器）是工业世界的基石。从数控机床的开关门到机器人控制，所有工业设备的底层都是 PLC 程序。西门子是 PLC 市场占有率最高的企业，也是工业软件领域欧洲第一、世界第二的提供商。
Eigen Engineering Agent 基于阿里云赋能的 AI 能力，让 PLC 工程师可以用自然语言交互的方式生成代码、创建项目配置、查询故障手册。解决的痛点实际：工业领域技术型人才短缺，项目周期越来越短，工程师大量时间花在重复性的编码和文档工作上。
效果数据（来自西门子数字化 AI 产品总监宋元明）：对 PLC 程序块参数的更改，每个程序块含 66 个参数、200 行代码，Agent 全流程（代码生成、测试代码生成、人工审核）从原来的 6 分钟降到 1.5 分钟。单看好像不多，但一个工业项目里有成百上千个这样的代码块，累积起来节省可观。文档的编译翻译从 35 分钟降到 11 分钟，人机交互画面的组态从一小时降到半小时。[数据基于客户场景和任务]
但这个产品让人留意的，不只是提效数字，而是它能生成符合工业标准的代码。
所有和工程相关的规范由西门子把控，Agent 生成的代码符合 PLC 编程的行业标准规范；模型推理和代码生成能力则由阿里云赋能的大语言模型提供。两者结合的前提，是西门子 TIA Portal（博途）多年积累的工程实践知识，故障手册、设备配置规范、编程语言标准，这些沉淀在几十年产品迭代中的 know-how，是 Agent 能生成合规工业代码的底子。
三家企业，三个完全不同的切入点。仔细看，它们有三个共同特征：痛点真实、流程扎实、历史数据够厚。中国一汽的三万个业务单元和 6275 项工艺规则不是一天建成的，银泰的 6 万路摄像头和四年云化也不是突击完成的，西门子 TIA Portal 的工程知识库更是几十年的积累。
企业 AI 的内生，本质上是把过去的厚度变成未来的能力。
让内生成为可能的那一层
中国一汽的行业大模型、银泰的智能引擎、西门子的 Eigen Engineering Agent，底层都基于阿里云的大模型能力。
解释是：对企业来说，选择一个大模型底座，考虑的不只是 benchmark 上的分数，还有几件现实的事：模型是否可商用、可开源？能否做行业混训和蒸馏？多模态能力是否覆盖物理世界的空间理解、路径规划、视频流处理？千问大模型在这些维度上是目前企业级应用中被充分验证的选择之一。
而阿里云提供的不只是模型。从阿里云百炼的模型调度平台，到千问的推理和编程能力，到 Qoder 的 AI 编程工具，再到从 OSS 存储到 MaxCompute 到 DataWorks 的全套数据工程平台，企业可以在这个底座上完成从数据资产化到智能体开发的完整链路。
SAP 和阿里云的合作也印证了这个逻辑。底层是阿里云的基础设施，安全体系、数据本地存储、算力保障；SAP 带来 50 年积累的业务大脑，ERP、供应链、财务管理的流程智能；上面通过 AI 层相互连接，SAP 的 AI 能力将在今年二季度落地到阿里云，接入千问大模型。这个组合之所以必要，是因为 SAP 有深厚的流程知识（730 万个数据字段，每一个背后都有业务语义），但在中国需要本地化的大模型和数字基座；阿里云有强大的基础设施和数字生态，但在企业核心业务流程上缺乏 SAP 那样的深度。二者互补。
一个正在推进的案例能说明这种组合怎么落地：一家按单制造的服装企业，订单链路要经过销售、生产、采购、库存、质量、财务六个环节。之前的问题是订单准交率低，面料断供三天后才知道。现在借助 SAP 和阿里云的联合方案，CEO 可以在钉钉里用自然语言问“某某订单状态怎么样了”，智能体抓取数据、追踪全链路，不仅知道哪个订单逾期、卡在哪个环节，还能知道哪个订单亏了、亏在哪里，并生成具体的改善建议推送给对应部门。从分析到执行，中间不再需要层层传话。
