先说结论

9 月 24 日下午的云栖大会埃森哲专场「成为 AI 原生企业——从智能体到全面重塑」，是这场大会里离「企业级 AI 落地差距」最近的一场——两个半小时、一场主题演讲加三场高管圆桌，都在回答同一个矛盾：**当 88% 的中国企业已经跨过 AI 试点、开始规模化部署，真正兑现显著业务价值的却只有 14%（埃森哲 2026 中国企业数字化转型指数，经埃森哲官网核验）；卡住企业的早已不是模型聪不聪明，而是数据、流程、治理和语义构成的「数字核心」跟没跟上。**埃森哲大中华区 AI 与数据事业部总裁曹琦峰给出了全场被反复引用的判断框架：未来增长拼三项能力——自主智能、价值密度、多极经营——而今年指数得分从 49 分涨到 59 分、创近年最大单年涨幅的同时，只有 10% 的企业真正形成了这三大未来能力，多数企业仍在旧赛道上加码内卷。三场圆桌把这个判断拆成了三层落地：联想与阿里辩论「Agent 到底替不替代核心平台」（答案是退守记录系统、接管交互与动态工作流的新分工）；毛戈平与 SAP 讨论「数字核心与 AI 谁先谁后」（答案是双轮驱动、ROI 导向）；默沙东、瓴羊与阿里云的数据圆桌则指出最深的关口不是技术而是数据所有权与业务语义。本文按官方回放时间轴（0—9215 秒、230 段转写全文覆盖）完整复盘全场，关键主张标注来源层级；演讲引用的企业自报数字未经第三方核验的均已注明。

一、27 万亿美元的价值迁移与 14% 的价值兑现：差距出在哪里

开场定调的不是埃森哲，而是两组数字的对撞。埃森哲大中华区数字核心事业部总裁韩必立的致辞很短，但把问题立住了：今天是埃森哲第九年连续参加云栖大会，智能体 AI 快速发展之后，企业面对的新问题不是「用不用 AI」，而是——有些企业有先进的大模型但缺统一平台支撑，有些企业坐拥大量数据却让它发挥不出价值，有些企业看到了机会却无法把成功经验复制。「未来的赢家未必是最早使用 AI 的企业，更有可能是那些率先升级数字核心、能够持续创造 AI 价值的企业。」阿里云智能集团公共云事业部全球伙伴业务部总经理陈亮接着给了阿里侧的注脚：他引用埃森哲去年白皮书里的同一组数字——88% 对 14%——然后自问「差距究竟在什么地方」，答案是模型能力发展很快的同时，还需要企业自身的治理、专业化、流程化落地工作。他还提到阿里云与埃森哲今年已合作到第十个年头，「从云的时代到 AI 云的时代」。

真正把这组矛盾展开的是曹琦峰的主题演讲《引领价值跃迁：AI 原生企业的转型路径》。他先讲市场信号：过去十年全球有约 27 万亿美元的企业价值发生迁移，其中三分之一集中发生在 2022 年生成式 AI 兴起后的短短两年之内；全球企业价值与税前利润的比率（EV/EBIT）十年间提升了 25%——市场越来越看重「未来增长潜力」而非当期盈利（经核验：埃森哲官网《2026 中国企业数字化转型指数》与「重大价值迁移」研究均载此数据）。他的推论是：市场正在奖励能用 AI 持续创造未来价值的企业，没有 AI 时代增长策略的企业估值面临下行、价值会流走。而未来增长拼三项能力：自主智能（AI 真正长进企业方方面面成为新引擎）、价值密度（用 AI 重构产品服务数据，同样资源投入创造更多价值）、多极经营（在不同市场既扎得下根又连得成网）。

指数得分的两面性是全场最扎实的证据。好消息：中国企业数字化转型得分从 49 分涨到 59 分，提升 10 分，是近几年最大的一次智能化跃升，生成式 AI 和智能体 AI 在营销、IT、研发、数字孪生、数据治理等领域全面铺开。坏消息：真正把投入转化为三大未来能力的企业只有 10%。落到执行层，他给了一组更有颗粒度的数字（曹琦峰演讲引用报告口径，分项数字未逐项核验）：63% 的企业已给员工配备 AI 助手，但只有 44% 开始重新设计岗位，只有 18% 在做流程的系统性重构——多数企业的 AI 仍停留在局部提效。规模化难在哪儿？他总结为老债加新税：老债是数字化转型中欠下的技术、数据、治理、人才短板，加上领导层对 AI 价值说不清楚；新税有三个——token 税（智能体单次调用不贵，但企业级运行的高频调用、多轮交互、跨工具协同会让成本快速放大，token 预算管理成为新难点）、架构瓶颈（智能体稳定性达不到企业级要求，API 限流、超时这类常规故障就能让智能体成功率直接下降十个百分点）、信任缺口（AI 用了什么数据、做了什么判断、出了问题谁负责说不清楚——由于缺乏可审计可追溯的治理体系，29% 的中国企业表示会暂缓 AI 项目推进）。

