新眸原创·作者 | 叶静 桑明强

过去一年里，AI行业最明显的变化，是大家开始越来越在意一件更现实的事：AI到底能不能真正用起来。

参考Gartner技术成熟度曲线，一项技术要完整经历从萌芽、期望顶峰、幻灭低谷，再到复苏、生产力高原的生命周期。而如今的AI，刚刚收尾了上半场的“造泡沫”阶段，下半场的“挤泡沫”已经开始。

站在这个转折点上，帆软是一个值得观察的样本。

它做了几件颇为“反常识”的事：没有急于给全线产品贴AI标签，而是先推动内部2000多名员工全员深度用AI，把组织本身变成第一个试验场；没有回避ChatBI早期踩过的坑，而是重新思考真正要服务的客户场景；没有追逐通用大模型通吃所有场景的幻想，而是围绕不同业务场景落地多款垂直AI产品，深入客户现场，共同验证AI如何嵌入真实经营流程。

这些选择的背后，指向同一个问题：企业AI落地，难在哪？该怎么干？

这次，我们把帆软这一年的实践、踩过的坑、沉淀的判断，连同与客户共创的真实案例一并摊开，看看客户成功的背后，帆软有一套怎样的实操方法论。

关于AI时代的企业认知

判断1：别把时代红利当成自己的能力，回归科学管理。

“原来觉得自己很牛，其实好多东西都是时代的红利。经济不好的时候才看清楚：哪些是时代的红利，哪些才是你的能力。核心就是干一件事——数据驱动，或者说科学管理。”

判断2：AI转型不是换工具，而是升级组织能力。

AI转型不是换一个工具，而是升级企业的工作方式和经营能力。帆软没有选择简单追逐热点，更重要的是从组织内部开始推动AI变革。

在商业世界，有个悖论，公司越成功，就越难自我革命，这就是"成功者的诅咒"。当技术范式转移时，既有产品逻辑、客户关系、组织能力的"优化组合"本身可能成为陷阱，代价比从零开始更高。"

判断3：必须说自己在做AI，但绝不贩卖“AI万能论”。

帆软的态度是：既不标榜"AI万能论"——什么用了AI效率立刻翻十倍、不用AI马上被淘汰——也绝不能不提AI。在AI时代，如果一家公司连"我在做AI"都不说，连跟客户对话的机会都没有。

AI是一个渐进的、需要5-10年才能看到大变化的长期变量，高估短期影响、低估长期价值，是行业最常见的两个误判：觉得AI能一夜颠覆一切的会失望，觉得AI没什么大用的会被时代甩开。理性的做法是承认AI的价值，但保持中性、克制。

判断4：先上了牌桌，才有资格谈未来。

判断自己"上了牌桌"有两个维度：一是人才维度，如果没上牌桌，公司里的人都会跑光；虽然也有流失，但优秀的人走得少，说明大家相信这家公司还有未来。二是客户维度，有客户说"从没见过一个BI产品数据准确率这么高"。上了牌桌，才有资格谈后续的敏捷迭代。 

判断5：AI时代最危险的，不是慢，而是"错得很顺"。

AI最可怕的能力，是把错误包装得很流畅。它可以把结论说得非常完整、逻辑包装得很顺，甚至顺手生成一段看起来非常专业的建议，让人放松警惕。所以AI时代最危险的，不是分析慢，而是错得很顺——实时越快、Agent越主动，就越需要可信底座兜底，否则错误会更快、更主动地传播。

关于AI落地的方法论

判断6：AI的能力可以通用，但AI的产品必须按场景落地。

AI不能当成通用工具去考察，一定要按场景落地，就像自动驾驶先落地高速和矿区、再逐步覆盖城市道路。

用户对AI的需求喷薄而出，但整个ToB市场上真正能用的产品屈指可数。帆软在ChatBI上走过弯路，得出的结论是：企业数据私有、业务私有、知识私有，但通用模型听不懂企业的“私有语言”，指望一个工具通吃所有场景，最终只会落地失效。

