德勤：企业需从生成式AI迈向“自主智能”规模化，才能实现真实增长

一句话看懂

德勤指出企业AI应用需从生成式聊天机器人升级为“自主智能”——让AI系统自主决策、执行交易，才能真正改变成本与收入结构。

详细发生了什么

德勤咨询合伙人Prakul Sharma在最新分析中提出企业AI成熟度曲线：从“辅助智能”（AI帮助人理解信息）到“人工智能”（机器学习增强决策），再到“自主智能”（AI在设定边界内自主决策并执行）。他认为当前主流生成式AI（如聊天机器人）仅处于中间阶段，而Agentic AI是通往自主智能的桥梁。

德勤强调，真正的价值在于将AI嵌入核心业务流程。例如采购场景中，AI agent能实时比对供应链库存与供应商定价，在预设参数内自主签发采购订单，仅异常情况才需人工审批。但这要求AI系统具备可验证身份、实时决策级数据、合规审批权限等基础设施，否则无法规模化。

德勤建议企业先进行“决策审计”，找出流程中因决策瓶颈而非任务瓶颈导致低效的环节，再搭建AI与agent架构、数据层、评估体系、身份管理及人机协作模式。技术瓶颈不在大模型本身（已趋于商品化），而在于将模型连接到遗留数据架构——企业数据大多为“报表级”而非“决策级”，缺乏实时性、血缘追踪和访问控制。

中文圈视角

德勤的观点对国内企业有直接借鉴意义。目前国内AI应用仍以对话、文档摘要、客服为主，真正切入核心交易系统的案例较少。德勤提出的“决策审计”方法论，可以帮助企业避免盲目上马AI agent，而是先梳理流程瓶颈。

国内企业面临类似的数据治理挑战：ERP、CRM等系统数据质量参差不齐，实时数据接口成本高。国产大模型（如DeepSeek、Qwen）在推理能力上已接近前沿，但企业级身份管理、合规审计（如《数据安全法》要求）仍是短板。德勤强调的“治理债务”——为加速试点而绕过的安全与合规要求，最终会成为生产部署的障碍——在国内同样常见。

此外，国内企业可关注ModelScope等平台上的开源agent框架，但需注意自主智能系统对实时数据、身份认证的依赖，不能简单套用开源demo。

几条值得记住的细节

• 德勤将AI成熟度分为三阶段：辅助智能、人工智能、自主智能，当前GenAI处于中间阶段。
• 自主智能的核心是“追求结果”而非“生成答案”：AI agent需推理目标、调用工具、适应变化。
• 企业应先做“决策审计”，找出因决策瓶颈而非任务瓶颈导致低效的流程。
• 数据需从“报表级”升级为“决策级”：具备实时性、血缘追踪和访问控制。
• 试点成功不等于生产部署成功，治理债务（身份、审计、合规）是主要障碍。

一句话总结

企业AI的真正价值不在聊天机器人，而在于让AI自主执行核心业务交易——但这需要先重构数据与治理体系。