领先企业的做法被他收敛为五件事：明确 AI 战略与统一路线图、建现代化技术底座、建企业自己的认知层（把多年沉淀的知识经验业务规则整理成 AI 可调用的形式）、建统一的 AI 能力组织（业务专家+AI 与数据专家+治理专家的跨职能团队）、建可信可规模化的运营体系。两个案例支撑：泰康保险几年前就判断模型本身会趋于均质化、真正的竞争壁垒在于企业多年沉淀的专业知识，于是把重点放在知识工程上；一家医疗健康企业（转写作「记忆医疗」，疑为 ASR 误识别，待核）探索「全球标准、本地创新」模式，让中国团队在遵循全球治理框架的前提下推进本地 AI 应用，中国正从 AI 应用市场变成全球 AI 创新来源。

更有意思的是四条价值创造的新逻辑，每条都带案例（均为曹琦峰演讲引用，案例数字未经第三方核验）：从卖产品到卖结果——雅迪不是把交车作为终点，而是通过电动车网联化打通数据、组织和门店，做单点客户的长期经营；从规避复杂性到驾驭复杂性——星星充电面对天气、电价、储能需求多变量波动，用 AI 形成自适应运行大脑生成储充放计划和充电桩功率分配方案，用户充电成本下降 21%、电站收益提升 22%（该两数字为演讲引用，未找到独立披露；星星充电 AI 调度与电力交易方向经能源行业媒体旁证存在）；从提供数据到提供可信任的决策——京东政企业务的业采融合模式让每个采购决策可验证可追溯，采购从成本中心变成价值创造中心；从内部能力到智能体网络——阿里国际站正通过智能体平台把跨境 B2B 贸易（三十几个环节的长流程）推向「智能体对智能体」的 A to A 智能贸易网络，目标是 70% 的传统贸易流程自动化。

演讲的最后落点在「智能体商业」（agentic commerce）：埃森哲消费者调研显示，71% 的消费者预计未来一年至少一半的消费决策会受到生成式 AI 影响，即使已有品牌偏好的用户也有 37% 表示，如果智能体给出更优推荐，愿意更换品牌（经核验：埃森哲官网与至顶网报道均载）。这意味着品牌竞争正从争夺消费者注意力变成争夺智能体入口——品牌不仅要被人看见，还得被智能体看见、理解和推荐。

第一条机制链：AI 能力平权（模型与工具人人可得）→ 企业间 AI 成绩的分布不再由技术获取能力决定，而由数字核心（数据、流程、治理、语义）的成熟度决定——88% 跨过试点而 14% 兑现价值的 74 个百分点差距，就是数字核心欠账的定价 → 二阶影响：AI 投入的评估口径从「上了多少智能体」转向「重构了多少流程、盘活了多少数据」，token 成本、架构稳定性、可审计治理成为三个新的预算科目 → 读者启发：别再问「我们适不适合上 AI」，改问曹琦峰式的三个问题——哪个场景的数据是 ready 的、领导层要的答案是什么、这笔 token 预算算得清吗；把 18%（流程系统性重构的企业占比）当作行业渗透率的领先指标而不是滞后指标。（指数与能力框架经埃森哲官网核验；案例数字为演讲引用自报）

二、Agent 不替代 ERP：稳态记录系统与敏态智能体的新分工

第一场圆桌直面过去一年最有煽动性的口号——「软件已死、SaaS 已死、Agent 可以替代核心平台」。主持人陈珊（埃森哲大中华区 AI 与数据事业部董事总经理）把问题抛给联想集团数字化转型高级总监高汪军和阿里巴巴 ATH 事业群 MaaS 业务线战略伙伴总监张修鹏，两人的答案高度一致：不是替代关系，是重新分工。

高汪军的判断基于联想的资产存量：联想做 ERP 做得极早——1998 年就上了 ERP 做财务电算化（经核验：1998 年 11 月联想与 SAP、德勤三方签约实施 ERP，2000 年 1 月上线），如今业务遍及全球一百多个国家、IT 系统约有八百多套（自述口径），还不含各国不同实例。「如果把这些系统全部推倒重做，基本上是 mission impossible。」他的框架是：基于各国法律法规对客观记录、审计、合规的要求，固定数据库支撑的 application 至少未来五到十年还会存在，会变成 system of record——稳态的那一层；agent 会越来越厚，接管动态工作流和知识提炼后的执行，「跑得越来越快」，两者是交互关系。他还观察到行业风向：近一两年 Salesforce、微软 Dynamics、SAP 都在提「appless」概念——UI 不再重要，后台业务能力包装成 MCP 和 API 供前台 agent 调用。落地路径上联想在补两门课：把传统系统包装成 API 和 MCP 让 AI 可以消费；从业务视角把数据和知识打通连贯供 AI 消费。他有个很接地气的比喻——「我们不是棚户区改造，把原来的都不要了重新建一栋楼，这个十年八年也做不出来；实际上是边做边改」——并预判智能体会先取代 UI、再取代 dynamic workflow，等本体（ontology）建全之后更多稳态的东西可以转化成敏态的，「但这一定是一个过程，组织不 ready、人员不 ready、系统也不 ready」。

