今年，AI來到了“拐點”之年，在此之前的企業在AI方面的競爭更多是在技術層面角逐，來到今年，AI將更多的向落地應用層面“卷”。

當AI從“效率工具”向“認知伙伴”躍遷的過程中，AI的試驗階段已經結束，企業核心競爭力將取決于定制化AI應用和可量化的業務成果方面。

企業流程亟待重塑

在全球競爭加劇、消費者需求個性化、技術迭代周期縮短（如AI、物聯網）等因素的影響下，企業傳統線性流程無法快速響應變化。麥肯錫2024年報告指出，61%企業因流程僵化犧牲業務敏捷性，系統間數據孤島使決策滯后3-5天。

原先，通過諸如ERP等管理軟件，靜態的流程管理就能滿足企業需求的情況已經不復存在，基于業務敏捷性、流程敏捷性等需求的同時，企業還需要通過打通內部數據流，以滿足讓數據賦能業務的需求，這時候，企業就需要一個全新的流程管理，更為自動化，更高效的流程管理，成為企業追求的目標。

流程的重塑在企業部署企業級AI落地的過程中亦是極為重要。WAIC期間，神州數碼聯合德勤中國、中國信息通信研究院共同發布的《AI for Process企業級流程數智化變革》藍皮書（以下簡稱《藍皮書》）中也指出，無論是企業還是科研機構，目前都是依靠流程來運轉，最終通過人和事務的交互完成整體運作。從這個視角來看，AI應以流程為核心展開能力建設，這才是企業運用AI的最佳方式，才能為企業帶來最大價值。

從企業戰略到業務流程，逐層往下分解直至最底層，最終支撐流程的是企業的技術架構。AI 時代，技術范式的智能化是推動企業創新的基礎設施。隨著 AI 技術尤其是大模型的爆發式演進，企業流程與數智技術的協同價值被推向新高度。如果企業還是信息化時代的“煙囪式架構”，那么就無法快速響應 AI 時代企業業務模式的發展和管理方法的創新，也無法推動企業管理向“全面感知、敏捷決策、快速迭代”的目標進行演化。

不僅于此，《藍皮書》中指出，若將企業比作生命體，三者關系可具象為，流程是“肌體”作為組織協作的基礎形態，數據是“血液”貫穿流程節點的核心要素，通過流動與循環賦予“肌體”感知力與行動力，AI 是“營養元素”，是“肌體”快捷、高效、靈活運行的關鍵要素。

AI重構企業流程

顯然，企業若想有更好的發展，重塑流程是必經之路。而在這條路上，AI是必不可少的技術，在AI實現從“效率工具”向“認知伙伴”過程中，最先給企業帶來的改變就是企業流程的重構，麥肯錫報告中指出，2025年將成為分水嶺：全球企業AI采用率突破60%，生成式AI推動流程重構從“單點提效”邁向“系統再造”。

Gartner 2024 年報告顯示，AI 將在未來兩年內自動化 30% 的業務流程，而麥肯錫全球調研發現，那些同步重構工作流的企業，其息稅前利潤（EBIT）提升幅度比僅部署 AI 工具的企業高出 42%。這種變革并非簡單替代人工步驟，而是通過 "思維鏈" 編排實現流程基因重組。

與此同時，IBM調研顯示，73%的高級管理者將AI部署于財務、人力資源、IT支持等流程自動化任務，任務執行速度提升40%-60%。如某頭部物流企業通過AI實現貨運單據在2秒內自主生成，全程無需人工干預。

在神州數碼首席信息官李晨龍看來，企業級AI的落地，首先要打破傳統技術架構，構建新的技術架構，為業務模式的持續創新創造條件。“基于此，神州數碼提出了‘AI for Process’的概念，我們認為它是企業數智化轉型的必經階段。”李晨龍指出。

