今年世界人工智能大会（WAIC）的现场，万亿参数MoE架构、十万卡国产算力集群、原生多模态大模型、具身智能工业落地轮番登场，大家普遍认为，AI真的开始更落地、更实用。但同时也意味着，关于AI深度融入企业组织后，引发的一系列管理问题和组织效能变革，成为亟待关注和探索的新课题。
正是在这样的背景下，18日的世博中心，WAIC 2026首场AI管理创新论坛，座无虚席。这场由神州数码与哈佛商业评论中国联合主办的论坛，主题聚焦“冰山下的价值掘金”。顾名思义，就是要把企业“AI落地”从“模型够不够强”的技术视角，拉回“组织能不能接住”的管理视角。
或许也正是因为这个原因，现场专家们聊的内容听起来好像不那么“AI”——没有参数、没有具体大模型，整场的关键词都在围绕流程、组织、治理、管理方法与领导力展开。
当下，大多数人还在看冰山之上的“炫技”：参数更大、响应更快、生成更惊艳。麦肯锡的数据很能说明问题，88%的企业部署了生成式AI，但只有5%到7%拿到了显著的财务回报。员工用AI的效率确实上去了，但只要业务流程是断的、数据是死的、经验没沉淀，这些单点效率就变不成经营成果。
至于AI能不能从“试验”走到“量产”，真正决定因素恰恰是那些冰面下看不见的功课——把个人脑子里的隐性经验，拆成可复制的标准动作，再通过流程细化和协作优化，把单点能力放大成组织能力。
这套逻辑不是AI时代才有的，七百年前江西景德镇的匠人就已经解过这道题。
01.
景德镇“启示录”，
流程即生产力
把视角拉回十四世纪的景德镇，那时制瓷从采石炼泥到出窑落款，全靠一个人。熟练匠人要会揉泥、拉坯、利坯、绘画、上釉、烧窑，十八般武艺样样精通才能做出像样的瓷器。这种“一人治器”的模式，意味着每件瓷器都是孤品。品质好坏看师傅手感、看泥料脾气，运气好几个月出一件精品，运气差烧一窑碎一窑。
后来有人做了件大胆的事：把制瓷拆开。不是让一个人从头做到尾，而是把全过程分解成七十二道工序，每道都有标准，每人只干自己那一摊。泥料怎么配、坯修多薄、釉上几层、窑温烧多少度，全都写清楚、定下来、传下去。
这一拆，生产力就变了。从“一人治器”到“百工共作”，景德镇把隐性个人经验变成了显性组织能力，整个行业的水位被拉起来，稳坐全球制造业中心七百多年。
神州数码董事长郭为
在神州数码董事长郭为看来，景德镇能坐稳这七百年的交椅，靠的不只是窑炉技术的进步，更是将混沌无序的个人技艺拆成可复制的标准工序。流程细化、标准建立、协作优化，这才是生产力跃迁的真正动力，也正好是前文“冰面下看不见的功课”最早的原型。
“创新从来不是一个单一的技术事件，”郭为说，“它是技术范式、业务模式和管理方法相互作用，实现生产要素重新编排的结果。”
七百年前的逻辑放到今天依然成立。当AI走进企业，它不该只是挂在现有流程外的效率工具，那只是给手工作坊换了台更快的拉坯机，不是七十二道工序的思路。真正的变革，是用AI重新定义流程本身，把AI嵌进业务流程的每一环，让“一人治器”走向人机协同。
这正是“AI for Process”要做的事。但要从七百年前的“一人治器”走到今天的“人机共舞”，得先接住两个和当年匠人拆工序时一样的底层问题：数据从哪来？智能怎么沉淀？论坛上郭为用两句话给出了答案：“数据即权利，智能即资产。”
02.
数据即权利，
数字化的本质是运营
要回答“数据从哪来”，得先搞清楚一个问题：很多企业以为自己是在积累数据，其实只是在记录数据。数字化和信息化不是一回事。信息化本质是记录，数字化本质是运营。
很多企业把“上线系统”等同于“完成数字化”，却忽视了系统的根本目的是积累数据。系统上线后数据录入不规范、标准不统一、孤岛林立，最终数据资产的价值完全没释放。
郭为在论坛上点明了这一点：“数据即权利。数据的边界就是业务的边界，模型的价值就是企业的价值。谁掌握了高质量的数据资产，谁就拥有了定义业务规则和边界的权利。”
数字化时代，数据本身就是生产要素，放到今天的任何行业也是一样的。一家零售企业如果只有销售数据，业务边界就停在“卖货”；如果能积累用户浏览轨迹、购买偏好、退换货原因、社交分享行为，就能从“卖货”延伸到“理解用户、预测需求、个性推荐、供应链优化”。数据的边界，就是业务能触到的疆域。
景德镇的案例也是同理。工匠能把制瓷拆成七十二道工序，前提是先积累了大量实践数据：什么泥料配比出什么成色？什么窑温曲线提成品率？什么分工协作提效率？这些数据不是凭空来的，是在长期烧窑里一点一点攒出来的。有了这些数据，隐性经验才能转成显性标准，个人技能才能沉淀成组织流程。
今天再看，这一逻辑更加清晰了。大模型能力不是凭空产生的，而是建立在海量数据训练之上，模型价值本质上是数据价值的体现。一个组织数字化水平越高，数据资产密度越大，AI能释放的价值也就越大。
同济大学经济与管理学院副院长王洪伟
同济大学经济与管理学院副院长王洪伟教授在论坛上提到，通过工作流再造，能贡献大约80%的AI价值增量。说白了，那些真从AI里拿到回报的企业，不是靠工具赢的，是先啃下了“积累数据、重构流程”这些前置的基本功，才把单点效率传导成了经营结果。
换句话说，数字化不是为了做系统，而是为了积累数据；AI不是为了炫技，而是为了运营数据。数据资产的密度就决定了一个组织在智能时代的竞争力上限。
03.