上述三家企业，中国一汽、银泰、西门子，走的都是自建路径：在自己的业务土壤上长出 AI 能力。
斑头雁和 MuleRun 则提供了另一条路：由外部的智能体平台和工具，帮助企业加速完成从外化到内生的跨越。
斑头雁 (BTY)CEO 张毅，钉钉创始团队成员、前钉钉副总裁，工程技术出身。现在斑头雁，他也在 AI Agent 产品技术开发的一线。
在他看来，企业讨论“外化还是内生”，本质是要回答 2 个问题：做什么？怎么做？
做什么。打造能自主执行的“AI 员工”，是企业 AI 价值落地的关键应用。 斑头雁不把自己定位为 Agent 开发平台，而是端到端、开箱即用的 AI 员工。Agent 平台只是底座，目标是让 AI 员工具备自主学习、自主执行、自主迭代的能力——能独立执行任务，业务价值很容易判断真伪：做完了就是做完了，做没做、做得好不好，一目了然，不存在“上了 AI 但说不清创造了什么价值”的灰色地带。
怎么做。AI 员工要真正成为企业的一员，自主学习、执行、迭代都必须在企业人类主管的监督下进行。 这部分监督工作可以概括成三件事： 业务判断，AI 员工做什么、怎么做；执行流程，AI 员工融入企业的流程、规则、安全；结果闭环，评估 AI 员工的工作结果。
过去 2 年，某知名时尚集团科技中心在斑头雁 Agent 底座上累计开发了 2000+ AI 应用，至今依然健康运行。这些一线执行动作的 AI 化，如今都沉淀成了 AI 员工可直接调用的“任务”和“技能”。
回到“外化还是内生”，斑头雁给出的答案是：AI 员工就是内生的载体。Agent 平台底座提供自主学习、执行、迭代的能力，企业的管理者和工程师在监督中持续校准业务判断、执行流程和结果闭环，把碎片化的企业 know-how 一点点串成 AI 员工可调用的任务和技能。当 AI 员工能在这套机制下跑完一个完整的业务流闭环，AI 就不再是外挂的工具，而是真正长在企业身上的能力。
MuleRun 首席产品官付铖提供了另一个视角。MuleRun 是阿里云孵化的通用智能体业务，主打办公场景的 AI 自动化。其产品逻辑是：不要刻意设计 Agent，让 Agent 观察人怎么工作。把企业已有的工作流程、协作方式、决策过程完整地暴露给 AI，让它大量观看人是怎么做的，自己总结规律、形成专属的 Agent。
企业内部怎么划分客户、针对不同客户怎么处理，这些模型不知道，因为那是企业内部信息。但如果你让 AI 看到业务专家 A 和技术专家 B 讨论完一个 case 之后是怎么决策的，看了足够多次，它自然就能形成专门做客户分类的 Agent。这个过程里没有“设计”这一步。
两家企业还不约而同强调了一个衡量标准：看 AI 介入后，流程中还需要多少次人工审批。这个指标简洁但深刻：人工审批越少，意味着 AI 渗透越深，自动化程度越高，离内生越近。
所以，外化和内生最根本的区别，不仅是效率提升了多少百分点，而是看它对原有流程的改造程度，企业的运营方式可逆还是不可逆。
中国一汽把三万个业务单元转化为智能体的 Skill，银泰的边缘服务器在每个商场实时处理视频流来驱动经营决策，西门子 PLC 工程师已经习惯用自然语言让 Agent 生成代码，这些企业已经走的是一条不可逆的创新路。
Carr 二十年前的问题今天也可以做个翻新：AI matters，这已经没有争议。但对一个具体的企业来说，AI 在什么时候开始真的 matter？
答案是：AI 不是挂在系统外面的一个功能模块，它已经长进了组织的肌肉和骨骼里。
/END/
