摘要: 随着生成式AI和智能体技术不断成熟,越来越多企业开始将AI引入研发、营销、经营分析、客户服务和内部管理等业务环节。但使用AI工具,并不意味着企业已经成为AI原生企业。
真正的变化在......
随着生成式AI和智能体技术不断成熟,越来越多企业开始将AI引入研发、营销、经营分析、客户服务和内部管理等业务环节。但使用AI工具,并不意味着企业已经成为AI原生企业。
真正的变化在于:企业是否开始围绕AI重新设计业务流程、组织分工和价值创造方式?AI能否从辅助员工完成单项任务,进一步成为企业日常运营体系的重要组成部分?
近期,IDC中国副总裁兼首席分析师武连峰与思迈特创始人、董事长吴华夫围绕「如何打造AI原生企业」展开深度对话。从业务价值、企业上下文,到智能体协作、组织调整与商业模式,双方探讨了企业从AI工具应用走向AI原生的关键路径。
作为一家从企业级智能分析起步、持续深耕BI领域15年的软件厂商,广州思迈特软件有限公司(SmartBI,以下简称思迈特)并非在AI时代才开始探索智能化。十五年来,思迈特在服务大型企业的过程中,持续沉淀指标体系、业务模型、数据管理、权限规则和行业经验。进入AI时代,这些积累有了新的使用方式和价值空间。思迈特以BI为根基、以AI为引擎,持续深化企业级BI+AI平台建设,并在此基础上构建可供AI调用的企业级可信数据平台,让企业沉淀的数据、指标、业务模型和知识能够被不同模型与智能体理解、调用,并用于分析与业务任务。
一、什么是AI原生企业?核心是重新设计业务如何完成
AI原生企业(AI-Native Enterprise),并不是简单地在现有业务流程中增加AI工具,而是将AI能力融入企业的组织运行、业务流程和价值创造体系,重新设计工作由谁完成、如何完成,以及如何衡量结果。
吴华夫认为,AI原生企业的建设需要围绕三个关键词展开:业务目标、组织和流程。
传统企业通过ERP、OA等系统记录业务,通过BI系统分析数据、辅助经营决策,再逐步引入AI助手,帮助员工完成分析、研发等具体工作。进一步迈向AI原生,则意味着智能体(AI Agent)开始承担明确的数字员工职责,与真实员工协同完成任务。
武连峰提出了一个值得企业思考的判断:如果拿掉AI,企业原有的运转方式还能否维持?这个问题能够帮助企业区分AI工具应用与AI原生转型。
吴华夫表示,如果AI只是帮助员工更快完成原有工作,企业的组织结构和业务流程并没有发生实质变化,那么仍然属于工具层面的效率提升。如果AI已经承担明确的工作职责,员工逐渐转向目标设定、关键判断与结果验收,业务流程也围绕人和智能体的协作重新设计,企业才真正开始向AI原生演进。
二、如何打造AI原生企业?五个关键建设方向
AI原生转型不是一次性技术部署,而是业务、数据、组织与管理方式的系统性调整。结合此次访谈,可以将企业建设AI原生能力归纳为五个关键方向。
1. 业务价值牵引:从可衡量的经营目标出发
企业首先需要明确AI要解决什么经营问题,而不是为了使用AI而寻找场景。研发效率提升、交付周期缩短、客户服务能力扩大、经营分析效率提高等,都可以成为具体的业务目标。
思迈特优先选择研发与交付作为自身AI化探索的重点方向。吴华夫介绍,思迈特自身研发效率已经实现翻倍、交付效率提升10倍。这也说明,企业应优先选择业务价值明确、效果能够衡量的场景开展AI建设。
2. 企业上下文筑基:让AI真正理解企业业务
企业上下文(Enterprise Context)是连接通用大模型与企业实际业务的重要基础。
通用大模型拥有广泛知识,却未必理解企业内部的指标定义、计算规则、业务流程和管理要求。
吴华夫特别提到,指标体系是知识密度很高的企业上下文。一项指标背后,包含业务定义、计算规则、分析维度和管理要求。
