陈鹏被复杂的招采数据困了很久。
他是云南省能源（850101）集团所属恒通煤业有限公司的招采中心主任，部门多年没有增加编制，业务量却一直在涨。公司ERP因为安全管理要求没有开放API接口，导致数据对接流程需要人工手动完成：数据抓取、整理、对照登录、复核、定期检查，每天要吃掉一名同事4个工时。要是遇上定期检查，一干就会加班到半夜。
直到2026年8月，部门来了一个“新员工”：不占编制、不领工资、不睡觉，凌晨两点自动跑数据，早上九点把处理条数、成功失败、金额汇总发进工作群。这个“新员工”其实不是人，是陈鹏带领的这个没有技术背景的小团队，用WPS Comate搭出来的数字员工——“招采数据岗”。问题就这样迎刃而解了。
这其实并不像看起来那么简单。虽然今年智能体应用落地如火如荼，但多是赋能了个人效率，真正能帮助企业效率提升的企业级智能体，仍面临巨大的落地鸿沟。麦肯锡2026年全球AI调研显示，约八成受访者认为AI提升了生产力，但仅37%表示获得了企业级财务收益。
那么一个连ERP的API都不开放的地方国企部门，为什么反而跨过了这个挑战？
40天，一个非技术团队的“从0到1”
恒通煤业的困境并不特殊，甚至有点传统和常规。
招采业务从需求到定标再到签约，是一步步分段进行的，其中每一步都会产生大量数据。新建几千条数据不难，难的是定标时要逐条对照，写入定标金额、定标数量、成交人等细节信息，这些都是十分细碎的流程性工作。
直到2026年7月，陈鹏看到了解决途径。
当时他与金山办公（688111）的服务人员进行了一次深聊。对方告诉他，面向企业级市场的WPS Comate新产品即将推出，有可能解决这个痛点。
8月,恒通煤业成为WPS Comate第一批试用企业，金山办公（688111）还专门为其配置了两名售前解决方案顾问。
“我不是搞IT的，也不懂技术。但我是真想把业务上的这个痛点解决了。”陈鹏回顾道。抱着试试看的心态，他拉上部门几个业务人员，跟这2名顾问人员组成了个联合工作小组。
就这样，恒通煤业团队提出业务、场景、需求，金山办公（688111）的顾问给出方法论、操作技巧。双方日常在线上交流，线下一周一碰。
“说实话，刚开始我也没抱多大期望。但没想到，用了一个来月，真把我们需要的数字员工给做出来了。”说到这里，陈鹏神情透着兴奋。
当然，这个流程并不是全程由顾问执行WPS Comate具体工具调用，而是顾问来指引，全程由恒通煤业团队来推进“数字人”搭建。
陈鹏强调，金山办公（688111）提出的核心理念是：授人以渔，不是授人以鱼。“他们教我们怎么自己动手，怎么自己把这个数字员工‘生’出来、‘养’大。”他续称。
简单来说，金山办公（688111）的顾问就做了几件事：先讲清楚AI能干什么、不能干什么，把认知拉齐，清晰底线；再从“点哪里”开始让恒通煤业团队熟悉操作Comate；然后选一个简单的案例带着团队，基于Comate进行能力搭建；最后交给恒通煤业团队成员自己上手。这背后藏着一份来自集团的底气。AI的能力，也得掌握在自己人手，正因如此，这个联合工作小组从一开始就定了规矩：顾问来带，但活儿必须我们自己干。
也因此，在搭建“数字员工”之前，团队已经对其能力边界十分清晰。“AI不可能把采购的活全包了。我们需要的，是它把人从重复、零碎的工作里解放出来，回到人最该干的事上去。”陈鹏表示。因此团队在搭建数字人之前，就是梳理出那些重复的、零碎的、机械的活，例如数据抓取、收集、整理、录入、核对、状态流转，将这一整条流水线交给数字员工。而团队成员本身，则投入更多精力到需要判断、需要跟人对接的事情上。
换言之，数字员工的根本目的，是释放人力，不是替代人力。“这才是真正促进工作质量、提升服务质量。”他总结道。
按照这个逻辑，恒通煤业团队按业务场景把流程一条条理清楚：数据从哪来、要变成什么样、哪里需要人判断。经过金山办公（688111）顾问的带领，团队把《需求规格说明书》写了出来，然后按先易后难的顺序，一个技能一个技能地搭建、测试、上线。
就这样，到了9月，团队搭建起来的数字员工“招采数据岗”正式上线。
成效非常显著。“同事只需要把每天审批完的需求申请、定标结果从ERP导出来，放到指定位置就行。原来要花两个多小时的工作，现在三分钟搞定。”陈鹏总结道，以最繁琐、最耗时的数据台账登录场景为例，数字员工在凌晨两点自动执行，数据校验、写入、状态回写全部自动完成。早上九点再把结果发到群里——处理了多少条、成功多少、失败多少、金额多少，一目了然。
