一家零售企业的数字化负责人，去年做过一次内部复盘。他们上过大模型问答、上过智能客服、也试过让 AI 写商品文案。年底一算账，真正进入日常业务流程的智能体，一个都没有。

这不是个例。IDC 的调研给出一个残酷的数字：企业每做 33 个 AI 原型，最终只有 4 个能进入生产环境。2026 年 3 月一项面向 650 位企业技术负责人的调查显示，78% 的企业手上有智能体试点在跑，但只有 14% 真正规模化上线。Gartner 更直接——预计到 2027 年底，40% 的智能体项目会被取消，而取消的原因排前三的是：遗留系统不兼容、业务价值不清晰、风险控制不足。

值得注意的是，在导致智能体无法规模化的五大原因里——遗留系统集成、规模化后输出质量不稳定、缺少监控工具、组织归属不清、领域数据不足——没有一条是”模型能力不够”。

“模型已经够用了。真正卡住企业的，是模型的另一侧：业务系统。”

这篇文章要讲的，就是商派给出的答案——如何不推倒原有系统，让 AI 智能体真正长进订单、库存、会员、履约这些业务系统里，从”能聊天”变成”能干活”。

01  THREE GAPS
三个断层：智能体为什么在业务系统门口停住

企业引入智能体后，绝大多数会撞上同一堵墙。把这堵墙拆开看，是三个彼此独立的断层。

第一个是语义断层

业务人员说的是”华东仓还能发几天的货”，系统里存的却是 warehouse_id=SH01、available_qty=1247、frozen=60。大模型擅长理解自然语言，但它不知道你公司里”可用库存”到底包不包括在途、冻结合不合格品。这些定义从来写在业务人的脑子里和老员工的口口相传里，没有进过任何一份数据字典。于是智能体给出的答案，语气非常确定，数字全错。它不知道自己不知道。

第二个是能力断层

就算智能体听懂了，它也没有手。企业的 ERP、OMS、CRM 大多是十年前建的，界面是菜单和表单，接口要么没有，要么只有面向内部的、文档不全的私有协议。想让 AI 查一次库存，就得先做一次集成开发。二十个系统、十个场景，就是两百个定制连接——这个 N×M 的集成成本，直接劝退了绝大多数试点。

第三个是信任断层

就算接上了，谁敢让它动手？改价、发券、批量退款、调拨库存，任何一个动作出错，损失都是真金白银，还要面对消费者和监管。没有审计、没有权限继承、没有人工确认闸口，IT 和安全部门会在上线最后一刻把项目拦下来。

“三个断层叠加，就形成了那个典型结局：演示惊艳、试点可用、上线卡死。”

商派的解法，正是对着这三个断层逐个打的。

02  THE CORE
内核：不是加一个对话框，是加一套神经系统

很多企业做的第一件事，是在后台右上角嵌一个聊天框。这不叫智能体，这叫换个地方输入关键词。商派的做法完全不同。它不改变原有系统，而是在原有系统之上叠一层企业应用中枢：AI Agent HUB 位于 ERP、CRM、OMS 的上方，不替换、不迁移、不重构。原有系统继续做它擅长的事——记账、管库存、跑履约；新的这一层负责听懂目标、拆解任务、调用能力、组织确认、回写结果。

这层中枢由四个要素相乘构成，缺一个都不成立。

用一个好理解的比喻：Agent 是项目经理，Skill 是岗位操作手册，MCP 是工牌和门禁，业务系统是真正的产线。你换一个更聪明的项目经理，如果产线没有接口、手册没有沉淀、门禁没有发卡，他依然什么都干不了。

“四个要素相乘的结果，才是经营闭环——从提出问题，到拿到结果。”

03  FOUNDATION
底座：护城河不是软件，是业务对象的定义权

这里要回答一个关键问题：这套事，为什么是商派来做？答案藏在前面说的语义断层里。智能体能不能干活，取决于”库存”这个词在系统里有没有唯一、准确、可计算的定义。而业务对象的定义，不是靠大模型猜出来的，是靠二十年零售系统的实施、磨合、踩坑沉淀出来的。

