过去几年我一直在企业数智化转型一线，越往深处走，感受越强烈：到了2026 年，这件事已经不是一个技术部门的话题了。它也不是“上几套系统、做几张报表、建一个平台”的工程问题。它正在对企业经营方式、组织能力和竞争边界进行系统性重构。

我的基本判断是：2026年，中国企业数智化转型将进入真正的分水岭。分水岭不在于谁用了AI，谁没用AI。真正的差异在于——企业能不能把AI放进经营肌理里，让数据从“被查看的资源”变成“能驱动行动的能力”，让AI从“辅助工具”变成“可管理、可信任、能协同的数字员工”。

2026年的核心命题：不是有没有数据，是AI认不认识数据
 
 

过去企业谈数据建设，先问“我有什么数据”。数据仓库、数据湖、数据中台，本质上都是围绕采集、存储、加工、展现展开的。这些能力支撑了中国企业过去十多年的数字化升级，很重要。

但AI来了以后，问题的重心变了。企业不能只问“我有什么数据”，而要问“AI需要什么样的数据”。

AI要真正参与经营，至少要过三关：第一，看得懂数据；第二，能快速拿到；第三，调用过程安全、合规、可控。这三点听起来朴素，恰恰是很多企业往AI深水区走的时候卡住的地方。

今年上半年我见了几十家客户，好几个CIO跟我说了几乎一模一样的话：“不是不想用AI，是不知道拿什么数据喂给AI。”

所谓“看得懂”，不是把数据表接给AI就行。企业里同一个“收入”，在财务、经营、销售不同语境里口径不一样；同一个“客户”，在不同系统里定义也不一样。没有统一语义体系，AI就会在看似合理的分析中犯基础性错误。

一个制造客户的事让我印象很深。AI做经营分析，把数据拉出来算了一圈，结论是“原材料成本上升是利润下降的主因”。数据上完全没问题。但厂长看了一眼就说不对——上个月他们为了抢大客户，主动降价了。AI算对了数字，没算对业务。

所以AI时代的数据治理，不能再停留在字段标准和报表口径维护的层面。得给AI建一张数据导航地图。它做分析，本质上是在业务关系网络中找路径。要理解利润变化，必须知道产品、区域、客户、渠道、价格之间怎么关联；要判断经营异常，必须知道什么是正常波动，什么是风险信号。

这套体系过去靠人脑中的经验和隐性知识撑着。2026年以后，这些隐性知识必须被显性化、结构化、语义化。谁能先完成这一步，谁就能把AI从“会回答问题”推进到“能理解业务”。

主战场正在从IT建设转向经营重构
 
 

过去企业做数字化，习惯把它当IT项目：业务提需求，信息化排期，供应商建系统，最后交报表或应用。这种模式在需求相对明确、流程相对稳定的阶段是有效的。

但AI时代最大的变化是，需求变得即时化、碎片化、个性化。业务人员不再满足于每周看一次报表、每月拿一份分析报告，而是希望在问题发生时马上追问，在看到机会时迅速形成行动方案。

这会带来一个现实挑战：如果所有数据需求还依赖人工排期和开发交付，企业的数据服务能力一定会被需求洪峰击穿。更重要的是，经营不等人。市场变化、客户流失、库存异常、资金风险，往往都发生在很短的时间窗口里。

所以我的判断是：2026年的数智化转型，会从“建设系统”转向“重构经营”。企业真正需要的，不是更多软件，而是一套能支持业务实时感知、快速分析、自动协同和闭环执行的智能能力网络。

这也是为什么我非常关注能力原子化。过去的软件是完整产品形态，用户围绕系统流程操作。未来，很多能力会被拆解成AI可以调用的技能单元——数据处理、质量检查、指标计算、报表生成、经营分析、风险预警、文档撰写、流程发起，都可以封装成一个个Skill。

当能力被原子化以后，软件的边界就被重新定义了。企业不一定再为一整套复杂系统买单，而是为能解决具体问题的能力买单。谁能把复杂能力做成稳定、可靠、可复用、可组合的技能，谁就能在下一阶段占据主动。

AI不会替代数据平台
但会倒逼它彻底进化
 
 

有一种观点认为大模型越来越强，企业可能不再需要传统数据平台。我的看法是：AI不会简单替代数据平台，但一定会倒逼数据平台重构。

原因很简单：AI越强，对数据基础设施的要求反而越高。一个真正进入企业核心场景的AI，不可能只靠通用模型能力。它需要理解企业独有的业务规则、权限体系、流程机制、组织边界和风险约束。没有这些基础，AI生成的内容再流畅，也进不了经营决策和业务执行。

未来的数据平台，应该是AI时代的经营智能底座。它既要管结构化数据，也要理解文本、图片、语音这些非结构化数据；既要连内部系统，也要适度接入外部数据；既要支持分析洞察，也要支持执行动作；既要开放能力，也要守住安全边界。

多模态这件事尤其重要。合同、发票、会议纪要、客户反馈、巡检照片、招投标文件——这些信息都可能影响企业判断。我见过一个财务场景：查发票连号，AI 得先把图片转文字，提取编号，再做比对。这条路以后会是常态。