具體來看，在傳統模式下，企業從“0”開始構架系統及流程，往往是通過購買分散的各類系統，比如，在營銷方面，購買一個CRM（客戶關系管理）系統，進而直接套用該CRM系統的流程。在產業鏈管理方面，購買一套SRM（供應商關系管理）系統，進而直接套用這套SRM系統的流程....這種模式下，各個系統之間是割裂的，企業端到端的流程并不能很好地在這些系統串起來。

李晨龍以醫藥企業為例，分享了傳統系統當前存在的問題，他指出，在給某醫藥企業做調研的過程中，神州數碼發現很多隱性的決策鏈，并沒有在企業流程圖中體現出現，而這些決策鏈反而是會影響到該企業實際決策的過程點，“綜合來看，最大的‘坑’就是：流程設計和實際執行兩張皮。”李晨龍強調。

進一步來看，企業流程本質上是業務邏輯的結構化表達（如研發流程、供應鏈流程、客戶服務流程等），其核心目標是通過標準化協作提升效率、 降低風險。《藍皮書》中明確，AI 的價值在于突破傳統流程的 “線性邊界”，通過算法和算力實現本質變革。AI對流程主要有三種作用：

第一種，幫助企業從“經驗驅動”轉變為“數據驅動”。傳統流程依賴人工經驗設計（如銷售漏斗管理），AI 則通過分析歷史數據（如客戶行為、交易記錄），動態優化流程節點（如自動識別高價值客戶、預測成交概率）。比如，某零售企業通過 AI 分析用戶瀏覽路徑，將線上購物車轉化率提升 30%。

第二種，幫助企業從“固定規則”轉變為“智能決策”。傳統流程受限于預設規則（如人工審核閾值），AI 則通過機器學習實現 “規則自適應”（如信貸審批中動態調整風控模型）。比如，某銀行用大模型解析復雜信貸數據，將中小企業貸款審批時效從3天壓縮至1小時.

第三種，幫助企業從“局部優化” 轉變為“全局重構”。傳統流程優化聚焦單點效率（如單個審批環節提速），AI 則能通過跨流程數據關聯（如打通生產、庫存、銷售數據），實現端到端的全局最優（如供應鏈智能排產）。比如，特斯拉通過AI算法重構整車制造流程，將Model Y的生產周期縮短40%。

同時，《藍皮書》中指出，未來，AI作用流程的終極形態將是：企業流程從 “人類設計的固定框架” 演變為“AI驅動的動態系統”，實現“數據輸入-智能決策-價值輸出”的閉環自治。

AI在重構企業流程的同時，企業流程也在對AI進行“反哺”。企業流程作為企業運營的核心載體，其自身特點、成熟度以及變革需求，深刻影響著 AI 的落地效果、應用邊界和發展方向，對企業科學的應用 AI、實現高質量發展具有重要意義。對此，《藍皮書》中明確：AI 不是流程的“替代品”，而是“翻譯器”。具體來看，《藍皮書》中指出，傳統流程以“人類可理解的規則”運行（如 Excel 表格、郵件審批），AI 則將其“翻譯”為“機器可執行的智能邏輯”（如算法模型、自動化工作流）。二者的深度融合不是“技術對流程的征服”，而是“讓流程獲得智能進化的能力”。

就如同AI對企業流程的作用一樣，企業流程對AI發展主要有三種作用：

第一種，從流程“變化”到AI“升級”。隨著客戶企業業務流程的變化，以及客戶體驗的提升，對 AI 技術升級與創新也有了一定的要求，迫使 AI 在這個過程中不斷的自我迭代和升級。

例如，生產流程中的能耗過高、質量不穩定等，也促使企業利用 AI 技術開展針對性研究，如開發智能能耗管理模型、質量預測模型，推動 AI 技術向更專業、更深入的方向發展。

第二種，從流程“應用”到AI“數據源”。企業流程是 AI 應用的 “試驗田” 和數據 “寶庫”。以供應鏈管理流程為例，從采購訂單生成、庫存管理到物流配送，每個環節都產生大量結構化和非結構化數據，如訂單信息、庫存變動記錄、物流軌跡等。這些數據為 AI 模型提供了訓練素材，助力企業構建需求預測模型、智能庫存管理模型和物流路徑優化模型。