商派的业务底座由四块构成。

四块底座合在一起，意味着”一个 SKU 的压力状况”这样的业务概念，在商派体系里不是一句自然语言，而是一个有明确字段、有计算口径、有可调用接口的实体。智能体问”哪些款有库存压力”，后台返回的是总库存、仓库冻结、在途、良品四个维度交叉计算后的结果，而不是一个模糊的概数。

“通用大模型平台需要客户自己带着业务方法论来配置，垂直业务系统出厂时就带着方法论。”

💡 上方对照表里最容易被忽略、也最重要的，是最后一行——自动化不等于放开权限。这句话是整套方案能不能过安全评审的前提。

04  THE LADDER
能力阶梯：从”问数据”到”改业务”，一次只上一级

商派在落地节奏上有一个明确主张：先从查数据开始，再逐步做到分析、建议、执行和复盘。这不是保守，而是对失败率的尊重。已经跑通的那一件事，是跨渠道经营分析。以前的做法是：运营登录 OMS，选渠道和时间，导出 Excel，整理字段、做对比、看异常，再汇总成主管要的报表，通常 1 到 2 小时。现在的做法是：用户直接说一句”把本月天猫、京东主要产品的销售数据合在一起，与上个月对比，告诉我发生了哪些变化”。Agent 理解渠道、时间、商品和分析维度，通过 MCP 连接 OMS，按经营报表流程完成取数、聚合、分析和输出，实测 16 秒生成一组自定义网页版销售报表。更关键的是后面那一步——用户可以继续追问”把京东单独拆出来，按周分析”，系统能按新的问题继续给结果。OMS 还是原来的 OMS，但数据和报表不再只靠固定模板。

这件事的意义不在”快了几百倍”，而在于自然语言成了新的系统入口。当取数的门槛从”会用系统”降到”会说话”，业务人员的时间才真正从操作转向判断。

商派把能力分成五级阶梯，每一级对应的自主权完全不同。

1. 查——读数据，全自动，无副作用。
2. 算与分析——跨源聚合、对比、归因，全自动，结果可追溯。
3. 建议——给出方案和预期影响，交付给人，不执行。
4. 执行——改价、发券、补货、下发话术，必须经负责人确认。
5. 复盘——回看浏览、加购、下单、履约、复购数据，反哺下一轮建议。

试点阶段必须卡在前三级。这是商派反复强调的：先把一件事做稳，再谈自动化。

05  CASE STUDY
一个完整场景的解剖：夏季跑鞋清库存

看一个运动品牌的案例，理解这套协同在真实业务里长什么样。负责人只说了一句话。

“夏季跑鞋库存需要尽快消化，同时希望重新激活沉睡会员购买。帮我选好品、设置好人群包、设计促销规则、撰写门店导购话术和培训物料，关键的部分需要我来确认。”

一句话，被 Agent 拆成四个并行任务。

自主权按”副作用”切分，不按”难度”切分

销售分析（任务 C）技术上最复杂，但它只读不算、只出不改，所以全自动；改价、发券、补货（任务 A/B/D）技术上并不更难，但它们直接动价格、动权益、动库存，所以一律停在”建议待确认”。智能体的聪明程度不决定自动化程度，动作的可逆性才决定。

单个任务价值有限，交叉起来才有价值

库存压力大的跑鞋（A）匹配上适合激活的沉睡会员和权益（B），才形成一套可供决策的完整活动建议；销售趋势（C）说明是否真的需要促销，门店与仓库库存（D）说明哪些货可以补、哪些要谨慎处理。这正是人类运营过去做不到的地方——不是算不出来，是没有时间在四个系统之间来回切换。负责人在一个界面上看到四份产出，只需要在关键处点确认：改价降幅、发券满减策略、补货数量与门店。确认之后，动作才真正落到 OMS 里执行。

执行完不等于结束——系统会持续回看浏览、加购、下单、复购和反馈数据，把结果喂回下一轮建议，这才是闭环的落点。

06  GOVERNANCE
边界设计：人工确认不是保守，是工程上的必然

Deloitte 2026 年的调研显示，只有 21% 的组织对自主智能体建立了成熟的治理模型，却有 74% 计划在两年内扩大多智能体部署。近八成企业是在没有刹车的状况下准备加速。