判断7：数据质量是AI落地的先决条件。

数据治理是AI落地的第一道门槛，数据质量直接决定了AI效果的上限。DataAgent能不能真正用起来，前提是把原始数据治理好、把内部统计口径统一。

可以把AI理解成一个无限聪明的人：如果这个人拿到的基础信息本身就是混乱的、指标定义是模糊的，再聪明也给不出靠谱的答案。

判断8：AI落地的核心关卡，是让大模型「懂业务」。

通用大模型就像满分毕业的高材生，通用知识储备充足，但空降到具体企业往往立刻“水土不服”：同一个“销售额”，财务、销售、生产各有各的统计口径；同一项审批，不同公司的流程节点、权限边界、决策人完全不同。

AI要真正替企业干活，不是靠模型本身更聪明，关键是要先完成企业专属知识对齐：把指标定义、业务规则、流程逻辑这些独有的信息，注入到模型的调用链路里。

这是企业级AI落地最核心的工序，也是最容易被忽略的环节。客户用通用大模型自己摸索，通常只能做到70%-80%的准确率；而从80%跨越到95%的落地可用线，必须靠专业的上下文工程团队补齐这最后15%的差距——这正是企业AI应用真正的门槛。

判断9：模型会趋同，经业务验证的认知沉淀，才是AI时代的真护城河。

比起大模型参数和能力的追赶，企业多年沉淀下来、经过反复验证的报表体系、业务流程和指标口径，才是更难复制的竞争壁垒。

对帆软而言，服务数万客户积累的业务认知与数据资产，远比自研模型更有价值。通用大模型的能力会持续趋同，但一家企业跑通的业务逻辑、验证过的经营规则，没法被简单复刻。

一个反直觉的事实是：大模型越强，帆软反而越强。20年积累的数万客户案例、行业指标体系和业务逻辑藏在私有知识库里，公网上找不到，一旦注入大模型就是"行业大脑"——别人从零开始，帆软直接调用存量资产，这个时间差就是壁垒。

当大模型能力趋同甚至退潮，真正稀缺的是企业内部高质量、带业务语义的"活数据"，打通"业务数据→AI处理→业务动作"的闭环，才真正赢。

判断10：坚决不做行业大模型，只做“翻译官”和“连接器”。

帆软明确不训练自己的行业垂直模型。原因很现实：一是以它的体量和定位，做通用多行业工具，训练专属模型投入不够、也不划算；二是模型迭代太快——今年训出来的专属模型，明年2T、5T参数的通用大模型出来，立刻被碾压。

在帆软看来，企业AI落地需要"大脑、心法、手脚"三重配合：大脑是通用大模型，心法是领域知识和私有数据，手脚是权限和工具链，缺任何一项都跑不通。帆软不造大脑，做的是"翻译官"和"连接器"，把企业的"行话"翻译给大模型听，再把大模型的能力连接到企业系统里干活。

判断11：大模型不可能100%可信，关键是用流程把错误兜住。

到目前为止，大模型生成的东西都还不能100%可信，这是做产品的底线认知。但可以通过机制让可信概率变高：先让AI做一遍，再启动一个Agent复查一遍，对比结果对错。最后责任人一定是人，而不是模型。客户过去用软件追求"零误差"，但关键不是杜绝错误，而是用流程和机制兜底错误——这是帆软和客户必须先建立的共识。

判断12：AI做加速器、工具做底座，人负责最后一公里。

这是帆软产品架构里的一条铁律。AI负责理解需求、拆解问题、推理逻辑和组织结论；透明的数据治理和分析工具负责执行计算、留痕过程、追踪口径和校验结果。AI做效率催化剂，工具做可信的压舱石，二者配合才能既快又稳。

帆软产研整体负责人Richie认为，相比AI，人才是最后一公里的责任主体。FineBI Next（帆软面向AI时代推出的新一代云端原生BI产品）走助手形式：AI负责把分析过程快速生成出来，但最终口径对不对、数据可不可信，由人来负责核对。

“硅基和碳基协作，AI让骑马上的人跑得更快，但到目的地，还得人自己确认方向。”

