过去一年，大模型快速进入企业，Agent几乎成为企业AI讨论中最热门的话题。
越来越多企业开始尝试把AI引入业务，从智能问答到经营分析，从知识助手到业务Agent，各种AI应用不断出现。但与此同时，一个更加现实的问题也逐渐浮现：为什么不少AI项目能够快速完成Demo，却始终难以真正进入业务？
6月26日，在「DecideX · 决策智能新世代｜2026观远数据AI战略升级暨新品全球首发」大会现场，联合利华中国区客户运营数字化总监高寅分享了联合利华过去一年推进AI项目的一些实践经验。
相比介绍一个AI案例，他更希望回答另一个问题：企业应该如何找到真正适合AI落地的业务场景，并让第一个AI项目真正成功。
在他看来，大模型只是能力，真正决定AI价值的，从来都是业务本身。
01 企业AI 为什么要从业务价值开始
谈到企业AI落地，高寅首先把视角放回联合利华每天都在面对的供应链现场。供应链每天面对的，是一个持续平衡的过程。
消费者需求不断变化，订单实时进入系统，库存持续波动，工厂产能、物流资源以及渠道节奏也在不断调整。每一次变化，都会重新影响整个供应链的运行效率。因此，供应链管理从来不是一次性的优化，而是一系列持续发生的经营决策。
这些决策看似复杂，最终却始终围绕几个目标展开：成本、效率与服务。库存多一点，可以提升交付能力，却意味着更高的库存成本；库存少一点，可以降低资金占用，却可能影响供应稳定；生产计划安排得更加激进，可以提高产能利用率，但一旦需求发生变化，又可能造成库存积压。
供应链管理，本质上就是在不断变化的业务环境中，持续寻找最优解。如果AI能够帮助企业降低成本、提高效率、改善服务，那么价值能够被快速验证；如果不能，无论模型多先进、功能多丰富，都很难真正落地。因此，在他看来，企业推进AI，第一个问题从来不是"AI能做什么"，而是"哪里最需要AI创造价值"。
02 企业AI之前 先回答三个问题
回顾过去一年联合利华推进AI项目的过程，高寅提到，公司内部最初同样存在两种截然不同的声音。
一种声音认为，大模型能力快速发展，未来几乎所有工作都可以交给Agent完成；另一种声音则认为，AI更多只是一个效率工具，可以帮助员工搜索知识、整理内容，却很难真正进入供应链等核心业务。
在他看来，这两种判断都容易让企业偏离真正的问题。
如果一开始就希望打造一个无所不能的超级Agent，项目很容易因为目标过于庞大而迟迟无法落地；如果仅仅把AI定位为提升个人效率的工具，又很难真正改变业务。
因此，联合利华并没有急于讨论模型能力，而是先回答一个更现实的问题：企业究竟应该从哪里开始，让AI真正创造业务价值？
围绕这一问题，高寅总结了三个判断标准。
第一，要找到真正适合AI发挥价值的业务场景。
并不是所有业务都适合引入AI。企业首先需要找到一个真正值得切入的场景——AI能够解决这个问题，同时这个问题本身又足够重要。
联合利华最终将第一个AI项目放在了F2C（Factory to Consumer）履约中心的排产场景，并不是因为排产本身有多特殊，而是因为这个场景同时具备几个典型特征：消费者订单实时进入系统，订单组合持续变化，平台履约要求不断调整，生产计划几乎每时每刻都需要重新优化。这意味着，传统依靠固定规则运行的软件越来越难覆盖真实业务，而AI恰恰能够在动态变化中持续参与判断和优化。
高寅认为，企业真正应该寻找的，不是AI能够应用的地方，而是传统方式已经难以持续优化、AI能够真正创造价值的业务场景。"第一个成功场景，比一次部署很多Agent更重要。"
第二，这个场景必须拥有足够大的业务价值。
找到场景之后，更重要的是判断它是否值得投入。一个AI项目最终能否持续推进，并不取决于模型能力，而取决于它是否能够创造足够明确的业务价值。
这里所说的价值，并不是一句简单的"效率提升"，而是能够落实到真实经营指标。
