AI真正的“硬仗”，是对增长负责
过去一年，企业级AI出现了一个具体可见的变化：从工具走向岗位，成为员工。
在联合利华，一名销售拜访餐厅卖调味品之前，会先和AI销售员工练一遍。
面对厨师长，怎么聊口味和出品；面对老板，怎么谈成本和经营；客户可能问什么、怎么回应，AI会结合餐厅情况、产品资料和过往业务知识，提前把这场对话走一遍。
过去，这些判断大多装在优秀销售的脑子里。现在，它们开始被拆出来，变成AI可以学习和执行的流程。
类似的变化也在岚图、光明、百雀羚等企业中发生，AI员工开始真正地进入到企业的业务流中。
有的AI做营销，有的做销售，有的参与企划。它们承担着明确任务，甚至直接接受转化率、销售额、留存等指标的检验。这也是AI员工和过去AI助手真正拉开距离的地方。当AI开始背结果，企业对它的要求也变了。
安排这批员工上岗的，是阿里云智能集团旗下的瓴羊，一家专注增长的企业级Agent品牌，在自研平台AgentOne上为企业打造深入结合工作流、真正可上岗的AI员工，覆盖核心经营环节。
今年9月的云栖大会上，瓴羊用这些AI员工的成绩单，回应了一个深刻的行业问题：如果各行各业都已经在用AI提效了，那么我们想象中的增长爆发为什么没有同步到来？
01. 好的AI员工，长什么样？
效率这个词，在AI的叙事里当了三年的主角。而在今年云栖大会的演讲里，阿里云智能集团副总裁、瓴羊CEO朋新宇决定给它换个主角。
他的判断是：AI革命始于效率，但终于增长。
麦肯锡2025年的全球调研显示，88%的受访组织已经在至少一个业务职能用上AI，而能把5%以上的EBIT（息税前利润）归因于AI的企业，连续两年停在6%左右。个人生产率被AI大幅抬升的组织占比80%，EBIT因此受益的企业只有37%。
朋新宇在演讲里参照了一个有力的历史坐标：工业革命之初，人类每个工时产生的效率提升了26倍，但爆发的是产能，并不是利润。
在每一次技术革命的早期，都存在一个效率先行、增长滞后的周期。然而，效率是过程指标，增长才是结果指标，AI对于企业侧真正的价值是增长。省下来的时间要重新投回业务，才会变成企业收入。
而在AI时代，将效率转化为增长最大的障碍，就是企业级AI没有真正走进组织的流程。把AI接进流程、让流程真的跑起来，需要AI换一个身份：从工位上的问答助手，变成流程里的员工。
那么，在数字员工的概念已经出现了十年以上、AI在企业中的普及率也已经足够高的今天，一个好的AI员工到底应该长成什么样？
过去三年，行业衡量AI的标准集中在模型能力：参数规模、基准测试成绩、对话流畅度。这套标准多用于定义工具，刻画了工具的实用维度，但无法直接让AI参与到经营结果的变化中去。
朋新宇在云栖大会上提到了“一通电话”。一个做稀土生意的小老板，大概两个亿的规模、二十个销售，开口就问部署一个最新的模型要多少钱。
朋新宇报出千万级起步的数字，对方愣住了，说自己要的其实很简单：让二十个销售找到客户、提高转化，最后扩成一百个人。朋新宇告诉他，你要的是一个懂销售的对话助手，大模型给不了这些。
在这个强调工具、脱离业务的环境下，瓴羊换了一套对于AI的考核标准，核心维度是岗位需求。
也就是说，一个好的AI员工应该能挂靠真实岗位，能跑完一段业务流程，也能像人一样接受KPI考核。
在瓴羊的视角里，这套考核标准的落地主要靠把三样东西组装起来，分别是Data for AI、Agent、FDE。
其中，Data是血肉与记忆，企业自己的高质量数据经过治理，变成AI可理解的语义，形成长期积淀的数据资产；Agent是躯壳与技能，负责执行、决策、交付结果；FDE是带教与岗位设计，把只存在于员工经验里的隐形知识，抽象成AI可标准化执行的流程。
