两份研究报告先后给企业AI泼了盆冷水。

Gartner在2025年年中预测，到2027年底，超过40%的agentic AI项目会被取消，原因是成本失控、业务价值说不清楚、风险管控跟不上。同一年，MIT发布的《生成式AI的鸿沟》报告更直接：企业已经在生成式AI上投入了300亿到400亿美元，但95%的组织到目前为止没拿到任何可衡量的商业回报。报告给出的解释很扎心，问题不在模型能力，也不在监管，而在于这些AI工具没有真正嵌入日常运营，用完就丢在了原地。

这两份报告说的其实是同一件事，AI单点能力已经过剩，真正稀缺的是把AI放进一套稳定、连续、可复用的工作流里的能力。这也是为什么短剧、HR、企业自动化这几个原本互不相关的赛道，今年不约而同地开始比拼同一种东西——体系化能力。

我们以前判断一个模型好不好，标准是会不会写文案，会不会画图，会不会写代码。现在这套标准已经不太够用了。内容公司真正在意的，是AI能不能撑起选题、脚本、分镜、生成、剪辑、投放、复盘这条完整链路；HR部门在意的，是AI能不能连通招聘、入职、员工服务、合同材料、组织数据分析这些环节；企业自动化团队在意的，则是AI能不能跨系统调用工具，完成可追踪、可复核、可管理的业务动作。

AI短剧拼到最后，拼的是工业化能力

AI短剧行业最初比拼的是画面能不能生成、人物像不像真人、动作自不自然。这道题现在基本已经解开了。中国网络视听协会的数据显示，2026年第一季度，全行业上线的微短剧中，AI生成或AI主导的内容占比已经超过95%。

但产能爆发没有带来同等的商业回报。企查查的统计显示，截至2026年，国内已注册超过2100家AI短剧相关企业，其中90%处于亏损状态。真正能持续产出内容、还能赚到钱的团队，并不多。

中国人工智能产业发展联盟副秘书长陈思远说过：单镜头的生成质量已经不是瓶颈，真正的瓶颈是从一个镜头拼成一部完整剧集的工业化能力，这需要的不是更好的生成模型，而是更好的工作流管理。

放在具体公司身上，这意味着谁负责选题，谁拆解爆款结构，谁写脚本，谁出分镜，谁调提示词，谁做后期，谁盯投放数据，谁根据转化结果调整下一批内容。这套生产机制，才是把渗透率转化成利润的关键。短剧现在更像一个被AI重构过的内容工厂，模型负责降低制作门槛，工作流负责保证产能、稳定性和复盘能力。

HR和教育场景，也在从单点效率回到流程能力

HR部门的情况很有代表性。据2026年IDC《中国企业AI应用成熟度报告》，78%的企业已经在招聘、入职、员工问答等HR场景部署了某种形式的AI能力，但其中只有22%认为达到了预期的效率提升目标。问题往往出在AI有没有真正连通招聘需求、岗位画像、简历筛选、候选人沟通、面试安排、入职材料、员工问答、数据分析这些环节上。对HR SSC来说，AI的价值也不只是少写几段招聘文案，而是能不能把这些标准化、重复性、跨系统的服务流程重新组织起来。

教育领域的信号更微妙。当AI已经能替孩子写代码，教育要教的东西也在变，从怎么写转向怎么想，怎么理解问题、拆解任务、组织逻辑、调用工具、验证结果。这套能力和企业AI落地需要的，其实是同一种东西：AI越强，人越需要具备设计流程、判断结果、把控方向的能力。

所以AI工作流不是一个只属于企业软件的概念，它在内容行业叫工业化生产，在HR场景叫共享服务自动化，在教育里叫问题拆解和工具协作，到了企业自动化，就变成了流程智能体、APA、AI Agent和数字员工。

企业为什么更需要工作流，而不是会聊天的AI

到了企业场景，工作流的重要性会被进一步放大。麦肯锡《2025年AI应用现状》调研显示，88%的企业已经在至少一个职能里常态化使用AI，但推进到企业级规模化部署的，只有31%，大部分企业还停留在个人或团队层面的零散使用。

