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：文/AI研究咨询机构，文章来源：爱分析ifenxi(公众号ID：ifenxicom)，本文为作者独立观点，不代表亿邦动力立场。
