Limen AI Lab · Enterprise AI Field Notes
真正拉开差距的,通常是老板亲自使用、Skills 流程沉淀,以及 Data 上下文管理。
过去半年,我接触了不少企业 AI 服务项目,也在内部社群里反复聊过这件事。越往现场走,我越确定一个判断:企业 AI 落地的关键,通常不在那个最新、最酷的 Agent 上。
真正拉开差距的,是三件东西:老板愿不愿意亲自用,企业有没有可沉淀的 Skills,数据能不能被持续收集和管理。
工具更新很快,模型能力也在变强。可企业现场的问题没有那么轻。它牵涉业务、产品、运营、组织、流程、数据、权限和人的习惯。服务者如果只会讲工具,很快就会撞到墙。
这篇就当一次阶段复盘。我把这半年看到的市场、人和落地方法,整理成一个公式。
Agent + Skills + Data
Agent 是执行者,Skills 是可复用的方法,Data 是企业自己的上下文。三者循环起来,AI 才开始变成组织能力。
01企业 AI 服务,市场还很早
如果你天天刷 AI 内容,会产生一种错觉:好像身边所有人都已经在用 Claude Code、Codex、各类 Agent 工作流,公司也都进入了 AI 时代。
到了企业现场,情况会冷静很多。
不少公司已经知道 AI 重要,也愿意试,但使用方式还停在很浅的一层:问问豆包,查几个问题,让大模型写一段文案,或者让员工自己找工具试试。它们还没有把 AI 放进稳定业务流程里,也没有形成可复用的工作方式。
这就是企业 AI 服务的机会。
一边是模型和工具正在成熟,一边是企业刚刚意识到它可能改变工作方式。中间那条沟,不靠一份工具清单就能跨过去。企业需要有人帮它把问题拆清楚:哪个场景先做,谁来用,数据从哪里来,流程怎么改,风险怎么控,做完怎么验证。
这已经不只是技术活。它同时是咨询、产品、运营、组织协同和工程交付。
市场有缺口,不代表什么客户都适合接。对个人服务者或小团队来说,筛客户很重要。我的体感里,优先级最高的客户通常有三个特征。
第一,原业务最好偏数字化、知识型工作。
资料、文档、会议、客户沟通、数据分析、内容生产、销售跟进,这些场景更容易接 AI。
第二,团队要愿意学。
客户如果只想买一个结果,又不愿意改变工作习惯,服务商会一直在外面推,企业内部没人接。
第三,客户要有预算和试错空间。
客户愿意为认知、流程、交付和试错付费,项目才有机会跑深。
02一把手不上手,项目很难动
过去做 SaaS、CRM、ERP,很多一把手不一定亲自用系统。他们关注报表、结果和管理动作,具体推进交给下面的人。
Agent 服务不太一样。
我看到一个有意思的现象:真正用得多的人,经常是部门负责人,甚至是一把手。后台 token 消耗虽然不能解释一切,但它能反映谁在频繁把想法丢给 AI,让 AI 帮他整理、验证、生成、拆解。
老板脑子里的问题太多了。以前一个想法要落地,可能要等团队排期、开会、执行、反馈,几周过去,热度也过了。Agent 部署好以后,老板身边多了一个随叫随到的执行者。白天想到一个方向,晚上就能看到初版方案、数据整理、脚本草稿或内部工具雏形。
这会改变老板和执行之间的距离。
所以我现在看企业 AI 项目,会先看一把手自己用不用。老板如果只把 AI 当成“让员工提效的工具”,自己不下场、不提需求、不改工作方式,团队很容易把 AI 当成又一个临时任务。开几次会,建几个群,发几份教程,最后回到原来的节奏。
老板自己用起来,项目会完全不同。因为他会不断发现真实场景,也会逼着组织回答更具体的问题:这个动作能不能自动化?这份数据为什么取不到?这个审批为什么还要人工传来传去?这个岗位的重复动作能不能沉淀成 Skill?