作者 | 虎嗅智库
AI 越来越能干活，企业却未必因此赚到更多钱。
" 过去 5 个人写代码、1 个人审核。用了 AI Coding 之后，一个人就能生成大量代码，结果变成 5 个人都审核不过来。"
迪卡侬中国执行副总裁肖路在 WAIC 期间，虎嗅特别策划的这场 AI 决策者闭门会上，分享的这个细节，几乎可以概括当下企业 AI 落地的最典型的困境。
模型更强、Token 更便宜，可以迅速放大单个环节的产出，却不会自动提升整条业务链的效率。一个环节提速后，瓶颈可能随即转移到审核、决策和执行的下一环。
这也是企业 AI 落地正在经历的重心转移。过去一两年，企业关系的是 "AI 能不能落地、怎么落地 "；现在，AI 已经能干不少活，也带来了局部的降本增效，但真正难的是企业如何调整流程和组织，把这些零散的效率转化为可核算、可持续的经营成果。
围绕以上问题，WAIC 期间，虎嗅邀请了阶跃星辰、林里 LINLEE、知微行易、云迹、PPIO、自然堂、施耐德等约 30 位来自模型、应用、及零售、制造等的企业决策者，进行了一场持续 3 个小时的闭门讨论。讨论最终落在了三个层面：Token 越来越便宜后，AI 的价值会流向哪里；什么样的 AI 产品能够真正赚到钱；以及，当 Agent 开始接手工作，企业的组织是否准备好了。
Token 越来越便宜，任务闭环越来越 " 贵 "
大模型能力持续提高，Token 成本不断下降，但技术进步并没有等比例转化为产业价值。长江商学院杰出院长讲席教授、AI 智能产业实验室主任孙天澍将这一现象概括为"AI 价值倒三角 "：算力和模型所在的底层最为火热，产品创新和产业重构所在的中层和上层却相对温吞。
行业现在并不缺 Token，缺的是把 Token 转化为千行百业能够使用、也愿意付费的产品价值。
过去，模型公司的竞争主要围绕参数、榜单和上下文长度展开。随着基础能力之间的能力差距逐渐缩小、调用成本不断下降，单纯卖 Token 的议价空间也在被压缩。竞争的下一站，不只是模型会什么，而是它能否进入真实业务，持续完成任务，并在执行中获得反馈。
这意味着，模型要把技术能力变成产品价值，必须从提供一次调用，走向介入一段工作流；而进入工作流后产生的环境数据、任务轨迹和结果反馈，又可能反过来构成新的模型壁垒。
阶跃星辰首席战略官李璟将模型竞争的核心归结为 " 数据飞轮 "。阶跃在选择进入一个垂直领域前，首先考量的不是这个行业能消耗多少 Token，而是其中有没有形成数据飞轮的可能性和价值：模型能否深度嵌入工作流，持续获得环境信息、任务轨迹和结果反馈，再利用这些数据优化后续执行。
在李璟看来，阶跃拓展垂直 Agentic Service 领域的方法论包括：" 好的场景牵引、清晰的场景定义、对工作流的深度介入，以及环境数据和任务轨迹的持续回流 "。十分关键的一点是，垂直 Agentic Service 的壁垒不只是积累更多行业文档，而是能否在真实业务中持续执行任务，并把过程与结果转化为下一轮优化的养料。
目前，阶跃星辰正进一步深入金融、企业服务和零售等行业场景，并探索多种商业化模式。这并不意味着 Agent 已经普遍具备结果付费的条件，但至少说明，部分场景的商业模式开始从简单出售模型调用，逐步转向围绕业务结果收费。
如果说工作流决定模型能否获得业务反馈，那么终端则可能决定由谁掌握任务发起前的用户上下文。李璟提出，未来可能形成终端 Master Agent 与专业 Service Agent 之间的 "A to A" 网络：前者跨手机、汽车等终端理解用户并分发需求，后者进入具体场景，负责完成专业服务。
终端的重要价值，在于它沉淀了大量个人数据和上下文，可以让通用模型实现更高程度的个性化。但掌握入口并不等于掌握全部价值。Master Agent 负责理解用户需求并进行任务分发，而具体任务和结果的交付仍要由深入行业的 Service Agent 完成。两者分别控制任务闭环中的不同环节，最终如何进行价值分配，取决于谁拥有不可替代的上下文、反馈数据和交付能力。
