这两天在 Snowflake AI Summit 现场，我最大的感受是：企业 AI 的叙事正在发生一次明显转向。
过去一年多，大家谈 AI，最容易谈到的是模型。哪个模型更强，谁的推理能力更好，谁的多模态更领先，谁的编程能力更强。这些当然重要，但如果站在企业经营的角度，只看模型已经不够了。
因为模型正在快速普及，也在快速迭代。企业真正的难题，不是“有没有一个大模型”，而是：
企业自己的数据在哪里？
业务语义和指标口径是否清楚？
AI 能不能安全地访问数据？
Agent 进入企业后，身份、权限和边界如何定义？
AI 生成的洞察，能不能进入流程、行动和增长结果？
组织里的人，是否真的准备好和 AI 一起工作？
这次 Snowflake Summit 给我的启发，不是简单地看到一个数据云公司在发布 AI 产品，而是看到企业 AI 正在从“模型竞争”进入“系统工程”阶段。
我把这两天的观察总结成一句话：
企业 AI 的下一站，不是多买一个模型，也不是多上一个聊天框，而是把数据、治理、Agent、工作流和组织能力，重新组织成一套可运营的经营系统。
模型会越来越强，但企业壁垒不在模型本身
在硅谷参加这样的大会，很容易感受到一个趋势：模型能力还会继续快速提升，但企业对模型的使用方式，已经开始从“崇拜某一个模型”走向“把模型作为可替换的基础能力”。
不同模型会在不同任务上各有优势。有的更适合编程，有的更适合多模态，有的更适合复杂推理，有的产品体验更好。开发者和企业用户会越来越现实：谁能完成任务，谁的上下文更顺，谁的工具链更稳定，就用谁。
这意味着，企业不应该把自己的长期能力绑定在某一个模型账号上。
真正值得建设的是模型之上的系统：数据、上下文、业务语义、任务拆解、结果验证、权限治理和行动闭环。
如果这些东西没有建立起来，模型再强，也只能停留在问答和 demo。反过来，如果企业拥有清晰的数据底座、业务对象、语义层和工作流，模型就可以不断替换和升级，但企业自己的智能系统会持续沉淀。
所以我越来越相信：AI 时代，企业的护城河不是“我用了哪个模型”，而是“我有没有把模型组织进自己的业务系统”。
企业 AI 最终还是跑在数据上
Snowflake 这次大会最清晰的信号，是它正在从传统意义上的数据仓库，走向一个更完整的 AI Data Cloud。
这背后的逻辑很简单：企业 AI 不可能脱离企业数据而存在。
企业里的数据不是整齐地放在一个地方。它分散在业务系统、数据仓库、报表、文档、会议、邮件、客户记录、销售线索、合同、交付反馈和社媒内容里。它既有结构化数据，也有半结构化和非结构化数据；既有历史数据，也有实时业务动作；既有公开信息，也有高度敏感的内部数据。
如果这些数据没有被组织起来，AI 就很难真正进入业务。
很多企业过去做智能问数，容易把问题理解成 Text-to-SQL，好像只要让大模型把自然语言翻译成 SQL，就能解决经营分析问题。但真正难的不是写 SQL，而是：
指标口径是不是统一？
业务对象是不是定义清楚？
数据来源是否可信？
权限边界是否明确？
不同部门对同一个指标的理解是否一致？
AI 给出的答案，能否被业务负责人信任？
这也是我在 Snowflake 现场反复感受到的：AI 落地最后一定会回到数据、语义和治理。
没有语义层，Agent 只能会聊天；有了实体、关系、指标口径、来源映射和权限边界，Agent 才可能真正进入业务分析、归因、预测和行动。
这也让我更加确认我们做 EntVerse、Navi、EnlightAI 的方向。企业不是缺一个新的聊天入口，而是缺一套能把对象、关系、指标、来源、权限、行动和反馈组织起来的 Company Context。
