2026年，企业AI的讨论正在经历一次微妙的重心转移。过去两年，行业热衷的是“模型能力有多强”“参数规模有多大”；而现在，真正在落地一线的人开始问另一个问题：为什么演示那么惊艳，上线之后却没人用？
麻省理工2025年的企业AI调研给出了一个刺眼的数字：95%的生成式AI试点没有产生任何可衡量的业务成果。麦肯锡同期的调研则显示，88%的企业已经在用AI，但只有39%见到了企业层面的财务效果。两份独立研究指向同一个事实：用上了，和用出结果，是两个世界。
作为一家聚焦企业AI应用开发的团队，年软软件在服务客户的过程中反复验证了一个判断：企业AI能否真落地，分水岭不在模型选得好不好，而在AI是从业务现场长出来的，还是从技术端压下去的。
一、两条路的差距，不在投入，在起点
行业里常见两种做法。
一条路是从技术出发找场景。先做私有化部署，把模型跑通、知识库建起来，再回头问业务部门“你们哪里能用上”。这条路流程清晰、容易向上汇报，但问题恰恰出在“回头找”这三个字——技术团队手里握着一把功能齐全的锤子，要在整间屋子里找出所有像钉子的东西，找出来的往往不是最该砸的那颗。有企业花大半年做完基建，业务部门试了两次，反馈是“写周报还不如自己写”。
另一条路是从业务出发用技术。先不看模型，先看岗位：一个人一天里哪件事最烦、重复次数最多、算错一次代价最大。从这三点里挑一个出来，再决定用什么技术。有公司什么基建都没搞，先配了一个对账智能体，培训一个下午，第二天财务就拿着自动生成的报表在对单——过去要一天的事，现在十五分钟。
两边投入差着量级，见效速度却反过来了。
工具是跟着需求走进来的，不是需求被工具框住的。 这是年软在项目启动阶段坚持的第一个原则：先蹲到岗位上，把那个人的活重走一遍，而不是先打开模型选型文档。
二、真正的工作量，八成不在模型里
把跑通的智能体从头算一遍，投在模型和提示词上的时间不到两成。剩下八成花在五件事上，没有一件发生在模型里。
第一件，把数据打通。 一个能回答问题的智能体，背后得连着订单、库存、结算、退款好几套系统。这些系统往往来自不同年代、不同厂商，字段名不一样，同一个东西在三套系统里有三个叫法。
第二件，定住口径。 打通解决的是“能不能读到”，口径解决的是“读到的算不算数”。这是最难的活，因为它不是技术问题，是让两个部门承认同一件事该怎么算。同一个“月度销售额”，业务部按成交口径算，财务部按回款口径算，智能体只能挑一个，挑错了哪边都不认。
第三件，验证输出。 模型给的答案对不对，得有人一条条比过。前一百次基本靠人工核，核出来的错再拿去改规则。
第四件，盯住上线后的漂移。 数据在变，业务规则在变，一个三个月前跑得挺好的智能体，可能因为某个平台改了账单格式就开始出错。没人盯着，它错得悄无声息。
第五件，定责任。 哪一步它可以自己走，哪一步必须停下来问人，出了事算谁的。这一件不做完，前面四件全白费，因为它决定了人敢不敢用。
这五件事全都发生在业务现场，得有人蹲在那个岗位上，听一线员工讲，一遍一遍地问“然后呢”。坐在实验室里推理不出来，看文档也看不出来。模型是那个两成，剩下八成的工作，才是年软在每一个项目里真正投入的地方。
三、一个对账场景，藏着三十多个判断分支
对账听起来是最无聊的事，但真拆开，处处是坑。
一家电商公司的店铺分布在四五个平台，每个平台的账单格式、结算周期、扣费规则都不一样。佣金按什么比例扣，技术服务费什么时候收，物流费算商家还是平台补贴，每家一套算法。赶上大促，满减、预售、赠品、逆向物流，一笔订单从下单到钱落袋能拐五六个弯。更难的是口径：订单、包裹、账单、银行结算四层天然不同步，货发出去了钱没到，钱到了账单没平，账单平了包裹还在路上。