张修鹏从数字原生企业的视角给出的答案表面激进、内核相同。阿里有近二十万员工、各流程环节人均大范围应用 AI，但同时「今天还在继续大规模采购 SAP 的 ERP」——因为作为全球化公司要满足全球治理要求，不可能用自研系统满足各国各部门的合规口径。他的边界划分被全场反复引用：ERP 继续承担确定性的事情，AI 负责创造性的事情；ERP 在财务、供应链、合规领域继续承担基础作用，AI 在辅助决策领域发挥创造性功能。他还下了两个反向判断：未来 ERP 没有开放 AI 能力是不可能的（他举例 SAP AI Core 在中国集成阿里千问大模型——经核验：2025 年 5 月 SAP 与阿里巴巴宣布战略合作，SAP 探索将通义千问接入 SAP AI Core 的生成式 AI Hub，阿里云支持部署 SAP ERP 云及私有云版本）；反过来，大模型公司也一定不会去做 ERP 或 CRM 公司——赛道竞争激烈没有几家有兴趣，而且应用系统领域需要深数据沉淀和行业理解，会把 AI 公司的核心产品做得臃肿。

两家公司路径的分岔恰好构成方法论。张修鹏说企业怎么用 AI 取决于行业、规模和发展阶段：AI 原生的中小企业可以「放手去做」——他举例在线教育公司用 AI 生成课件、教学、陪聊，过去上一个项目要几十个人、半年以上才能开发一套应用，选择时非常慎重；现在两三个人、两三周就能上线，只需几十万营收就能收回成本，「创新成本非常低，会快速迭代」。而阿里自己每次发展创新业务也都是剥离出来做：今天的千问办公就源自阿里的三个创新团队，成立时完全不用阿里的成熟系统、不受制于阿里的流程，发展到一定阶段再合并。高汪军则给了大公司的解法：联想的战略是 all in AI，CEO 从第一天就把它定位为 CEO 牵头的根本性变革而非 IT 部门的工具采购——「你卖 AI 方案给客户，前提是先让自己成为 AI 实践者；现在销售去谈智能制造，人家说别看 PPT，带我去你工厂看」。具体动作上，联想跟所有业务部门花了一年时间把公司几千个流程全部记录下来，放进统一的流程管理工具，再用价值流的方式全部串起来——因为按行政条块（营销、销售、研发、供应链、财务）各自优化的局部流程永远产生不了效果，「财务的结算流程跟销售绑在一起，销售的商机流程跟财务又不绑定，局部优化永远没用」。他的结论是工具只占 20% 的工作，剩下 80% 是流程再造、变革管理和说服业务 leader 打破部门墙。主持人陈珊把这组对比总结为：中大型企业需要统一建设、顶层设计（这正是埃森哲们的生意），创业型中小企业放手快跑——「在这个行业里，快比规模更重要，快最终会转化成规模效应」。

「人干啥」的灵魂拷问在这场圆桌得到两个层次分明的回答。高汪军认为未来三五年 human on the loop 至少是底线——机器可以帮你做所有事情，但人要设定目标、检查结果，「人是对工作承担责任的，机器不能承担社会责任」。他举了个内部争论过的例子：订阅系统里打印机自动订墨盒、无需人批——最后想来想去不行，因为这涉及授权问题，「机器买的东西算不算这家公司买的？这是一个伦理问题」。他更强调知识贡献的意愿机制：如果员工一开始就害怕 agent，没有人会把知识贡献出来，agent 永远不会成功——所以要先把未来岗位角色设计清楚（今天做数据清理、做报表，明天做数据分析师），告诉员工「你有数字分身之后一个人可以做更高端的事，而不是你就消失了」，他才愿意把固定知识提炼出来喂给工作助手。张修鹏的答案更激进，也更有内部证据：阿里现在是 human on the loop——有人参与但不存在于整个流程中，而且已经看到 human out of the loop 的环节。三人分工是：人定义目标、承担最终责任；agent 拆解任务并执行；系统提供数据、守住规则、进行留痕以便审计。风险分级落地：低风险动作 agent 自主执行、中风险人做确认、高风险完全由人决策，且系统要能阻断 agent 的不可逆操作。他给了两个内部佐证（均为自述）：阿里云各产品线负责人已向公司明确承诺，接下来要让 agent 全面接管云平台的运维——面向数百万企业级用户的公共云底座，「人不参与，完全由机器提供安全保障」；阿里内部明确鼓励程序员最大程度使用 AI 编程，甚至把 AI 编程占比作为考核指标，「OpenAI 的代码 AI 生成比例已接近百分之百，阿里也有非常高的比例」。他的收束判断与高汪军形成耐人寻味的对照：「未来人如果参与到一个流程，反而是有问题的。人应该成为目标的设定者、例外的处理者和最终责任的承担者。」主持人陈珊最后打趣说这让她作为埃森哲顾问很焦虑——云基础设施运维本来是咨询公司重要的工作内容。

