企业AI落地卡点不在技术，而在于业务人员不愿贡献经验。本文以财富管理场景为例，探讨如何通过管理方法与商业模式变革，让经验沉淀为可复用的流程，实现AI与人的价值共赢。

过去两年，企业做AI，最关心的问题是：该选哪个大模型？要不要私有化部署？Agent到底怎么搭？

但现在，越来越多企业发现，模型接上了，系统也做出来了，AI项目却还是跑不起来。

前段时间，一位AI创业者和我聊起他们的项目。AI应用已经得到了业务专家认可：在方案构建阶段，AI给出的结果达到了专家水平，还补上了专家容易遗漏的业务重点。

按理说，项目应该很快进入规模化落地。

但一个关键问题出现了：很多业务人员并不愿意把自己的经验贡献出来。这就导致AI应用无法持续输出准确的判断。

这很好理解。销售经验往往就是一个业务人员最核心的价值。企业让他把这些东西沉淀进Agent，他最先想到的不会是“AI终于能帮我提效”，而是：我的核心价值会不会被AI替代？

所以表面看，项目是卡在数据上，但实际上，真正的问题是业务人员不愿意贡献他们的个人经验。

这也是我在WAIC 2026上听完神州数码董事长郭为分享后，最大的感受。

这个由神州数码与哈佛商业评论中国联合举办的AI管理创新论坛，讨论的核心正是AI如何真正进入企业管理。

郭为提出，AI创新要同时看技术范式、管理方法和商业模式，三者最后都要落到流程里。

技术决定AI能不能做事；管理决定人愿不愿意让AI做事；商业模式决定这套能力做成之后，企业能不能获得新的价值。少了任何一项，AI落地都会遇到很大的问题。

郭为用景德镇陶瓷举例。景德镇陶瓷畅销全球，背后既有烧制技术进步（技术范式），也有专业分工和激励制度（管理方法）。官府建窑、民间烧窑的组合，也能支撑大规模个性化定制的商业模式。

今天的Agent落地，其实也在做同一件事：通过管理方式和商业模式的变革，把原来附着在少数人身上的经验，重新组织成一条能够协作、复用和迭代的流程。

银行财富管理就是一个很典型的场景。

过去，客户经理靠经验进行销售。谁值得重点跟进，什么时候该触达，哪些客户出现了风险信号，大多在资深客户经理脑子里。结果是精力被头部客户占满，长尾客户无人陪伴，服务复盘又主要依靠事后台账。

从技术上来说，Agent当然可以极大提升客户经理的效率。比如，Agent可以完成大量基础工作，包括初步洞察、服务提醒、基础答疑等。客户经理则把时间放在更有价值、也必须由人负责的环节：理解重点客户的复杂需求，做适当性把关，建立信任并作出关键判断。

但只做这样的重新分工还不够。

企业还要回答：客户经理为什么愿意把自己的经验交给Agent？

WAIC圆桌上，德勤中国咨询业务首席增长官黄伟强讲过一个零售案例。一家拥有数千家门店的企业，想把优秀店长的运营经验变成知识图谱，再训练成Agent。而店长愿意配合，是因为AI接住了配货等标准化工作后，他可以从管理一家店，扩大到管理周边两三家甚至更多门店。

这套逻辑放到财富管理里也是一样的。

如果银行只是让资深客户经理把客户经营经验交给AI，客户经理当然会担心自己被复制、被替代。但当AI接住大量的重复工作，客户经理就能覆盖更多客户，而且把时间花在信任构建、商机判断这些高价值的工作上。经验沉淀也成为一场新的交换：你给AI贡献经验，AI帮你扩大收益。

这就是管理方法变革的核心：重新设计专业分工和价值分配。

但仅仅有管理方法的变革还不够，商业模式的进化也非常重要。

过去，资深客户经理是一种稀缺服务能力，只能集中服务少数头部客户。但当AI把其中可复制的部分沉淀下来后，更多长尾客户也能获得持续、个性化的服务。银行由此获得一种新的服务供给能力：同样的人力投入，可以覆盖到过去长期被忽略的客群。

当技术范式、管理方法和商业模式同步变革，客户经营的关键环节才会连成一条新的流程。

问题是，这样一条流程靠什么跑下去？

神州数码给出的答案是：神州问学——一套面向企业的AI原生流程操作系统。

放在财富管理场景里，它先把客户经理的经验、产品规则和历史服务记录，沉淀成企业可以调用的知识；再把客户经营的关键环节放进同一个工作流。这样，AI就可以深度参与到客户经理的日常工作中。

还有一点也非常关键。AI进入客户服务后，客户经理仍然保留最终判断权。系统给出的建议从哪里来、谁来审核、怎么回溯，都会在神州问学中留痕。

这样，客户经理在服务中的修正和反馈才能持续被吸收，成为下一次服务可以调用的经验。神州问学的价值就在于，它不但支撑起整个新的流程，而且还让业务经验在这个流程里不断积累，不断让AI产出更大的价值。

所以，企业AI落地，数据当然重要，但更重要的是让经验持续沉淀和迭代的管理能力。

关键在于，企业能否让贡献经验的人和整个组织，都从经验的沉淀和迭代中，获得新的价值。