技术迭代的加速，正在把企业 AI 推向一个新的分水岭。Agent 能力不断突破，企业高层和一线员工对 AI 的热情持续升温，但真正进入业务流程、承担真实任务并产生业务结果的应用，仍然只是少数。

这意味着，企业 AI 已经从 " 能不能用 " 的阶段，进入到 " 能不能被组织承接 " 的阶段。模型能力本身不再是唯一变量，数据口径、业务语义、权限体系、流程稳定性和责任归属，正在成为 AI 从试点走向规模化落地的关键约束。

在此背景下，观远数据创始人兼 CEO 苏春园做客 " 对话首席 " 栏目，与爱分析展开了一场深度对话。作为长期深耕企业数据分析与决策智能领域的厂商，观远数据一方面见证了企业从 BI、数据中台走向 AI 决策的演进，另一方面也在 Context Layer、Agent 落地路径和决策智能平台等方向进行了持续探索。

本次对话围绕企业 AI 真实落地进度、Agent 进入工作流的关键障碍、Context 在企业 AI 中的作用、5A 落地路径方法论、决策智能平台，以及企业级 AGI 的演进方向等主题展开。

核心观点

企业 AI 的真实状态是 " 两头热，中间难 "。

企业高层对 AI 高度重视且持续加码，一线员工对 AI 工具接受速度极快，但中间的 IT 与数据决策层反而非常谨慎，核心矛盾不是技术，而是组织 AI 建设与 AI 风险管控能力的滞后。

AI 真正进入企业的标志，不是 " 能用 "，而是 " 进入工作流 "。

判断 AI 是否落地的关键标准不是 POC 完成与否，而是是否进入业务工作流。当前只有 5% 的 AI 应用真正进入业务流程，从 " 工具体验 " 走向 " 业务执行 "。

企业 AI 的核心瓶颈正在从 " 模型能力 " 转向 "Context 能力 "。

决定 AI 效果的关键不再是模型本身，而是上下文系统，包括指标体系、业务语义、组织权限与策略结构等。没有统一 Context，AI 只能输出 " 正确但无用 " 的结果。

企业 AGI 本质上是持续进化的决策系统。

企业 AGI 是闭环系统，从数据到上下文，形成决策，转化成行动，带来反馈优化系统。一旦跑通闭环，企业的决策速度和决策质量都会发生结构性变化。

以下为本次访谈实录，在不改变原意基础上略有修改。

01

企业 AI 落地的真实进度：两头热，中间难

爱分析：您这两年观察企业 AI 落地，最直观的一个感受是什么？

苏春园：如果用一句话来概括，我们内部有一个判断，叫 " 两头热，中间有点难 "。

所谓 " 两头热 "，其实是两个方向都在加速。一端是一号位，也就是企业高层，对 AI 的重视程度非常高，而且这种重视不是短期的，而是持续加码的状态。我们看到的现象是，几乎每一年过完年，企业对 AI 的关注度都会再提升一轮，很多甚至是一号位亲自下场推动，从战略到资源都在往 AI 倾斜。

另一端是一线员工。一线的情况完全不同，他们对 AI 工具的使用非常高频，而且是自然发生的，不需要推动。一旦工具足够好用，他们会主动去用，比如写代码、做分析、做内容生成，这一层的渗透速度其实非常快。

但真正卡住的是中间这一层，也就是企业的 IT 负责人、数据负责人、数字化负责人这一层。他们相对谨慎，不是说不愿意做，而是必须考虑更多系统性问题，比如数据治理、权限体系、风险控制以及业务流程的稳定性。所以你会看到一个比较典型的断层现象：上面很热，下面很热，但中间反而变得最复杂。

爱分析：为什么会出现这种中间层 " 卡住 " 的情况？是技术不够成熟，还是组织问题？

苏春园：本质上更偏组织问题，而不是技术问题。

我们在很多客户场景里看到一个很典型的现象：Agent 类应用在 POC 阶段会非常活跃，甚至一上线就很快被一线大量使用，比如做数据分析、做报表生成、做简单决策辅助，但一旦进入到真正的业务流程，就会迅速遇到挑战。