开头提到的联合利华的调味品销售业务，就是三者一起工作的结果。为什么面对厨师长和老板，要用两套完全不同的话术？客户说“贵”，究竟是真觉得贵，还是没有理解产品价值？什么时候该继续推产品，什么时候应该换一个话题？
过去，这些判断很多存在于优秀销售自己的脑子里。一个销售离职，这部分经验也很可能跟着一起走。
FDE要做的事情，就是把销售拜访录音、品类资料、消费者评价和竞品信息，与联合利华自身的业务知识结合，构建出了一个庞大的食物知识引擎。基于此，AI销售员工会针对每一家餐厅和眼前的关键人，基于实际业务信息生成一套个性化的陪练剧本，从客户背景、沟通路径、产品推荐、竞品比较、再到常见异议的回应，都提前备好。
这套体系里有一条可沉淀的回路，每项关键信息和推理结论都可追溯来源、可沉淀为知识，经验也由此从个人能力变成了可学习、可复用的组织能力。
在联合利华，数据先被治理成知识，知识再回到销售现场。让数据服务AI，让AI服务生意，瓴羊把这条链路概括成为两句话：
Data for AI，把数据建成知识；AI for Business，让知识创造增长。
02. 增长，发生在经营现场
企业中的AI，当下散布在不同的地方。有的在对话框里，只负责回答问题；有的在办公软件里接手文件和流程；还有一部分已经打通数据、走进了业务系统。
瓴羊把这三类AI用法分成了三层，从浅到深分别是Chat（对话）、Work（办公）、Business（经营）。分层的标准，就是AI离企业数据和业务结果的距离。
Chat解决的是“能不能知道”，对话问答工具的数据来自公域，价值停在体验改善和成本节约；Work解决“能不能做完”的问题，办公助理接手文件、浏览器和工作流，价值是人效和组织效率的提升。行业里已有对应这两层的AI产品层出不穷。
然而，在距离业务最近的Business层，基本上是一片无人深空。它解决的是增长问题，直接指向收入、转化和留存。企业中真正的增长是从这一层长出来的，瓴羊在一众AI服务商中保持着独特站位，也是因为它从成立之初就站在了这里。
价值的上升对应着投入与门槛的同步上升。数据越深入企业经营，权限、风险和治理问题越复杂，构成了企业级Agent与通用Agent之间的天壤之别。
根据瓴羊的落地经验，让数据成为Agent可理解的知识，总共有四步：接入与管理，实时准确地获取数据；加工与治理，统一字段、口径和业务定义；知识化生产，把员工经验里的隐性知识转成语义和规则；服务化调用，通过API和MCP让Agent能调数据、能执行任务。
岚图的AI员工经营现场在用户营销。两千万用户的线索池里，有人刚看过车型配置，有人咨询过金融政策，有人试驾过又沉默了很久。过去一条覆盖七大车系的推送，从圈选人群到配置上线要12到24小时，而在与瓴羊合作以后，团队把流程拆给智能圈人、人群洞察、方案策划、内容生成、画布编排等营销Agent各自完成，3小时以内全量上线。数据显示，岚图用户运营效率提升3倍，策略点击率相对提升15%，存量暂败线索激活率提升了20%，线索到订单的转化率对比提升了20%。
飞鹤的经营现场在渠道。2600余名经销商、约6.7万个零售网点，过去一份省级经营管报从整理到产出要3天，看到问题时处理窗口已经过去；现在区域经理当天就能看到辖区经营情况，管报产出缩到1小时。
瓴羊把这组能力概括成三个词：能干，能信，能打。
