改写企业AI热开场、冷结局：WPS Comate把AI种进业务流

证券配资服务平台

文 |段重染

在当下的科技圈，如果还在谈论大模型能写诗、能画图，那未免显得有些“过时”了。一个尴尬的事实正在浮出水面：很多企业买了AI，却根本用不起来——因为它们只是一堆会聊天的工具，而不是懂业务的员工。从今年4月份开始，不少企业员工已逐渐放弃使用通用的AI聊天工具，原因很简单——“找不到场景”。

这不是模型能力的问题。在算力趋同、模型同质化的今天，企业真正的护城河，在于谁能把沉睡在硬盘里的数据唤醒。而要理解为什么AI在企业里“看起来热闹、用起来鸡肋”，需要从经营管理、组织变革和战略选择三个维度来审视。

经营管理之困：买得起，用不起来

企业AI落地的第一重障碍，来自账本上算不清的糊涂账。

首先，FOMO(Fear of Missing Out，错失恐惧)驱动的采购行为制造了大量“僵尸AI项目”。很多企业的AI决策链条不是“发现需求→评估方案→验证ROI→采购部署”，而是“董事会说要有→IT部门买一套→开一场发布会→结束”。AI变成了一个昂贵的摆设，存在的唯一价值是让CEO在年度报告里写一句“我们已全面拥抱AI”。

更深层的问题在于隐性成本被系统性低估。买模型只是第一步——数据清洗、流程适配、员工培训、持续维护，这些投入往往是模型License费的数倍。而当这些隐性成本逐渐浮出水面时，企业已经投入了沉没成本，进退两难。

上一轮数据时代，企业建中台、搞BI，轰轰烈烈——但那只是处理了10%的结构化数据。90%的企业数据是非结构化的：文档、邮件、报告、代码。这些才是真正的知识金矿，但长期以来它们像垃圾一样散落在员工的电脑里，或者被锁在PDF和图片里。AI要真正为企业所用，首先要能“读懂”这些非结构化数据，而不是仅仅把它们当成文本框。这不是一个纯技术问题，而是一场数据治理的硬仗——而大多数企业还没准备好打这场仗。

组织变革之殇：从“数据孤岛”到“权力孤岛”

如果说经营管理的问题还只是算不清账，那组织变革的阻力就是“算得清账也不愿意改”。

“表哥表姐”——这个本土色彩浓厚的词，精准地描摹了一个在企业中存在了20年的现象：每天在各个系统间复制粘贴数据、做表格的员工。他们的存在本身，就是“数据孤岛”的活体证明——系统不通、口径不一、数据靠人工搬运。

但“数据孤岛”的背后，是更深层的“权力孤岛”。销售部不愿共享客户数据，因为这些数据就是谈判筹码；财务部不愿开放报表体系，因为信息不对称赋予了他们审批环节的解释权。AI要做的事情是打通数据、沉淀知识、透明化决策——它要拆的不是系统接口，而是既得利益的防线。这就是为什么很多AI项目在概念验证阶段一切顺利，一到“跨部门数据融合”就寸步难行：不是技术上过不去，而是有人不希望被透明化。

另一个隐蔽但致命的阻力来自“经验垄断”的瓦解。一个值得所有管理者警惕的事实是：很多企业的核心知识掌握在20%的专家脑子里，一旦人员流动，企业资产就流失了。AI的价值，就是要把这20%的隐性知识，转化为企业全员可用的显性资产。但对专家群体而言，这是一场“去魅”——他们的经验不再是独占的稀缺资源，而是可以被复制的公共资产。如果没有配套的制度安排——知识贡献的激励、专家角色的转型、新的价值衡量方式——这些核心人才就会成为AI落地最有力的隐形阻力。

元股证券:ygzq.hk

战略选择之惑：进退维谷的决策困境

当经营管理的账算不清、组织变革的阻力推不动时，至少方向还算明确。但更令人焦虑的是，很多企业在战略层面本身就陷入了迷茫。

第一个死结是“自建还是采购”。通用大模型买回来，发现不够懂业务——招投标的特殊规则不理解，行业合规的暗线不知道，企业内部约定俗成的术语搞不明白。但自训练模型，需要千万级的投入和一支市场极度稀缺的AI团队，技术栈还可能在一年后就被淘汰。对腰部企业来说，这是一个“投不起也等不起”的死循环。

第二个陷阱是“AI漂绿”制造的集体幻觉。越来越多的企业把AI采购当作PR行为——年报里要有“AI赋能”一章，品牌发布会要有AI元素，至于是否真的落地、产生了什么价值，不重要。这种“买给投资人看”的逻辑，正在制造一种危险的虚假共识：仿佛“AI落地很简单”。它让真正需要AI的企业产生了误判，低估了系统性改造的难度；也让已经投入AI的企业不敢承认困难——怕被贴上“转型失败”的标签。

第三个悖论是战略节奏：AI技术迭代极快，激进者可能成为“先烈”，保守者则可能沦为时代的“背景板”。更微妙的是，企业内部的数据质量、流程标准化程度、人员接受度，往往和技术成熟度不同步——技术已经跑到了前面，组织还没准备好开门。

这三层困境会彼此强化：算不清账→不敢下决心→变革推不动→数据不提升→战略更盲目→更算不清账。这是一个自我循环的死结。

破局：把AI从“聊天框”种进“业务流”

从行业观察的角度来看，企业AI的落地有着清晰的路径。首先，数据治理是前提——没有高质量的数据治理，AI就是“人工智障”，“收集-治理-知识库”的链路是企业AI落地的必经之路。其次，场景化是核心——只有深入业务流，AI才能产生真金白银的价值。最后，安全是底线——企业数据不出域，私有化部署与知识库的结合，是B端客户敢于使用AI的前提。

这些方向的正确性已经无需论证。真正的破局之道，是让AI从“聊天框”走进“业务流”。当一份合同上传，AI能集法务、财务、商务于一体，自动识别风险等级并生成带编号的审核报告——这不仅是解放法务，更是让审批流程有了明确的依据。当客户甩来300多条参数需求，AI能基于产品知识库自动判定“正偏离”或“负偏离”，标注风险，甚至结合竞争策略给出报价建议——这不仅是提效，更让决策有据可依。当跨国业务的财务报表需要多币种合并，AI自动完成换算并智能标注需要人工复核的“未知项”，将几小时的工作压缩到几分钟。

这些场景并非实验室里的demo。据悉，金山办公将于7月正式发布WPS365组织级AI产品Comate，上述能力将在其中被系统性整合——不是作为独立的功能模块，而是作为一个统一的知识与协作底座。