从“数据驱动决策”到“数据驱动执行”
 
 

过去企业讲数据价值，核心是“辅助决策”。管理者看报表，通过分析理解原因，再让人来推后续动作。这种模式提升了决策质量，但还停留在“看”和“想”的阶段。

我认为2026年以后最重要的跃迁，是从“数据驱动决策”走向“数据驱动执行”。

什么叫数据驱动执行？AI不只告诉你发生了什么、为什么发生，还能判断应该做什么，并在授权范围内推动任务流转、提醒责任人、生成执行方案、触发审批，最终形成闭环。

有个银行客户的真实场景。客户经理绩效管理怎么做的？行长每个月看报表，发现谁落后了，打个电话提醒。对方说知道了。月底一算，还是没完成。

后来我们让AI来管这件事。AI看到某个客户经理存款指标落后了，直接推一条消息：“今天需要跟进这三个客户，原因是X，建议联系时间是X。”如果15分钟内没动作，再推一次。当天没联系，自动报主管。

这不是“看数据”，是“用数据干活”。AI给的已经不是分析结果，是一个没法拒绝的行动指令。

监管场景也一样。国资来问询函，说一笔资金疑似闲置请说明。传统流程是财务查、分析、写回复、走OA，至少一周。交给Data Agent：AI查证是否真闲置，确认，分析原因，生成回复函初稿，推管理层OA签字发出。全程半小时。

这背后是一堆Skill被串联成完整业务流程。查数据是一个Skill，写公文是另一个，走审批流再一个。Agent的价值不是发明新技能，是把已有技能编排成工作流、自动跑完。

当然，企业级AI必须坚持一个原则：越接近核心经营动作，越要强调可控、可追溯。AI可以发现问题、提出建议、生成草稿、发起流程，但关键节点必须有权限、有审批、有日志。成熟AI执行不是机器取代管理，是让管理更及时、更透明、更有依据。

未来企业会需要一种新的管理对象：数字员工。它不是一个聊天机器人，而是具备角色、技能、流程、权限和绩效目标的智能体。既然是员工，就要被管理；既然会执行，就要有边界。围绕数字员工的管理、调度、协同和审计，将成为企业AI落地的重要基础设施。

护城河不是单点技术
是泡在行业里踩过的坑

AI正在降低软件开发门槛，这是不可逆的趋势。很多人问我：封雷，门槛这么低了，你们数据厂商的护城河还在吗？

我的回答是：技术平权之后，真正的壁垒恰恰回到了最笨的地方——你在行业里泡了多少年，踩了多少坑。金融机构关心风险、合规和效率；制造企业关心质量、成本和交付。不理解这些业务逻辑，AI再强也落不了地。

这就是我认为的第一层护城河：业务Know-how。不是靠训练数据堆出来的，是靠一个个交付项目、一次次客户投诉、一场场深夜复盘攒出来的。

第二层是工程化能力。一个能力在实验室跑通，和在大型企业稳定运行，完全是两回事。高并发、复杂权限、数据质量波动、跨系统集成、长期运维——很多AI应用的差距不在演示效果，在能不能长期稳定服务真实业务。

第三层是前瞻性。AI变化太快，等客户把需求说清楚再行动，往往晚了。语义层就是例子。2024年我们做这件事，坦白讲没一个客户说“我迫切需要中心化语义平台”。但我当时的判断是：未来数据调用入口一定极度分散，如果每个入口背后语义定义不一致，AI一定出错。必须有一个中枢统一口径。今年上半年，来谈数据治理的客户几乎是去年的三倍。前瞻性就是赌你对趋势的判断比客户早一到两年。赌对了卡住位置，赌错了白花钱。这事没捷径。

AI出海的本质不是把工具卖出去

如果视角放得更远，AI出海会成为2026年中国企业数智化升级的重要延伸。

过去中国企业出海，比的是供应链、制造能力、成本优势。未来，数智化能力会成为新底座。中国企业在复杂场景里的数字化实践非常丰富——高并发、精细化运营、快速迭代——这些经验本身就具有全球竞争力。

但我认为，AI出海不能简单理解为“把一个工具卖到海外”。真正可持续的出海必须解决三件事：能不能适配当地业务流程和监管环境；能不能与当地已有系统融合；能不能把中国企业在场景中验证过的方法论，转化为可交付、可运营的能力。

关键不是模型有多强，是场景理解、工程交付和本地化运营能不能形成组合优势。中国企业如果能把数智化转型中的实战经验沉淀下来，就有机会从“产品出海”升级为“能力出海”和“方法出海”。

真正的领先者
会把AI变成组织能力

站在2026年看，我对企业数智化转型有一个明确判断：这一轮升级不会停留在工具层，最终会深入到企业战略、流程、组织、人才和治理体系。

未来领先的企业，不一定是最早接入大模型的企业，而是最早完成三件事的企业。

第一，把数据治理提升为经营级工程。数据不只是IT资产，是AI时代的生产资料。没有可信、可懂、可用、可控的数据，就不会有真正可靠的AI。

<spa