一句话：企业缺的不是 AI 能力，是承接 AI 的结构
2026 年 9 月 11 日，致远互联在四川都江堰举办第 16 届用户大会，主题定为「让组织 AI 落地」，会上发布 AI 原生能力底座 CoMi AI Platform 与组织运营模型「致远致知模型」。发布会同时公布了《让组织 AI 落地》白皮书的三组数字，这组数字比产品本身更值得先看。
三组数字说明了什么
白皮书称，88% 的企业已经在至少一个业务职能中使用 AI；真正实现 AI 与组织深度融合的只占 7%；AI 对总营收贡献超过 10% 的企业只有 8%。三组数字放在一起，指向一个不太好听的结论：用起来，并不等于赚回来。
把这三组数字与另一组公开数据对照会更有意思。国际数据公司此前的调研显示，约 88% 的企业智能体项目止步于试点、未能投产，根因多在范围界定与治理缺口而非模型能力。两组来自不同机构、不同口径的数字指向同一个位置——瓶颈不在模型，在组织。
需要说明的是，这三组数字由厂商白皮书披露，样本与统计口径未公开，属于企业自述口径，与第三方调研不具备严格可比性，宜作为方向性参考而非精确刻度。
四层架构：把组织治理装进技术底座
CoMi AI Platform 被拆成四层。模型层以自研的组织运营模型为核心，同时把 DeepSeek、GLM、Kimi、Qwen、MiniMax 等主流基座纳入统一调度面，允许组织按场景取用，并按升级、降级、替换的节奏弹性安排。核心能力层由组织图谱与智能体构建编排引擎构成双核，一个管业务上下文，一个管智能体本身。应用层以智能体形态承载自有应用、定制应用与第三方应用。工作台层提供统一入口，把「从一句话到一件事」作为默认交互方式。
这套分层里最值得留意的是模型层与能力层的关系。把多家模型放进统一调度面，意味着选择模型的决策从「绑定谁」变成「按场景切换」，这降低了单一供应商风险；但同时也把竞争焦点从模型能力移到了上下文与治理——模型可以替换，组织图谱与流程规则不行。
「AI 原生」与「贴一层 AI」的差别
官方对「AI 原生」的定义是：不是在既有软件上贴一层 AI 功能，而是从设计之初就把组织身份、权限、流程、规则当作 AI 运行的默认约束来构建。这个定义对应的是实践中的一个常见失败模式——把 AI 功能挂上去之后，智能体拿不到足够的上下文，也没有明确的权限边界，于是只能在边缘场景里打转。
从工程角度看，这个差别落到实处就是两件事：智能体能不能读到组织的业务上下文，以及它的权限是否由组织既有规则推导而来。前者决定它能不能把事办对，后者决定组织敢不敢让它办。
用户大会上的七个案例：有 AI，还谈不上智能体
会上评出的七个应用方案覆盖了司库管理、集团级合同管理、环境健康安全、党建、覆盖销售全流程的客户关系管理、差旅费控与采购管理。这些方案里已经嵌入了不少 AI 能力：用机器视觉识别电检环节的安全隐患，用大语言模型理解客户需求并做商机判断，用大语言模型做合同合规检查与条款比对。
但用现场评委的话说，这些案例还没有释放智能体的潜力。原因是它们大多停留在「在流程的某个节点上加一个模型调用」，而智能体的特征是把理解、规划、工具调用与执行串成闭环。这也侧面说明，组织级 AI 落地的现状是分层推进的：模型调用能力先普及，智能体化要等流程与权限准备好。
优势与局限
这条路线适合组织结构复杂、流程与权限已经沉淀在协同平台上的中大型企业，尤其是受监管、需要留痕的行业。它的优势是把治理前置到架构里，而不是事后打补丁，这与「智能体权限跟随组织规则」的行业方向一致。
局限也需要讲清楚。其一，底座类产品的价值高度依赖组织的流程成熟度，流程本身不清楚的企业上底座，只是把混乱搬到了新系统里。其二，四层架构意味着较长的实施周期与较高的初期投入，回报周期按年计而不是按季度计。其三，同批用户大会案例显示，应用侧仍在用传统 AI 能力解决问题，智能体化的进度可能慢于产品成熟度。目前官方及行业暂未披露 CoMi AI Platform 的客户数量与量化效果，后续将持续跟进迭代动态。
结语
致远互联把问题定位在「承接 AI 的能力」上，这个判断是准确的。过去两年行业在模型能力上投入巨大，落地端的瓶颈却反复出现在权限、上下文与责任划分这类组织问题上。真正值得跟踪的不是底座又接入了几家模型，而是它能不能让一批企业把 AI 从「某个职能偶尔用一下」推进到「日常流程默认这么走」——7% 到 30%、8% 到多少，才是这类产品最终的成绩单。