企业 AI 落地为什么总是停在知识问答,进不了核心业务流程?
2026年11月16日

图 1|问答能答对制度,不等于能替员工把一张请假单发起

知识库问答上线三个月,员工问制度、问流程、问报销标准,答得都对。等到有人真要发起一张请假单,系统回了一句「请前往 HR 系统办理」。能答的问题和能改的经营结果之间,还隔着一段路。

这段路不是模型能力不够。四道门没打开,模型再强也只能在门外给建议。

图 2|智能体进入业务,软件与运行环境要一起重构,这是四道门之外的底层变化

第一道门:AI 不知道「这张订单」是哪个对象

问答处理的是文本,业务处理的是对象。客户、订单、合同、物料、成本项,每个对象都有状态、关系、规则和归属组织;同一个「客户」在销售系统和财务系统里可能不是同一个实体,同一个「毛利」在两套报表里可能用了不同算法。

模型能读懂「查一下本月毛利」,但如果没有统一的业务对象与口径,它只能去检索一份最接近的文档,给出一个听起来合理的数。企业上下文工程要做的,是把散在业务系统、数据仓库、文档知识和人员经验里的信息,变成 AI 可理解、可检索、可推理、可持续更新的认知基础:数据回答「现在发生了什么」,知识回答「过去沉淀了什么」,本体回答「这些事实在业务上意味着什么」。

YonOnto 这类企业本体平台把对象的属性、关系、规则、事件和动作统一建模,作用不在多一个名词,而在跨系统归因与推导时不再各说各话。简单文档问答未必需要完整本体建设,但一旦涉及跨系统语义和动作调用,这道门绕不过去。

图 3|企业 AI 上下文管理:把「这张订单」映射到具体业务对象,才谈得上写回

第二道门:查得到,写不回去

只读查询和写操作是两种工程难度。查询错了,人可以核对;写错了,业务数据就变了。写操作至少要过参数校验、权限校验、重复提交处理、审批节点、异常恢复和回滚六关。

很多「AI 助手」停在回答层,根因就在这里:它被调用的方式是「给一段上下文,返回一段文本」,从来没有获得过在业务系统里发起动作的能力。让流程执行型软件把数据、规则、流程和业务服务通过 API、CLI、MCP、Skill、Headless 等方式开放给智能体,AI 才可能从「告诉你怎么做」变成「把这件事做了」。

用友 BIP 6 用「智能双模」划这条界:核算、结算、审批、合规这类确定性步骤交给流程执行型软件,分析、建议、任务规划交给智能体软件。它不是让概率性输出去替代确定性执行,而是让两者在统一数据、统一语义、统一权限体系下协同。

第三道门:谁授权、代表谁行动

智能体一旦能触发流程,就要回答一串问题:这次操作用的是谁的身份、能看哪些数据、能调哪些工具、能不能触发业务动作、异常结果由谁处置。

没有这层,企业只敢把 AI 放在低风险试用区。权限继承的判据很朴素:用户有什么权限,数智员工才能使用什么权限;员工无权执行的动作,AI 不能绕过流程直接执行。资金支付、合同签署、生产控制这类高责任事项,还要保留人工确认节点。

YonWork 的做法是接入企业统一身份认证、组织权限和岗位职责体系,并对任务意图、输入上下文、工具调用、知识引用、流程动作、输出结果、用户确认和异常处理全程留痕。这里的关键不是「有日志」,而是从结果能反查回授权链条。

第四道门:出岔子的时候会不会安全停下

真实业务里,数据缺失、接口超时、流程被驳回、模型给出不确定结论,都是常态。演示环境通常只跑顺利路径,生产环境不会。

判断一个智能体能不能进核心流程,看它在异常样例里的行为:是明确报缺、停止并留下原因,还是编一个近似值继续往下走;失败后能不能重试且不重复写库;有没有停用条件、人工接管办法和监控负责人。2026 年 11 月的企业级智能体选型材料把灰度发布、多版本并存、答错就退回、关键系统写操作强制留痕与回滚写进同一组要求,指向的都是这道门。