陈鹏现场展示了WPS Comate的实机操作效果，数字员工处理源数据762条，成功写入680条、失败0条、跳过未匹配82条，其中新增331条、更新312条。过去两个多小时的人工处理，现在三分钟完成。
就这一个“数字员工”，40多天来，已经为招采中心每天省下两个多工时。
跑通的真正变量，不是模型是组织
不止于此，陈鹏介绍，招采中心已经规划了需求数据导入、定标结果导入、履约数据导入、外部市场数据抓取四项技能，目前，前两项已经上线，另外两项也计划在年内陆续上线。
四个技能全部上线后，预计每天能给部门节省四个工时。
如果用云南能源（850101）集团的核心价值观来打量这件事，最贴切的是两个词：务实，和担当。
恒通煤业的招采中心能跑通数字员工，并非完全依赖某一个大模型或者技术工具的成熟。真正能让这个国企背景团队用AI跑通业务的核心，在于组织架构层面扎实的智能基础设施建设、对AI角色真正清晰的定义，更需要基层管理者的下场推进。
而作为工具端，在前期打通企业内部的上下文、企业文档等关键核心资产的基础上，通过组织内部进行技能开发和沉淀，也才能进一步打通企业级智能体的运行飞轮。
IDC在2026年9月的一份调研中给出了一个冷峻的注脚：52%的受访企业将“ROI难以量化”列为智能体规模化落地的最大挑战，远高于模型能力不足(45%)和基础设施不成熟(30%)。
换句话说，卡住大多数企业的，不是AI能不能用，而是用了之后算不算得清、接不接得住、离不离得开。恒通煤业恰好在这三个问题上，给出了组织层面的答案。
首先是开发者主体的迁移。企业AI落地最稀缺的能力，正在从“写代码”变成“把业务讲清楚”。
正如陈鹏所说，“作为基层管理者，别怕自己不是技术出身。把需求想清楚、理清晰了，Comate比我们预想的更聪明。只需要讲清楚，每个人都可以成为自己业务的‘AI架构师’。”
这与IDC观察到的趋势相同：智能化工（850102）作平台正在从沟通和流程工具，升级为企业统一的工作入口。它可以通过连接ERP、CRM、HRM、财务和供应链等系统，把组织协作、业务流程和数据处理整合到同一界面中。
与此同时，低代码能力将与AI和AI Agent深度结合。业务人员可以用自然语言描述需求，由AI辅助生成表单、流程、报表和轻量级应用；AI Agent则可以根据业务规则自动触发流程、分派任务、同步数据和提醒异常。
其次是切口的选择。恒通煤业没有一上来就做“大而全”的招采智能体，而是先挑最重复、最耗时的那一段：搬数据。先易后难，跑通一个再推进下一个。
这本质上源于，一个技能的建立，背后需要扎实的企业上下文和内部文档作为支持。业界普遍认为，规则明确、结果可验证的重复流程，最容易形成可量化的成效；反之，被砍掉的智能体项目，多死于贪大求全、价值不清。
陈鹏的“数据台账登录”就是典型：每天必做、耗时最长、替代感最强。窄切口不是保守，是让组织先尝到甜头，再建立信心。
再次是厂商角色的变化。陈鹏对金山办公（688111）团队最看重的一点，就是“授人以渔”。“最重要的一点，是别让顾问老师直接帮你做，要让他们帮你带出自己的‘AI架构师’种子。”他强调。
这背后是软件厂商商业模式的一次位移：从交付一套系统，转向陪跑，最终形成企业内生能力的自发生长。
IDC对企业级AI平台描述了两条建设路径，其中“智能流程自动化”路径的核心，正是把AI作为流程中的“数字员工节点”嵌入现有业务，而不是推倒重建。这样组织级的能力就能逐渐“长”出来。
第四个变量，是将个人技巧延伸为组织资产。金山办公（688111）团队与陈鹏所在的招采中心做了一件容易被忽略的事：给数字员工写使用手册和运维手册，配置台账、变更记录、运行台账一样不少。任务挂在数字员工名下，而不是个人账号上。
这恰好回应了Gartner提出“公民开发者”最大的行业质疑——影子IT、人走流程断、不可审计。恒通煤业的某个部门虽然规模不大，但它把“可核查、可接住、可延续”这三个组织问题，在一个部门里先回答了。
由此，企业上下文和数字员工文档的完善可以让智能体在企业规则范围内执行任务，而搭建一个智能体的方法论也能根据上下文信息进一步拓展能力边界，由此才是让招采中心目前从1个智能体，进一步拓展到4个智能体的关键。