第二条机制链：智能体能力增强 → 企业系统的分层重构——UI 和动态工作流被 agent 接管（appless 化），确定性流程、审计留痕和合规记录退守到 system of record，两者通过 MCP/API 协议层连接 → 二阶影响：IT 建设的重心从「买系统」转移到「包装存量」（把八百套系统包成 API 和 MCP）+「串流程」（价值流视角的跨部门再造）；大公司与原生公司在路径上分岔——前者顶层设计补数字核心，后者剥离创新业务放手快跑 → 读者启发：判断自家路径先看三个变量（存量资产厚度、监管记录要求、组织 ready 度）；存量越重越不要推倒重来，但价值流梳理没有捷径——联想用一年梳理几千个流程的投入，就是 agent 能跑起来的地基；同时把「知识贡献意愿」当先行指标：员工不敢贡献知识的组织，agent 一定做不成。（观点与数字为圆桌嘉宾口述，联想 1998 年 ERP 史实经核验）

三、数字核心重塑：AI 很聪明，企业的系统不聪明

第二场圆桌的主持人薛荣昌（埃森哲大中华区数字核心事业部董事总经理、SAP 业务主管）开场先接住上一场的两个梗：「今天我们的 loop 还是 human loop，这里没有 agent；刚才大模型公司说没兴趣取代数字核心——作为埃森哲 SAP 业务负责人，我们还是有事情可做的。」他随后抛出本场的问题：九年云栖讲下来，ERP、CRM、MES、数据中台的建设已做得七七八八，但过去聚焦的是「记录企业发生了什么、分析发生了什么」；agent 时代要求系统还要帮企业预测接下来会发生什么、告诉员工可以做什么——于是出现一个尴尬的普遍现象：「AI 很聪明，但我企业的系统不聪明，AI 产生出来的结果不可靠，有很多幻觉。」

SAP 大中华区伙伴交付与创新负责人甘淑芳（Polly）的回答把责任落到数字核心的四项能力：可靠的数据底座（agent 调用的数据可用、可信、一致、有权限管控，而不是脱离语义上下文的信息化碎片）；统一的权限与安全机制（「不能让普通用户通过 AI 获得他不该被授权获得的信息——数字核心需要成为 AI 的护栏，而不是没有任何管控的数据仓库」）；协议化可调用（在安全合规基础上从封闭系统转为平台，提供 agent to agent 可管控的集成协同能力）；以及行业纵深（「数字核心应该内嵌行业语义，agent 才能理解财务问数背后的业务含义」——她假想一个为毛戈平工作的 agent，应该懂美妆行业的季节性规律、渠道结构、营销策略，才能实现「自主运营企业」这个终极目标）。针对企业「烟囱式叠 agent」的焦虑——一个 agent 跑不好就再加一个 agent 去优化它，越叠加越复杂、数据越割裂——她的解药是从全球成功客户身上总结的三件事：从业务价值识别场景、动手前把 ROI 算清楚、统一数据平台，「不能因为 AI 有什么 skill 就上什么 agent，而是用价值工程确定收益、成本和实施路径后排优先级」。她举了个消费电子行业客户的例子（演讲引用，未经第三方核验）：给六十几个国家报关，原来用通用大模型识别报关单，识别率总达不到业务硬指标；换用经行业文档训练的 Document AI（擅长票据表格样式识别）并强管控输出格式消除幻觉后，识别准确率超过 99%，人工操作降低 90%。

毛戈平化妆品股份有限公司 CIO 王志敏给了一个品牌方的务实版本。他先介绍公司：中国唯一做高端美妆的国产化妆品（王志敏自述口径），创始人品牌二十多年，至今保持三位数增长，当前要完成从中国高端美妆到世界高端美妆集团的跨越——这个跨越需要数字核心和 partner。他本人的履历是理解这场对话的钥匙：职业生涯始于一家五百强化工公司，历经宜家、麦当劳、欧莱雅，「这些外企的共同特点是都用 SAP（转写作 ACP，按上下文校正），有些还选了埃森哲做 partner」。他的判断框架是三件事：数据的统一（业财一体，业务数据和财务数据的 gap 要在底座上落地，「不然 AI 出来的结果很难统一运营到业务上」）、流程的贯通（外企的流程落在系统里、记录在文档里，AI 能完整学习；国内企业很多决策是老板一句话就干了，「AI 学习不到老板头脑里的决策是怎么做的」，这是国内企业的大挑战）、架构的 AI ready（毛戈平线上线下的业务同时发生——线下叠加商场活动与国内外促销，线上叠加 OMS 单据与消费者数据，融合到一个平台有难度；最终选了 SAP 部署在阿里云上私有化部署，加上阿里的 AI 能力，三者叠加是持续向外发展的支点）。

