©️深响原创 ·  作者｜吕玥

AI 火热，"All in AI" 也成了不少 CEO 的口头禅。但现实却要冷峻得多，很多企业发现真正让 AI 在组织里跑起来，远比想象中困难。

最直接的问题是 " 燃料 " 没准备好——企业核心资料和数据散落在各个系统中，甚至还有大量关键经验沉淀在老员工脑子里。

与此同时，组织内部还存在不小的摩擦力。有些企业是各自为战——员工各自使用熟悉的 AI 工具，虽然点状提效，却无法形成组织合力；还有些企业则是自上而下强推 AI，结果增加了工作量和流程复杂性，员工叫苦不迭。

另一个更普遍的问题在于管理者的期待过于激进。不少企业一开始就希望 AI 能够直接 " 降本增效 "、替代人工，但现实是大量非标准化问题依然需要人类判断，最终又重新回到人工处理，反而增加了成本。

麦肯锡数据显示，88% 的企业已经在至少一个职能中常态化使用 AI，但多数仍停留在探索或试点阶段，仅有约三分之一企业计划推进规模化落地。

为什么 AI 如此难以融入企业核心业务流？

在昨日举办的人工智能 + 生态大会（AIEC 2026）上，浪潮信息董事长彭震给出了一个形象的判断：" 在绿皮火车上改造不出高铁。"

在他看来，企业需要的不是 "+AI"，而是 "AI+"。前者只是把 AI 当作外挂工具，在现有流程上打补丁；而后者则是从底层重构业务流程、组织形态和管理体系，让 AI 成为核心生产要素。

变革远比装几个软件要复杂得多，这是一场触及组织灵魂的 "AI 原生进化 "。

浪潮信息董事长彭震

跳出工具思维，

用 AI 重塑创新力

当企业决定拥抱 AI，管理者最自然的反应往往会是：能省多少钱？能提多少效？

这个出发点没有错，但如果止步于此，就容易陷入 " 工具思维陷阱 "。

比如员工使用不同 AI 工具，看似节省了时间，但很多时间又被消耗在协调、审批、返工和反复修改中。效率提升未必真实发生，反而增加了 " 调教 AI" 的隐性成本。

换个角度想，当所有企业都在使用 AI 提效时，竞争格局其实并没有发生根本变化。就像电影院里所有观众同时站起来，却没有获得更好的观影体验。

而且对于企业而言，降本增效始终只是手段，可持续增长才是目标。如果把 AI 的价值锚定在 " 省钱 " 上，就容易陷入局部优化，而忽略了更重要的创新能力建设。

AI 真正的价值，不是做 " 成本的加减法 "，而是做 " 能力的乘法 "。前者把 AI 当作压缩成本的工具，后者则是用先进技术重塑企业的生产力和创新力。

彭震用四个相互关联的维度，描绘了 AI 如何重塑企业的创新能力：

首先是创新速度。传统研发以年为单位，一款新产品从概念到上市动辄三到五年。而在 AI 辅助下，海量数据处理和高速仿真将这一周期压缩到数天甚至数周。这不是快一点，而是快了一个数量级。

速度的突破带来了成本的解放。过去，创新依赖大规模物理实验，每一次试错都是真金白银。而 AI 将创新过程转向数字仿真和计算验证，极大降低了试错成本。

当时间和成本不再成为主要约束，创新空间也被进一步打开。"AI 有深度又有宽度，可以涵盖从市场调研到架构设计到底层代码的全流程，这是任何单个人类专家都无法企及的知识广度。" 正如彭震所说，人类只能在少数几种候选方案中评估择优，但 AI 能从数百万种可能性中进行探索和优化。

最终创新质量发生了根本性变革。决策模式从依赖定性判断，升级为基于海量数据的精准推演。创新的成功率和可靠性不再是碰运气，而是可计算、可复现的结果。

速度、成本、空间、质量——这四个维度层层递进，共同指向一个结论：AI 不是在优化旧路径，而是在开辟新赛道。

从认知到落地，

关键在「组织」进化

当然创新从来不是某个员工的个人行为，而是组织能力的产物。现实中真正让企业感到 " 痛 " 的，是组织如何与 AI 共处的问题。

对于影响 AI 进入核心业务流的因素，彭震的判断很明确——企业 AI 转型的最大阻力并非技术，而是人。

技术可以买，算力可以堆，模型可以调，但围绕 " 人 " 构建起来的组织体系，很难被快速改变。现行企业的考核、审批、权限体系，无一不是围绕 " 人 " 的特性设计；但 Agent 的协作方式、产出节奏、犯错模式与人截然不同。如果继续用管理人的方式管理 Agent，用人的流程匹配 Agent，摩擦几乎不可避免。

Gartner 预测，到 2027 年，40% 的企业 Agent 项目会因为治理失败被取消。而目前真实案例已不少见：有企业引入 Agent 处理客服工单，Agent 几秒钟即可完成初步处理，但后续审批流程仍然按照人工模式设计，结果工单在审批环节停留两天。还有企业多个项目组各自部署 Agent，由于缺乏统一权限体系，一个 Agent 调用数据时触发另一个系统的安全警报，导致任务中断。

问题并不在 Agent 能力，而在组织没有准备好。

对此，彭震提出了 "Humagent"（Human+Agent，人 +智能体）的概念——未来企业将不再是 " 人的组织 "，而是 " 人 + 数字员工 " 的混合体。企业要将 Agent 视为数字员工，像管理人类员工一样为其建立身份、岗位、权限和绩效体系，让人类员工和数字员工在同一套组织框架中协同工作。