智能即资产，
沉淀才是硬道理
但数据只是原料，要让它真正产生价值，得有一套机制把这些原料“运营”起来，固化成组织可以反复调用、持续增值的东西。这就到了郭为的第二句话：“智能即资产。”
如果说“数据即权利”定义了价值的来源，那么“智能即资产”则揭示了价值怎么被沉淀和增值。
郭为在论坛上强调：“买来的工具会随着技术迭代而贬值，但养出来的智能资产会随着使用而增值。”不少企业买了大模型API、部署了聊天机器人，才发现这只是“拥有AI”，不是“用好AI”。真正的智能资产，是企业把AI嵌入自身业务流程，在无数次人机协作中，把每一次判断、修正、洞察都留下来，形成可复用、可进化的组织能力。
他分享的三个行业案例，刚好对应这类逻辑落地的场景。医疗领域，神州数码与国内顶尖三甲医院共创胰腺癌围术期管理智能体平台，把诊疗流程从“人工筛查、经验判断、专家复核”改成了“智能筛查、AI判断、专家优化”，每个病例都成为智能体的学习素材，经验不再绑在个人身上；银行领域，神州信息帮助理财经理把每一次话术修正、每一个适当性判断，记录下来并提炼成可迭代的智能资产，反哺全流程，长尾客户从“长期得不到有效陪伴”变为获得持续服务；制造领域，神州数码打造的智能故障诊断平台把多年专家经验转化为结构化知识底座，诊断流程从“人找信息”变成“知识驱动方案”，经验得以沉淀而非绑定在个别老师傅脑中。
三个案例，三种行业，但其底层逻辑是一样的：AI不仅增强了人的能力，更把个体的专业经验转化为组织资产。每一次人机协作都不是一次性的任务，而是一次组织智能资产的积累。时间久了，这些资产会形成企业独有、难以复制的复利效应，像“滚雪球”一样越用越厚。
北京大学国家发展研究院管理学教授杨壮
不过，这种“智能即资产”的叙事，容易让人产生一个误解：既然AI能沉淀能力，那是不是人就不重要了？北京大学国家发展研究院管理学教授杨壮在论坛圆桌环节提醒，人机共舞的浪潮里，领导者不能依赖AI走捷径，要回归“人性”这个根本，真正的领导力在于激发人、成就人，每个个体也应守住人的主体性，持续培养独立思考、提出问题和明辨是非的能力。
04.
AI for Process，
串联数据与智能
数据和智能都有了，然后呢？两者要靠什么真正跑通业务流程呢？答案就是流程本身，这也是AI for Process要解决的核心问题。
王洪伟教授的看法很明确，这套框架重构的不是单个任务，而是端到端的业务流程。不再把AI简单叠加于既有流程，而是让大模型与智能体参与流程发现、理解、执行、监控和持续改进的完整周期，推动企业实现“交易转对话、自动转自治、统一转个性化”的转变。
神州数码自身的实践也印证了这一判断。最新推出的神州问学2.0，定位就是“让企业的AI跑在流程中”的操作系统，连接知识、流程、角色和任务，让AI真正嵌入业务而非悬浮在外；同期发布的AI Infra OS则为这套系统提供了算力底座，把昂贵的GPU转化为可调度、可计量的AI生产能力，让算力从固定资产变成持续产出的生产力。
德勤中国咨询业务首席增长官黄伟强
德勤中国咨询业务首席增长官黄伟强，则从另一个角度解释了这种转变的具体形态：企业引入AI时不应该抱着“人机替代”的博弈思维，而要理清“硅基人”和“碳基人”的不同优势。“硅基人”擅长高频、重复的规则运算与预测，“碳基人”则聚焦于复杂决策、情感连接与跨界创新。这种协同一旦内化为管理制度设计，就能帮助企业把AI从单点效率升级为组织能力。
不仅如此，NTT DATA对2567家企业的全球调研也得出了相似的结论：领先企业通过流程再造和多智能体协同，把任务效率的改善传导至流程健康度，最终转化为可衡量的经营结果，这也是企业从“拥有AI”走向“用好AI”的核心分水岭。
北汽新能源享界超级工厂设备工程部部长李明宇
工业一线的实践也给出了回应，北汽新能源享界超级工厂设备工程部部长李明宇从制造场景补充了一个务实视角：人机协同不应停留在技术叠加，而要围绕质量提升、效率优化和员工能力成长创造增量价值。制造企业需要与技术、咨询等专业伙伴深化协作，共同完善数据治理与业务流程，让AI成为员工的能力助手和企业扩大价值空间的重要工具。
数据是原料，智能是可复用的沉淀能力，流程就像把二者串起来的“操作系统”。如同七百年前景德镇靠七十二道工序，把泥料、窑火、匠人经验串成“百工共作”的生产力体系；今天AI for Process做的事与之本质相通：把数据、智能与人嵌进业务流程的每一环，让“一人治器”真正转向人机协同的新模式，由此成为企业穿越AI落地深水区的路标。
不难发现，从七百年前景德镇到今天WAIC的论坛现场，背后的底层逻辑从未变过：把单点的个人能力放大为可复制的组织能力，始终是生产力跃迁的根本动力。只不过这一次，流程里多了一个新的协作者：AI，而如何与它共舞，考验的不仅是技术，也不止于流程设计，更是管理的智慧。
05.
