（来源：牛透社）

编辑｜燕子

11 月 7日-9 日，由崔牛会主办的以“拐点”为主题的2025 中国 SaaS 大会在北京成功举办，而中国企业软件行业正站在一个新的“成人礼”门槛上。

在大会上，金蝶副总裁李帆发表了“企业级AI落地实践与行业启示”的主题演讲。

作为深耕企业级软件市场三十余年的“老兵”，李帆从技术演进、行业痛点、认知转型到产品布局，系统阐述了AI对企业级应用带来的根本性变革。

李帆指出当前企业级AI面临“一边是海水，一边是火焰”的复杂局面：尽管生成式AI热度高涨，但实际落地成功率不足5%，数据质量、可靠性、场景适配仍是核心挑战。

他强调，AI并非短期风口，而是一个需要长期投入的技术超级周期，企业应避免用互联网时代的快思维去衡量AI的成长曲线。

围绕金蝶的AI战略，李帆介绍了公司从“AI增强”到“AI原生”的双轨布局，重点展示了基于金蝶AI·苍穹平台的统一AI底座、Data Cloud数据云、Agent开发平台以及垂域模型等核心能力。

他特别指出，金蝶不做“大模型套壳”，而是致力于在数据与深度模型层面构建差异化优势，推动企业软件从工具系统向智慧系统跃迁。

此外，李帆还分享了AI转型中的组织融合、人才结构、文化包容等深层挑战，提出“认知革命比技术本身更重要”的核心观点。

在他看来，企业决策者、中层与基层员工都需建立对AI的正确理解与信仰，才能真正跨越从“技术采纳”到“价值创造”的鸿沟。

李帆的整场演讲既有宏观趋势判断，也有具体产品实践。金蝶作为传统软件企业在AI浪潮中有着清醒定位和坚定的步伐，它不以短期变现为目标，而是着眼于长期行业影响力的构建。

牛透社将演讲内容略作编辑，整理如下：

各位下午好，很高兴大家来到会场聆听我的分享。我是第一次参加崔牛会，此前大家在崔牛会会场见到金蝶的身影可能不多，今天也很荣幸能在AI峰会上，和大家分享企业级AI相关内容。

金蝶30多年来一直深耕企业级市场，如今也完成了SaaS转型。大家一定很关心，AI时代下金蝶如何推进转型、打造产品、制定战略与技术布局，今天我会围绕这些话题展开。

01

一边是海水，一边是火焰

AI技术到来后，企业级应用软件领域到底呈现出怎样的态势？一方面，很多人看到了机遇——之前提到过“技术超级周期”与GDP的密切关联，上一代数字技术的超级周期始于2000年，持续了20年，而如今智能技术将开启新的超级周期，我们正处在两个周期的叠加节点。

同时，宇数科技、具身智能等企业在ToB、ToC场景的AI应用热度很高。其实我原本给这部分定的主题不是“机遇与挑战”，而是“一边是海水，一边是火焰”，更能体现当前行业的复杂局面。

再看企业级应用市场的现状，前段时间麻省理工出具的调研报告显示，生成式AI在企业中的落地成功率不到5%，95%的生成式AI应用未能取得回报，这是非常残酷的现实。

作为软件供应商，我们该如何看待AI？这类应用不成功的原因有很多，其中一个关键问题是，我们一直在寻找高价值场景，但至今尚未明确方向。

此外，企业级应用还面临不少痛点：数据质量普遍不高；AI的可靠性不足，尤其是深层次AI存在“幻觉”问题，而企业级应用对精准度的要求又极高。可见行业虽有机遇，但现实也很残酷。