由此看，Token 降价只是降低了 AI 的使用门槛，并不会自动创造价值。随着通用模型能力逐渐成为基础供给，价值正向三个更稀缺的环节转移：用户上下文、垂直工作流和结果交付。
模型能生产多少 Token，决定了 AI 能力的上限；谁能把这些 Token 放进真实任务，形成持续反馈和可验收结果，才决定商业价值最终留在哪里。
AI 产品的生死线：能不能交付结果
过去两年，市场上出现了大量 AI 产品：聊天机器人、Copilot、知识库、Agent，以及包装成 " 硅基员工 " 的各种应用。
但产品数量的增长，并没有带来同等规模的商业收入。企业愿意为试点项目买单，却未必愿意扩大预算；大量员工在用 AI，也不代表 AI 已经进入核心业务流程。
原因并不复杂，会回答问题、会生成内容，只能证明 AI 能用。能够独立完成一段工作，并交付可验收的结果，才意味着商业模式可能成立。
知微行易 CTO 黄晓辉认为，传统 ERP、MES、CRM 等系统强调清晰边界，主要承担记录数据、固化流程的作用，而 Agent 驱动的智能应用需要打破系统边界，理解企业语义、并调动不同资源完成任务。人在其中也不再只是流程操作者的角色，而会更多转向目标设定、异常处理和结果判断。
同时，企业并不会因为部署了更多 Agent，就自然走向 " 自主企业 "。大量企业系统彼此割裂、数据口径和业务语言并不统一、仍会阻碍 Agent 的结果交付。在黄晓辉看来，AI 落地的问题不在于调用更多 Token，而在于通过企业语义、资源数据和业务规则的统一，降低调用成本，提高执行准确率。
而 Coding 之所以最先接近这条线，正是因为它拥有相对完整的执行和验证环境。代码库提供上下文，编译器和测试工具执行、验证结果，错误信息又能返回给模型继续修正。任务是否完成、节省了多少研发时间，也相对容易计算。
很多非 Coding 场景恰恰缺少这种验证环境。营销内容的增长效果很难单独归因，管理建议也难以直接对应经营结果。
因此，Coding 真正值得被复制的不是产品界面，而是一套商业化条件：高频任务、完整上下文、可验证结果、可控成本，以及对业务流程的深度嵌入。
而企业愿意为 AI 持续付费，通常只有两个理由：明确省钱，或者明确赚钱。
交个朋友高级副总裁、曼达斯克 CEO 崔东升以广告素材为例：当 AI 制作一条素材的成本在约 120 元时，商业上很难成立；降到约 50 元后，才进入可用区间。但如果同类素材人工制作成本约为 30 元，AI 仍未天然获得经济优势，还需要在速度、规模、质量或转化率上证明额外价值。
这笔账说明，AI 商业化不是等到成本低于人工才开始，但一定要跨过客户可以接受的成本拐点。AI" 能做 " 只是技术条件，能否形成独立闭环、交付业务结果，才决定企业会不会持续购买。
这也是为什么 " 提效 80%" 越来越难打动企业。企业真正关心的是：效率提高以后，有没有缩短交付周期，有没有减少外包支出，有没有增加收入，或者有没有真的减少人力投入。
如果 AI 只是让员工更快完成某个环节，后续却仍需要大量人工审核、修改和执行，那么所谓提效只是把压力转移到了下一环。
崔东升在现场表达得更直接：" 但凡只谈赋能的 AI 应用，基本上都很难成功。"" 赋能 " 最大的问题，是它只描述 AI 提供了什么能力，却没有回答最终结果由谁交付。企业可能买到的不是一个可以承担工作的生产单元，而是又一件需要人来管理、监督和善后的工具。
问题由此从 "AI 能提供什么能力 "，推进到了 "AI 能承担多少责任 "。像素绽放 PixelBloom 创始人兼 CEO 赵 充认为，真正的 AI Native 产品不应只是工具，而应该成为能够交付结果的 " 硅基员工 "。这意味着，产品不能停留在帮人生成一份内容或提供一个建议，而要承担一段相对完整的工作，并接受质量、成本和结果的验收。