关于产品与商业模式

判断13：外挂Copilot出不了爆品，要做AI原生产品。

在原产品上"加个AI"只是外挂Copilot，很难形成真正的AI爆点。帆软评估了大半年，发现老产品改不动。以前的产品是给人用的，界面好不好看、按钮清不清晰，人就能用好；但对AI来说，需要一个清晰定义数据、接口和操作的产品。

所以帆软把产品进行重构，做AI最顺手的那个"铲子"，以前给人当工具，以后给AI当工具。

判断14：企业级AI产品是一条数据流动闭环，不是功能堆砌。

很多厂商做AI产品，习惯在原有工具上堆砌AI功能，但由于数据不通、口径割裂，最终很难真正落地。帆软的思路完全相反：整个AI产品矩阵本质是一条完整的数据流动链路。

底层先把分散的业务数据接进来、补完整、治理统一，上层所有AI应用都基于同一份可信数据运行，从分析洞察、结论输出，到预警推送、自动执行，全链路打通。

帆软AI产品负责人张弛表示，为了跑通这条闭环，帆软没有在老产品上修修补补，而是重构FineReport、FineBI、FDL、FineVIS等全线产品，统一底层架构，打造面向AI的一体化平台，最终落地六款垂直场景的AI产品，每款聚焦解决一个具体问题。 

判断15：可信、实时、主动决策，三者缺一不可。

企业决策能力由三根支柱共同决定：可信回答"能不能信"，实时回答"来不来得及"，主动决策回答"要不要等人先发现"。只有可信、没有实时，答案来得太晚；只有实时、没有可信，错误会传播得更快。三者必须同时成立。

判断16：ToB不再卖工具，卖“经营结果”，最好的模式是按结果付费。

最理想的商业模式是按结果付费：用户明确受益、也明确产生价值才付费，传播性更广。但按结果付费只适用于一部分场景，比如数字面试官可以按结果付费；像FineBI Next这种加速层很难，所以更多走包月、总包制。

更深层的变化是ToB商业模式的范式转移：过去卖BI工具，看客户用了多少账号；未来卖AI，看客户多赚了多少钱、多找到多少商机，从"卖软件"到"卖经营结果"，客户从买工具变成买业务结果，风险和收益一起承担。

判断17：AI能不能普及，先算清“用不用得起”这笔账。

企业用AI，每问一句话、每生成一份分析，都要给大模型付调用费，这笔成本是实打实的硬开销。现在市面上除了DeepSeek，其他主流模型调用成本都不低，普通企业真要放开了用，Token费用很容易超预算，投入产出算不过来，自然没法大面积铺开。

帆软的产品选型和计费模式，本质都是基于这个判断：优先接入高性价比的大模型，同时兼容多家模型，并且把调用成本打包成固定积分包月，不让客户被按次计费绑住手脚——先把成本门槛打下来，AI才谈得上真正落地。

判断18：私有化部署AI只适合极少数企业。

真正能把私有化部署玩起来的，只有极少数能部署最先进本地大模型的企业（光模型花费就超过1亿人民币）。大部分企业搞不起私有化部署，光硬件至少投千万级，加上运维和迭代成本，很多企业投了钱最后用不起来。私有化部署是少数大企业的游戏。

判断19：Agent平台会成为标配，真正的差距在价值沉淀之后。

今天几乎所有AI厂商都在做Agent平台，当"能搭一个Agent"逐渐成为标配，真正拉开差距的不再只是搭建效率，而是Agent交付以后由谁持续运营、使用越久又会为谁沉淀什么资产。

传统软件项目可以在立项时划出清晰范围，验收后进入稳定维护；但Agent不一样，客户的数据会继续增加，指标口径会调整，知识文档会更新，流程规则会变化，Prompt、Skills、模型和权限也需要持续优化。

Agent项目没有 “验收即完工”，交付只是运营的起点，但如果每次变化都依赖厂商处理，客户很难形成自己的AI运营能力。因此，对企业最有利的模式，是Agent能力可自主运营，让数据口径、业务规则、运营经验逐步沉淀为企业自身的可复用资产。