最尖锐的问题来自薛荣昌：很多 CEO/CDO 焦虑「我的 CRM、SAP、MES、数据中台还没打通，我应该等数字核心建好再上 AI，还是先用 AI 倒逼数字化核心，还是干脆不管数字核心了——AI 是万能的」。王志敏的回答干脆利落：「看预算多少。预算少，先做 AI。」他的论证是：数字化核心不是上一个 IT 系统，而是数据、流程和业务决策过程的落地，「如果把它做成一个 IT 系统，这个项目会是失败的」；先进的企业绝不会等数字核心成熟才跑 AI，而是双轮驱动、以 ROI 为导向——业务部门根本不会等，「他们看市场上这么多通用模型、这么多 agent、这么多数字化员工，怎么拿来立马创造业务价值」。更微妙的是他对汇报逻辑的坦白：自建 AI 平台、调用多模态模型要花成本，但作为 CIO「你顶多能从技术上证明必要性，价值上很难讲清楚」——所以先在小范围点上证明 AI 的价值，再把这些价值作为之后大规模建 AI 基建和数字化核心的决策参考，「不然你很难跟老板讲清楚 ERP 项目的价值在哪里」。而且建数字化核心是一把手工程：数据要统一规整、清洗，所有业务部门的流程都要挖掘出来落实到系统里，没有高层大力支持项目很难成功。甘淑芳补了 SAP 自己的观察作为佐证：SAP 内部也在用 Claude Code（转写作 Cloud Code，疑为 ASR 误识别）和面向每位员工的 Joule Work（转写作 Dual Work/True Work，按 SAP 官方产品名校正），每个员工都有 token 额度，公司鼓励用这些工具做「日抛式」产品；她见到的最大的坑恰恰是「AI 搓出来的东西不能产品化」——研发部门各自搓各自的，今天搓完明天另一个团队又搓一个类似功能的，需要部门拉通、从一个重点流程切入，「否则就是重复造轮子」。

对未来三五年的展望，甘淑芳给出了 SAP 蓝宝石大会的战略路线（经核验：SAP 于 2026 年 5 月 Sapphire 发布 Autonomous Enterprise、统一 Business AI Platform 与新交互产品 Joule Work，新闻稿属实）：数字核心从记录型 ERP 转为 AI 原生、可自主执行的业务内核——「过去 ERP 的底层人员常说，我除了自己的工作还要到 ERP 里去 K 数据；未来是自主理解、推演、执行的闭环」。她个人（她强调不代表 SAP）认为数字核心不应只停在 ERP，而要延伸到 Business AI Platform 和 Business Data Cloud——「从单一大脑转型成为神经网络」。交互模式之变她用了一个好吃的比喻：过去 SAP 要求用户理解 ERP 逻辑去适应系统，我们依赖传统报表——猜领导想问什么、把数据提前准备好，「像预制菜」；现在领导拍拍你肩膀问「这个月利润为什么下降」，AI 问数直接到底层把数据挖出来做根因分析、实时交出答案，「从预制菜变成了现点现炒」。最后她把壁垒说得毫不客气：「SAP 的竞争壁垒，我这里用的是壁垒，就是五十年积累的行业经验和行业业务规则」——制造的单清单结、化工的批次追溯、制药的 GxP、金融的实时对账，这些行业纵深都会内嵌为数字核心的语义。王志敏则从品牌方回应了「每人都聪明 agent 当 work buddy 时企业核心竞争力是什么」：AI 是数据+流程+AI+组织变革的组合，BI 出 insight 这类岗位会变化甚至消失，内容制作和消费者生命周期管理会有更多人加入；而毛戈平出海的国外合规、国外流程、国内高质量过程能否复制到国外，都需要一个符合国际合规的数字化底座和全球 partner——「埃森哲在美国、在欧洲都存在，服务于欧莱雅和雅诗兰黛几十年，这正是我们需要的」。薛荣昌的收束对仗工整：没有数字化核心的 AI 走不远，没有 AI 能力的数字化核心长不大；未来企业的竞争已不是「有没有 AI」——AI 能力是默认的——而是有没有强大的数字化核心支撑 AI 发挥最大效率。

第三条机制链：AI 的非确定性与幻觉 × 企业系统的一致性要求 → 数字核心从「记录系统」升级为「AI 的护栏+语义供给方」——数据底座、权限安全、协议化调用、行业知识四件套决定 agent 输出可靠性；「AI 很聪明但系统不聪明」的错配成为价值兑现的卡点 → 二阶影响：AI 与数字核心从先后之争走向双轮驱动，但决策权重向 ROI 倾斜——预算有限时先做点状 AI 验证价值，再用验证结果反哺核心投资的决策；ERP 厂商的竞争壁垒从流程功能转移到行业语义的五十年沉淀 → 读者启发：评估 AI 项目时把「护栏四件套」（数据可信、权限管控、可调用、行业语义）当成数字核心的体检表；汇报数据基建别再讲数仓多大、表多少、ETL 多少——用业务指标说话；预算有限时选「小范围验证→反哺基建决策」的路径，比先建三年平台再找场景的存活率高。（观点为圆桌嘉宾口述；SAP Sapphire 战略与 SAP-阿里合作经外部核验；报关单案例数字为演讲引用未经第三方核验）

