在国家大力推进数字经济、加速企业AI转型的战略窗口期，AI如何从概念走向产业深度融合？如何跨越战略与执行脱节、数据价值难释放、技术业务协同不足等现实堵点？
4月22日，第五届中国国际软件发展大会——企业AI转型创新论坛在北京国家会议中心举行。在“破局与落地：企业AI转型的痛点、需求与实践路径”圆桌对话环节，由山西大学自动化与软件学院副院长郭威担任主持，国家电投集团综合智慧能源有限公司技术中心总监张成刚，通用技术健康公司CIO王军，中国科学院智能农业机械装备工程实验室数据平台与AI研发中心主任杨再锦，原百度公司产品架构师与自动驾驶产品负责人、上海牛易网络科技有限公司首席AI科学家戎文晋四位嘉宾，围绕企业AI转型的五大核心议题展开了深度碰撞，以下为对话精彩实录。
三者是递进关系。AI是最终目标，但必须打好数字化基础——ERP等管理信息系统先建立起来，否则AI就是空中楼阁。数字化转型的核心是打破管理权限，由“面向审批”转向“面向数据”，信息部门要从后台走向前台。
关于AI替代人这个话题，我始终认为存在一个误区。AI替代不了人从事工作，但可以解放人做一些繁重的事。比如火电厂漏气监测，机器能24小时站着看，人做不到。但制定规则、做决策的事，AI替代不了。但AI未来的发展能帮助我们打破知识界限和物理界限，赋能人类的决策能力。
视不同企业基因而定，AI转型分为两个层面：传统企业的“AI+”与互联网企业的“AI全面转型”。平滑过渡的关键在于两点——数据统一，以及战略认知的统一。信息化偏重内部管理，数字化偏重从企业内部延伸到外部，而AI是以数据为核心的生产力应用。企业AI转型能走多远，取决于顶层认知在哪个层面。
20多年来一直与数字经济打交道，从最初信息化公司，到数字化拓展至各行业，再到如今AI等技术驱动智能化发展，向更多行业延伸，很欣喜看到技术进步与示范推动下平台的发展。期待AI以智能化推动全行业转型升级，创造更多发展可能。
戎文晋：数字化转型是“眼睛”，智能化转型是“大脑”
打个比方，数字化转型在做连接和流程，把业务流程、生产流程都连接起来，沉淀数据，就像在装“眼睛”。智能化转型是往“大脑”方向转，做决策。没有眼睛看到的信息，大脑便无从决策——数字化是智能化的必要前提。
我们在绿电直连的投资测算、风电场的对标分析上用得比较多。最大的困难在于产品逻辑、预设条件和数据不能完美融合，需要不断修正模型。AI在机理层面落地，非纯算法能解决。
健康管理方面，我们在体检报告分析、测量分析和智能客服上应用较多。痛点始终集中在那两处——数据基因不好、全面性不够，再加上供应链这些板块里，大家对AI能解决什么问题、能提升多少效率，认知层次不一致。
在智能农机和数字化农场落地的过程中发现，现在数据获取方式仍跟不上AI的要求。大厂有海量消费数据，但农业、工业场景里，建传感器、长期采集真实生产数据的投入很大，敢干且能干好的企业不多。
从互联网与AI营销看，高频、重复、凭经验的岗位，比如客服、程序员、供应链管理，已经在大量替代了。但更大的堵点在组织内部——管理层看的是战略层面的降本增效，业务层看的是短期业绩有没有改善。预期不一致，推动起来就是两股劲。
必须由业务端提出真实需求来倒逼管理变。比如做风场对标，业务端发现问题，把真实诉求拿出来，再反过来修正流程和管理模式，才是AI落地有效路径。
管理层看的是“面”（长期核心竞争力），业务层盯的是“点”（短期收益）。建议在AI转型之前，先制定清晰的战略规划与实施路径。从管理战略层面自上而下推动，方能实现双向对齐。
我们做了机制设计：研究人员往前沿方向走，产业化团队面向市场需求。不同角色用不同方法考核，核心难题就能在各自轨道上同步解决。
阻止AI落地的往往不是管理层，而是业务层。业务部门以业绩为考核目标，天然有冲动打市场而非落地AI；加之部门利益藩篱与权力纠缠，AI转型往往“卡”在中层。CIO一定得扮演好协调者角色——向上把预期管理到位，用标杆案例让管理层看得见效果；向下用小步快跑的方案让业务部门体会到工具的好处，用实际价值说服业务部门，在渐进中实现变革。
提出“组织和数据一上一下，技术居中串联”的闭环模型。数据作为核心，必须唯一，AI要实现的是“数据唯一、判断有据、口径统一”——这是规模化落地的底线要求，同时还要做端到端的业务梳理，全链路打通。
组织必须前置，搭融合型工作专班。建议建立融合型工作专班，以场景驱动识别主攻方向，通过“识别场—最小原型—迭代升级—复制标准化”的路径实现渐进式规模化，验证成功后分批复制。
组织不仅指内部的行政架构，还包括外部生态构建。比如农业智能化，不仅要内部有人，还要联合设备商、科研机构、农户一起搭生态。技术要满足大部分需求，更重要的是与场景结合应用。
数据是眼睛，用来感知外部信息和数据。技术模型是大脑，把感知到的东西抽象总结，做出决策。组织是四肢和神经系统，决策做得再好，组织不动起来也白费。组织是“鲤鱼跃龙门的最后一分钟”——这是从“知道”到“做到”的决定性一跃。
最主要的风险在于数据。想做扎实，必须把端到端业务场景全梳理清楚，用流程把每个节点的数据owner标出来，打破部门和系统界限。做不到数据追人，AI应用很难真的出长效。
一是数据安全。尤其在医疗健康领域，“可用不可见”是底线。二是AI只做辅助决策。即便影像准确率达90%以上，处方签字的仍是医生，AI不该越位到“负责人”的位置。
现在的技术安全就算合规了，决策层面的风险依然很大。AI执行错了谁来管？人管不过来的时候，能不能用另一套AI逻辑来监督AI？不能把关键决策的命运交给一两个人。
幻觉也好、数据泄露也好，本质都是人没搞清AI的边界在哪里。管理层更要明白：AI转型最难接受的真相是，它会彻底改变企业的成本结构与产业类型。拿旧方法管新企业，所有风险将会是管理者的风险。
从能源到医疗，从农业到互联网，四位嘉宾的实践路径各异，却共同勾勒出企业AI转型的清晰轮廓：数据是根基，场景是入口，组织是保障，认知是前提，而人——始终是变革中最关键的变量。AI不会替代人，但会重新定义人的价值；转型不会一蹴而就，但每一步扎实的落地都在重塑企业的未来竞争力。