"把 Agent 视作数字员工，也许他会犯错误，但我们要通过组织管理来管理这种不确定性。组织管理的核心目标，就是要最大化发挥 AI 的先进生产力在企业中的智力贡献。"

在彭震看来，一个成熟的 Humagent 组织，需要同步完成四方面建设：

一是解决 Agent 的身份与管理问题。

浪潮信息推出的元脑 Agent 管理平台，能够为 Agent 定义岗位、角色与权限同时面向任务统一调度分配，避免资源冲突和任务死锁。而且平台还将采纳率、幻觉率、自动化率等指标量化考核，客观评估 Agent 产出；动态管理权限与执行过程，确保每一步可控、可追溯。整体来看，这让 Agent 在企业里有身份、有规矩、有考核、有边界。

二是让 Agent" 干得顺 "，需要流程再造。

AI 原生组织并不是简单把 AI 嵌入旧流程，而是重新设计流程中的人机分工。创造性工作、战略判断和关键决策仍由人负责，高频重复执行、信息处理和任务流转则更多交给 Agent 完成。

浪潮信息自身实践也验证了这一点：其 ClawManager 产品开发中，人与 Coding Agent 协同，原本耗时多天的研发工作仅用 7 天完成，代码产出量 20 万行，整体效率提升 170 倍。

三是让 " 人机配合得好 "，核心在评价体系更新。

浪潮信息将 AI 能力分级认证与绩效挂钩，每个部门、每个分组都设统一的 AI KPI，每个季度统计考核。当员工的 AI 协作能力可以被量化评估，人机配合就有了持续优化的动力。

四是让 " 底座撑得住 "，也就是做好数据治理。

没有高质量、可理解、安全可控的数据底座，Agent 再聪明也干不好活。而浪潮信息开发元脑 AI 原生数据安全管理分层架构，让治理对象从结构化数据扩展至全模态覆盖，治理机制从静态规则转变为动态语境授权与语义理解，治理颗粒度从碎片化升级为全域多源融合。

制度、流程、评价、数据——四根柱子撑起了 Humagent 组织的骨架。骨架之下，还需要一套强劲的 " 供能系统 "。

AI 原生企业，

需要一套新基础设施

组织革新后，当越来越多 Agent 能够进入企业核心业务流程，新的问题也随之出现：AI 能力如何被持续供给和管理？

企业同时管理数十个、数百个甚至上千个 Agent 时，Token 消耗量会指数级上升。但 GPU 产能是线性的，这意味着 Token 供需错配难以避免。规模化使用 AI 就变成了一个资源管理问题。

此时企业通用的 " 购买 AI 能力 " 模式就开始暴露出了局限性。

成本压力最为直观——业务扩大后，公有云 Token 调用费用会持续攀升。其次是数据安全的要求：企业核心数据、商业机密全部依托第三方平台，合规风险不容忽视，特别是金融、制造、能源等行业对数据本地化更是硬性要求。

更深层的问题还在于主动权：由于不存在能适配所有场景的 " 通用万能模型 "，企业未来往往需要同时调用不同模型处理不同任务，这意味着不能将核心能力完全绑定在单一模型或单一供应商上，而需要构建开放、多元、多模的技术体系。

而这正是企业自建 "Token 工厂 " 的意义所在。

在彭震看来，未来企业会逐步分化，轻资产、数据体量小、对 AI 依赖较低的企业仍适合采购第三方服务。但重数据资产、对 AI 依赖程度高、或规模较大的企业，则会逐渐从采购 Token 转向生产 Token。" 这和云计算的发展路径高度相似——早期大家都用公有云，随着业务深耕，头部企业纷纷自建数据中心、自研底层技术。AI 行业正在复刻这一趋势。"

Token 工厂并不是一个单纯的技术概念，而是一套围绕智能能力生产、调度和运营构建的新型基础设施。这也是浪潮信息持续投入的方向。

从硬件层面看，浪潮信息的 AI 服务器、整机柜服务器、全系液冷方案、分布式存储、AI 网络交换机等，共同构成了 Token 工厂的底层算力底座。而软件层面，AIStation、Inmanager 等承担了资源调度、异构算力管理和运维管理能力。此外，浪潮信息通过元脑生态连接了多家模型、算法和应用伙伴，为企业构建多元多模的智能能力体系，这也避免了单一技术锁定。

彭震的态度也很明确——浪潮信息的角色不只是 " 卖设备 "。" 我们希望大家把我们当成一个同行者，在 AI 转型这件事上分享经验和思考。虽然我们不是专业咨询公司，但我们自己踩过坑、做过重构，愿意和大家一起走。"

回到开头的那个问题：为什么 AI 难以融入企业核心业务流？用彭震的话来说答案是 " 我们一直在用旧地图寻找新大陆 "。

每一次技术革命到来时，人们最先关注的往往都是工具本身。但真正拉开企业差距的，从来不是谁更早拿到工具，而是适应新技术的速度。AI 也是如此。

AI 原生不是部署几个模型、上线几个 Agent，更不是一次简单的效率优化。它意味着企业需要重新理解创新、设计组织、建设基础设施。这是一场需要系统性重构的马拉松。对于企业而言真正关键的是先起跑，而后持续跑下去。