大模型与智能体快速发展，C 端 AI 产品迭代迅猛，但企业 AI 落地普遍遇阻，存在场景难选定、应用浮于表面、全员推广困难三大痛点。

本次邀请的专家分享了多家企业落地实战案例，围绕 " 快、深、广 " 落地方法论，以能否办成一件事作为智能体项目成败标准，分阶段拆解落地实操路径，为企业智能化转型提供落地参考。

分享嘉宾：蓝凌智能副总裁 &AI 业务负责人，杨泽

内容已做精简，如需获取专家完整版课件和视频，请扫码领取。

01 

企业 AI 落地三大现实卡点

当前 AI 技术，尤其是大模型领域发展迅速。今年以来，从 DeepSeek Moment 到 OpenClaw，再到近期各类智能体产品涌现，C 端应用日新月异。但与此同时，AI 在企业内部的落地仍存在差距。即便智能体或大模型能力再强，目前很多企业里，仍有不少员工用 " 豆包 " 等工具撰写文档，这可以说是组织落地 AI 最突出的问题之一。

AI 作为组织能力的放大器，当企业希望用好它时，常遇到几个难题：

第一，场景过多。企业内适合 AI 的场景很多，该从哪些入手才能更快获得业务回报？只有看到成效，企业才愿持续投入。

第二，容易流于表面。很多企业落地 AI 时停留在聊天层面，私有化部署一个模型让员工提问。这未能真正融入企业知识、流程及制度，仍浮在业务表层。

第三，组织内部推广难。很多企业在全员推广时遇到阻力。要打造 AI 原生型组织，需要每个人解决问题时都能自发想到用 AI。如何实现全企业有效推广，是一大挑战。

在蓝凌众多智能体项目中，如何判断项目成功？关键看智能体能否把一件事完整、闭环地做成。

完成这件事需要能理解任务意图；能调用企业知识、数据、制度等资产；更要能在合规前提下操作系统，考虑权限管控、可审计性等条件。

02 

快 - 深 - 广，企业智能体落地三步走

那么，企业内部究竟该如何落地智能体？即便面临诸多挑战，我们在近两年服务超过 200 家客户转型的过程中，总结出一套方法，归纳为 " 快、深、广 " 三步。

首先是 " 快 "。当下许多企业存在 AI 焦虑，管理层要求快速推进，信息化负责人需要交出阶段性成果。

我们建议从能快速见效的场景入手，特别是那些融入原有办公体系的高频场景，让员工迅速感知 AI 带来的变化，感受办公氛围向 AI 迈进，其核心是快速见效，建立感知。

" 快 " 之后常遇一些新挑战，比如 AI 辅助起草公文节省了时间，但如何证明其实际价值？

这时需进入 " 深 " 阶段。推动 AI 融入关键岗位与核心业务流程，真正提升核心作业效率。此阶段，AI 带来的 ROI 可被量化计算。

然后是 " 广 "。前期 AI 变革可能只涉及部分岗位或流程，其目标是让全员具备 AI 意识，能主动用 AI 工具思考工作，推动自身业务 AI 化。这一阶段需平台支撑、机制设计，配合运营活动、创新大赛等方式持续推广。

今天将围绕 " 快、深、广 "，结合服务案例，为大家分享一些可借鉴的经验。

2.1  高频场景快速落地，快速验证价值

首先说 " 快 "。当老板或政策要求推进 AI 时，如何最快建立全员信心和基础？

例如西南一家央企数科公司，服务 9 家一级国企，他们需在办公场景快速引入 AI。我们提供的是公文智能处理方案，原本半天写一篇公文，现在每天半小时就能完成领导交办任务，且内容合规。内容生成央国企 " 快 " 的典型价值点。

第二种 " 快 " 是为流程赋能。华南一家大型手机厂商正拓展海外市场，与蓝凌的合作聚焦在流程引擎上，在流程规范清晰后，他们希望通过 AI 进一步提效。

我们在流程引擎中融入多项 AI 能力。

例如流程发起环节，现在说一句话或描述意图就能自动发起流程，无需在几百个表单中寻找具体流程，这极大提升了效率。

在订单处理上，原本收到海外订单需人工解析、录入，现在拍照上传附件，系统就能智能抽取信息、自动填单并发起流程，流程处理效率已完全不同。

审批环节也发生很大变化。他们曾有一条新品发布流程需 15 个节点，但由于产品非重点，很多人不看附件就直接通过，这是权责要求，但无人真正审核。

现在基于 AI 改造，流程节点精简为两个：AI 审核和人工终审。AI 基于企业制度和历史交易数据预判，再由人工终审，误判率降低，审批速度加快。这是快速见效的第二种方式。

