许多企业的 AI 建设，都是从一个很具体的瞬间开始的。

早上九点，品牌运营负责人想知道昨天哪几家门店的活动转化突然下降；客服主管希望有人把重复问题先筛出来；商品团队想快速比较两个活动方案的毛利影响；IT 部门则在群里收到新的需求：能不能再做一个智能体，帮大家查数据、写结论、发任务？

每一个需求都合理，每一个小工具也可能很快见效。可过了几个月，会议上往往会出现另一个问题：我们已经有这么多 AI 应用了，为什么还是说不清企业的 AI 到底走到了哪一步？

这不是某个模型不够聪明，也不一定是项目做得不够快。更常见的情况是，企业一直在增加“能做一件事”的工具，却没有形成“这些能力如何连成一条路”的共同判断。

从工具辅助到经营原生：企业 AI 能力的五级路径

01 | | 企业有了很多助手，却没有一张总地图

想象一下，一家同时经营门店和电商的品牌。客服智能体可以回答退换货问题，运营智能体可以写活动文案，数据助手可以查询销售报表，库存助手可以提醒缺货。

当这些工具各自运行时，大家都会觉得“效率提高了”。但只要问题变成“谁负责把事情做完”，链路就开始变得模糊：

• 客服给出的答案，是否引用了最新规则？

• 库存助手发现缺货后，是否只是提醒，还是能形成补货动作？

• 活动方案被 AI 生成之后，谁检查价格冲突和毛利红线？

• 数据助手的结论，能不能回到真实的经营单据和指标里？

如果这些问题只能靠人临时补充、靠群聊追问、靠员工重新登录系统操作，那么企业得到的仍然是很多孤立的“副驾”，还没有形成一条能被管理的业务路径。

02 | | 真正要问的，不是“用了多少 AI”

对 CIO、CTO 和品牌业务负责人来说，企业 AI 最值得先回答的其实是三个问题。

现在在哪里？AI 能看到哪些真实数据，能不能说明依据来自哪里；人是在全程操作，还是只做最后审核。

下一步去哪里？当前最需要补的是数据、流程、权限，还是某个业务域的受控动作，而不是继续增加多少个聊天窗口。

怎样知道走对了？业务结果有没有回到系统，是否留下订单号、任务号、配置凭证或审计记录，指标是否比试点前更好。

这三个问题看起来不像技术问题，却决定了技术项目能不能变成经营项目。因为 AI 的等级变化，从来不只取决于模型会不会回答，而取决于它能否在真实业务中承担越来越完整的过程。

03 | | 一张路线图，应该把复杂事情说简单

白皮书把企业 AI 的成长拆成五个容易记住的台阶：

• L1，AI 先替人省力，例如写文案、做摘要、查 FAQ，人仍然全程操作。

• L2，AI 开始读懂真实经营数据，给出分析和方案，人仍然登录系统执行。

• L3，AI 在一个业务域里完成取证、判断和受控动作，人退到终审和异常接管位置。

• L4，多个已经验收的业务域能够协同，人主要处理跨域例外。

• L5，人设定经营目标和边界，系统持续规划、执行和复盘。

这不是一张“从今天直接跳到未来”的宣传海报，而是一张帮助企业安排下一步工作的地图。企业不需要一开始就承诺 L5，更可靠的做法，是只规划下一个可以被验收的等级。

04 | | 从“多做一个工具”，转向“把一段路跑通”

前两篇已经先建立了汽车智能驾驶的共同语言，再把“逐级放手”翻译成企业 AI 的 L1-L5。到了这里，企业要解决的就不再是“L1-L5 是什么”，而是“知道自己在哪之后，下一步怎么走”。

一条可执行的企业 AI 路线，通常从五个动作开始：定级、定域、补路、验收、复制。

先用生产证据判断目前在哪一级；再选出一段价值清楚、数据可得、动作可控的业务域；补齐只读数据、权限、审批、接口和审计；用正常、驳回、失败三条路径现场验收；最后再决定是扩店、扩渠道，还是进入第二个业务域。

这五个动作的意义，是把“想做 AI”变成一组可以分工、可以签字、可以复盘的工作。它也让业务负责人、IT 团队和管理层第一次真正站在同一张地图上。

每一篇都会从一个业务现场开始，尽量少讲抽象名词，多讲“谁遇到了什么问题，AI 能替谁做哪一步，最后留下什么结果”。

下一篇，我们进入 L2 到 L3 的真正分水岭：AI 给了建议之后，谁来把事情做完？