除结构化数据和指标外,企业的业务对象、术语、规则、流程,以及制度、合同、会议纪要、历史报告和员工经验等非结构化知识,也都是企业上下文的重要组成部分。
因此,企业需要逐步建立统一的指标体系、业务模型、规则和知识体系,让AI能够获取准确的信息,并在一致的业务语境下开展分析和任务处理。
3. 重塑人机分工:让智能体承担明确的工作任务
AI原生企业不是简单地让员工使用AI,而是重新划分人与智能体的工作职责。
标准化、重复性较高的信息处理和分析任务,可以交由智能体承担;涉及复杂判断、风险承担和业务决策的工作,则需要保留人的参与。
例如,在付款审批场景中,智能体可以结合合同条款、审批规则和历史流程信息,整理材料、识别风险点并提出建议,管理者负责判断风险是否可以接受,并承担最终审批责任。
4. 可信治理贯穿:让AI结果可追溯、可验证
企业级AI应用不仅要关注回答速度,还必须关注数据准确性、业务规则一致性和结果可靠性。
明确指标口径、统一业务规则、设置数据权限、建立结果校验机制,并对复杂任务进行阶段性检查,都是保障智能体可靠运行的重要措施。
同时,企业还需要明确数据与知识的来源、责任人、有效时间和使用权限,区分已经确认的业务事实与AI生成的内容。AI可以在既定规则和权限范围内分析、执行和提供建议,但不能替企业定义业务规则,也不能替管理者承担经营决策责任。
5. 小步闭环落地:通过持续迭代扩大应用范围
企业不必一开始就追求全面AI化。更可行的方式是选择一个业务价值明确、数据基础相对成熟的场景,先完成任务闭环,再将有效经验复制到更多业务环节。
从单一任务到完整流程,从局部应用到跨部门协作,逐步积累企业的AI应用能力。
正如武连峰在访谈中总结的:想得要大,起步要小,迭代要快。
三、为什么企业上下文是AI原生建设的重要基础?
在AI原生企业建设过程中,企业上下文是一个关键问题。
大模型能够理解通用语言和知识,但企业真正的经营活动往往依赖大量内部数据、指标口径、业务规则和历史经验。
如果不同部门对同一指标采用不同定义,或者业务规则分散在不同系统和文档中,智能体即使具备较强的推理能力,也可能因为缺少准确的业务背景而产生偏差。如果各部门分别建设智能体和知识库,还可能形成新的AI孤岛,出现指标口径不一致、知识重复冲突、数据与权限难以协同等问题。
因此,企业需要的不只是增加更多AI应用,而是建立统一的业务基础。正如企业AI建设中一个重要原则:能力可以放开,底座需要收敛。 上层模型、入口和智能体可以保持开放,底层的数据、指标、业务规则、知识来源与权限则需要统一治理。
这也是企业级BI在AI时代仍然具有重要价值的原因。
企业级BI长期承担数据接入、数据治理、业务建模、指标管理、权限控制和经营分析等工作。这些能力不仅服务于传统报表和数据分析,也沉淀了企业理解业务、管理数据和支持经营决策的基础能力,是AI理解企业经营活动的重要基础。
具体而言:
●统一指标体系: 明确指标定义、计算口径和业务维度,减少不同部门的数据理解偏差。
●业务模型: 建立数据与实际业务对象之间的联系,让AI理解数据背后的业务含义。
●数据治理与权限管理: 明确数据使用范围和访问规则,保障企业数据安全。
●业务知识沉淀: 整理历史分析经验、业务规则和管理要求,为智能体提供完整的业务背景。
因此,企业从BI走向AI,并不是简单增加一层AI应用,也不是推倒原有的BI体系重新建设,而是让已有的数据、指标、模型和业务知识进一步服务于智能体,激活存量BI资产的价值。
BI提供可信的数据、指标和业务模型基础,AI让这些基础能够被更灵活地调用、组合并用于任务执行。两者不是简单叠加,而是让企业原有的数据资产进入新的使用方式。
四、思迈特BI+AI实践:从可信数据到智能体应用
作为深耕企业级BI与数据分析领域15年的软件厂商,思迈特始终围绕企业数据价值释放开展技术与产品建设。