02

企业应用软件的技术跃迁

科技领域有个“阿玛拉定律”——人们总是高估科技的短期效应，现在大家对AI的期待往往过高，却忽视了它的长期价值。

这就带来一个问题：我们是聚焦短期，追求快速见效的市场回报，还是着眼长远，为更持久的行业影响力布局？

对金蝶这样有30多年积淀的企业级应用软件服务商而言，我们更看重AI对行业的长期影响。

若拉长时间线会发现，企业级应用软件从上个世纪60年代发展至今已有60多年，技术迭代从未停止：

最早是大型机时代，那时的人们很难想象如今的互联网与移动应用；后续又经历了多轮技术变革，每一次都推动行业向前发展。

60 年来，企业级应用软件行业先后经历了 MRP 时代、MRPII 时代（局域网时代），金蝶正是在局域网时代进入这一领域。

此后，图形化 GUI 交互、关系型数据库等技术相继出现，到目前为止，企业级应用软件（包括 SaaS）仍以 “关系型数据库 + 图形化交互” 为核心技术手段，满足企业各类场景需求。

进入互联网时代后，数字技术再次迭代；到了移动与云时代，技术变革进一步深化。不难发现，行业大约每 20 年就会迎来一次技术变革，但这些变革的影响力，都远不及 AI 时代 ——AI 将从交互方式、数据处理等核心层面，彻底颠覆传统企业级应用软件。

但 AI 到来后，尤其是大语言模型，其核心优势在于处理非结构化数据，无论是文本还是语言处理，都将迎来显著变革，技术架构也会随之发生重大调整。

03

AI将带来真正创造价值的

智慧系统

若现在进一步拉长时间维度，大家可能会问：AI 未来会对企业级应用软件产生怎样的影响？我认为，AI 将推动现有企业级应用软件从 “工具型数据处理与逻辑控制系统”，升级为真正能创造价值的 “智慧系统”。

为何这么说？业界有一个 “DIKW” 方法论，描述了从数据、信息、知识到智慧的演进路径，大家若有兴趣，可通过互联网进一步了解这一方法论。结合这一方法论，我们可将企业应用的发展分为四个阶段：

在无 AI 模式下，企业应用的核心是处理逻辑规则，而这些规则都固化在预设代码中。一旦企业场景的逻辑与代码预设规则不符，就需要通过迭代修改代码。此时应用仅聚焦数据处理，尚未形成 “知识” 维度；AI 出现后，嵌入式 AI 开始融入应用。

第二个阶段是 “APP 为主、AI 为辅”，应用仍以原有逻辑为核心，AI 仅作为辅助角色提供知识支持 —— 比如常见的 Copilot 助手。此时，知识查询与问答的规则来源，不再局限于 SaaS 或 ERP 系统，还能从外部知识库获取。

而当行业迎来今天所说的 “拐点” 时，就会进入 “AI 原生” 阶段 —— 此时 APP 将退为后台工具。

这并不意味着 APP 消失，而是它不再直接与前端用户交互；与用户交互的核心，变成了大家熟知的智能体（Agent）。APP 会逐渐服务化，成为后端可调用的工具，此时系统具备半自主能力，同时结合 APP 的固化规则运行。

若进一步畅想未来，随着从数据到信息、知识再到智慧的持续演进，“知识” 与 “智慧” 在系统中的占比会越来越高。最终的 AI 原生形态，将是完全自主的 AI 系统 —— 甚至可能不再需要固化 APP，而是由 AI 通过感知自动生成适配业务逻辑的代码。

从更长周期来看，AI 对企业级应用软件的影响将是深远的。至少从当前规划来看，金蝶会以 “AI 优先” 为战略核心，推动今年的技术与产品全面向 AI 转型。

当然，这一转型周期会比较长，绝非一两年就能完成。对金蝶这样的科技企业而言，“变革” 是永恒的主题。回顾金蝶的发展历程，我们始终在变革中前行：最早从财务软件起步，紧随技术架构迭代，从 DOS、Windows 系统，到 ERP、云服务，再到如今的 AI，每一代都在主动求变。

04

企业如何向AI转型

生成式AI与非生成式AI的差异，更是一道关键的行业分水岭。因此，从2023年开始，我们加快了AI领域的落地节奏：

基于技术基座打造财务等垂域大模型，并推进场景化应用；同时布局如今大家熟知的Agent开发平台——早在2023年底，我们就推出了低代码AI开发平台，当时“Agent”这一概念尚未普及。

一直以来，我们在技术上有个核心主张——“技术平民化”。我负责的苍穹平台，不仅具备云原生底座，更有丰富的低代码套件，既能支撑金蝶自身产品开发，也能助力合作伙伴打造产品。