四、数据底座的三道关：语义、所有权与以终为始

第三场圆桌把镜头推到最深的一层。主持人戴虹（埃森哲大中华区数字核心事业部董事总经理）开场给了共识式铺垫：从上个月人工智能大会到今天云栖，大家都在谈 AI，落地中逐渐形成一个共识——大模型决定了 AI 的上限，但企业落地实践的效果和价值往往由数据决定。这场圆桌的三位嘉宾恰好构成数据的三角：需求方默沙东（中国）企业 IT 架构总监方韧豪、供给方瓴羊副总裁甄日新（转写自称「阿里云瓴羊智能」，瓴羊为阿里云智能集团旗下数据智能业务）、平台方阿里云智能集团高级产品解决方案架构师杨祎（花名一休，2015 年加入阿里，转写「杨一/杨毅」按议程校正为杨祎）。

智能体时代需要什么样的数据？甄日新讲「变与不变」：不变的是数据质量——结构化数据的指标质量、非结构化数据的知识管理质量依然是核心；变的有两处。一是广度：过去主要是结构化分析数据，现在大量非结构化数据（音频、视频、文档）「过往使用路径有限，现在变成智能体场景非常重要的输入」——训练也好、上下文也好。二是关联方式：过去用星型模型、雪花模型做数仓表达结构化关联，现在要把数仓技术与知识图谱技术做更深融合，「产生出让大模型更容易精准获取信息的语义层」。杨祎补了范式之变：以前大数据讲多样性，但实际还是 schema 化的结构化数据加定时调度——「像预制菜报表每天端给你」；现在智驾、具身智能（转写「巨胜」疑为「具身」，按上下文校正）、医药的 Excel/PDF/视频音频都要跟结构化数据统一管理，「向量化之后跟结构化数据一起进统一的语义层」。他反复强调权限：现在很多 agent 工具面向 to C，人人可用都能访问数据，但企业级 agent 必须按用户区分可访问权限——「不能让很底层的员工 touch 到 O 字辈才能看的公司经营数据」。

全场最生动的段落来自方韧豪的「语义层说明书」论。他的开场是人情世故：「人与人交流靠默契——没有默契，请他吃个饭，烧烤撸串默契就来了；再不行请他唱歌洗澡，99% 的问题全搞定。但人和 AI 讨论不能用默契，靠什么？靠语义。」他的比喻是：数据之于 AI 像食物，语义层是食物的说明书——「没有好的说明书，你的 AI 可能有问题；而且你的 AI 越聪明，它的问题可能就越大」。他举的医药行业例子精确得像寓言：问一家药企的智能体「你们明星产品今年在全国的市场覆盖率是多少」，听起来极简单，答案却五花八门——市场团队认为「医生听过我们的药就算覆盖」，销售团队认为「医生开过处方才算覆盖」，准入团队认为「药进了医院列名才算」，供应链团队认为「药进了药房才算」。「大家说的全都是对的，只是认知在不同层面。这就是语义处在至关重要位置的原因。」（戴虹的总结：企业需要建立统一的业务语义，不仅保证数据正确，还要让智能体明白数据从哪里来、怎么用、可以做什么。）

第二道关更难：数据所有权。方韧豪的「小朋友」比喻戳中了组织问题的本质：「企业里大家看数据，都认为这是我们家的小朋友，你不要动。但你一旦问，这小朋友的一日三餐谁负责？谁送他上下学？就鸦雀无声了，大家都低头看手机。」为什么数据孤岛消不掉？「CRM 里有客户数据、市场推广系统里有、客户服务系统里有、销量系统里也有——有没有数据？有。系统之间有没有打通？当然有。为什么还有孤岛？因为数据所有权没定义清楚。」而所有权难定义，是因为它背后藏着尖锐的利益问题：「定义了所有权之后，这笔数据的预算归谁？做成了既得利益归谁？没做成这锅谁来背？」他的解法是四个字「以终为始」：别用 top-down 的方式花三五年建整体数据治理框架——周期太长，做的过程中大家会怀疑「你想要的到底是什么，做好之后对我有什么好处」；而是先找一个有业务价值的 AI 场景，用场景倒逼数据所有权的定义。他甚至给了个减肥的类比：「人什么时候会想到减肥？不是看到减肥节目或营养套餐，而是在商场看到一条好看的小裙子要穿上、在酒吧遇到一个好看的女孩要追到手、或者看到体检报告三高——一定是有业务价值驱动，再反哺数据治理。」戴虹的总结点题：数据底座建设不是纯技术工程，而是技术工程加组织工程。