治理和信任，正在从后台能力变成前台条件
这次 Snowflake 产品路线里，我特别关注到一个变化：治理不再只是 IT 后台能力，而是企业 AI 能不能真正落地的前台条件。
过去谈数据治理，很多人觉得这是后台工作，是 IT、数据团队、合规部门的事情。但当 Agent 开始进入企业，治理就变成了每个业务负责人都必须关心的问题。
因为企业不能只问：这个 Agent 能不能回答问题？
企业还必须问：
它是谁？
它代表谁在行动？
它能看哪些数据？
它能不能把数据移动到外部系统？
它能不能自动发邮件、改报价、提交审批？
哪些动作必须经过二次确认？
出错之后，责任和日志在哪里？
如果这些问题没有答案，AI 就很难从个人效率工具进入企业核心流程。
这也是为什么我觉得“Trust & Governance”会成为企业 AI 的关键词。Agent 进入企业，不只是技术问题，更是身份、权限、审计、流程和组织信任的问题。
未来企业不会只有员工账号、系统账号，还会有大量数字员工和 Agent 身份。每一个 Agent 都需要边界，需要授权，需要可追踪，也需要被纳入企业治理体系。
这对中国企业尤其重要。因为中国企业对私有化、安全、数据边界和权限管控非常敏感。如果我们不能把 AI 讲成一套可信、可治理、可审计的经营系统，而只是讲一个强大的工具，客户很难放心把核心业务交给它。
AI 入口会从聊天框，走向个人工作引擎
这次大会还有一个让我印象很深的趋势：企业 AI 的入口正在从 Chatbox 走向 Personal work engine。
过去很多 AI 产品的入口是一个聊天框。你问，它答。你让它写，它生成。这个阶段很重要，因为它让 AI 变得可用、可感知、可普及。
但这不是企业 AI 的终点。
真正进入工作场景后，AI 需要理解你的上下文，知道你负责什么业务，知道你正在跟进哪些客户，知道你所在组织的目标和优先级，能够连接你的工具，能够定时完成任务，能够生成可协作的 artifact，并且把结果带回业务流程。
也就是说，AI 不只是“回答你”，而是“和你一起工作”。
这就是个人工作引擎的价值。
一个销售负责人，不需要每天重新告诉 AI 自己负责哪些客户；一个市场负责人，不需要每次重新解释品牌、渠道、素材和目标；一个 CEO，也不应该每天从零开始问“公司现在怎么样”。AI 应该理解企业经营上下文，主动帮助人发现风险、推进事项、形成判断、沉淀行动。
这也是 Navi 的方向：不是做一个问答机器人，而是做一个经营助手。它要理解经营对象，知道客户、商机、产品、交付、专项之间的关系；它要知道哪些是事实，哪些是判断，哪些是风险，哪些需要人去行动；它还要能把行动和反馈写回企业上下文，让组织持续学习。
企业 AI 的入口，最终会从聊天框，变成每个人身边的工作系统。
从工具到组织：Agentic Enterprise 才是真正的分水岭
这两天除了 Snowflake 官方 Keynote，我还和极客邦、安克创新等同行做了几场很有价值的对谈。其中一个共识非常强：AI 对企业的影响，不是工具层面的，而是组织层面的。
我把这个变化称为 Agentic Enterprise。
什么叫 Agentic Enterprise？不是企业里有几个员工在用 AI，也不是某个部门做了几个智能体 demo，而是数字员工开始成为组织中的正式生产力单元。
一旦你把数字员工当作组织成员，就必然带来一系列问题：
它向谁汇报？
它和真人如何协作？
它能承担什么任务？
它的结果如何验收？
它的经验如何沉淀？
它是否会改变组织流程和岗位边界？
所以 AI 组织升级不是“采购 AI 工具”，而是组织范式变化。
