AI热潮里的冷思考：那些ERP尚未跑通的企业，在AI时代会更难

来源：法成-数理与菩提

作者：金蝶（中国）有限公司副总裁、市场中心总裁林法成

01 从迷雾到冷思考

前些日子写过一篇《穿越模型的迷雾》，聊的是全球SaaS大重估下，模型与应用厂商如何重塑企业管理软件价值。如果说"迷雾"讲的是供给侧厂商回归管理，那本篇想讲的，就是需求侧客户回归基本功。两篇是一体两面——造软件的要回归服务管理的本原，用软件的要回到落地管理的基本功。缺了哪一半，AI时代都落不了地。

而当下我在一线听到最多的，仍然是关于AI的宏大叙事——什么"超级智能体、智能决策、无人化运营、大规模减员增效"，甚至"重构生产关系、AI帮我接管公司"。仿佛只要搭上AI快车，所有企业就能脱胎换骨、逆袭成功。

Gartner 2026年最新研判显示，全球AI已进入"幻灭期低谷"(Trough of Disillusionment)，企业AI规模化的门槛从模型能力转向了ROI的可预测性。Gartner另一项判断也很现实——到2027年，超过70%新实施的ERP项目将无法达成其业务目标，约25%灾难性收场。

为什么AI大模型如此强大的今天，企业AI的ROI却并不高？为什么ERP已被唱衰"日抛"、"杀死"的今天，仍有七成新项目无法实现业务目标、四分之一彻底失败？究竟为什么？

答案藏在一个被忽略的事实里：中国当下很多企业管理粗放、流程混乱、数据失真，连一套上一代的ERP都还没跑通，甚至压根没上过。

不要妄想凭空借AI弯道超车，连ERP都没跑通的企业，只会更难。

为什么"更难"？不是抽象的更难，而是三重具体的更难：

其一，AI对流程稳定性的依赖远强于ERP——ERP模块间的间隙可以靠经验补齐，AI智能体之间的协同断链则直接导致任务失败；

其二，AI对数据质量的容错度远低于ERP——ERP时代靠人工"兜底"的数据偏差，AI时代会被模型的误差传播逐级放大，输出不可追溯的错误结论；

其三，AI投入周期短、沉没成本高，头部企业一旦跑通，差距拉开的速度远比ERP时代快——带病运行企业的容错时窗更窄。

02 ERP的本质，是业务上下文的系统治理

AI时代，很多人在误解ERP。要看清AI与ERP的关系，必须先回到ERP的本原。

不少人把ERP理解成一套软件或一堆代码——最常见的误读。

ERP的真正价值，是传统技术条件下企业对自身业务上下文的系统性治理——把研发、生产、采购、计划、仓储、订单、财务、成本等全链路纳入统一逻辑，规范数据口径、明确权责边界、固化标准流程、沉淀运营规则。

从我25年数字化经验看，

ERP好不好用，从来不是技术新不新的问题，而是企业管理能力、治理水平、组织协同与业务标准化程度的综合体现。

亚当·斯密在《国富论》中讲,分工不仅是手工的分化,更是"专业智慧"的沉淀。ERP既承载企业已有的管理能力,也在实施过程中沉淀新的管理能力。但它的最终效果,取决于企业自身的管理基础——企业自身有没有这份管理智慧,才真正决定了ERP跑得顺不顺。

即使到了AI时代，正如北大汇丰魏炜教授团队所研究的，管理范式从"分工"转向"端到端"，这也不意味着企业不需要流程标准、数据治理、权责明确——只是需将这些管理基础进一步沉淀为AI应用的底层规则与红线。

ERP跑得顺畅的组织共同点惊人一致：流程清晰、权责明确、执行到位、数据真实。

跑得别扭的组织各有各的别扭——要么部门墙厚、流程不畅；要么账实不符、成本靠估；要么制度挂墙、纯粹人治；要么数据孤岛、口径不一。问题表象各异，根上只有一个：业务上下文治理能力的系统性缺陷。

亚当·斯密谈分工讲"专业智慧"，曾文正公治湘军讲"结硬寨、打呆仗"——东西方智慧在这一点上完全一致：管理没有奇谋，只有基本功。

同理，AI时代，靠一个新名词就想一步登天、绕过管理基本功，无异于痴人说梦。

03 AI失败的根因，不在模型而在治理

2026年3月18日，金蝶董事会主席兼CEO徐少春在业绩发布会上说："拥抱AI者生，防御AI者死——真正决定未来的，不是技术本身，而是能够驾驭AI的人和组织。"这句话道出了AI时代企业竞争力的源头。

Gartner今年研究显示：AI项目失败归因中，38%指向团队技能不足、38%指向数据质量不过关——两大主因均指向企业内部管理，与模型本身无关。Gartner另一项预测也说明这一点：企业将在2026年底前放弃60%缺乏"AI就绪数据"(AI-ready data)的AI项目。

麦肯锡《Rewired》第二版今年4月上市，书中给出更本质的阐述：智能体时代，企业的"数据基础越来越定义其竞争位置"——没有可访问、可治理、可互操作的数据架构，任何AI规模化都无从谈起。

我在《穿越模型的迷雾》也讲过微软董事长兼CEO纳德拉提出的新词："Model Overhang"（模型悬置或译模型过剩）——模型能力已显著超出组织的应用能力，瓶颈不在模型这一端，而在组织这一侧。

