企业 AI 转型为什么必须自上而下？我用「AI 渗透率」和两个公式讲清楚

大家好，我是揪只兔子 Juin~

最近在和企业老板聊系统、数字化和 AI 的时候，我反复听到一种很相似的焦虑。

大家都知道 AI 不能不做。模型越来越强，同行在用，员工私下也在用。可一旦真的想把 AI 推进企业，问题马上就来了：

是给全员买一个 AI 账号？做几场培训？要求每个人每天都用？还是让各个部门自己找场景、报成果？

这些动作当然都可以做，但坦白讲，它们很容易制造一种"我们已经在做 AI 转型"的热闹感。过一段时间再回头看，真正进入业务流程的 AI 依然很少，员工的使用也停留在写文案、做总结、偶尔问几个问题。

我以前有过一个判断：企业的 AI 转型必须自上而下。

但这里的"自上而下"，绝对不是老板在群里发一句"大家以后都要用 AI"，也不是下达一个"全员使用率达到多少"的指标。

真正需要自上而下设计的，是企业准备让 AI 进入哪些业务场景，AI 可以调用哪些企业知识，它应该嵌入哪一段工作流程，以及团队怎样持续使用、反馈和迭代。

这背后，我们可以用一个非常重要的概念来解释：

AI 渗透率。

01｜老板真正要推动的，不是"全员学 AI"

很多企业现在推动 AI，最先关注的是工具使用率。

有多少员工开通了账号？一周调用了多少次？有多少人参加了培训？提交了多少个 AI 场景？

这些数字可以作为观察，但它们不等于 AI 真正进入了企业。

一个销售每天用 AI 润色朋友圈，不代表 AI 已经进入销售流程；一个项目经理用 AI 写周报，也不代表 AI 已经理解项目进度；员工偶尔把会议记录丢给模型总结，更不代表企业的经验已经变成了可以复用的知识。

我更愿意把"AI 渗透率"理解为：在企业关键业务环节中，AI 能够稳定参与，并产生可验证结果的程度。

重点有三个：关键业务环节、稳定参与、可验证结果。

比如在销售环节，AI 能不能读取客户背景、历史沟通和产品资料，帮助销售准备跟进方案？在项目环节，AI 能不能结合任务、会议和交付记录，识别延期风险？在客户服务环节，AI 能不能基于真实合同、服务记录和企业知识回答问题？

当这些能力不再依赖某个员工临时想起来"问一下 AI"，而是已经嵌进团队每天都在走的流程里，AI 渗透率才真的开始提升。

02｜为什么同一个模型，在不同企业里差别这么大？

想理解这个问题，我们先来看大模型最基础的工作原理。

大模型根据你提供的输入和上下文，预测并生成接下来最合适的内容。模型本身的推理能力、语言能力和知识能力当然很重要，但它并不知道你公司的客户是谁、项目进行到了哪一步、合同里约定了什么，也不知道你们团队过去做过哪些判断。

所以，我会把 AI 产出的质量写成一个很简单的公式：

AI 产出质量（Q） = 模型能力（M） × 企业上下文（C）

为了方便理解，你也可以先把它看成"模型能力 + 企业上下文"。但如果从真实效果出发，我更愿意使用乘法。

因为任何一项接近零，最后的结果都会被整体拉低。

模型能力，是大模型本身的理解、生成、推理、多模态和工具调用能力。它决定了 AI 的基础智商和能力上限。

企业上下文，是模型在完成这一次任务时，能够获得的企业专属知识。它可能包括客户信息、项目数据、产品资料、历史方案、会议决策、任务进度、合同规则、人员权限和团队的专有词汇。

举一个很简单的例子。

如果你问一个通用模型："这个项目为什么延期？"它只能给你一组常见原因。可如果 AI 能同时看到项目计划、任务完成情况、最近三次会议纪要、客户反馈、交付文件和负责人变动，它才有可能告诉你：到底卡在哪里，谁需要介入，以及下一步应该先处理什么。