关于组织与人才

判断20：AI转型首先是管理问题，不是技术问题。

AI转型首先是管理问题，不是技术问题。帆软一把手亲自下场，把"全民AI"作为公司级决定落地，并做好三件事：判断方向，不要为了AI而AI，明确AI解决什么经营问题；建立机制，让员工愿意尝试、让业务参与共创；允许试错，AI时代没有一次性正确答案，关键是持续迭代。

判断21：CEO的定位是打造AI氛围。

CEO在AI时代最重要的定位，是打造AI氛围。AI氛围起来了，AI水平才会越高。对内提效有AI人才，对外才能做出更好的产品。

氛围，是组织AI化的土壤。

判断22：三把火，让AI从个人探索走向组织能力。

帆软用三把火把AI从个人探索烧成了组织能力。

第一把火"你花钱，我买单"：AI脉冲计划，员工购买任何AI产品都可报销，持续使用持续报，直到分享不出新东西，先解决"走不出第一步"的问题。

第二把火"提需求，兑奶茶"：1000多人体验后回到各自岗位提需求，一个多月收集100多条真实需求，出差报销、项目管理、数据查询，每条都来自真实岗位痛点。第一个落地的是会议室预约机器人——因为这是真实的岗位痛点，而不是PPT上想象出来的痛点，这也是帆软"不卖PPT AI、先向内开刀"的起点。

第三把火"100万奖金池，全员造产品"：黑客马拉松前后方必须组队，demo画出来发5000元，上线用起来发2万元，找到几个种子客户用起来一个项目拿10万元，市场空间足够大就正式立项为产品。让员工"用起来"，再让员工"做出来"，优秀实践沉淀为产品能力和客户价值。 

判断23：最难搞的是让钱拿最多的人成为AI高手。

推进AI最难的一关，是让钱拿得最多的人——各级管理者，先成为AI高手。新员工天生接受AI，但老员工不能因为不会AI就开除。把管理者变成AI的先锋，一层一层带动，整个组织的AI氛围才会快速转变。

判断24：AI培训的核心是祛魅。

AI培训不能再是讲PPT、讲一堆概念词。真正的培训是带着管理者用AI解决他具体的业务场景。当他发现第一有价值、第二没这么难，AI的神秘感就被祛魅了，他也就搞得定了。

判断25：AI正在改写人才标准，会借力AI的人先跑出来。

过去评价员工，核心看执行力、看能不能扛事、愿不愿意埋头苦干。AI普及之后，人才的标尺正在发生偏移：

那些吃透业务逻辑、又擅长用AI替代重复劳动、把精力集中在核心问题上的员工，哪怕此前只是绩效合格的普通员工，也能快速放大产出，成长为团队骨干。

帆软内部很多跑出圈的AI创新项目，都并非出自传统核心研发团队，而是来自一线懂业务、会用AI找提效方法的普通员工。AI时代给每个人的考验是：谁能把工具用成自己的能力放大器。

一个明显的变化发生在中层：过去大量中层的时间消耗在写PPT、催报表、统计数据这些传话筒工作上，AI把这些自动化之后，中层得以把精力放回业务本身，从承上启下的"传话筒"升级为"决策伙伴"。

AI也不会简单地让人失业，生产力越先进、需求越多，真正被压缩的是中后台流程性岗位，研发、营销、决策类岗位的价值反而在放大。

关于客户与行业观察

判断26：AI落地分三阶段，Token消耗量不会骗人。

企业AI落地分三个阶段：第一阶段，员工个人用AI提效，这也是90%企业目前的状态；第二阶段，跑出几个AI场景，但真正用的人寥寥；第三阶段，AI进入经营分析与决策，全员愿意用、敢用、能用。一二阶段之间隔着的其实是"信任"，跨过这道坎、进入第三阶段，才是真正的AI时代。

判断一家企业AI到底有没有真用起来，看Token消耗量就知道。

判断27：获取答案的成本越来越低，敢用和愿意用的成本越来越高。

AI带来一个核心矛盾：获取答案的成本越来越低，但敢用它、愿意用它的成本越来越高。AI能帮你算出任何数字，但如果你发现企业连销售额口径都没统一，你就不敢信、不愿用。