以上判断指向同一方向——

企业AI转型失败的根因，从来不是技术问题，而是管理问题。

04 AI作为放大镜，放大了什么

今年2月底，理想汽车的李想说过一段话："Agent和AI将成为'放大镜和显微镜'，表达人的专业能力差异。"这句话放在企业同样适用：AI将成为"放大镜和显微镜"，表达企业的管理能力差异。

AI确实是放大镜。但它放大的是什么？是你的能力，还是你的积弊？

金蝶的工程师已实现大规模AI编码，AI成为公司编码能力的放大镜。

在管理扎实、流程清晰、数据可信的企业那里，AI放大的是管理能力，是效率、协同、决策质量，甚至可进一步做流程自动化再造、数据治理升级、运营模式的智能化转型。

但在管理粗放、流程混乱、数据失真的企业那里，AI同样是放大镜——只不过放大的是它们的弱点。模糊的数据口径，被放大成模糊的AI判断；断裂的流程，被放大成失控的智能体；靠人兜底的漏洞，被放大成无人兜底的崩盘。

我的结论是：

管理基础是AI的底座，企业要打好底座、同步再上AI，才能如虎添翼。

看两个案例。2月17日，联合利华与谷歌云签署五年战略合作，启动其历史上最大规模的AI转型。合作框架里有一条关键内容引人注目——"把整合的数据与云平台迁移到统一底座，建立企业级的AI-first数字骨架"。这不是把AI贴在旧系统之上，而是先铺底座，再上AI。

无独有偶。金蝶2026年度业绩发布会披露：2025年41%的新增代码由AI生成，部分场景高达100%；研发交付周期缩短21%。这正是真正意义上的"放大"——放大的是三十余年体系化、标准化、流程化、数智化的管理优势。2025年AI成熟之时，公司的管理底座早已就绪。

反观那些高喊"AI 至上"、把所有问题甩给AI的企业，其财报与内部数据往往呈现同一个真相：基础管理仍是一团乱麻，AI项目停留在PPT展示与小范围试点，规模化遥遥无期。不是AI不够强，是底座没铺好，AI能做的只剩下"放大"——把问题放大。

地基是木屑沙子，AI盖得越高塌得越快；地基是钢筋混凝土，才可能盖出真正的摩天楼。这是工业规律，不是技术悲观主义。

05 技术浪漫主义，遮不住管理现实主义

抛开AI原生企业不谈，许多传统企业幻想跳过ERP深耕、直接用AI实现"管理革命"，本质不是战略判断，而是被厂商塑造的技术浪漫主义遮蔽了企业管理现实主义。

这种遮蔽在数字化史上屡见不鲜。过去十五年的云计算热、大数据热、中台热，都出现过同样的叙事结构——用新技术名词覆盖旧的管理积弊。每次热潮褪去，夸大新技术概念的厂商赚得盆满钵满，留在风中凌乱的却总是同一批企业。

AI浪潮也不例外。数据脏进，结论必偏；流程乱跑，效率更低。AI确实能解决很多ERP时代解决不了的问题，但前提是企业先把ERP时代就该做的事做完。否则，AI放大的不是能力，而是更贵、更虚、更难收场的狼狈。

06 三问一场景：企业进入AI时代的操作指引

清醒之后，最难的是行动。

二十多年的行业实践中，我看到过太多企业在"从哪里开始数字化"这个问题上陷入迷茫。我曾带领团队设计过"五力成长飞轮"模型（产品力、获客力、交付力、口碑力、收益力，完整内容将另文展开）。针对AI转型，我提出一个更简洁的工具——"三问一场景"。

第一问，数据真不真？

账实不符、主数据混乱、报表口径各异——典型症状是同一个数字，销售、财务、业务、仓库各说一个版本，管理层开会总在对数据真伪互相质疑。检查方法：抽取上季度核心业务数据（销售、库存、应收等），查跨部门跨系统的数据一致性、主数据重复率、账实匹配率——三项任一长期偏离，就判定为数据质量差。处在这一级的企业不该冲进AI，而应回到主数据治理与业财一体。

第二问，流程通不通？

数据真实，但部门墙厚、流程断裂、各自为战——协同靠人找人，管理层天天开会救火。不妨选一条核心业务流程（订单到现金、采购到付款、计划到交付皆可），从发起到闭环走一遍，看跨部门跨系统的平均交接次数与耗时、多少流程环节仍需线下表单或人工传递。精力应放在ERP深度落地与核心流程重设上，而不是用AI绕过流程阻塞。

第三问，数据齐不齐？

指数据要与AI能懂的架构对齐，即具备"AI就绪架构"。可抽取支撑一个AI场景所需的数据集，查四项基础属性——字段定义一致、元数据完整、更新频次与业务节拍匹配、数据关联可追溯；四项缺一，就意味着尚未具备AI就绪数据能力。这正是Gartner所说的"AI就绪数据"缺口，也是六成企业AI项目在2026年被放弃的根因。应按可访问、可治理、可互操作的标准，建立独立的数据治理层，让数据具备喂给AI的资格。

三问完毕，请对号入座：三问皆否定，仍在数字化基础工程阶段，应回到ERP基础治理；仅第一问及格，可开始流程梳理与数据治理，暂不具备大规模AI落地条件；第一二问及格，可启动"AI就绪数据"建设、小规模试点AI；三问皆肯定，可选择最痛的单一场景开始规模化AI转型。