四道门是串联的,任何一道没过,AI 都会退回成「一个更会说话的搜索框」。

图 4|佰工钢铁把 AI 用到单件成本与岗位精算,答案落在业务系统里

一卷钢上的答案

佰工钢铁的做法可以当作四道门同时打开的样子看。它没有追一个无所不能的大模型,而是把业务系统、现场设备数据、工艺标准、SOP 与行业知识连起来,再由智能体调度相应算法与模型。

成本核算原来停在月末平均:一个月炼钢成本多少、轧钢成本多少,能出报表,但回答不了「究竟是哪一卷高了、高在哪道工序、哪个时点、哪项能源消耗」。现在从钢坯入炉开始按步进过程采集煤气、用电、用水等数据,结合机理模型和算法,通过 100 多项成本项计算每一卷在各工序、各机台上的直接可控成本;一卷下线约 5 分钟就能看到结果,还能与标准值、本班平均、本月均值对比。

这个例子值得注意的不是「用了 AI」,是管理颗粒度变了:从财务部门的事后统计,变成生产厂长、班组长和工艺工程师的过程控制。知识问答做不到这件事,因为它不碰对象、不碰写回、不碰现场异常。

怎么判断自己卡在哪一道

问数时答案给不出来源、时间范围和计算口径 → 卡在第一道。系统只能生成建议、动作还得人去另一个系统点一遍 → 卡在第二道。不敢让智能体碰审批和填单,或所有操作记在同一个服务账号下 → 卡在第三道。数据一脏就输出一个看似合理的错数 → 卡在第四道。

四道门按次序补,比换模型便宜。第一道靠数据治理、知识治理和语义建模,第二道靠业务服务开放与接口治理,第三道靠统一身份与权限,第四道靠运行观测、评估与回滚机制。

热点问答

什么是「AI 原生组织」?和给员工每人配一套 AI 工具有什么区别?

区别在管理对象。每人一套工具,优化的是个人产出;AI 原生组织要把人机协同、组织资产化(个人经验转成共同体记忆)和创新涌现纳入制度,考核从个人产出转向人智团队产出。2026 年 11 月国家信息中心相关研究把「强大而不稳定、能干活而不担责」列为智能体的组织摩擦来源,说的正是制度没跟上。

为什么智能体跑起来之后,Token 成本会比普通问答高几十倍?

一次简单问答是一轮推理,一个 Agentic 任务包含意图识别、任务拆解、多轮工具调用、结果校验和失败重试,上下文长度和步骤数都上去了。2026 年 10 月的 CIO 调研把「单次 Agentic 任务 Token 消耗常为简单问答数十倍」列为预算要点,所以成本要按任务测算,不能按「一次提问」估算。

什么是「办公超级入口」?

2026 年 10 月 IDC 中国 CIO 峰会给出的判断是:智能化工作平台可能成为大部分知识工作者的办公超级入口,从沟通协作工具进化为 AI 驱动的工作调度中心。判断一个入口是不是「超级」,看它能不能发起并跟进跨系统任务,而不只是能不能聊天。

AI 让效率变高了,为什么我反而更忙?

2026 年 11 月一篇专题列了三个原因:多数工作并非全自动化,人要不断优化需求、修改结果、把握验证;提效后任务更多;7×24 值守打破人的工作节奏、把时间切得更碎。个人提效不等于组织提效,这也是「停在问答」常被忽略的代价。

本文观点

1. 问答与业务执行隔着四道门:业务对象识别、系统写回、权限边界、异常时安全停下。四道门串联,任何一道没过,AI 都会退回成一个更会说话的搜索框。

2. 438 家企业调研中,已落地的 287 家把「运营效率提升」列为首要价值的占 68.6%,收入增长仅 13.6%、风险管控 12.5%;能答的问题与能改的经营结果不是一回事。

3. 佰工钢铁把成本核算从月末平均改到每一卷、各工序、各机台的直接可控成本,涉及 100 多项成本项,一卷下线约 5 分钟可看结果;变化的是管理颗粒度,不是模型参数。