让企业敢用、愿意用，背后是数据治理，数据要统一、准确、可信。

判断28：烧Token就像投广告，停烧就是停止进化。

烧Token跟投广告是一个道理。你不烧，谁都知道你会落后。但只有不断烧的过程中积累经验，才能让浪费越来越少。把烧得没有价值的场景砍掉，ROI就上来了。关键是持续迭代、及时止损。

判断29：建议客户AI First，而不是All in AI。

帆软内部可以All in AI，对外挣钱用AI、对内提效用AI，但建议客户不要All in AI。

客户的主业是制造业、零售业，不是靠AI挣钱，应该AI First。优先看哪些场景落地了，或者哪个场景在同行落地了，学过来即可。没必要无限烧钱，领先者容易成为先驱和先烈，不是每个公司都适合当领先者。

判断30：数字员工能交付结果，但替代不了拍板的人。

AI在企业的形态，正在从"问答助手"升级为"数字员工"，不只是回答问题，还要交付结果，打通从数据查询、分析、给出建议到联动业务系统执行的完整链路。

数字员工相当于给企业做参谋、出主意的员工，很重要，但替代不了做决策的员工——这是目前所有AI的共性问题。比如Dora没有交给销售团队铺量，而是挑了十家共创客户，要求产品和研发必须在客户现场自己交付，客户满意了再上市推广。目前十家里九家满意。

判断31：Skills不是护城河，它正在被模型系统性地蒸馏。

行业里很多人把Skills视为护城河。沉淀了业务知识的提示词集，放到Agent里表现就是比别人好。但帆软判断，这是大模型厂商的"阳谋"：模型在系统性地蒸馏人类专家的知识。

最多再过三年，所有的Skills都会没有意义，因为模型本身就具备了这些能力，全都会渗进去。所以Skills不是竞争力。

判断32：工具与数据才是真正的竞争力。

什么才是竞争力？帆软的答案指向两个方向。

第一是工具层，多年积累的数据分析引擎，1亿数据秒出；第二是数据：持续爬取和清洗互联网公开数据，构建企业商务关系图谱等高质量数据资产。

从更宏观的视角看，如今行业里Agent价值沉淀大致有三条路线：ComputerUse围绕员工终端和个人工具，价值沉淀为个人生产力；企业上下文围绕企业的数据、流程和知识，价值沉淀为可治理的组织能力；乙方know-how把专业方法和判断标准转化为服务，价值沉淀为服务商的专业能力。

帆软选择企业的业务认知沉淀，一个关键原因是它具有明显的累积效应：每一次数据治理、流程梳理、知识沉淀和现场交付，都可能让Agent更理解客户的业务语义，项目做得越多，可复用的上下文能力越厚。

判断33：AI让“送数下基层”成为可能，数据第一次抵达一线岗位。

过去，核心数据大多停留在管理层的仪表盘上，一线员工够不着、也用不上，数据和业务现场之间始终隔着一层。AI把获取数据的门槛彻底打平：通过IM和语音交互，门店店长在手机上问一句“今天销售额多少、客单价多少、哪里需要改进”，就能直接拿到答案。

让数据从“管理层专属”下沉到每一个岗位，让最靠近炮火的人直接用数据做决策，是AI时代最有价值的变化之一。

判断34：模型即应用，中美ToB起跑线正在分化。

模型即应用，是SaaS乃至软件行业头顶的达摩克利斯之剑。中国任何新技术都从C端开始卷，但在美国，任何新技术入门都从ToB开始卷，模型即应用的趋势在美国发展远比中国快。

目前Anthropic和Claude已经开始收购ToB公司、组建FDE团队帮企业客户把AI用起来。如果AI Native的初创公司，比如做数据治理的、做垂直分析的，做起来后都被模型厂商收购或覆盖，对ToB软件公司来说很危险。