随着AI技术发展,思迈特将原有企业级BI能力与AI技术相结合,以BI为根基,负责沉淀和治理企业可信数据与业务认知,以AI为引擎,让这些能力能够被不同模型和智能体调用。打造企业级BI+AI平台,探索从数据分析走向智能体应用的实践路径。
2026年5月,思迈特发布白泽V5,采用统一指标模型与多智能体平台协同的架构,围绕企业数据分析和业务应用,提供AI问数、归因分析、洞察和报告生成等能力,并通过工程化约束、校验与安全机制支撑企业级应用。
这一产品方向的核心,不只是让用户通过自然语言查询数据,更是让AI能够基于企业统一的指标和业务模型开展分析,进一步理解业务问题、组织分析过程并生成业务所需的结果,让原有企业数据与业务知识能够更好地服务于智能体应用。
在客户实践中,思迈特也持续探索BI与AI的融合应用。
合肥晶合集成电路股份有限公司:
项目整合百余个数据源,将数据查询耗时从30分钟缩短至3分钟,业务自助分析率提升至70%。通过数据治理、企业AI平台与智能BI能力的结合,推动数据分析向更广泛的业务场景延伸。
邮储银行福建省分行:
在覆盖多个业务条线的自助分析能力基础上,进一步推进智能问数和自动报告生成,让数据分析能力逐步延伸到更多业务环节。
这些实践说明,企业推进AI建设并不意味着推翻原有的数据分析体系。相反,已有的BI平台、指标体系和数据资产,可以成为智能体理解企业业务、开展分析任务的重要基础。
从品牌战略方向看,思迈特的角色正在从面向人的数据分析应用,延伸到为人和智能体提供可信数据与业务认知基础。思迈特不需要与通用大模型争夺模型能力或所有AI入口,更重要的是将企业数据、指标、业务规则和知识治理好,通过开放的方式供客户选择的模型与智能体调用。
吴华夫表示,思迈特未来将继续围绕企业级BI能力,向企业上下文、智能体协作和业务场景应用延伸,探索帮助企业推进AI原生建设的路径。
五、企业管理者如何推动AI原生转型?
AI原生建设不仅是技术部门的工作,更需要企业管理层、信息科技部门和业务部门共同参与。
CEO:明确战略方向,推动业务价值验证。
企业负责人需要明确AI转型的业务目标,选择具有代表性的业务场景,推动跨部门资源协同,并通过可衡量的经营成果验证转型价值。
CIO:夯实技术与数据基础,连接企业现有系统。
信息科技负责人需要理解AI技术的成熟度,将AI能力与企业现有系统、数据资产、指标体系、知识体系及权限机制结合起来,为智能体应用提供可靠的技术基础。
业务负责人:重新设计工作流程,建立人机协作机制。
业务负责人需要参与目标设定、业务规则梳理和结果验收,明确哪些任务可以交给智能体,哪些判断需要由人完成,并在实际使用中持续反馈和优化。
三个角色共同参与,才能让AI从局部工具应用逐步进入企业的日常经营与组织运行。
结语:AI原生不是增加AI工具,而是重构企业工作方式
AI原生企业的建设,最终不是模型能力的简单叠加,而是企业围绕业务价值,对数据基础、组织分工、工作流程和管理方式进行持续重构。
对于企业而言,真正需要思考的不是已经部署了多少AI应用,而是能否找到一项具有明确价值的业务任务,让人与智能体共同完成,并通过经营结果验证成效。
对于思迈特而言,十五年的企业级BI与数据管理与分析积累,并不是在AI时代重新开始,而是让过去沉淀的指标体系、业务模型、数据治理能力和行业知识获得新的价值空间。从过去服务人的数据分析与经营决策,到进一步为人和智能体提供可信数据与业务认知基础,思迈特正在延续原有积累,拓展企业级BI+AI的能力边界。
从可信数据到企业上下文,从智能分析到人机协作,企业走向AI原生需要技术能力、业务实践与组织变革共同推进。
AI原生不是企业增加了多少AI工具,而是AI开始成为企业完成工作、创造价值的一种新方式。