所以AI到来后，我们第一个想法就是“AI能否低代码化”，能否通过屏蔽复杂技术，让AI能力普惠化。

到2025年，我们已在这一方向形成了一套标准化范式：在模型层面，不做通用模型，专注垂域模型精调；在平台层面，重点打造Agent相关能力。

此外，数据的重要性日益凸显，尤其是数据语义化。过去我们做软件时，数据设计是围绕交易系统（Transaction）展开的，核心是完成交易流程，并未考虑AI的适配需求，因此如何让数据更好地实现语义化，成为关键课题。

同时，行业内也一直在讨论：到底该做“AI增强型SaaS”，还是“AI原生应用”？对金蝶而言，当前阶段我们采取“两者并行”的策略。

当然，推进生成式AI落地，我们也面临不少机遇与挑战，核心集中在四个方面。

首先是算力挑战。对任何企业而言，只要涉及模型精调，就需要大量算力投入，金蝶也不例外。

不过好消息是，当前算力成本与推理成本已大幅下降。为此，我们不仅建立了自有算力中心，还会通过租用云端资源补充，以应对算力挑战。

第二大挑战是算法。算法的最终落地载体是模型——开源模型可直接使用，但如果要做垂域精调模型，就必然离不开专业算法支撑。

而金蝶在深层次AI发展之前，算法工程师主要聚焦小模型领域，此前做过NLP、OCR相关工作，却缺乏大语言模型生成式AI的训练与精调经验，因此我们必须快速引进算法人才。

第三是数据。对金蝶而言，也包括在座的SaaS企业，我们其实拥有天然优势。有个观点很关键：客户选择AI服务时，会优先考虑“数据在哪里，AI就选哪里”，因为客户离不开自身的数据。所以，我们长期积累的海量高质量客户数据，就是核心优势。

但同时也面临挑战：一是数据隐私安全保护，二是满足企业的个性化数据需求。针对这些数据问题，我们从今年开始启动了“Data Cloud”产品的研发，重点解决数据语义化适配AI、数据隐私安全保护这两大核心问题。

第四是场景。生成式AI落地的关键在于找到合适的应用场景，只有把算力、算法、数据与场景深度结合，才能真正实现落地。

回到“企业如何向AI转型”这个问题，金蝶一直在推行一个核心逻辑：无论是金蝶自身，还是帮助客户进行AI能力转型，都需要围绕三个方向发力——认知、技术、实践。后续我会结合金蝶的实践，具体分享这三个方向的内容。

其中“AI认知”这一点，我跟客户交流得很多，但很少跟同行探讨。我不知道现在同行对AI的认知处于什么水平，但我认为，传统软件公司中90%以上的人，对AI都存在认知不足的问题——这也是很多人、包括我们的客户感到焦虑和彷徨的原因。

为什么大家会焦虑？因为很多人仍用“蓝色曲线”（互联网技术）的思维，去要求“红色曲线”（AI技术）也达到同样的成熟度和变现速度，包括我们的客户也是如此——这中间存在巨大认知落差。

所以才会有客户问：“给你一个月推进AI项目，为什么还没见效？再给三个月，怎么还是没见效？”其实本质是认知上的错位：用互联网这种成熟技术的标准，去衡量仍在发展中的AI技术，自然会产生落差。

我们该如何真正理解AI？很多大型企业（创业公司相对而言不存在这个问题）采用职能制架构，部门间像“烟囱”一样割裂，但AI需要快速响应、敏捷协同，如何从“烟囱式”转向“敏捷细胞”架构？这就需要打破原有流程和规则。

比如做AI需要数据时，向数据部门申请客户档案、客户信息，对方却以“数据保密”为由拒绝提供——拿不到数据，AI项目根本无法推进，这就是组织流程与AI需求的矛盾。

05

金蝶AI苍穹平台

接下来从平台层面，简单介绍下我负责的金蝶AI苍穹平台。它包含云原生、数据模型、可信平台套件等模块，核心可分为三部分：

第一是技术底座。这是金蝶全体系的核心技术底座，具备“云原生+数据原生+AI+安全可信”的特性——不仅支撑金蝶自身产品，还服务大量ISV（独立软件开发商），不少软件公司正基于这个技术底座构建自己的上市产品，我们也会对外输出这一技术能力与服务。

