“AI真能在我们企业跑起来吗？没有海量数据也能玩转AI么？AI落地企业后能带来哪些改变？”在近期的全球商业创新大会上，用友网络助理总裁、数据服务事业部总经理李进闯被问得最多的，正是这些关于AI落地的问题。李进闯给出清晰的答案：AI落地，根本不用等，现在，就是最好的行动时机。
01 别被“数据门槛”吓退，AI落地清晰有路径
一提到AI，很多人下意识觉得“得有海量数据才行”。自家企业数据零散、规模有限，似乎没法触碰AI？其实这也是对AI的一大误解。
AI的发展可分为两个阶段：
第一阶段是效率助手期，此时的AI无需超越人类智能，对数据的依赖也远没想象中苛刻，更像一位“超级助理”，帮企业处理重复工作、快速分析数据，直接提升管理效率，这一步所有企业都能立刻启动；
第二阶段是AI自主成长期，需海量数据支撑，AI智能程度将超越人类。
当下可先把“效率助手”的价值做透，就是最务实的选择。就像保险行业的规则引擎、翻译行业的智能工具，AI对很多行业的重塑早已开始。
02 从看数到用数，从效率助手到智脑
AI在企业的落地是从“工具”到“助手”再到“智脑”的渐进过程，可划分为四个层次：
L1：看数（BI）—— 管理者的 “指挥棒”
特点：指标固定，主要供中高层使用（比如月度销售报表），辅助决策。
痛点：基层员工难获数据支持，且数据滞后（常为 T+1 甚至 T+5），难以及时响应业务变化。
L2：问数（ChatBI）—— 人人可用的 “数据助手”
特点：支持自然语言交互（比如 “湖南 vs 湖北上月订单金额差多少”），能自动分析原因（“为什么江西销售额下滑”）、模拟未来（“原材料涨价 1 元对利润影响多大”）。
价值：业务员、店长等基层人员也能随时查数据，IT 部门不用再天天做报表，管理颗粒度更细、响应更快。
L3：用数（DataAgent）—— 业务岗位的 “智能助理”
特点：能主动发现问题、协同处理任务。比如库存管理中，它会实时盯着库存与安全线的差距，一旦超标就自动提醒补货，甚至给出具体方案（需人工确认）。
案例：某企业的库存 DataAgent 发现 “基地项目仓” 周转率低，自动追溯到 “4 寸芝士冰淇淋蛋糕” 库存异常，分析出是 “安全库存设置不合理”，最终建议将安全库存从 400 件调整为 739 件，精准解决积压问题。
L4：智脑—— 自主决策的 “超级大脑”
特点：无需人工干预，多个 AI 智能体联动工作。比如生产、采购、销售智能体协同制定排产计划，自动响应市场变化。
03 破解落地难题、实战方案已成型
企业在推动 AI 与数据深度融合、真正让 AI “用起来” 的过程中，常会遇到四个“拦路虎”。结合实践，实战方案已成型：针对 AI 输出结果不靠谱的 “幻觉” 难题，采用 “大模型 + 本地小模型” 架构，通过多源数据交叉验证（如用生产数据校验销售数据）提升结论可靠性；对于 AI 计算过程看不懂的 “黑盒” 难题，构建 “人机协同” 机制，让员工参与算法设计、流程优化，实现 “过程透明、结果可验”；面对 AI 听不懂企业 “行话” 的 “术语壁垒” 难题，用 RAG 和向量化技术，把企业独特的指标定义、计算规则 “翻译” 给 AI；而数据安全与访问效率难平衡的 “权限风险” 难题，则通过基于企业指标体系的权限控制系统解决，确保不同岗位只能获取 “该看的数据”。
04 这些企业已经尝到甜头
从财务到库存，AI正在多个场景创造看得见的价值：集团财务智能分析中，用自然语言提问3秒出结果，发债计划制定时能预警风险并建议对冲方案；下属企业报表解读，原本人工3天的工作AI1小时搞定，还能识别风险、对比行业差距；库存健康管理中，DataAgent自动监测问题、追溯根因并支持一键执行，某企业借此减少30%呆滞库存，提升25%库存周转率。
AI是必然趋势，无论企业规模大小都无法回避；数据是基础，没有业财一体的信息化建设，数据就是“无源之水”；模型是核心，本地数据模型是AI发挥价值的关键。AI落地无需等待“完美数据”，从“效率助手”起步，用“AI+数据”破解核心难题， 现在，就是行动的最佳时机。