比如数据口径不一致，不同部门对同一个指标的定义不同；再比如权限问题，谁能看什么数据、谁能触发什么动作，这些在传统系统里已经很复杂，在 AI 系统里会被进一步放大；还有一个问题是责任归属，当 AI 给出一个建议并触发动作之后，这个结果到底谁负责，这在企业内部其实是非常敏感的。

所以你会看到一个很现实的情况：有些 Agent 看起来用得很热，但真正进入工作流的比例其实并不高，我们服务了 1000 多家企业，粗略观察，大概只有 5% 左右真正进入了稳定业务流程，意味着约 95% 还在 demo、试点、POC 阶段，或者还停留在对话式应用中，并没有真正承担真实任务、拿到业务结果。

但这个 5% 其实很关键，它意味着 AI 已经开始从 " 工具体验 " 走向 " 业务执行 "，这是一个非常重要的拐点。下半年到未来 6 到 10 个月，这部分已经跑起来的企业会形成明显加速度，星星之火已经在起来。

爱分析：从 DeepSeek 到 OpenClaw，再到现在 Agent 能力增强，这一轮 AI 变化对企业的影响到底是什么？

苏春园：这个转折是非常明显的，是认知层面的跃迁。

去年大家更多是在体验层面，觉得 AI 很聪明，但本质上还是一个对话工具。但今年开始，尤其是 Agent 能力逐步成熟之后，企业第一次开始真正感受到 AI 可以 " 执行任务 "，而不仅仅是回答问题。

比如我们看到很多企业在早期尝试的时候，会出现一种非常典型的热度路径：一开始非常兴奋，大量使用 Vibe Coding 或者数据分析 Agent 去做各种尝试，但进入到二季度之后，问题开始集中暴露出来，比如数据权限、数据一致性、系统集成等问题。

这时候企业会突然意识到一个问题：AI 不是一个孤立工具，它必须嵌入企业系统。

所以也就出现了一个很关键的变化点，我们内部有一个词叫 Harness Engineering。去年大家讨论更多的是 Prompt Engineering，今年开始越来越多企业在讨论 Harness Engineering，好几个 CIO 提到，当一线开始深度使用成为超级个体之后，组织的承载力跟不上。

这里面的原因有几方面——

第一，数据和权限的管控问题。当一线用 DeepSeek、ChatGPT 等大模型自己做事的时候，可能就是数据导出来用，但数据口径对不上，权限乱。组织层面需要建起一整套的 DataOps、AI Ops、Harness engineering 的体系。

第二，应用之间的连接。原来 BI 时期，所有东西都是可控的——结构化数据、IT 系统、H5、看板。但现在 AI 时代的边界变模糊了，Agent 可以接各种外部数据、API，需要新的连接范式。

第三，业务复杂度需要场景化。当一个对话的 Chatbot 变成一个能完成端到端业务流的 Agent，它跟组织里所有相关系统都要打通，复杂度是指数级上升的。

所以我们也在做企业级托管能力。比如用户在 Gemini、Kimi 或其他 Agent 上做出来的应用，可以托管到企业分析平台里，由平台接管登录、权限、后台监控、安全和分享机制。这样个人侧的热度，才有机会真正进入组织工作流。

换句话说，重点已经从 " 怎么用 AI"，变成 " 怎么管住 AI、怎么组织 AI、怎么让 AI 进入流程 "。

02

真正的分水岭，不是模型能力，而是上下文能力

爱分析：您刚才提到企业 AI 的中间层卡住，很大一部分原因和数据、流程有关。现在大家越来越强调 Context，这个变化是怎么发生的？

苏春园：我们现在越来越强烈的一个判断是，在企业级 AI 里面，决定效果的不是模型能力本身，而是上下文能力。

但这里的 Context，其实远远不是大家理解的 " 把文档丢给模型 " 这么简单，它是一个结构化系统。我们内部拆解下来，大概有七个层面的 Context 能力，比如指标定义、业务语义、组织权限、策略结构、行动定义、数据口径以及反馈机制。进一步看，还会涉及指标如何拆解到履约和营销动作、责任人、企业目标和决策原则等。