对于F2C而言，每一次排产决策都会直接影响订单履约效率、库存利用率以及整体运营成本，因此AI是否真正发挥作用，很快就能够通过业务结果得到验证。
成本有没有下降？履约有没有改善？库存是否更加合理？这些都是能够持续衡量的业务指标。
只有当企业能够清楚地看到价值是如何产生的，AI项目才有可能从一次试点，逐步走向规模化应用。
第三，AI创造的应该是直接价值，而不是间接价值。
企业应该更关注AI创造"直接价值"。他举了一个例子。如果AI发现某个仓库运营成本偏高，分析原因，并提出几条优化建议，最终仍然需要业务人员自行判断是否采纳，再根据人的决策产生业务结果，那么这种价值本质上仍然来自人，而不是AI。
联合利华希望看到的，则是AI能够真正进入业务流程，在明确业务目标和规则的前提下，承担原本由人完成的一部分决策工作，并直接影响最终业务结果。
因此，在F2C场景中，AI并不仅仅负责分析数据，而是直接参与排产决策。系统会综合订单、库存、产能等实时信息生成排产方案，并随着业务运行不断调整优化，让每一次决策都能够直接作用于经营结果。
相比提供更多建议，高寅更关注AI是否真正参与了业务；相比辅助分析，他更关注AI是否真正创造了业务结果。
这三个判断标准背后，其实始终围绕着同一个问题：企业做AI，不是先寻找技术，而是先寻找价值。
只有找到真正适合AI发挥作用的业务场景，让AI直接创造可验证的业务价值，第一个AI项目才有可能真正成功。而当第一个成功场景建立起来之后，企业才能进一步思考，如何将这套经验复制到更多业务中，推动AI从单点应用走向更广泛的业务实践。
03 真正的困难 梳理业务决策逻辑
确定场景只是第一步。高寅分享，真正进入项目之后，团队很快发现，最大的挑战并不是模型能力，而是如何把业务中的决策逻辑真正梳理出来。
以F2C履约中心的排产场景为例，看似只是安排生产顺序，背后却需要综合订单变化、库存水平、产能情况、设备状态、交付时效等多种因素，持续做出平衡。
对于经验丰富的计划员来说，这些判断往往已经成为日常工作的本能。但真正开始构建Agent时，团队首先要回答的问题却是：这些判断究竟是如何做出的？
第一，为什么这批订单要优先生产？
第二，什么时候需要临时插单？
第三，不同订单冲突时如何取舍？
第四，哪些因素必须优先考虑，又有哪些条件可以动态调整？
这些问题很少有一套固定规则，更不是简单写几条流程就能够解决。
因此团队需要投入大量的时间，与业务人员一起反复梳理排产流程，拆解决策过程中的关键影响因素，将过去依赖业务经验完成的判断，逐步整理成AI能够理解和执行的业务逻辑。
在高寅看来，企业引入AI，并不是简单把模型接入业务，而是先把业务真正梳理清楚。只有当决策逻辑能够被理解、被表达、被验证，AI才有可能真正参与其中，并持续创造业务价值。
04 从一个成功场景 到AI Native运营
当第一个AI项目完成验证之后，高寅认为，企业下一步真正需要思考的，并不是如何开发更多Agent，而是如何把第一个成功场景复制到更多业务中。
在他看来，第一个成功场景真正重要的意义，并不是完成了一次项目交付，而是验证了一条可复制的路径。真正需要复制的，也并不是模型或者代码，而是业务方法、决策逻辑，以及项目实施过程中形成的一整套实践经验。
这也是高寅提出AI Native运营的原因。
AI Native并不是简单部署更多Agent，也不是建设更多AI应用，而是让AI真正融入企业日常经营，通过一个个业务场景不断验证、不断复制，让AI能力随着业务的发展持续扩展，逐步成为企业运营方式的一部分。
回顾整场分享，高寅并没有过多讨论模型参数，也没有把重点放在技术能力上，而是始终围绕一个问题展开：如何让企业的第一个AI项目真正成功。企业真正需要建设的，并不是越来越多彼此独立的Agent，而是一套能够持续创造业务价值、并能够在不同业务场景中不断复制的AI能力体系。
想进一步体验 AI+BI 在业务分析中的落地效果，可以从这里开始。