工业时代的组织像流水线。每个人负责一个环节，流程层层传递，管理依赖层级和汇报。但 AI 时代，一个人借助多个 Agent，可以完成过去多个角色共同完成的事情。人的能力边界被打开，协作链路被压缩，很多流程会被重新组合。
这让我很认同安克创新 CIO Neil 提出的“蜂巢式组织”想象：未来组织会由大量更小、更端到端的小团队组成。每个小团队围绕一个目标闭环，借助 AI 完成洞察、定义、执行、复盘和优化。它们之间不是完全无序，而是通过企业大脑和动态管理网络保持协同。
从流水线到蜂巢，这可能是 AI 时代组织进化的一个重要方向。
老板必须亲自下场，组织才能真正转型
很多企业谈 AI 转型，第一反应是让 IT 部门研究工具，让业务部门试用产品，让员工参加培训。
这些都需要，但还不够。
我越来越觉得，AI 转型的第一责任人必须是老板。尤其是企业的一把手，必须亲自下场。
原因很简单：如果老板没有亲身体验过 AI 带来的生产力跃迁，他很难真正相信这件事，也很难推动组织做结构性改变。
我自己有一个很强的体感。多年没有写代码之后，我重新借助 Coding Agent 上手 Build。过去可能需要一个团队做半年到一年的东西，现在几天就能搭出核心版本。那个瞬间带来的冲击，不是听别人讲一百遍能替代的。
所以我总结了一个方法：Build、Learn、Lead、Being led。
第一，Build。老板要亲自做，亲自体验 AI 如何改变生产力；
第二，Learn。AI 是一个巨大的知识系统，管理者要学会向它学习，学习战略、组织、流程、技术和行业经验；
第三，Lead。大模型没有企业自己的价值观和战略意志，老板必须用自己的愿景、价值观和战略去引导它；
第四，Being led。在具体问题上，也要学会被 AI 引导。不是所有细节都由老板控制，真正的管理能力，是知道什么时候坚持自己的判断，什么时候相信系统给出的建议。
如果老板不亲自下场，AI 很容易停留在局部试点；如果老板亲自下场，它才可能变成组织升级。
不要等数据治理完成，再开始 AI
这次和几位同行讨论时，我们反复谈到一个中国企业常见误区：先把数据治理全部做好，再开始做 AI。
这个逻辑看起来稳妥，但在 AI 时代可能会错过窗口。
因为数据治理不是一个抽象目标。真正有效的数据治理，应该从业务问题出发。
企业不应该先问“我要不要做一套完整数据治理工程”，而应该先问：
我最想提升哪个业务结果？
哪个流程最值得被 AI 改造？
哪个岗位最适合先变成超级个体？
哪类客户、商机、内容、交付或供应链数据最能产生价值？
从场景出发，AI 目标会倒逼数据治理。你要让 AI 回答经营问题，就必须定义指标；你要让 Agent 推进客户，就必须沉淀客户上下文；你要让 AI 参与销售，就必须连接线索、内容、触点和转化；你要让 AI 做供应链决策，就必须梳理商品、库存、渠道和需求。
所以正确路径不是“等数据治理完成再做 AI”，而是“一边做 AI，一边治理数据，一边沉淀组织能力”。
这对中国企业反而是机会。过去数字化、数据化、智能化可能是分阶段完成的；今天，AI 让企业有机会把这些事情压缩到同一个业务改造过程中。
中国路径不是复制 Snowflake，而是把 AI 扎进真实产业
这次美国行，我一直在思考一个问题：中国会不会出现自己的 Snowflake？
如果只是简单复制 Snowflake 的产品形态，我觉得答案未必乐观。中国的软件市场、上云环境、采购体系、客单价、私有化习惯和生态开放程度，都和美国不一样。
但这不代表中国没有机会。
恰恰相反，中国 AI 企业的机会可能在另一条路径上。
Snowflake 值得我们学习的，不只是某个产品，而是三件事：
第一，产品完成度。不是只有概念，而是每个概念后面都有产品、Demo、案例和生态；
