> For the complete documentation index, see [llms.txt](https://doras-dreamland-adventure.gitbook.io/enterprise-ai-transformation/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doras-dreamland-adventure.gitbook.io/enterprise-ai-transformation/di-yi-bu-fen-ren-zhi-pian/04-dui-shu-zi-hua-de-yi-lai.md).

# 第 4 章 · 对数字化的依赖:要求有多高

上一章结尾留了一句话：AI 要靠数字化的地基。这句话容易被听成一个前提条件——数字化没搞好，就没资格碰 AI。不少企业确实卡在这里：要么觉得自己数据太乱、系统太旧，迟迟不敢动；要么反过来，先立一个庞大的数据治理项目，想把地基夯平了再谈 AI。两种做法都建立在同一个误解上，以为数字化是一道必须先迈过去的门槛。

其实它不是一道门槛，而是一条斜坡。AI 对数字化的要求有多高，并没有一个固定答案，取决于一件事：打算让 AI 干哪一种活。

把第 3 章讲的三种新能力拿过来对照，要求的高低就清楚了。

让 AI "说"——写文案、拟初稿、生成代码、陪着做头脑风暴——几乎不要求任何数字化基础。一家几乎没做过信息化的传统企业，明天就能打开一个大模型，让它写产品文案、起草合同框架、把一段录音理成纪要。这类用法只借助模型在通用语料上学到的能力，并不碰企业自己的数据，所以门槛最低。当然，一旦想让它写得更贴合自家业务，它就会自然滑向下一档——需要读到企业自己的材料。

让 AI "读懂企业自己的东西"——回答关于自家合同、制度、历史项目、产品手册的问题——要求上一个台阶，但没有很多人以为的那么高。关键的转变在这里：过去要让机器用上这些资料，得先清洗、结构化、灌进数据仓库，是一项浩大的前置工程；而如今的检索增强（把资料切分、向量化，供模型临时调取）可以直接吃下 PDF、邮件、聊天记录这类非结构化的内容。也就是说，这一层要的是资料"电子化、可获取"，而不是"高度结构化"。门槛是中等的。

不过，这个"中等"里藏着一处容易被低估的成本：检索增强降低的是"结构化"的门槛，却把要求挪到了"资料卫生"上——哪一份文件是权威版本、作废的旧制度有没有从库里清掉、不同部门口径打架时该信谁、谁有权限看到哪些内容。这些没理清，模型就会一本正经地援引一份三年前就作废的规定。资料能被读到，不等于读到的都算数。

让 AI "替企业动手"——自动在系统里下单、改库存、走审批，也就是所谓 Agent——要求才真正高起来。机器要动手，就得能接进各个系统的接口，得有可靠、干净、权限清楚的数据，还得有一套明确的规则告诉它什么能做、什么不能做、越界了怎么办。这一层若没有数字化的底座，几乎无从谈起。还要提醒一句：数字化只是这一层的入场券，不是通行证。就算接口、数据、权限都齐了，要不要真把关键决策交给 Agent，往往还卡在另一个问题上——出了事谁来负责。那是组织和责任的问题，后面会专门谈；这里只需记住，数字化到位，深度接管也未必就能落地。

一句话概括：AI 对数字化的要求，和交给它的责任成正比——让它"说"，几乎不要求；让它"读懂"，要求中等；让它"替企业动手"，要求最高。

这里还有一层容易被忽略、却值得记住的事实：AI 一边在降低数字化的门槛，一边又在抬高它。

降低的一面，前面已经见到：非结构化的资料也能用，自然语言成了新的接口，不必先学系统怎么操作，直接说话就行。更进一步，AI 甚至能反过来帮企业做数字化——把一堆杂乱的合同、工单、记录读出结构来，整理成规整的字段和标签。过去需要人一条条清理的活，如今可以让模型先做一遍草稿，人再校对。原本是"先把一切结构化，才能开始用"，现在可以"边用边结构化"。

抬高的一面则在另一端：越想让 AI 深度接管核心业务，对数据治理和系统接口的要求就越硬。一个能自动处理退款的 Agent，背后必须有准确的订单数据、稳定的接口、清楚的权限和可追溯的日志；任何一处含糊，它出的错都会直接落到真实业务上。让 AI "说"可以将就，让 AI "动手"将就不得。

把这两面合起来，开头那个误区就能回答了：数字化并不是必须先完成、才能开始搞 AI 的前置关卡。二者完全可以并行，某些时候 AI 还会反过来加速数字化本身。真正成立的说法要精确得多——想让 AI 深度接管核心流程，数字化（尤其是数据治理和系统的接口化）绕不过去；但只想让它"说"、甚至"读懂"，大可不必等地基全部夯平再动手。

对多数企业来说，务实的次序不是"先花两年做数字化，再谈 AI"，而是从最不依赖数字化的那一层切入——先用起来、拿到确定的回报，同时借着具体场景，把该补的数据和接口一点点补上。地基和房子，可以一起长。

## 要点速查

* AI 对数字化的要求不是全有全无，而是随"让 AI 干哪种活"变化，与交给它的责任成正比。
* 三档：让 AI"说"（生成）几乎不要求；"读懂企业自己的东西"（理解）中等，要电子化、可获取（还要管好权威版本与权限），不要求高度结构化；"替企业动手"（Agent）最高，要接口、数据治理、明确规则。
* AI 一边降门槛（非结构化也能用、自然语言即接口、还能帮着做结构化），一边抬门槛（深度接管要可靠数据与接口）。
* 结论：不必先做完数字化才动 AI，二者可并行、甚至互相加速；但要让 AI 深度接管核心流程，数字化绕不过去——而且数字化只是入场券，还得等责任链重新接好（见后文）。

## 给管理者的三步

* 现在：别把"数字化没做好"当成不碰 AI 的理由。先盘出那些"让 AI 说"就能见效、又不触碰核心数据的场景（文案、纪要、初稿），即刻用起来。
* 三个月：挑一两个"让 AI 读懂自家资料"的场景（制度问答、合同检索），用检索增强跑通，顺带摸清自家资料电子化、可获取到什么程度。
* 一年：凡是要让 AI"替企业动手"的场景，提前把对应系统的接口、数据质量、权限和日志补齐——这一步没有捷径，越是高后果的流程越要扎实。


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://doras-dreamland-adventure.gitbook.io/enterprise-ai-transformation/di-yi-bu-fen-ren-zhi-pian/04-dui-shu-zi-hua-de-yi-lai.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.