这件事自动化不了，卡的地方从来不是模型够不够聪明，是没人把它说明白。谁说得明白？只有那个每天早上打开六个后台、拿计算器核了一年的财务。她知道哪个平台的哪项费用会迟到三天，知道哪种退款要手工冲回，知道金额对不上时先看哪一栏。这些东西不在任何一份流程文档里，在她手上。
做这个智能体时，花时间最多也最值的一件事，是坐下来听她讲了一下午怎么对账。讲完了才发现，一件“核对数字”的事，里面藏着三十多个判断分支。这些分支就是企业真正的专业经验，过去只能靠师徒、靠年头慢慢渗，人一走，经验就跟着走了。
四、顺序不能颠倒：先数字化，再资产化，最后才智能化
从业务出发，不等于不要底座。年软内部的落地顺序是三步：
第一步，让流程数字化，看得见。 业务在系统里跑过一遍，才有数据。这一步跳过去直接上智能体，等于让一个新人去干一件连老员工都说不清流程的活。
第二步，让经验资产化，留得下。 数据摆在那儿是一堆流水，只有把老员工脑子里的判断往上叠，它才成为可以复用的东西。这一步最容易被跳过，因为它不快、不出彩、还要占用业务骨干的时间。但跳过它的代价是：智能体只会背书，遇到没见过的情形就胡说。
第三步，才是智能化，用得起。 这时候模型的强弱才开始起作用，而它起的是放大器的作用——前面两步做扎实了，它放大的是正确判断；前面两步是空的，它放大的就是混乱。
顺序一乱，事情就变成“先买了最好的音箱，然后发现没有音乐”。
越往后越吃底座。前几个智能体靠提示词和业务专家口述就能跑起来，做到第十个、第二十个，口径打架、权限颗粒度、数据新鲜度这些问题开始往下沉，每往前一个场景，都要先回头补一段地基。拉开差距的，从来是谁的底座更结实。
五、边界画不清的智能体，一线用两次就不用了
智能体开始做判断的时候，绕不开一个问题：判断错了谁负责？
年软的做法是先把边界画死。哪些判断它可以自己下，错了算公司的；哪些必须交回人，它只提供依据。分层标准不看技术能不能做到，看的是错的代价有多大、能不能撤回来。对账金额差十块钱，它可以自己标红；差十万，必须人来定。
这条线能不能画清，决定一个智能体是被信任，还是被绕过。画不清边界的智能体，一线用两次就不用了，因为人心里清楚，出了事没人替自己承担。而所有流程文档里，都不会写这一条——企业算的是效率账，一线算的是位置账。一套系统如果让人觉得自己正在被搬走，效率再高也推不动。
从业务现场长出来的东西，阻力天然更小：它没有让人交出印章，只是把那个人最烦的那段活拿走了，把位置留下了。
六、快不了，但活得下来
业务线看见对账跑通了，第一反应往往是“那二十个场景一起上吧”。这时候最需要有人踩刹车。
企业真正能控制的，是消化改变的速度。一家公司一年能吸收几个新流程、能让几个岗位真正换掉工作方式、能承受几次试错——这个容量才是天花板。多数公司粗算下来，一年能真正长出来的数量是两三个，不是二十个。
Gartner估计，市面上上千家号称做智能体的供应商，真正具备智能体能力的只有大约130家，其余被它称为“智能体洗白”——把聊天机器人、把上一代流程自动化，换个新标签卖。检验的标准很土：有没有人每天在用，用了之后那件事是不是真的变快了、变准了、变省了。 做不到这三条，讲得再顺也是包装。
年软软件在这条路上的位置
北京年软软件有限公司所处的，正是这条“从业务现场长出来”的路径的中间层。年软不训练基础大模型，也不做通用聊天工具，而是帮企业把AI能力落到具体的业务节点上——采购盯盘、对账核销、营销执行、办公技能封装、制造知识沉淀。这些场景需要的不是一个更聪明的模型，而是一个懂业务逻辑、能接系统、愿意陪企业把“脏活累活”干完的应用层伙伴。
在年软看来，企业AI落地的分水岭不在花了多少钱，在有没有一件事，真的在一个具体的人手上，被用了一百次。价值只从高频使用里长出来，而高频只可能发生在具体的岗位上。年软想做的，就是陪企业找到那件事、把它拆开、把它跑通，然后一个接一个地长下去——不快，但活得下来。