第三种 " 快 " 是嵌入业务系统。合同、档案、HR 等系统都可嵌入多种 AI 智能体。

例如国内头部鞋服集团，在海外收购了多个品牌，为进行跨品牌和穿透式管理，他们首先从合同系统切入。近期不少地方国资也发文要求穿透式管理，合同管理成为共性需求。

现在的合同系统已经不同，通过在合同起草、法务审核、履约监控、对手方资信评估等环节都融入 AI 能力，为企业穿透式管理提供了更智能的落地路径。

第四种 " 快 " 是围绕知识，即智能问答。

2024 年，蓝凌服务北京一家大型交通建设集团，他们最初私有化部署模型，认为通过微调喂入企业知识，模型就能答好，但尝试后发现知识存在过期问题，于是他们意识到需建立统一知识中台。

该集团全球约 15 万员工，其中工程人员约 10 万，他们常年在海外，施工规范等虽然明确，但工地未必清晰张贴，以往要获取这些知识，需沟通或发邮件回国问。

现在，我们构建了完整的工程私有化知识库，将施工规范、图纸等分库分类存储，配套开发问答助手，使用效果很好。要做好问答，需在意图解构、知识分类、解析切片上下功夫。

现在企业要做问答系统，我们能比较自信地承诺一定准确率，而且问答也是快速见效的场景，也是建议企业优先去落地的场景之一。

不过，这些碎片化场景可以通过个人超级助理统一收口，随着智能体技术框架演进，这已成为可能方向，我们已全面升级个人超级助理。

在更先进框架出现前，我们曾尝试统一入口调度智能体，但效果有限。如今，所有碎片化场景都可在同一门户搜索框唤起，过去用户需到不同界面找 AI 按钮，现在只需从一个入口说出需求，助理就能分解任务、调度多个智能体并行推进，给出整合答复。

现在实现形式又有新变化，支撑这些变化的是我们已构建的大量智能体，以及可便捷创建的技能。

通过统一入口，查待办、处理流程都很便捷，我们基于企业知识、制度、经营数据开发各种技能，供个人超级助理调用。

因此员工用 AI 有两种方式，一是在统一框表达意图，助理大概率能解决问题。二是许多场景意图不明确，仍需回原业务系统操作，如法务在合同界面审核。

所以，超级助理与原系统 AI 化改造两者不可或缺，应同步推进。那么，如何将老系统改造得更 AI 化？

我们提供技能工厂来支持，要让老系统接入 AI 能力，可通过代码开发或智能体编排等方式，我们提供了更快捷的技能工厂。

我们通过三个 AI 代理推进。AI 需求分析师，负责厘清并规范化想在超级助理界面唤起的需求；AI 代码工程师，负责编写整个技能；AI 测试工程师，将技能部署到指定环境，严格测试确保可用。

我们以 AI Coding 为核心逻辑，加速企业老旧系统改造，使它们在 AI 时代能被便捷唤起、更智能。

2.2  锚定核心业务流程，量化落地ROI

基于上述企业内部落地 AI 能较快见效的场景，主要是提升个人办公体验和领导效率，但如何让企业整体业务流程更顺畅？或者向领导汇报 ROI 时，说清回报具体来自哪里？如何让 AI 解决更复杂的业务问题？我们认为应从业务角度出发，沿业务流程向前延伸。

还是前面提到的那家国内领先的鞋服品牌，在推进 AI 变革时已完成合同系统等改造，这对法务帮助很大，但似乎与整个企业 ROI 关联不够直接。

当时他们关心如何在企业内部通过 AI 创造更大 ROI 价值？我们了解对方企业最重要的业务是开店，因为企业要想业绩好、收入增长，就要在全球开更多店。所以只要开店顺畅、标准就可以实现营收增长，而且他们不缺流量，品牌也有知名度，所以核心就是开店。

于是我们聚焦开店场景，深入他们原本的流程是什么？有没有 AI 优化空间？拆解后发现非常复杂，原本开店，先在渠道管理系统申报计划，填 20 个字段，经 10 个审批节点。审批通过后，到第二个界面填新店申报，又是 20 个字段，几十个审批节点。接着还要到主数据管理系统维护店铺信息。

仅开店前三步，就跨越两个系统，涉及大量审批节点，这正是企业流程断点所在。这类流程断点在 AI 时代其实很容易解决。

蓝凌首先将这些断点全部串联起来。例如在开店申请阶段，我们让申请人在一开始就填写更全面信息，后续由 AI 辅助流转。

在整个业务串联中，我们主要运用流程引擎打通全流程，再通过低代码和 AI 技术连接所有业务断点。

这样串联的完整业务链带来两方面价值，对办事人员，他能清晰掌握整体进展。原本要追踪谁批了、谁没批，现在看到的是整个开店流程进行到哪步，哪些事项需他处理。无需干预的部分已由 AI 处理判断。