能干，指的是AI员工深度融入企业业务链路和行业知识，端到端完成从规划到执行的完整任务，不靠一步步喂指令；能信，需要做到输出可追溯、可核验，背后是十几年的数据治理沉淀和企业级安全架构；能打，意味着将AI员工的考核直接绑定GMV、ROI、锁单率、投产比这些业务指标，用业务结果验收。
与此同时，AI员工上岗，并不代表人需要退出流程。
岚图团队的经验是，涉及品牌口径、业务合规和策略判断的部分，继续保留人工审核；AI负责高频、重复的执行与初步研判，人负责把握方向、检查风险，再根据实际反馈调整下一轮运营。真人运营团队省出来的时间，花在了策略是否合理、内容是否贴近用户等更需要人类创意与经验决策的问题上。
把视线拉到全球范围内，企业级AI领域基本上在往同一个方向走：让AI的交付从软件席位变成业务结果。
Salesforce的Agentforce按解决次数计费，ARR已经做到12亿美元，同比涨了205%；HubSpot把智能体标成按活付钱的商品，一次解决、一条线索各有定价；微软在席位订阅之外叠加用量计费，产品内置agent ROI追踪；ServiceNow的Agent部署九个月增长约九倍。
早在这些全球企服巨头之前，瓴羊的AI员工已经更进一步，打破了按软件授权或人头结算的传统模式，改为按实际业务效果结算。例如瓴羊AI客服，售前转化量、售后服务量和满意度直接进计费口径。据统计，某些企业客户的支付成本已经降到了原来的五到六成。
03. 下半场，从“上场”开始
方向和共识都有了，剩下的是一个来自执行层面的问题：谁有能力把AI员工送进经营现场。
Gartner预测到2026年，企业将放弃60%缺乏AI-ready数据支撑的AI项目；同期对1203名数据管理负责人的调查里，63%的组织不确定自己是否有正确的数据管理实践。数据治理就是拿到这张走向未来的入场券。
放眼国内，企业级数据治理这张门票，在瓴羊手里已经攥了很久，让瓴羊的生态位在AI增长这件事上有先天优势：
这家公司从阿里巴巴服务企业的常年实践中长出来，十几年的企业级数据治理经验，处理的是中国最复杂的商业数据，交易、营销、供应链里的治理问题都在这个体系里被反复验证。围绕营销、销售、客服、运营四个核心经营场景，瓴羊已经长出了成体系的Agent产品线，还有一支FDE团队，专门负责把方法论带进客户现场。
背靠阿里云是另一层支撑。瓴羊的服务链条背后有阿里云和Qwen大模型作为基础设施底座，在阿里云的全球算力和企业级安全架构的长期托底之下，FDE团队和数据治理才能够没有技术负担地完成落地。
星星充电的场站推荐，已经在真实业务里跑起来了。用户在
在刚结束的云栖大会上，为了让更多企业直面AI带来的真实业务结果，瓴羊推出了一个“AI员工7日上场计划”：免费提供FDE一日诊断、价值15万的Credit资源包等。让企业从一个明确的业务问题出发，让AI员工在真实数据和真实任务里接受检验。七天结束，企业会拿到一份“AI员工上岗报告”，说明该场景值不值得扩大、哪些数据还要治理、AI员工上岗后该背什么KPI。
此前，一家约150家门店的企业已经跑通了这条路径。首轮实战完成110余项经营指标的语义化梳理，覆盖5个经营板块，向50余个账号开放，原本靠人工查表、反复核对才能回答的经营问题，开始能用自然语言直接查询。
企业过去落地AI，大多数做的事都是把自行车换成机动车，但仍然跑在陆地，很少在这么早的阶段就“试飞”。
但判断企业级AI的标准已经发生了巨变。
朋新宇在今年云栖大会上为企业指出的方向很简单：问AI要增长，向AI要好的增长。
这也意味着，一个真实岗位交付的经营数字，才是企业级AI的下半场。