举一个最简单的例子，在传统 BI 时代，企业最重要的是 Single Version of Truth，也就是所有人看到同一套数据口径。但在 AI 时代，这件事情是不够的，因为 AI 不仅要 " 看同一份数据 "，还要理解 " 这份数据在业务里意味着什么 "。

比如销售额下降这件事，在不同 Context 下含义完全不同。可能是季节性波动，也可能是促销结束，也可能是库存策略调整导致的结果。如果没有上下文，AI 给出的建议很可能是错的，甚至是误导性的。

所以我们现在看到一个非常明确的趋势，就是企业正在从 " 数据统一 " 走向 " 业务语义统一 "，再进一步走向 " 决策上下文统一 "。

我们内部有一个说法：在企业级 AI 应用里，第一性原理可能不是 "Attention is all you need"，而是 "Context is all you need"。Context 是企业不可被模型直接训练出来的部分，也是企业真正掌握在自己手里的核心能力。

爱分析：这个 Context 在产品层面是怎么落地的？它和传统的数据体系有什么不同？

苏春园：我们做了一层非常关键的设计，叫 Context Layer。

在这一层里面，很多过去需要人工维护的内容，现在开始逐步交给 Agent 去做。比如指标定义，以前是数据团队去定义、维护，现在可以通过 Agent 基于历史 BI 系统、看板、分析链路自动生成初始版本，然后再由人去确认和修正。

再比如 Ontology 业务本体建模，过去这是一个非常重的工程项目，需要大量专家投入。但现在我们可以用 Agent 基于少量输入自动生成初版结构，再通过持续运行不断优化。

但 Context 也不是越多越好。上下文太多会带来混乱、消耗和误判，所以要按场景组装 Context Pack：在某个业务场景或某个决策环节里，把最关键的上下文组合起来，再通过人的干预、Agent evaluation 和业务反馈持续校正。

更关键的变化是，Context 不再是静态的，而是动态进化的。

它会随着业务运行不断被反馈修正，这一点非常重要。因为企业的业务本身就是变化的，如果上下文是静态的，那 AI 系统一定会逐渐失效。

这件事对 CEO 也很重要。企业里那些已经被验证有效的策略，不能等到一周、一个月甚至年终复盘后再层层传递，而应该通过上下文沉淀和 Agent 分发，尽快出现在更多战区、门店或一线人员的工作台上，直接推动下一步动作。

03 

企业 AI 落地节奏很重要

爱分析：你们提出 5A 方法论，解决的核心问题是什么？

苏春园：5A 本质上不是一个技术框架，而是一个节奏控制框架。

我们看到企业在落地 AI 时，最大的问题不是不会做，而是节奏错了，要么过快导致混乱，要么过慢错过窗口。

所以我们把这个过程拆成五个阶段。

第一个 A 是 Agile，也就是敏捷化，一天完成构建，一周投入试运行。

第二个 A 是 Applied，也就是场景化，一个月进入真实业务工作流。

第三个 A 是 Automated，也就是自动化，自动生成决策洞察与行动建议。

第四个 A 是 Actionable，也就是行动化，落地到可执行、可追踪的业务动作。

第五个 A 是 Adaptive，也就是自进化能力，让系统可以在真实业务反馈中不断优化。

这个路径其实解决的是一个非常现实的问题：企业 AI 不是一次性项目，而是一个逐步进入组织的过程。

爱分析：为什么你们一直强调 " 场景先行 "，而不是像过去数据中台那样先搭平台？

苏春园：这是一个非常关键的反思。

过去数据中台的失败，很大程度上是因为 bottom-up 路径，也就是先建设能力，再寻找场景。但问题是，能力建设往往过重，周期太长，最后和业务脱节。

AI 时代完全不一样，我们非常明确的判断是场景先行。

也就是说，必须从具体业务场景出发，比如供应链、销售管理、门店运营、电商运营等，优先选择价值高且可落地性强的场景，然后快速跑通最小闭环。

一旦这个闭环跑通，它就不是一个项目，而是一个可以复制的能力模块。

选择场景时，我们通常会看两个维度：一个是业务价值，一个是落地可行性。比如消费品行业里的供应链、销售渠道管理、电商运营等，都可以放进这个二维矩阵里，优先找业务价值中高、落地可行性也高的场景。