对领导也更便捷。原本只能问下属开店进度，现在透明界面能直接看到每家店卡在哪个环节。因此，要让 AI 在企业内创造更大价值，建议沿业务流程深度优化。

另一个案例是华南一家高端家具制造厂，主营床垫。作为制造业，其核心流程是采购，只要采购流程规范化、成本控制好，企业利润就能最大化。

他们内部采购流程原来也不简单，在 SAP 系统发起采购申请，到 OA 系统发起采购询价单，再进 SRM 系统进行供应商询价。仅前三步就跨越三个系统、三个流程，需多人审批。

我们同样用一个完整业务流将采购从申请到供应商开票确认全部串联。

流程起点，操作人员尽可能填写业务链所有字段，很多通过 AI 自动填写，然后在业务流转环节增加 AI 预审，判断环节能否推进，其余通过推送提醒责任人处理。

整个采购链路因此更透明、连通性更高，供应链效率整体提升 30%，通过这样实践，管理层能更清晰看到 AI 带来的端到端价值。

当然，沿流程深化的场景不一定都这么大，有时可小到平时未注意的细微环节。比如另一家制造企业从员工入职这一很小的点切入。

新员工头一两天常是走流程而非工作，而很多企业入职流程并不高效，尤其制造业存在潮汐用工，常需快速引进一批人完成任务。

入职涉及很多系统，发 offer、入职通知、人脸录入、签合同、选工位、领物料等都走不同流程。过去入职含多个审批流，员工需跑不同窗口，极其繁琐，所以业务流也影响员工体验。

面对这种情况，我们首先将不同系统的审批流串联，整合成完整入职业务流，再通过技能工厂将其技能化，接入超级助理。

现在入职体验完全不同，例如新员工扫描入职信二维码唤起超级助理，完成人脸识别后，系统颁发临时门禁权限。签约合同时，虽然背后是合同系统，但员工无需直接访问，所有签约、审核操作都可在个人超级助理界面完成。

包括选工位、领物料等，现在所有待办事项可串联，在统一界面办结，员工无需操心背后流程，所有环节由智能体推进。

HR 视角也变清晰，原本要反复问员工物料领了吗，现在通过入职全流程视图，可清楚掌握每位新人进度。

所以，我们所说的在企业内部做深，是建议沿着流程进行深化。

为什么是流程？因为流程是企业的骨架，一个企业究竟是如何经营的，绝大部分是沿着业务流展开的。

因此，从业务流的视角切入去做 AI 赋能，最容易让企业、让管理层看到相应的价值。

2.3  全组织普惠 AI，构建长效智能机制

那么 " 深 " 之后如何实现 " 广 "？怎样让 AI 覆盖全企业并激发员工创新？

现在看华南一家全球大型纸制品包装印刷工厂案例。这家制造企业比较传统，有一些信息化基础，比如 ERP，但 AI 时代想全面转型，该怎么做？

我们协助转型时从多个层面分析。首先看市场，他处于印刷行业，客户以海外欧美出版社为主，印刷品质很高，书籍封面、包装精美，纸张手感好。

后来因电子书的普及，全球纸质书销量见顶，他们开始拓展新赛道如儿童读物。这意味着印刷工艺需调整，儿童读物可能有声、有凹凸设计，产线需更柔性。但他们也意识到这赛道有瓶颈，毕竟还是书，电子产品越来越多，增长空间有限，仍在谋求转型。

再看竞争对手，同样做印刷，但印的东西不同，比如裕同科技，主要印制手机包装盒。坦白说，手机销量带来的包装盒印刷量远大于书籍，所以裕同科技规模也确实更大。

因此，蓝凌当时给这家企业的建议是，除了继续经营欧美业务，转型是必然的。无论是向有声书、智能印刷品转型，还是拓展中小企业印刷业务，核心都是拓宽印刷品类。厂房机器不变，但不能只印欧美书籍封面了，需承接更多元产品，比如中小企业礼品印刷。

这点他非常认同，但推进这种转型，意味着制造业流水线生产模式将面临整个链条变化。

需求确认环节会先变，原本一年只需承接大批量订单，一张出版社订单可连续生产两个月。所以一次需求确认、产品设计花两周，材料采购两周，制版打样两周，完全可以，因为工厂长期生产这类书籍。但现在要服务更多企业，尤其中小企业，每个岗位、每项工作都必须更柔性、更高效。

例如，销售经理原本只需对接 5 个欧美出版社客户，就能轻松完成业绩。但现在除了这 5 个大客户，还需服务 2000 个中小企业客户，工作模式将巨变，这需要许多智能体辅助。