第三道关是成本与场景的精算。甄日新给了一个足以让所有「100% 覆盖」口号降温的真实案例（嘉宾口述）：给企业做客服系统升级，其中一个小点是质检——过去人工抽检，后来小模型检查，现在终于可以用大模型检查了，客户要求 100% 覆盖；结果下一个月发现「光这一个非常小的点，大模型消耗成本就已经上百万，比所有辅助、填单这些都要高得多」。他的结论是「什么样的数据匹配什么样的场景，需要很多精算」：去年大家还在探索期、容忍度高，今年企业管理层关注的都是 ROI；有的场景需要体系化构建本体和语义，有的场景「一个知识库加一些 RAG 就够了」——甚至知识库底下用千问 max 还是 flash 模型，都有客户「一开始用 max 觉得肉疼，试试 flash 发现也能接受」。他在营销场景给的规模判断同样克制：双十一电商生成图已经成熟，但完整的营销闭环（预算分配→创意→内容→人群→媒介）「要给一个重量级品牌端到端完成，还需要两三年甚至更长」；今年双十一选择的是年 GMV 小于一个亿的品牌做托管试点——「因为策划相对简单、容易自动化；而那些每天投放几十万的大品牌会问：如果有自损，大模型会为此负责吗？」——「一定朝这个方向走，但有一个落地周期。」

怎么平衡长期基建与短期价值？方韧豪的「高速公路」方法论是全场最可抄的作业：造上海到杭州的高速公路，不会等三五年全部造好才开放——「造好一段开放一段，让车先跑起来，让价值先体现出来，再造下一段」。他还顺手动了 IT 汇报的话语体系：「我们汇报数据基建时说：老板你看我的数据仓库这么大、表这么多、ETL job 这么多——老板根本不要听，三分钟立刻睡觉把头别过去。不能以基建的描述标准衡量价值，要用业务价值衡量。」他给外企老板关心的三类指标：时间指标（新药上市要多久、病人入组要多久）、质量指标（「这是个 AI 会一本正经胡说八道的时代」，预测下月销量准不准、医生覆盖率准不准）、业务指标（销量增长、进销存灵活性）。「我们 IT 同事的核心价值，是利用 AI 浪潮把公司的数据资产转化成 AI 能理解的语言，并转化成业务结果。」

收尾的快问快答把三人答案排成了优先级清单。杨祎：最优先建语义层——「否则 AI 不认识底层数据的含义，给出来的结论一定是错的」；其次权限管理，否则数据安全无法保障。甄日新：最重要的是先碰撞清楚要做的场景——现在很多企业对大模型的期待「有一种无所不能的感觉，这是一个风险」；要先对六到十二个月想做的场景和业务指标形成明确共识，再反推数据怎么一步步建设，「如果共同的业务目标没对齐，下面的建设风险会非常大」。方韧豪：实操层面最重要的是说服老板、让一号位同意你的想法——「否则接下来什么都推不下去」；技术上他同意语义层，但第二个最重要的与杨祎不同：不是怕泄露，而是通过权限管控最小化 AI 犯错的代价——「默沙东是强监管行业的强药企，我要让 AI 犯错的时候，错误带来的影响不要太大」。戴虹用三个关键词收束全场：语义、治理、价值。

第四条机制链：企业数据的历史存量（部门割裂的所有权 + 口径不一的业务语义 + 80% 未被利用的非结构化数据）× 智能体对「确定性输入」的刚性需求 → 数据治理的瓶颈从「技术打通」转移到「组织确权」与「语义统一」——小朋友比喻揭示的是预算权、既得利益与背锅机制的缺位，而它们无法靠数据部门单方面解决 → 二阶影响：数据建设从平台先行转向场景倒逼（以终为始），token 成本进入场景选型的精算公式（大模型 100% 质检月烧上百万 vs 知识库+RAG+flash 模型的性价比组合），IT 的汇报语言从基建指标换成业务指标 → 读者启发：动手前先做方韧豪的「语义体检」——挑一个高频业务词（如覆盖率、活跃客户），让五个部门各自定义，口径分歧的个数就是语义层建设的优先级；用「一段一段通车」的里程碑设计替代三五年大平台规划；给 AI 场景做成本测算时把 token 单价×调用量×频率当第一行，而不是最后一行。（观点与案例为圆桌嘉宾口述，质检成本与双十一案例未经第三方核验）

结语：从「用上 AI」到「AI 原生」，中间隔着一次数字核心的重装

把四组讲者串起来看，这场论坛讲的其实是一个层层递进的结构。曹琦峰的指数研究证明了大分流的存在：88% 对 14%，市场已经开始为「数字核心成熟度」定价；三场圆桌则分别拆解了重装数字核心的三个工位——平台层（agent 与记录系统的新分工：UI 和动态工作流交给 agent，确定性、审计与合规退守 system of record，中间用 MCP/API 连接）、系统层（数字核心从记录型 ERP 升级为 AI 的护栏与语义供给方，与 AI 双轮驱动而非先后之争）、数据层（语义、所有权、价值精算三道关，本质是组织工程而非技术工程）。闭幕时戴虹的总结把这根线拉直了：AI 转型不是技术升级，而是贯穿战略、业务、流程、组织和技术的全方位系统工程；「过去二十年数字化奠定了企业的竞争力，未来十年 AI 会重新定义竞争力。」