这也为 AI 产品划出了一条更清晰的边界，Agent 主要帮助人完成任务，" 硅基员工 " 则要对一部分任务结果负责。两者的差别不只是自动化程度，更在于企业是否可以减少中间的人工作业，以及是否愿意把责任真正交出去。
产品形态当然会继续变化，今天是 Agent，未来甚至不再需要传统软件界面。但客户的问题不会随之改变—响应太慢、研发周期太长、营销成本太高，或者供应链决策不够准确。
AI 产品真正要做的，不是追逐最新形态，而是回到问题本身，确定需要进入哪段工作流、获取哪些上下文，哪些判断必须留给人、以及最终用什么指标验收。只有先定义问题，企业才能进一步确定 AI 应该获得哪些上下文、进入哪一段工作流、用什么指标验收，以及哪些判断必须留给人。
沿着这套标准看，Token 消耗也不能直接等同于商业价值。语核科技 COO 胡睿提到，语核非研发部门每月的 Token 消耗已经从约 6 万元增至 12 万元，这至少说明业务人员开始主动使用 AI；但使用量增加，只能证明 AI 变得活跃，不能证明企业已经获得了同等价值。
如果 Token 账单增加，没有对应到成本下降、收入增长或周期缩短，那么它只是多了一笔 IT 支出。企业最终购买的不是调用量，而是调用之后产生的经营结果。
综合现场讨论，一款 AI 产品要形成持续付费，大致需要满足一个公式：持续付费 = 高频任务 × 可验证结果 × 可控成本 × 流程嵌入。
Agent 商业化的临界点，不是企业部署了多少个智能体，而是企业是否敢把一段完整工作交给它。当 AI 可以接收任务、调用工具、完成执行并接受验收时，它才从辅助工具变成生产单元。
可一旦 AI 开始承担完整任务，企业就必须重新回答另一个问题：原来的流程、岗位和责任边界还是否适用？
Agent 开始上岗，旧流程必须让路
过去两年，企业主要担心 AI 有没有能力完成工作；那么现在，问题开始改变，当 AI 已经能承担一部分任务，企业和组织有没有能力接住它？
AI 进入核心业务后，最先暴露的往往不是模型短板，而是企业自身的问题：数据口径不一、流程模糊、部门权责不清，以及大量依赖个人经验没有被写进系统的隐性规则。
迪卡侬中国副总裁肖路在现场就感概，AI 不会自动加速企业，但会像一面镜子，照出企业数字化建设中的薄弱环节。
在迪卡侬的实践中，AI 进入企业大致经历三个阶段：首先是个人工具化，员工用 AI 写 PPT、查资料或 Coding；随后是 AI 进入工作台，尝试完成端到端任务；最后才是组织重构，部门协同和工作分配方式发生变化。
所以企业 AI 落地的真正分水岭，不是企业有没有用 AI 工具，而是 AI 有没有进入核心工作流。
个人工具化很容易制造 " 人人都在用 AI" 的繁荣，但局部效率并不等于组织效率。一个环节的产出突然放大，如果审核、决策和执行环节没有同步变化，企业只会得到更严重的拥堵。
企业 AI 落地，不能只是给旧流程装上新工具，更重要的是从业务结果出发，重新设计工作的组织方式：一项工作是否还需要沿着原有部门和岗位逐级流转？任务链能否重新切分，中间交接能否被压缩？哪些规则明确、重复度高的任务可以交给系统和 Agent，人则更多转向目标设定、复杂异常处理与最终决策？
中国生物制药已将这种探索从 " 工具提效 " 推进到组织重构。CIO 曹奋泽表示，团队内部已经开始重新审视岗位与职责边界：哪些岗位不再需要独立设置，哪些职责可以合并，哪些任务可以持续交由 Agent 完成。关键并不是简单地让 AI 替代人，而是重新回答三个问题：谁定义目标，谁管理 Agent，谁对最终业务结果负责？
走到这一步，AI 改变的就不只是员工的工作方式，也会进一步重塑企业的组织结构、协作关系和权责边界。未来的管理者不仅要管理人，也要管理 Agent；Token 也不再只是 IT 成本，而会逐渐成为业务负责人围绕结果配置的一种经营资源。
但也正是在这里，大企业和 AI 原生公司的演进之路开始出现了分岔口。
AI+ 还是 +AI，取决于谁承担迁移成本