个人用AI，错了可以重问，结果不好可以手动改。但企业流程不一样，财务、运营、人力、风控、客服、供应链，这些场景大多涉及数据权限、系统写入、审批规则、异常处理、审计留痕和责任归属。一个AI如果只能生成建议、不能进入流程，很难真正改变组织效率；但如果它可以直接执行动作，却没有权限边界和复核机制，风险又会被放大。Gartner把一种常见现象称为agent washing，不少厂商把聊天机器人、RPA工具重新包装成智能体来卖，在数千家自称提供agentic方案的厂商里，Gartner估算真正具备自主能力的只有约130家。

企业AI要看的不只是模型能力。模型更像大脑，负责理解任务、生成计划、解释信息。企业还需要手脚，RPA、系统接口、浏览器自动化、文档处理工具、数据库连接、MCP工具调用，负责把计划变成实际动作。也需要神经系统和刹车系统，权限控制、规则校验、日志审计、异常分流、人工复核，负责兜底和纠错。三者组合起来，才是企业真正需要的AI工作流。

这几年，阿里云、腾讯云、百度智能云、火山引擎这类云厂商，更多从模型平台、开发工具、知识库和应用构建入口切入，帮企业把大模型能力接入业务系统。另一类厂商则更强调流程执行和自动化底座本身，把RPA、低代码、流程编排和企业智能体结合在一起。IDC的报告显示，金智维过去三年一直是中国RPA+AI解决方案市场份额第一的厂商，份额在11%左右，2024年中国RPA+AI市场规模已突破60亿元，央国企RPA市场保持40%以上的年化增长，整个赛道集中度并不算高，CR3约30%、CR7约53%，来也科技、实在智能等厂商也各自占据了细分优势。

以金智维为例，它的K-APA智能流程自动化平台和Ki-AgentS企业级智能体平台，走的是模型理解、任务规划、工具调用、RPA执行、流程复核串成闭环的路线，而不是只让AI回答问题。从这个角度看，APA不是RPA换了个新名字。RPA擅长执行规则明确的操作，APA则让AI在流程规划、任务拆解、工具调度、异常判断中承担更多角色，再交由RPA和其他工具完成稳定执行。企业过去积累的自动化资产，不需要推倒重来，而是可以逐步升级为更智能的流程能力。

AI Agent真正落地，要过三道关

现在很多企业都在试AI Agent，但真正跑进生产环境的并不多。有行业研报显示，超过60%的央国企已经搭建了大模型+Agent的双引擎架构，但普遍卡在同样几个问题上：技术成本高、组织协同难、供需错配。这和演示场景里的流畅表现，形成了明显反差。

第一道关，流程关。企业不只关心Agent会不会回答，而要看它能不能拆解任务、调用工具、处理异常、输出结果，并和原有业务流程衔接。比如一个财务智能体，不能只是解释报销制度，还要能读取票据、匹配预算、校验规则、标记异常、进入审批流程，最后留下完整记录。

第二道关，系统关。企业内部往往有ERP、OA、财务系统、CRM、网银、邮件、知识库等多个系统。很多流程卡住，不是因为员工不知道怎么做，而是系统太多、数据太散、重复录入太频繁。AI工作流的价值，恰恰在于把模型、工具和自动化执行能力串起来，让数字员工在多个系统之间完成数据读取、整理、比对和回填。

第三道关，治理关。AI进入企业流程后，必须知道什么能做、什么不能做，做到哪一步要人工确认，出现异常交给谁处理，每一步操作能不能追溯。没有这套机制，AI的自主性越强，企业反而越不敢放手。

这也是企业级AI Agent和个人效率工具最大的区别：个人工具追求好用，企业工具还要追求可控、可审计、可复用、可扩展。

AI生产力的下一站，是组织能力

很多人以为AI工作流就是把几个AI工具接在一起，这其实低估了它的意义。

真正的AI工作流，是一种新的组织能力。它逼着企业重新梳理流程：哪些工作适合AI生成，哪些适合RPA执行，哪些节点需要人判断，哪些动作必须审批，哪些数据需要留痕，哪些结果要持续评估。这个梳理过程本身，就会把原本靠经验、靠人盯人的模糊流程，变得清晰起来。

Gartner预测，到2028年，企业里15%的日常工作决策会由agentic AI自主完成，33%的企业软件会内置智能体能力，这两个数字在2024年几乎都是零。短剧证明了内容生产已经进入流程竞争，HR SSC证明了组织服务需要自动化和智能化协同，企业自动化则把这一切说得更直白——AI要产生长期价值，必须进入可复用、可管理、可评估的流程体系。

模型会越来越普及，但沉淀在组织里的流程能力，才是真正拉开企业之间差距的东西。