企业部署了AI，为什么仍然没有形成自己的AI竞争力？
过去两年，企业部署AI的速度明显加快。大模型被接入办公软件、客服系统、知识库和业务平台，员工也开始使用各种智能助手。很多企业因此产生一种直觉：只要模型足够强、工具足够多，AI竞争力就会自然形成。但现实往往相反。模型更新一轮，原有方案就要重做；供应商调整价格，使用成本随之变化；竞争对手接入同样的模型，也能迅速获得相近能力。企业投入了预算，却没有留下真正属于自己的东西。问题不在于外部模型没有价值，而在于企业把“获得AI能力”误认为了“拥有AI能力”。大模型提供的是通用推理、语言理解和内容生成能力。它像一套性能强大的通用发动机，可以被不同企业调用。但同一套发动机装进不同企业，能否跑出差异，取决于企业有没有自己的道路、地图和驾驶规则。企业真正独有的部分，通常不是模型参数，而是五类长期积累：- 企业如何定义问题。面对同一份经营数据，不同企业关注的重点并不相同。有的先看现金流，有的先看客户结构，有的先看交付风险。问题定义本身，就是经营经验。
- 企业如何描述业务对象。什么叫重点客户、有效商机、战略机会、关键岗位，不同企业都有自己的边界和口径。
- 企业如何作出判断。哪些条件触发预警，哪些指标决定优先级，哪些异常必须升级处理，这些规则往往散落在制度、表格和专家经验中。
- 企业积累了哪些案例。过去如何处理重大客户流失、项目延期、产品失败和组织调整，案例是组织经验最具体的载体。
- 企业如何评价结果。哪些答案可直接采用，哪些必须人工复核，哪些错误不可接受。持续沉淀的评价数据，决定AI能否越用越懂企业。
很多企业把知识库当作AI资产建设的全部。文件被集中存储、切分、向量化，员工可以通过对话找到相关材料。但“能找到资料”与“能理解业务”之间还有很长的距离。如果AI只知道某份制度写了什么，却不知道制度约束了哪个流程、适用于哪些角色、与哪些指标相关，它仍然只能回答文本问题，不能稳定参与业务判断。因此，企业需要进一步沉淀业务本体：明确业务中的对象、关系、状态和规则。例如在战略管理中，战略目标、战略议题、关键举措、年度经营计划、指标和责任部门不是几个孤立名词，而是一套相互关联的业务结构。AI只有理解这些关系，才能发现某个年度计划没有承接战略目标，或某项战略举措缺少资源与责任主体。本体不是为了把所有知识变得复杂，而是把企业原本隐含的业务认知显式化，让人、系统和AI使用同一套语言。判断一个AI项目是否形成竞争力，可以问一个很朴素的问题：项目结束、供应商离场以后，企业留下了什么？如果留下的只有一个账号、几个提示词和一套外部平台配置，能力仍然主要属于供应商。如果留下了统一的业务对象、可维护的规则库、经过验证的案例库、可复用的场景流程和持续更新的评价集，企业才开始拥有自己的智能资产。这也意味着，AI咨询的交付物需要发生变化。传统交付常聚焦模型选型、工具部署和功能上线；新的交付还应包括业务建模、规则显性化、知识结构治理、评价机制和工作流沉淀。企业不需要一开始就建设庞大的本体或覆盖全公司的知识体系。更现实的做法，是从一个高价值、重复发生、输入输出较清晰的场景开始。先确定这个场景要解决什么问题，再识别其中的核心对象、规则和判断标准；收集历史案例与专家修正；最后把这些内容嵌入Agent或AI应用中，并在实际运行中持续更新。外部模型负责通用认知与生成，企业的方法、业务结构和数据负责形成差异。未来企业之间的AI竞争，不会只取决于谁接入了更强的模型，而会越来越取决于谁能把自己的业务经验转化为可计算、可复用、可持续进化的智能资产。- 同一场景换一个模型后，企业的规则、数据和工作流是否仍能继续使用；
- 员工的人工修正是否会沉淀下来，而不是下一次重新纠错；
- 新的业务人员加入后，能否直接继承已有的判断标准和案例经验。
若三个答案都是肯定的，AI才开始从外部工具转化为组织能力。Shanea Leven, “Enterprises are not building AI advantage. They are leasing it.”, TechRadar Pro, July 10, 2026.