但换个角度，AI时代的护城河不取决于谁发明了什么，而取决于谁用得更深。同样的模型，跑过的真实业务越多、数据闭环越厚，壁垒就越高，中国丰富的应用场景和庞大的使用基数，本身就是一种结构性优势。

判断35：AI是放大器、不是创造器，否定的勇气与不做的定力。

卖出去和用起来是两回事，新技术和产品交付率、客户满意度不一定正相关。这一次，帆软选择慢下来，关注AI时代真正的竞争力：不是追逐风口，而是用AI重新武装自己擅长的事情。否定的勇气和不做的定力，往往比做什么更难。

底层还有一个清醒认知：AI是放大器、是助燃剂，不是创造器、不是动力源。

业务逻辑成立的会被放大得更好，业务本身有问题的，AI只会加速暴露；"剔除AI之后业务逻辑是否还成立"，是帆软判断一件事值不值得做的标尺。

也正因此，AI时代帆软对自己的定位很清晰：做企业组织经营与决策的能力建设伙伴，"让数据成为生产力"这个核心需求始终没变，只是满足需求的方式，从拖拽变成了AI。

客户实操判断

以下案例场景来源帆软Dora（帆软推出的企业级数据智能Agent（数字员工），是AI原生的可信数据经营智能体）。

场景1：（某股份集团）AI让跨组织人才盘点从"层层报人"变成"秒级筛选"。

过去跨子集团、事业部做人才盘点，靠层层下发通知、逐级报人，链路长、效率低，面对"懂AI的人""国际化背景"等个性化需求，传统BI固定维度根本覆盖不了。

引入Dora后，业务人员用自然语言描述需求，系统自动匹配标签组合、对接人才底表，推荐名单并说明命中原因。单次盘点效率提升≥60%，跨组织沟通成本降低≥70%。

场景2：（某大型物流集团）经营分析从"等一周报表"到"5分钟定位根因"。

这家物流集团月均数万条收入成本结算记录，分散在承运人、口岸、业务类型等多个维度。

过去业务人员向IT提需求，排期3-5天才能拿到报表，临时性分析无法及时响应；收入、成本、费用、商审数据分散在不同表单，跨维度关联分析需人工拼表；发现毛利下滑后，逐层手动下钻耗时且易遗漏关键线索。

用Dora做智能经营分析后，自然语言即问即答，从宏观趋势一键下钻到微观根因，查询过程自动生成汇报PPT。分析汇报从一周缩短到5分钟，跨系统取数成本降低≥80%。

场景3：（某零售电商）把优秀分析师的思路沉淀成组织资产，新人也能出专家级报告。

公司商品部每天面对海量销售明细，过去70%时间耗在Excel清洗、对齐和多表关联上，报告停留在指标统计层面，缺乏深度归因，优秀思路随人员流动流失。

引入Dora后，Excel一键导入自动清洗聚合，Agent主动读取历史分析框架、智能扩展归因视角，并将优化思路固化为可复用Skill，新人也能出专家级报告。报告效率提升50~60%，沉淀20+套优秀分析经验。

场景4：（某船舶制造）质量管控从"事后补救"转向"事前预防"。

这家船舶制造企业面临多船型并行建造与交付周期压缩的双重挑战，每天产生数千条检验数据。过去质量异常靠老专家人工逐层筛查，根因定位周期长，往往批量返工后才发现问题。

用Dora后，打通多源数据链路，内置质量分析模型与专家规则，自动完成异常检测和根因下钻，专家经验沉淀为质量知识图谱。排查从周级缩短到分钟级，质量分析效率提升50~60%。

场景5：（医药零售行业）让每家门店的补货和营销都有据可依，经验不再随店长离职流失。

过去总部凭经验定营销方案，店长判断向哪些会员推荐什么，员工手工执行，效果难追踪，有效判断只留在店长脑子里，人一走经验就流失。

引入AI运营决策智能体后，形成human-in-the-loop闭环：系统扫描处方、交易和会员行为数据发现机会，生成营销建议并展示依据，店长审核确认后自动触达，审核反馈沉淀为全公司可复用规则。

一家门店验证有效的方法，其他门店可直接继承。