商派在这件事上的态度非常明确，并写进了方案的业务边界。

“自动化不等于放开权限。能自动完成的分析先自动完成；涉及价格、权益、资金、库存和订单的关键动作，按规则交给负责人确认。”

这背后是一套完整的分级自治逻辑：第一阶段只给建议不执行，第二阶段在人工监督下执行，第三阶段才逐步放开低风险动作。

行业数据印证了这个路径的必要性——MIT 对 300 个企业级部署的调研发现，95% 的生成式 AI 试点没有带来可衡量的损益影响；而那些成功进入生产的智能体，平均能带来 171% 的投资回报。差距不在技术，在有没有先把基础设施和治理做扎实。

具体到机制，商派设计了四条：

• 数据留在授权范围内　关键数据、知识、规则和业务系统，仍保留在客户授权环境中，不因为接入 AI 而改变数据归属和存放位置。
• 每次调用都有记录　谁调用了什么、用了哪些数据、产生了什么结果，全程可回看。这是过安全评审的硬门槛，也是事后归因的唯一依据。
• 关键动作由人拍板　改价、投放、发券、退款、补货——先给建议，再由负责人确认。这条红线不因为模型变强而松动。
• 每次执行都看效果　每个场景都设定目标和衡量结果，复盘后再优化下一次做法。

07  ROADMAP
落地路径：不求一次做全，先跑通一个闭环

商派给的实施路线是四步，每一步都有明确的交付物和验收标准。

1. 选一件最值得做的事。标准是三条：结果清楚、频率高、涉及系统不复杂。经营分析、库存预警、会员激活是典型的优先场景。核心交付物是明确要解决的问题和衡量结果——先定好怎么算成功，再动手。
2. 接好数据和权限。梳理业务对象清单、需要连接的系统清单、可使用的数据范围；同时把”谁能看、谁能做、谁来确认”三件事讲清楚，落到责任人。交付物是数据范围、操作边界和责任人三张表。
3. 跑通一个受控闭环。让 AI 完整走一遍”分析—建议—确认—执行—复盘”。硬性约束是：关键动作必须经过人工确认。目的不是限制 AI，而是积累足够的执行样本，验证 Skill 的流程设计和 MCP 的工具粒度是否合理。
4. 复制到更多场景。把已经跑顺的连接、规则和做法，逐步复制到商品、会员、库存、售后和更多业务团队。最大的杠杆在于 Skill 是可复用资产——同一套”库存分析 Skill”换个 MCP 连接器，就能从天猫用到京东、抖音。

08  THE END
终局：从”人操作系统”到”系统执行经营目标”

把视野拉远一点，这件事真正改变的是什么？

改变的是人机分工

过去，运营的价值很大程度体现在”操作熟练度”——记得住菜单、填得快、不出错。新模式下，操作被系统接管，人的工作变成三件事：设定目标、制定规则、审核结果。人从执行者变成决策者，从处理异常变成预防异常。

改变的是知识资产的形态

零售行业人员流动一直是个痛点，一个优秀运营离职，他脑子里的经验也就跟着走了。Skill 把隐性知识显性化了——日常决策的判断逻辑、偏好和边界，被固化成可执行的流程文件。这是 IT 系统之外，企业第一次拥有了一种”可执行的经验资产”。

改变的是系统建设的方式

企业不需要为了上 AI 而推倒重建。WorkBuddy 提供对话入口和模型能力，商派把业务系统、规则和操作能力接进来，两者相乘得到的是”看得更快、做得更稳”的经营结果。客户原有的 OMS、商城、B2B 系统全部保留，投入的是连接和治理，而不是迁移和重构。

回到开头那个问题：为什么 88% 的试点上不了线？因为它们大多数是在系统旁边搭了一个聪明的对话框，而没有在业务能力上做那件笨功夫——把业务对象定义清楚，把接口开出来，把经验写成流程，把边界立起来。

“AI 不是加在系统上的，是长在系统里的。而它只能长在那些业务本身已经被理解得很透的系统里。”