正如易观分析所指出，随着Agent逐渐成为企业办公的重要组成部分，真正决定未来行业格局和走向的，不是谁率先接入了最新的大模型，而是谁能够把AI真正嵌入企业的知识体系、业务流程和组织协作中，让AI真正成长为企业生产力的新型基础设施。
“从1到100”的行业考题
对于恒通煤业而言，跑通从0到1的过程，其实只意味着单个企业内部某一个组织的AI能力建设逐渐完善，但要真正实现行业意义层面的从1到100，则需要更多行业和组织解答一个命题：一个业务骨干的方法论，能否脱离本人、在更多组织中进一步复制并持续生长？
这也是当前所有企业AI实践共同面对的问号。
政策层面的窗口正在打开。国资国企“人工智能（885728）+”专项行动持续下沉，2026年面向地方国企的AI典型场景培训已经把“AI智能体（886099）”和“矿产开发场景”列入课程。7月，国务院国资委发布第二批央企人工智能（885728）战略性高价值场景。
据悉，下一步，国务院国资委将深入推进央企“AI+”专项行动。聚焦高价值场景，加快人工智能（885728）赋能千行百业，主动向产业链开放场景资源，联合上下游同题共答、协同创新。
在顶层文件推动和基层需求匹配的过程中，如恒通煤业这种地方国企有可能成为智能体落地最快的腰部地带。
当然，企业级智能体的应用落地还面临一些新命题，比如安全治理、组织结构变革、执行成功率等。
IDC发布的报告指出，到2030年，高达20%的G1000组织企业将因人工智能（885728）代理控制和治理不足而引发的重大安全事件，面临诉讼、巨额罚款和首席信息官(CIO)被解雇的风险。
该机构强调，治理并非限制代理的功能，而是深度集成的基石。如果没有清晰的身份和授权规则，企业不会授予代理访问核心系统的权限；如果没有完整的可观测性和不可篡改的日志，团队就无法在事件发生后重现事件经过；如果没有内置的暂停、回滚和人工干预机制，企业就无法在代理出现故障时控制损失。信任与控制成正比，而非反之。
IDC中国研究经理孙振亚指出，对于智能体产品，核心要看其任务完成效果、交互体验、响应速度和使用成本。而对于企业级智能体产品来说，同时也不能忽视其协同办公、安全可控以及产品后端企业级的治理和运维能力。
而随着AI深入企业执行内部，短期看可以让员工解放工时，长期看则有望推动架构重塑，而两者之间隔着一个关键变量——人是否被重新配置到更高价值的任务上。
有分析人士指出，当Agent开始承担一整条流水线，岗位的编制逻辑和绩效逻辑都需要重新定义。而这种重新分工的人机协作模式，不排除重塑企业内部的岗位结构。
德勤发布的报告也指出，AI对劳动力的影响并不是平均地作用于所有层级，而是更可能重塑企业内部的人才结构与岗位分布。这不意味着全面的就业收缩，AI更可能带来的是劳动力结构的重新平衡，即压缩部分低层级岗位，重塑部分中层岗位，并对高层岗位保持相对有限的直接影响。
在此基础上，不可回避的问题是：决定回报归属的，究竟是模型、平台，还是像陈鹏这样的业务人？
孙振亚指出，最终影响智能体最终能力表现的，一方面是基座模型的能力，另一方面，智能体的Harness工程能力最终对复杂长链路任务的完成率有直接影响；同时，场景以及企业本身的数据和知识建设非常重要，垂直场景的know-how以及企业数据和知识决定了智能体能否真正进入企业业务场景。
恰恰关于场景和知识建设部分，就离不开企业内部的一线核心人员持续耕耘推进。
云南省能源（850101）集团所属恒通煤业的故事提醒我们，回报归属不取决于模型参数，也不取决于平台功能清单，而取决于有没有像陈鹏这样的基层管理人员——愿意把业务讲清楚，愿意先跑通一个窄场景，愿意给一个不是人的“同事”写手册、建台账、留审计痕迹。
这个40天的联合工作小组，或许正是云南能源（850101）集团“四个共同”的一个小小注脚——共同信念、共同愿景、共同目标、共同的行为准则，让一群不懂技术的人，朝着“打造全国一流绿色能源（850101）企业”的愿景，把AI的能力掌握在自己手里。
时至凌晨两点，原本可能要加班的陈鹏已经好好休息了。而桌面上，电脑中的数字员工开始自动运行，开始了新一轮的抓取数据、整理、检查工作。
AI落地没有捷径，但路径正在被一线业务人员自己蹚出来——不是从战略PPT里，是从每天搬数据搬得最烦的那个环节开始的。
