AI 进了业务，方案却没人用：企业转型最难的一关不在模型

「如果 AI 还没有进入你的真实业务，其实就已经慢了一点。」在「哈佛商业评论（中文）年会暨新增长研讨会 2026」上，蚂蚁数科副总裁孙磊给出了这个判断。比这句话更值得琢磨的，是同一场讨论里几位企业管理者反复提到的另一个问题：方案做出来了，为什么没人用？

一分钟速览

• 企业使用 AI 的重心，正从「效率工具」转向「真实业务场景」。
• 蔡司光学把智能眼镜定位为「光学芯」，希望像英特尔 Inside 一样嵌入多品牌终端。
• 中国燃气把人力资源部门与 CTO、IT 团队合并，成立「人才与数智中心」。
• 多位管理者认为，AI 落地最隐蔽的成本，是数据能力嵌入业务流程时的组织摩擦。

从「买工具」到「改流程」

孙磊观察到一个变化：今年上半年，多数企业仍把 AI 当作提升效率的工具；到了下半年，越来越多的企业一号位和核心管理者开始思考，如何让 AI 深度对接真实业务场景。这个转向听起来顺理成章，做起来却意味着权力、流程和考核方式的重新分配。

卡尔蔡司光学（中国）有限公司董事长兼总裁杨晓光，把公司的 AI 实践拆成消费和制造两端。消费端，蔡司在中国服务 5 万多家眼科医院与眼镜零售门店，AI 一方面辅助验光师、视光师做更专业的诊断，另一方面帮助消费者读懂屈光度、散光、轴位这些专业术语。公司还推出了面向儿童青少年近视管理的 AI 风险预测模型，把检测指标转成家长容易理解的风险图谱，让门店从一次性配镜交易，转向持续性的眼健康数据服务。

制造端，数据从验光端传入工厂，工厂每天生产几十万个个性化定制镜片供应全球；灯塔工厂里，质量监控、设备维护和管理等环节已经落地 AI 应用。这条链路的关键不是某个模型，而是数据从门店到工厂的贯通。

智能眼镜与「光学芯」

杨晓光还谈到智能眼镜业务的探索：从传统光学转向消费电子配套，蔡司希望打造类似英特尔 Inside 的模式，与任何 AI 终端产业链合作，不冲在前台做面向消费者的整机品牌，而是做嵌入产品内部、可赋能多品牌的光学方案。

一个多月前，广州 AI 眼镜产业园暨蔡司光学小镇正式动工；今年年初，蔡司光学位于广州的光学制造基地拿到全球镜片行业首个「灯塔工厂」认证。在新五年战略规划里，AI 赋能数字化转型、数据智能应用被列为核心主线。这些动作说明，传统制造企业谈 AI，已经不只是采购一套软件，而是在重新定义自己在产业链里的位置。

组织摩擦才是隐形成本

讨论中最实在的一段，来自杨晓光的坦白：「我们也试过，IT 数字化的专家做了很多方案，最后没人用，用户体验不好。」他的结论是，一套能真正落地的系统，必须由实际使用者——业务负责人——牵头，AI 专家与服务专家提供技术支撑。蔡司的做法是把数据专家设为正式岗位，让数据专家深入具体业务工序，协助业务部门做分析、搭业务智能体，但项目主导权仍然交给业务侧。

孙磊从服务商角度印证了这个痛点：「现在存在一个最大的问题，就是科技公司不理解业务。」把业务逻辑翻译成技术能理解的语言，需要很高的落地成本。蚂蚁数科在交付智能体项目时，会邀请合作方内部的顶尖销售人员、理财师、信贷员、门店店长梳理一线流程，再与 AI 技术结合。

中国燃气控股有限公司执行董事兼副总裁刘畅给出的解法更彻底：把人力资源部门与 CTO、IT 团队合并，成立「人才与数智中心」，打破部门墙，重新设置组织项目组，考核目标直接指向业务效能提升。公司对 AI 的应用分为三层：最基础的是会议合规检测、多维表格信息收集；第二层是改变工作方式，把金牌销售的经验沉淀为可复制的方法论，并用 OCR、人脸识别和动态模型在入户安检中自动识别隐患；第三层是商业模式迭代，从卖燃气拓展到综合能源服务与多品类销售。

中信数科党委委员兼副总经理郑军则把基础设施的位置往前挪了一步：技术供给在快速迭代，但企业内部业务与科技的协同更难攻克；随着运营数据持续沉淀、客户服务承诺等级提升，算力网络已经不是配套技术，而是 AI 生产力的第一个基础设施。

趋势洞察

这几段发言拼在一起，勾勒出企业 AI 落地的真实顺序：先有业务负责人愿意为结果负责，再有数据专家进入流程，最后才是模型和算力。反过来做——先买模型、再找场景——很容易得到一堆演示效果不错、日活却很低的系统。

对 AI 服务商来说，这意味着交付物正在变化：不是一套软件，而是「业务流程 + 数据接口 + 智能体 + 考核指标」的组合。对企业来说，最该问的问题也不是「我们用哪个模型」，而是「哪个岗位的哪一步动作，今天因为信息不通而变慢」。回答不了这个问题，AI 就仍然只是年会上的一个词。