值得盯的观察指标有四个：埃森哲指数明年 14%（显著价值兑现）与 18%（流程系统性重构）这两个百分比的抬升速度——它们比 88% 更能说明数字核心的重装进度；联想式「价值流梳理+agent 上岗」的大企业路径与阿里式「剥离创新业务放手做」的原生路径，哪一种先跑出可复制的样板；SAP Autonomous Enterprise/Joule Work 与阿里云千问的组合能否把「行业语义内嵌数字核心」变成标准产品，而不是每个项目重新咨询一遍；以及 agentic commerce 的入口之争——71% 消费者的决策将受生成式 AI 影响之后，品牌「被智能体看见、理解和推荐」的能力会不会成为新的营销预算科目。反方风险同样清楚：这场论坛的讲者结构（咨询公司+平台厂商+ERP 厂商+其客户）天然倾向于「多建底座」的叙事，14% 的价值兑现率本身也提醒——数字核心投资同样可能变成新的库存；方韧豪那句「AI 越聪明，没有说明书时它的问题就越大」，对平台和对自己的组织同样成立。张修鹏那句看似最激进的话，也许才是最平实的行动指南：人成为目标的设定者、例外的处理者和最终责任的承担者——其余的，交给跑在数字核心上的智能体。

转写与核验说明：本文基于 230 段、0—9215 秒官方回放的完整本地转写（全文覆盖无缺段），讲者与议程时间对位校正。ASR 疑似错误已按议程与上下文校正：艾森哲/爱生哲/爱生者→埃森哲、曹奇峰/齐峰→曹琦峰、陈山→陈珊、戴红→戴虹、韩碧立→韩必立、杨一/杨毅→杨祎、方任豪/任豪→方韧豪（议程名，现场自称「任豪」）、羚羊/领洋→瓴羊、加达修（Gardasil 默沙东 HPV 疫苗商品名，保留）、ACP→SAP（按上下文校正）、True Work/Dual Work→Joule Work、Cloud Code→Claude Code（存疑标注）、MAS→MaaS、巨胜→具身、立晨→立成（毛立成）、Polly→甘淑芳。经外部核验的关键主张：埃森哲《2026 中国企业数字化转型指数》核心数字（27 万亿美元价值迁移、EV/EBIT 十年升 25%、指数同比+10 分、10% 企业形成三大未来能力、88% 跨过试点较上年+42 个百分点、14% 实现显著价值较上年+5 个百分点、71% 消费者/37% 品牌粉丝）——埃森哲官网报告页与至顶网 2026 年 7 月报道；SAP 于 2026 年 5 月 Sapphire 发布 Autonomous Enterprise、统一 SAP Business AI Platform、Joule Work，深化与 Anthropic 等合作——SAP 官网新闻稿（2026-05-12）；SAP 与阿里巴巴 2025 年 5 月战略合作、SAP AI Core 生成式 AI Hub 探索接入通义千问、阿里云支持部署 SAP ERP 云及私有云——新浪科技（2025-05-27）；甄日新为瓴羊副总裁——凤凰网、飞象网、中国日报等（2025—2026）；联想 1998 年 11 月与 SAP、德勤三方签约实施 ERP、2000 年 1 月上线——联想 ERP 实施史料。存疑与待核项：「记忆医疗」（曹琦峰所举医疗企业案例，疑为 ASR 误识别，未找到对应实体）保留原文并标注；泰康保险知识工程、雅迪网联化、星星充电（充电成本降 21%/电站收益升 22%）、京东政企业采融合、阿里国际站 A to A（70% 流程自动化目标）为曹琦峰演讲引用案例，数字未经第三方核验；联想「八百多套系统、一百多个国家、一年梳理几千个流程、工具占 20%」、张修鹏「阿里近二十万员工、继续大规模采购 SAP、AI 编程占比作为考核指标、agent 全面接管云平台运维承诺、OpenAI 代码 AI 生成接近 100%、在线教育两三人两周上线应用」、甘淑芳「报关单识别率超 99%、人工降 90%、SAP 内部每人有 token 额度」、王志敏「毛戈平三位数增长、中国唯一高端美妆国货（自述口径）」、甄日新「非结构化数据占 80%、质检 100% 覆盖月成本上百万、双十一选年 GMV 小于一个亿品牌做托管」、方韧豪「默沙东语义与所有权案例」等均为嘉宾口述自报，未经第三方核验；杨祎「2015 年加入阿里」为现场自述。圆桌各主持人身份以官方议程为准。