引言

在企业AI落地的讨论中，有一个概念叫"60分奇点"：让AI直接接收业务的原始反馈，在真实的业务回路中自我演化。

与之相对的传统路径是：AI产出结果→人工审核→交付客户→反馈由人工处理→处理后的结论再回流给AI。这条路径里，AI获得的始终是经过人工转译的"二手反馈"，原始信号在中间环节被过滤，数据飞轮无从启动。

60分奇点是一个相当靠前的标准。麦肯锡2025年对全球近两千家企业的调研显示，近九成企业已常态化使用AI，但其中近三分之二仍停留在试点阶段；62%的企业在尝试AI Agent，而真正把AI转化为企业级价值的只有39%。

但比"达不到60分"更普遍、也更少被讨论的，是另一种处境：大量组织连"零分奇点"都尚未完成。
所谓零分奇点，定义很简单：让AI工具对员工触手可用。不需要多深的业务融合，只需要员工在需要时，手边有可用的AI能力。

一、零分奇点的典型缺位形态

从一线观察来看，零分奇点的缺位通常呈现三层形态：

其一，外部AI工具的系统性禁用。 出于数据安全考虑，企业一刀切禁止访问外部AI服务。员工的普遍认知是"公司不允许，没有先例"。

其二，内部AI工具能力不足。 部分企业自建或采购了内部AI工具，但受网关性能、模型能力限制，稍长的请求即失败，无法承担真实工作负载。

其三，安全机制与可用性的冲突。 一个典型场景：企业终端文件默认加密，导致内部AI系统同样无法读取本企业上传的文件。加密机制在防止外部泄露的同时，也阻断了内部的正常使用——防护对象事实上包含了使用者自身。

值得注意的是，涉及的数据往往并非核心机密，而是出勤率、人效、在职人数等常规运营数据。

二、错位的根源：制度的时间差

对这类现象，简单的归因是"企业保守"或"安全意识过剩"。但更准确的解释，可能是组织制度与技术时代之间的时间差。

现行公司管理体制是工业时代的产物：为规模化生产与管理，建立层级汇报体系与层级化的数据管控。在智力稀缺的时代，专业判断是昂贵资源，决策权收敛于少数节点、信息按层级分配，是系统可控运转的前提。这套制度在其时代是优等解，至今仍在支撑绝大多数企业的运转。

AI带来的底层变化在于：智力这种曾经稀缺的资源，获取成本正在急剧下降。而管理制度的默认前提仍然是"智力稀缺"。制度停留在上一个时代，资源条件已进入下一个时代，两者的错位构成了当前企业AI落地最真实的摩擦面。

至于管理方式应如何演进，目前行业内尚无成熟答案，本文也不试图给出。但错位本身值得被看见。

三、一个可行的抓手：数据分级

在方向不明的前提下，仍有一个相对具体的切入点：数据分级的颗粒度。

当日常运营数据与核心经营数据走同一套最高强度防护流程时，反映的往往不是保护过度，而是数据分类分级机制尚未细化。

《数据安全法》早已确立数据分类分级保护制度，但从制度文本到企业内部的落地，显然需要时间。在分级机制细化之前，统一按最高标准处理，是执行成本最低的过渡方案——这是可以理解的。

但这个选择的成本不易被看见。它不在制度条文里，而是分摊在每一个普通的工作日中：一次本可在十分钟内完成的跨表统计，因为没有可用工具，最终以人工方式消耗一个下午；每一次"现查现学"的公式检索，都是这份成本的一次显形。

此外，禁用策略的实际效力也值得审视。微软的研究发现，78%的AI用户是自带工具上岗，并不等待企业批准；KPMG的报告同样显示，约一半员工在未经雇主批准的情况下使用AI工具,我们将这种现象称为“影子AI”。换言之，一刀切管理的或许不是需求本身，而只是需求的可见性——这反而放大了不可控的数据暴露面。

在防护路径上，本地部署配合内网隔离是一条可探讨的路线。当然，本地部署不等于天然安全，权限管理与操作审计同样需要建设；但至少数据不离开企业边界，风险的性质从"不可控的外部泄露"转化为"可治理的内部管理"。"不能用"与"有没有研究过怎么用"之间，仍然存在可以讨论的空间。

四、理解规则，再谈演进

需要强调的是，对企业现行规则的分析，不应滑向简单的批判。任何一条规则的制定，当初几乎都有具体成因——可能是一次事故，可能是一项合规要求，也可能是特定历史阶段的权宜之计。

行业并不缺乏先例。2023年，三星工程师在二十天内三次将敏感信息输入ChatGPT，涉及半导体数据库源代码、设备缺陷检测代码与内部会议纪要，公司随后全面禁用生成式AI；摩根大通、亚马逊、苹果等企业在同一年先后出台类似限制。一条"不许使用"的规定背后，往往真实躺着一次事故。

因此，合理的行动顺序或许是：先理解业务流程与规则成因，再评估其防护对象与当下技术条件下的适配度，最后才是与数据、IT等部门探讨改进空间。这既是新人进入组织时的理性姿态，也是任何制度演进得以发生的前提。

写在最后

行业的讨论已经推进到60分奇点：AI如何直接吸收业务反馈、如何让数据飞轮转动。而地面的现实是，大量组织连零分奇点——让AI触手可用——都尚未完成。这两个标准之间的距离，或许才是中国企业AI落地最真实的前线。

你的组织，目前站在哪个奇点上？欢迎在评论区交流。

看山
供应链从业者
工信部人工智能技术应用认证