为了让场景真正跑起来，还需要 FDE 化的交付方式。以联合利华为例，我们的 FDE 团队会在现场做业务调研、梳理 workflow，白天在仓储中心看流程，晚上快速迭代，第二天再和业务一起验证。重度共创会深度驻场，轻量方式则通过 workshop 和线上线下陪跑完成。

企业也要接受一个现实：技术变化曲线很陡，但企业采纳曲线往往比较平缓。真正重要的不是全员一窝蜂上某个工具，而是找到自己所在阶段，从高价值场景快速开始，并尽快让 AI 成为工作流的一部分。

04 

决策智能平台的本质，从 " 看数据 " 走向 " 做决策 "

爱分析：决策智能平台，和传统 BI 或者数据平台最大的区别是什么？

苏春园：核心变化是从 " 以数据为中心 " 转向 " 以决策为中心 "。

传统 BI 体系，本质是 OLAP 分析系统，它解决的是一个问题：发生了什么。但决策智能平台要解决的是另一件事：接下来应该做什么。

这背后，其实对应经典的四层数据分析：描述性、诊断性、预测性和处方性分析。过去很多企业能做到 " 发生了什么 "，但要进一步做到 " 为什么发生 "、" 如果不干预会怎样 "、" 应该采取什么动作 "，往往很难真正打穿。大模型和 Agent 的出现，让自然语言理解、目标推理和工具调用可以被动态组合起来，决策智能才有机会真正普及。

所以整个系统架构是完全不同的。我们现在的架构大致分四层。

最底层是可信数据底座，包括数据治理、指标体系等，这是基础能力。

第二层是可信上下文层，也就是我们刚才讲的 Context Layer。

第三层是智能中枢层，也就是 DecideX 这样的 Agent 编排系统，它负责调用数据、模型、工具，并完成决策推理。

最上面是应用层，包括各种场景 Agent，比如供应链排产 Agent、电商运营 Agent、门店分析 Agent，以及 ChatBI、洞察 Agent 等。

爱分析：这种架构最大的变化体现在哪里？

苏春园：最大的变化是系统从 " 工具逻辑 " 变成 " 结果逻辑 "。

过去 BI 是工具，你只要能看数据就可以了，但现在的系统必须对结果负责。

比如一个促销策略，不只是告诉你数据变化，而是要推动动作，并且跟踪这个动作最终带来的业务结果，甚至要反过来验证：这个动作是否真的带来了客流变化、转化提升或者库存优化。

这就让整个系统从分析工具，变成了一个决策与行动系统。

从产品实现看，这也意味着系统要处理更多非结构化上下文，并且要有写回、反馈、审计、留痕、追审和版本运维能力。越底层的权限、接口和可信机制越需要稳定，越上层的 Agent 能力和业务组件则会持续快速演进。

05 

企业 AGI 是持续进化的决策闭环

爱分析：现在很多人在讨论企业 AGI，但更多是围绕模型规模和 Token 消耗，您怎么看这个方向？

苏春园：在企业场景里，这些指标一定会很快弱化。

企业最终是非常理性的，它不会关心你用了多少 Token，它关心的是业务有没有变化。比如销售有没有提升，效率有没有提升，成本有没有下降，这才是核心指标。

所以企业 AI 的评价体系，一定会从 " 技术指标 " 转向 " 业务指标 "，甚至在 6 到 12 个月内，这种变化会非常明显。

爱分析：怎么理解企业 AGI 的本质？

苏春园：如果一定要总结，企业 AGI 本质上是一个持续进化的决策系统。

它不是一次性的智能能力，而是一个闭环系统。数据进入系统，形成上下文，然后产生决策，再转化为行动，行动带来反馈，反馈再反向优化系统。

这个循环一旦跑通，企业的决策速度和决策质量都会发生结构性变化。

对观远来说，AI 决策智能平台某种程度上就是在帮助客户构建这样的数据决策大脑：它不替代所有系统，而是调度数据、上下文、工具和业务系统，推动企业持续自我进化。观远自身也在做 100 天 AI 重构，把决策目标、上下文数据和一线工作方式重新组织起来，目标是让组织每天、每周都变得更聪明。

注：点击左下角" 阅读原文 "，查看更多洞察内容。