第三種，從流程“標準”到 AI “遵循”。企業流程的標準化需求推動 AI 技術的標準化進程。例如，在金融風控流程中，為確保風險評估的一致性和合規性，企業需要AI風控模型遵循統一的數據標準、算法規范和評估流程。這促使行業內制定AI風險評估模型的開發標準、數據安全標準和模型驗證規范，推動AI技術在金融領域的標準化應用。

AI重構企業流程的幾個階段

AI對于企業流程的重構已經開始，對于不同AI技術儲備，以及企業流程管理基礎的差異，AI for Process 的建設絕非一蹴而就——如同當年數據治理從概念到落地的演進歷程，它本質上是企業修煉數字化內功的長期工程。具體來看，AI for Process可以分為L1到L5五個階段。

L1層級是輔助工具，AI作為輔助手段，聚焦流程中離散、單一任務(如數據標注、文檔檢索)，以工具形態提升局部效率，人類仍為流程主導者；

L2層級是人機協作，AI 實現流程內多關聯任務的自動化串聯執行 (如合同審批全流程處理)，成為流程運轉的核心驅動力，顯著減少人工干預；

L3層級是智能執行，AI 突破單流程邊界，基于預設規則實現跨部門、跨系統的多任務協同(如銷售訂單與供應鏈聯動)，人類角色轉向規則制定與異常監督；

L4層級是流程優化，AI 通過實時分析流程數據與行業經驗，自主識別瓶頸并提出優化方案(如動態調整風控審批閾值)，深度參與流程治理與改進；

L5層級是自主進階，AI作為流程的自主管理者 (AI Owner)，不僅實現全流程自動化執行，更具備流程重構與動態編排能力，如根據業務變化自動重組生產流程。

李晨龍在與筆者的交流中，也分享了神州數碼對于當下企業AI for Process建設情況的分析，他表示，由于企業流程的復雜性，企業數據質量的脆弱性，以及數字化建設的實際情況，“目前我們看到的企業大多數處于AI for Process五級演進體系中的L1~L2之間的狀態，能突破L3的非常少，”李晨龍進一步指出，“這也是為什么藍皮書中提到‘AI離個人很近，離企業很遠’。”

而神州數碼在與合作伙伴實施AI for Process的過程中，總結出了些許經驗，“我們總結出了Twin-Drive（TD）雙驅動模型。它指的是兩種實施方法。一種是自頂向下的Top-Down的方法，一種是自底向上的Bottom-up的方法。”李晨龍指出。

具體來看，《藍皮書》中指出，Top-Down Decomposition方法以戰略驅動為出發點，旨在將企業戰略目標與AI深度融合，幫助企業從一個較高的維度和長期發展建設策略。該模型將流程逐級拆解成可執行的任務節點，再借助AI技術對各環節進行智能化賦能，最終實現戰略目標的快速和高效達成，也同時對AI for Process在企業的價值進行統計和肯定。

Bottom-Up Emergence是以業務痛點和迫切需求為切入點，通過散點式場景實現AI for Process的快速落地。該模式可使企業迅速獲取AI價值，有效提升工作效率與用戶服務體驗，同時緩解IT部門短期 KPI 壓力。在這種方法的實施過程中，企業可沉淀AI長期 建設的土壤，如：AI文化，AI場景梳理方法和AI初步的技術體系。通常，這種模型的實現方式是通過IT或者AI部門進行調研問卷填寫和訪談的形式。據李晨龍介紹，目前95%以上的企業均采用這種模式推進AI場景部署。

而在對未來AI在企業流程中發展的展望中，李晨龍指出，未來，哪家企業的滲透率更高，就發展得更快。“但從整體時間軸預測：三年后，AI還是輔助為主，滲透率10%-20%；五年后，人類指揮多個AI協作，滲透率30%-50%；十年后，將是人類監督AI自動運行，滲透率可能達到50%-80%。”李晨龍預判道。（本文首發于鈦媒體APP，作者｜張申宇，編輯丨蓋虹達）