研发设计师也一样，原本拿到一张图纸，花两周做好相关设计就行。现在面对可能同时涌来的 2000 张订单，如何更快完成产品设计？我们沿着这个思路，从企业核心竞争力出发，分析进行 AI 变革时哪些是关键流程和岗位，以及明确其中涉及哪些具体 AI 场景。

在前面，我们已经明确了企业最关心的 AI 变革方向，找到了关键业务流程以及核心部门和岗位。接下来，会深入企业内部进行调研，设计相应的智能体，并将这些智能体最终整合到他们可以便捷调用的平台中。

我们通过三场会议完成整套梳理，这是非常标准的一个制造业，从最初商机获取开始分析，商机从哪来？客户可能通过邮件、WhatsApp 等联系，那这些商机如何自动采集、归类？基于商机，又如何依据企业 BOM 报价？报价后如何进入设计？再到如何安排生产？这一系列链路构成核心业务流程，还包括中后台流程，我们为这些环节都设计相应智能体辅助。

这些智能体都能对应到最终业务成效，有些为扩大营收，有些为缩短交付周期，有些为降低设备停机时间，我们通过这种方式实现对企业转型所需智能体的全面覆盖。当然，这些智能体并非纸上谈兵，我们会分优先级，之后实际协助逐一落地。

例如在缩短设备停机时间方面，我们首先开发了设备故障诊断助手。

他们过去机器出问题，比如报错 001，只能请老师傅来查。现在，任何报错信息采集后推送到员工手机，推送的不是 001 报错，而是基于企业所有维修图纸解析后的指导，"001 报错需打开某部位，取出卡纸，合上即可继续使用 "，无需老师傅到场。这大大缩短诊断维修时间，提升效率。当然，这还只是小应用。

另一个很有意义的智能体是风险审核助手。

由于他们服务较多国外企业，对风险把控很严。企业原有风险审核员，过去因订单数量少、单笔量大，工作量压力不大，审核员拿到记录客户、需求、要求的作业单，需评估是否存在风险，比如材料是否符合 ESG 规范、原材料是否涉某国进口限制、是否要避免使用客户不喜欢的红色等。

针对作业单，原本由审核员人工判断，借助规则库辅助，发现风险后需撰写风险报告，报告会随订单贯穿生产流程，提醒各环节注意，比如提醒采购避开 A 材料、必须采购 B 材料，并安排任务。

这些工作原本完全依赖人工经验和企业知识，但现在订单量变大，小订单增多，生产更柔性，审核员人数不可能大幅增加，所以他们的做法是引入智能体。

现在，我们的智能体已能很好协助他们进行风险识别、报告生成和任务安排。

当面对企业要进行全面 AI 变革时，我们首先会分析，企业最关注的 AI 增值方向是什么？通常不外乎增收、提效或创新。

其次建议选 1-2 个核心方向展开，更聚焦、效果更好，确定方向后，该领域必须有支撑目标的关键部门、岗位或业务流程。

接着解析其中压力最大痛点。就像印刷厂，风险审核环节在订单激增后，单靠人工无法处理，导致订单积压、生产延缓，针对这种压力点，我们为其设计一系列智能体。

智能体完成后，可通过两种方式交付，要么集成到工作空间集中调用，要么通过个人超级助理关联，让员工成为 AI 时代超级个体。这样，企业增收、提效或创新的目标更易实现。

03 

企业 AI 落地五大避坑准则

我个人认为，企业级智能体项目落地，关键要从业务价值出发，善用企业流程与知识，并建立友好运营机制，从而将 AI 做深、做广。包括快速起步，沿流程深化场景以凸显 ROI，再广泛寻找内部可被 AI 改造的场景。

不要只关注基座模型，不同场景适合不同模型，不必笃定只用一个。

也不要只做问答，同时知识治理极为重要，不能忽视。正如制造业全面变革场景，即便是机台维修助手，原维修手册也很复杂，有时需做深度知识治理，让知识被 AI 更好理解和运用。

更不要追求大而全，要小步快跑，按 " 快、深、广 " 节奏推进，让管理层看到投资有意义、有价值，从而持续投入。

最后，不要只满足做几个场景，而要建立体系化运营方法，让企业内每个人提升 AI 意识，能运用工具解决自己岗位上更多问题。

以上就是本次分享的内容，如需获取完整课件和视频回放，请扫码领取。

⩓

长按二维码，领取完整版视频实录和课件

现任蓝凌智能副总裁、AI 业务负责人，深圳市商业联合会副会长；美国哥伦比亚大学数据分析专业，拥有近 10 年 IT 软件、SaaS 管理和经营经验，负责蓝凌智能 AI 业务整体规划、产品推广及服务落地。

注：点击左下角" 阅读原文 "，领取专家完整版视频和课件。