第二，讲故事能力。能把复杂技术讲成客户听得懂的业务语言；
第三，生态连接。通过开放接口、合作伙伴和平台能力，让更多企业围绕它形成系统。
但中国真正的独特优势，在于产业场景。
中国有极其丰富的消费场景，有完整的工业链，有深厚的供应链，有大量正在全球化的制造、品牌和零售企业。AI 如果只停留在 Chatbox，价值有限；但如果能进入研发、供应链、销售、渠道、门店、客服、经营分析和品牌增长，它就可能变成新的生产力系统。
所以我认为，中国路径不是复制一个轻 SaaS 或 Data Cloud，而是学习世界级公司的产品完成度、生态能力和表达方式，然后把 AI 扎进真实产业，扎进行业数据，扎进业务流程。
未来中国可能会出现伟大的 AI 公司，但它未必长得像美国 SaaS。它可能更重、更行业化、更贴近供应链和经营结果。
数说故事要做的，不只是数据和 AI 能力，而是 AI 增长系统
回到数说故事，我们长期做的事情，是把外部世界的数据、消费者声音、品牌内容、行业信号、销售线索和业务结果组织起来，帮助企业做增长决策。AI 时代，这件事不但没有变弱，反而更重要。
因为模型越强，越需要高质量的企业上下文；Agent 越多，越需要统一的对象、关系、权限和行动闭环；企业越想用 AI 提效，越需要把数据、内容、洞察、销售和经营结果连接起来。
这就是我们说 Social to Sales，帮助客户从消费者认知到拿到生意结果，并在此过程中利用我们的 AI 能力（EntVerse+Navi+EnlightAI）来帮助我们的客户构建属于他自己的连续经营系统，进入 Agentic Enterprise 时代。
Social to Sales 不是简单做社媒洞察，而是把内容、品牌、消费者信号和销售增长连接起来。
EntVerse 不是一个知识库，而是企业经营世界模型，把客户、产品、商机、交付、专项、风险、行动和指标组织起来。
Navi 不是聊天机器人，而是经营助手，帮助管理者理解经营状态、识别风险、推进动作、沉淀反馈。
EnlightAI 也不是单一 Agent 平台，而是让企业能够配置、运行、调度和治理数字员工。
这些方向共同指向一件事：AI 不只是让企业多一个工具，而是让企业重新组织增长。
结语：企业 AI 的深水区，已经来了
这两天在 Snowflake Summit，我看到的是一个非常清晰的转折。
AI 正在从模型演示进入企业深水区。
在浅水区，大家比的是模型能力、Demo 效果和单点效率；到了深水区，比的是数据底座、语义层、治理信任、工作流、组织能力和业务结果。
这对中国企业来说既是挑战，也是机会。
挑战在于，不能再把 AI 当成一个工具采购问题。机会在于，中国有丰富的产业场景、快速的业务迭代、强大的供应链和大量愿意增长的企业家。
谁能更快把 AI 从聊天框带进业务流程，谁能更快让老板亲自下场、员工成为超级个体、组织建立企业大脑，谁就可能在下一轮竞争里跑出来。
我带着问题来到 Snowflake Summit：全球数据与 AI 公司，正在如何把 AI 做进企业业务？Agentic Enterprise 到底是概念，还是现实？中国企业的机会，是复制硅谷，还是走出自己的路径？
现在我的答案更清楚了：
企业 AI 的下一站，不是模型，而是经营系统；不是工具升级，而是组织进化；不是复制硅谷，而是把 AI 扎进真实产业，扎进真实业务，扎进真实增长。
这也是数说故事接下来要继续做的事情。
作者简介
徐亚波（Arber Xu），数说故事（DataStory）创始人兼 CEO。加拿大西蒙弗雷泽大学计算科学博士，前中山大学人民教师，20 年+专注在大数据和 AI 领域的数据科学家。