根植于千年智慧，
生长于中国实践
管理学大师彼得·德鲁克曾说过：“管理是一种实践，其本质不在于‘知’而在于‘行’；其验证不在于逻辑，而在于成果。”德鲁克时代的管理方法，主要解决的是工业经济中的组织问题——如何分工、如何协调、如何激励、如何控制。这些方法的前提假设是：人是唯一的劳动者和决策者，机器只是被动的工具。
但是，当“机器”也能“思考”和“决策”时，人机之间如何分工？当算法能够自动完成大量工作时，组织如何重新设计岗位？当AI能够学习和进化时，管理如何从“控制”转向“引导”？在AI时代，这些问题的答案，不可能从德鲁克的著作中找到。
不过，这并不意味着德鲁克过时了，他的管理思想在今天仍有生命力，只是当“劳动者”的定义从人扩展到人机协同，管理的操作层面就需要新的框架，这正是AI for Process出现的理由。
因此，回到管理的最底层：德鲁克时代的管理实践中，“控制”是一条重要主线，而AI时代的治理首先要换的是对待AI的态度——从“对抗”走向“疏导”。
对此，郭为在演讲中引用了都江堰的案例来阐释这一转变。两千多年前，蜀郡太守李冰面对岷江水患，没有选择筑坝堵水，而是“乘势利导，因时制宜”，修建了鱼嘴、飞沙堰、宝瓶口三大工程，让汹涌的岷江自动完成了分水、排沙和引水。
郭为把这称为“系统工程的思维”，不是对抗，不是封堵，而是疏导、引导、融入。同样，企业也需要像都江堰一样，将AI作为内生系统，通过流程重塑，把隐性的专家经验转化为可进化的组织秩序，让AI这股力量在组织内部有序流动，这种“疏导”而非“对抗”的治理哲学，更适合应对AI这种高度不确定、持续进化的技术力量。
与此同时，治理逻辑的转变，还伴随着另外两个变化：管理的重心从“控制”转向“赋能”，组织的形态从“机械”走向“有机”。管理者不再是流程的监督者，而是生态的构建者，就像景德镇的窑主不需要盯着每个工匠的手，而是设计好工序标准和协作规则，让系统自己运转；组织也不再是一台精密但僵硬的机器，而是一个能够感知环境、学习进化、自我迭代的生命体。每一次人机协作，都是组织的一次“新陈代谢”，沉淀下来的智能资产，就是下一次协作的起点。
最终，这三个变化都指向了同一个方向：管理的重心从“管住人”变成了“激活系统”，当AI成为流程的协作者，管理者不必再盯着每一个环节，而是设计好规则，让系统自己运转。
总的来说，技术会一代代更迭，MoE、多模态、具身智能之后还会冒出新名词；但流程的细化、标准的建立、协作的优化，这些冰面下的功课，才是每一次技术浪潮真正落进企业经营的基石。
也正因此，我们今天谈AI for Process，谈的不只是一套管理理念，而是中国人践行了千年的那套办法：拆工序、顺水势、用流程释放生产力，把个人经验变成组织能力，最终沉淀为一套可复用的方法论。
它不是西方管理理论在AI时代的延伸，而是从中国千年实践中生长出的“AI+管理”新范式：以流程为操作系统，以数据为原料，以智能为沉淀资产，以疏导为治理哲学。它将景德镇的七百载工序与都江堰的两千年智慧，一并融入了AI时代。它关心的不是“如何更好地控制”，而是“如何更聪明地疏导”；不是“如何让机器取代人”，而是“如何让人和机器各自发挥所长”。
或许，这才是冰山之下真正值得掘金的地方。