孙天澍提出，"100 次 +AI，不如一次 AI+"。与其在旧流程上不断添加 AI 功能，不如围绕 AI 能力重新设计产品和组织。他建议企业建立 30 至 100 人规模的 "AI 特区 "，先让一支相对独立的团队按照 AI 原生方式工作，再把成熟经验带回主体组织。
施耐德电气数智化转型总设计师毛春景则给出了更谨慎的答案。对于一家业务分布在上百个国家、拥有大量工厂和物流中心的跨国企业，短期内全面向 "AI+" 并不现实。数据治理、安全合规、遗留系统和人员抵触，都决定了组织只能渐进改变。
施耐德的路径，是先从内部提效、产品增强和对外 AI 服务入手，同时建立专门工作组、技术平台、人才培养和内部社区。毛春景把社区和联盟形容为推动变革的 " 软刀子 "：硬的一面是平台、制度和工作组，软的一面则是降低员工对变化的抵触。
两条路径很难简单分出对错。
AI 原生创业公司没有太多历史包袱，可以围绕 Agent 从零设计流程；中小企业决策链条短，也更容易通过岗位调整迅速兑现收益；大型企业则必须同时处理旧系统、跨部门协同、合规要求和既有利益。
因此，更准确的判断不是 " 小企业做 AI+，大企业做 +AI"，而是AI+ 更像是目标状态，+AI 是多数大企业不得不经历的迁移路径。真正的分歧，不是要不要 AI 原生，而是谁来承担迁移成本。
最难改的不是流程，而是利益
谈组织重构，很容易停留在 " 培养复合型人才 "、" 建立 AI 团队 " 这些正确但安全的结论上。但当我们继续追问，会发现组织重构始终绕不开预算、责任和利益的重新分配。
谁拥有 Token 预算？谁负责管理 Agent？AI 做错了，是业务部门、IT 部门还是供应商负责？AI 节省的人力成本归哪个部门？一个部门主动交出数据和流程之后，会不会反而面临预算削减和岗位裁撤？
这些问题如果没有答案，业务部门就很难有动力真正开放自己的流程。
过去，企业的权力通常围绕人数、预算和信息形成。AI 进入之后，一部分执行工作可能由 Agent 完成，管理者的价值也会从分配任务，转向定义高价值问题、识别可标准化工作、处理异常情况并建立治理规则。
这会直接改变中层岗位的价值，也会重新分配部门之间的话语权。相比部署一个模型，这才是企业更难推动的变化。
旧岗位的价值需要重估，新的能力角色也要随之建立。孙天澍提出，企业需要培养一批 "AI 架构师 "：既理解产业本质和业务场景，也清楚智能体的能力边界，能够据此重新设计产品、流程和组织。这并非传统 IT 架构师的简单升级，而是连接 AI 能力与产业重构的关键角色。
肖路进一步将企业需要的能力拆分为三类：懂业务的人定义价值，懂数据的人构建上下文，懂 AI 的人负责工程落地。关键不是要求每个人同时精通三者，而是让三类能力围绕同一个业务结果协同工作。
所以，企业 AI 竞争的分水岭，不是谁部署的 Agent 更多、Token 烧得更猛，而是谁能率先完成三件事：重构端到端流程，重新划分人与 Agent 的责任，并建立与之匹配的预算和治理机制。
结语：AI 下半场，企业先要改造自己
这场闭门会没有给出一个适用于所有企业的 AI 答案。
有人认为应该先改流程、再上 AI，否则价值无从捕捉；也有人主张让 AI 先从下往上渗透，再由使用结果倒逼流程重构。有人坚定走向 "AI+"，也有人认为大型企业未来几年仍只能渐进式 "+AI"。
但一个基本共识已经出现：模型能力不再是企业 AI 落地的唯一瓶颈，数据、流程、岗位和管理机制正在成为更难跨过的门槛。
模型决定 AI 能做什么，产品决定客户愿不愿意为它付费，组织则决定这些能力能否真正变成经营结果。
AI 开始能干活之后，企业真正的考题才刚出现。下一轮企业 AI 落地的竞争，比的不是谁部署了更多 Agent，消耗了更多 Token，而是谁敢先动旧流程、旧岗位和旧利益。
欢迎扫码添加 " 智库小虎 "，加入虎嗅 AI 社群，参与后续闭门研讨，获取更多 AI 落地案例