第二是生产力套件。针对企业级应用的开发、数据分析与集成需求，我们提供四大套件：Agent开发套件、传统APP应用开发套件、集成套件（中大型客户普遍存在多系统并存的情况，集成需求旺盛），以及数据分析套件，这四类共同构成了苍穹的生产力支撑。

第三是开放生态。我们通过生态赋能客户、ISV及内部团队。

目前金蝶在AI平台领域也取得了一些成果。比如，我们的PaaS平台位列中国第一、全球前十；生成式AI在企业管理领域获得了Gartner的认可；AI增强型ERP在IDC相关排名中表现领先；更重要的是，我们还拿到了中国AI领域的最高科技奖项——吴文俊人工智能奖一等奖。

再说说Agent平台。在座很多朋友可能都在使用Agent平台，无论是开源还是商用版本，但我们的目标不是做泛域通用型Agent，而是聚焦企业管理领域的智能体平台，核心有两个差异化特点：

第一个是统一元数据体系。金蝶整个苍穹平台及上层SaaS产品均基于元数据驱动——元数据是对数据的描述，天生具备业务语义属性。因此，我们的开发流程、应用数据都会共享这套元数据，Agent平台也不例外。

借助统一元数据，Agent平台能无代码识别PaaS体系下应用的所有实体对象、应用操作API流程，助力SaaS快速封装MCP（管理控制平台）。

第二个是企业级安全体系。市面上的Agent，往往缺失企业级权限架构；但企业级应用必然涉及组织、用户、角色的权限管理——即便做知识库、制度管理，也不是所有内容都能全员访问，必须实现数据隔离、权限隔离，还要对敏感数据进行脱敏处理，包括企业内部的敏感词管控，这些都是企业级场景的核心安全需求，也是我们Agent平台的重点设计方向。

第三，丰富的通用模板。因为我们在企业级应用软件领域做了大量模板化工作，比如通过自然语言导航菜单、填报信息、生成报告，或是通过OCR提取系统中的非结构化数据信息——这些高频需求，我们都封装成了通用模板。大家搭建智能体时，只要拖拽对应的模板节点，就能直接拥有这些能力。

第四，聚焦企业管理场景的垂域模型。今年我们已在多个细分领域开展垂域模型训练，但我们不做预训练，而是通过强化学习，将行业专家知识注入模型。

在金蝶的实践中，我们构建了AI产品矩阵，核心走两条路线：

一条是AI原生路线，11月4日已发布相关产品并开放现场体验，接下来会快速推进上市。这些系统围绕企业级场景构建，可脱离金蝶的SaaS与ERP独立运行，自主完成相关业务流程；

另一条是AI增强路线，在现有SaaS产品中嵌入大量AI助手——既有通用型助手，也在财务、人力、协同、制造等领域针对性增加辅助能力，目前两条路线同步推进。

不过说实话，到今天为止，企业级AI还没实现真正的批量化应用。所以我们认为，更大的实践价值在于与客户共建——从客户需求中挖掘真实场景。

从去年开始，我们已联合金蝶的头部行业客户，共建企业管理AI实验室：双方共同投入资源探索场景，待场景验证成熟后，再将其产品化。

现在AI领域有个热词叫“FDE（前端部署工程师）”，过去做SaaS是标准化、开箱即用，但AI目前做不到这点，即便有标准化方案，也需要前端人员与客户深度共创，才能落地实践。

非常感谢大家的聆听，也祝愿各位在AI时代都能找到适合自己的赛道与场景。

最后我想强调，虽然我是技术出身，但这几年带领AI团队的经历让我深刻感受到：

认知比技术更重要——我的个人认知与技术储备都在不断被刷新。金蝶AI苍穹的名字，正源自“不能胜寸心，安能胜苍穹”这句诗，对企业而言，尤其是一把手，建立正确的AI认知，远比单纯追求技术更关键。