模型再聪明，没有企业上下文，也只能给出一个聪明但泛泛的答案。

而在模型能力逐渐成为公共基础设施之后，企业真正能形成差异的地方，恰恰就是上下文。

05｜企业 AI 价值，不只取决于模型

讲到这里，我们可以得到第二个公式：

企业 AI 价值 = 数字化底座 × 模型能力 × 流程嵌入 × 组织使用

这四项里，很多企业只关注了"模型能力"。

哪个模型更聪明？参数量多大？推理能力强不强？价格是多少？这些当然重要，但它们只解决了四分之一的问题。

数字化底座决定企业有没有可以被 AI 理解和调用的知识。如果客户、项目、合同、任务仍然散落在 Excel、群聊和个人记忆里，AI 连真实业务发生了什么都不知道。

模型能力决定 AI 能理解多复杂的问题，能够生成、推理和执行到什么程度。

流程嵌入决定 AI 是一个需要员工主动打开的聊天窗口，还是已经出现在销售跟进、项目推进、会议复盘、合同检查和经营分析的具体节点上。

组织使用决定这套能力能不能真正活下来。团队有没有使用习惯？是否愿意反馈？输出错误以后谁来纠正？好的经验能不能继续沉淀？

这也是为什么，有些企业买了非常强的模型，最后仍然只是在写文案；而有些企业使用的模型未必是最贵、最新的，却已经让 AI 进入了客户管理、项目交付和经营决策。

差别不只在模型。

差别在于企业有没有为 AI 准备好一套可以持续运行的环境。

06｜"自上而下"到底应该怎么落地？

回到开头的问题。

企业 AI 转型必须自上而下，到底应该由老板做什么？

第一步，不要先要求全员学工具，先选一个高价值场景。

这个场景最好同时具备三个特征：现在确实消耗大量时间，企业已经积累了一部分相关数据或知识，效果能够被观察和验证。

比如销售跟进准备、项目周报、会议结论追踪、客户服务问答、合同信息提取、经营数据分析，都比"让大家自由探索 AI"更容易形成真正的业务结果。

第二步，梳理这个场景需要哪些企业上下文。

AI 要完成任务，需要读取哪些表、哪些文档、哪些会议、哪些历史记录？这些知识现在存在哪里？字段是否统一？内容是否过期？权限如何控制？

这一步本质上是在补数字化底座。

第三步，把 AI 放进原来的工作流程。

如果员工必须离开正在使用的系统，复制一堆资料，再自己组织 Prompt，很多场景最终都会因为麻烦而停止使用。

更有效的方式，是让 AI 在任务创建、客户跟进、会议结束、项目预警等具体节点出现，让它获取当时需要的上下文，再把结果送回团队原来的工作位置。

第四步，持续观察使用和结果。

AI 渗透率不是一个上线当天就完成的指标。老板需要看的，是哪些关键业务环节已经有 AI 稳定参与，哪些环节仍然靠人工搬运信息，员工为什么不用，以及 AI 的结果有没有被真正采纳。

从一个场景跑通，再扩展到第二个、第三个。知识持续沉淀，流程持续调整，团队持续形成使用习惯。

这才是"自上而下"真正应该推动的事情。

07｜不是先完成全部数字化，才能开始 AI

讲到这里，也很容易产生另一个误解：

是不是企业必须先花几年完成全部数字化转型，才能开始做 AI？

当然不是。

数字化是 AI 落地的底座，但企业完全可以从一个高价值场景开始，一边补齐这部分业务的数字化，一边把 AI 嵌入流程。

先把客户跟进记录统一起来，再让 AI 帮销售准备下一次沟通；先把项目任务和会议决策关联起来，再让 AI 识别风险；先把产品资料和客户问题沉淀起来，再让 AI 辅助客户服务。

它更像是一个不断生长的循环：

业务数字化 → AI 嵌入 → 使用反馈 → 持续优化

每跑通一个场景，企业就多了一块可以被 AI 使用的知识，多了一段已经嵌入 AI 的流程，也多了一批形成使用习惯的人。

AI 渗透率就是这样一点点提高的。

08｜最后想说

我知道，很多老板面对 AI 的时候会着急。

模型几乎每天都在更新，新的工具不断出现，同行也在讲自己的 AI 战略。好像只要慢一步，就会错过整个时代。

但企业真正需要建立的，从来不是追逐每一个新工具的速度。

更重要的是，慢慢把散落在业务里的数据、文档、过程和经验沉淀下来，让它们成为模型能够理解的上下文；再把 AI 放进一个个真实工作环节，让团队用起来、反馈它、修正它。

模型会继续变强，也会越来越像水、电和网络一样成为基础设施。

真正属于一家企业的竞争力，是它积累了什么知识，怎样组织这些知识，又怎样让 AI 在正确的时间调用它们。

这也是我理解的"企业知识驱动增长"。

如果你也正在企业里推动 AI，不知道应该从哪个场景开始，可以先问自己三个问题：

• 目前哪一个业务环节最消耗团队时间？
• 完成这项工作需要的知识，现在分别散落在哪里？
• AI 如果进入这个流程，结果可以怎样被验证？

也欢迎把你的具体场景发给我。哪怕先从一次业务和知识梳理开始，也可能比继续购买更多 AI 工具，更接近真正的企业 AI 转型。

我是揪只兔子 Juin，一个正在用飞书、多维表格、AI 和自动化，帮助团队把真实业务变成可持续运行系统的系统搭建师。

我们下篇文章见。