本报告基于截至 2026-07-13 的公开资料，用于企业经营观察，不构成采购建议、合规认证或针对某家企业的实施方案。

周一经营会前，管理层收到一份由 AI 整理的销售预测。报告结构清楚，也给出了下一步建议。会议正准备据此调整预算时，有人问：它读取的是哪个版本的订单数据？谁检查过被合并的销售备注？如果建议错了，谁可以立即暂停后续动作？

会议室安静下来。没有人能完整回答。

这类场景不表示 AI 没有价值。它说明企业已经从“能不能生成一份像样的结果”，走到了更难的一步：这份结果能否进入真实工作，能否被复核，出了问题能否停下来。

先说结论

当 AI 只帮助个人查资料、写初稿时，使用者通常还能自行检查结果。可是一旦它开始影响客户沟通、经营预测、资源分配或系统记录，模型表现只是起点。企业还需要回答三组问题：谁承担结果，数据能否追溯，AI 的输出如何变成行动。

本文把它们称为责任链、数据链和决策链。三条链不要求企业增加一套沉重制度。它们帮助管理者看清三种情况：哪些工作可以放心加速？哪些工作应该缩小范围？哪些工作在扩大权限前还缺少基本条件？

对管理层而言，这不是技术部门的独立事项。业务负责人要定义可接受的结果，数据和技术团队要说明系统如何得到结果，最终决策者要决定何时采用、何时拒绝。任何一方缺席，讨论都容易停留在模型表现，而没有触及经营后果。

为什么现在需要讨论这件事

企业使用 AI 的速度很快，进入正式工作流的速度却慢得多。Stanford 2026 AI Index 汇总的调查显示，2025 年已有 88% 的受访组织在至少一个业务职能使用 AI，但 AI 代理在多数职能中的部署仍处于个位数。该数据是调查结果，不代表全部企业。

McKinsey 2025 全球调查显示，约三分之一的受访企业开始在全组织扩大 AI 使用，39% 报告了任何程度的企业级息税前利润影响。这里的“使用”“扩大使用”和“产生利润影响”是不同指标，不能互相替代。

区域市场也出现相似信号。香港生产力促进局 2025 年调查覆盖约 800 家香港企业：88% 报告员工使用 AI，92% 计划把 AI 引入工作流；在采用认可平台的企业中，54% 尚未建立完整或持续的治理安排。这些比例回答不同问题，不能合并成一项成熟度指标。

新加坡资讯通信媒体发展局报告显示，2024 年中小企业 AI 采用率为 14.5%，非中小企业为 62.5%。采用 AI 的企业还把员工技能提升、岗位重设计和 IT/数据基础设施列为下一阶段议题。该数据只描述新加坡企业，不能直接外推到其他市场。

这些调查采用不同样本、问题和统计口径，不能相加成为一个“全球缺口率”。它们共同支持的只是一个方向性判断：工具进入企业的速度，可能快于工作流和责任安排的调整速度。

三条链分别解决什么问题

图 1：三条链如何汇合成可追溯的行动 三条链围绕同一个业务任务工作，共同决定 AI 输出能否安全地进入行动。该图是诊断语言，不是认证标准。
01真实业务任务

先明确 AI 输出将影响哪个具体工作。

02责任链

谁接受结果，谁拥有停止权。

03数据链

记录来源、转换、定义与版本。

04决策链

定义复核、行动条件和回退。

05共同工作

三条链需要在同一任务上汇合。

06有权者确认

满足条件后，由有权者作最终判断。

07进入行动

行动可追溯，也能够被停止。

08条件不足

补证据、缩小权限或暂停使用。

责任链：谁对结果负责，谁有权叫停

责任链不是在文件上写一个负责人姓名。它至少要让团队知道：谁提出任务，谁允许 AI 读取或写入业务系统，谁接受最终业务结果，出现例外时由谁处理，谁可以暂停系统。

如果每个人都能从速度中受益，却没有人承担错误结果，风险往往会被推给最后复核的人，或者留到事故发生后再解释。负责人有名无权，同样不能形成有效责任。

数据链：这个判断用了什么数据

数据链要回答的不是“报告有没有列来源”，而是“这个结果能不能被重新做一遍”。管理者需要知道数据来自哪里，经过哪些合并或转换，使用了哪个指标定义和版本，数据是否足够新，以及它是否获准用于当前任务。

来源真实不等于结论正确。旧版本、错误口径、缺失字段或未经允许的数据，都可能让一份表达流畅的报告产生错误判断。

决策链：AI 的输出在哪一步变成行动

AI 可以提供草稿、提示或建议，但这些输出只有经过复核、达到证据要求，并由有权的人确认后，才应该进入行动。决策链还要说明：什么情况需要升级处理，什么情况应退回人工，什么情况必须停止，以及错误如何被记录和修正。

“有人看过”并不等于有效复核。如果复核者没有上下文、没有时间，也不能拒绝系统建议，人工检查可能只剩一次形式上的点击。

一个具体例子：AI 生成月度销售预测

假设企业让 AI 汇总客户关系管理系统中的商机记录、订单数据和销售团队备注，生成下月销售预测。这不是现实客户案例，只用于说明三条链如何共同工作。

责任链先确认：销售负责人拥有预测结果，数据团队处理口径问题，财务团队决定预测能否进入预算讨论；任何一方发现重大异常，都能要求暂停使用。

数据链记录：本次预测读取了哪些数据表、截止到哪一天、采用哪个“有效商机”定义、做过哪些转换。这样，预测发生偏差时，团队能够回到具体数据和口径，而不是只追问模型为什么答错。

决策链规定：AI 生成的预测只能作为初稿；当关键数据缺失、与财务记录冲突或出现异常波动时，必须交回人工复核。管理层确认后，它才进入预算和资源安排。

如果缺少其中一条，问题会很快出现。有人负责却无法还原数据，负责人只能为看不见的过程背书；数据记录完整却没有行动边界，建议可能未经充分复核就进入预算；审批存在却没有暂停和修正办法，错误仍会沿着流程继续放大。

控制多少，取决于后果有多大

只用于内部初稿、且由熟悉业务的人完整复核的 AI 助手，可以采用较轻的控制。即使 AI 不能写入系统，只要它会影响经营指标或预测，数据版本和最终判断人就已经重要。若 AI 能修改客户记录、发送外部信息或触发财务动作，则需要更清楚的权限、复核、留痕、事故处理和回退安排。

图 2：后果越大，控制越需要具体 这不是升级路线或监管分类。不同任务可以停留在不同层级；低后果、易撤回的任务可以保持轻量控制。
01内部初稿

低后果、容易撤回。

02轻量控制

披露来源，由熟悉业务的人完整复核。

03经营指标或预测

输出开始影响管理判断。

04确认判断基础

确认数据版本和最终判断人。

05写入业务系统

输出开始改变业务记录。

06系统控制

明确权限、留痕与回退。

07外部或财务行动

后果更大，影响范围更广。

08行动控制

明确确认、停止与通知办法。

控制也可能过度。低后果、容易撤回的任务如果层层审批，员工可能绕过正式流程，企业同时失去效率和可见性。因此，管理强度应随着业务后果、系统权限、可撤回程度和过程可追踪性调整。

用六个问题检查一个真实工作流

选择一个已经使用 AI 的工作流，用 30 分钟请业务、数据和技术负责人共同回答：

  1. 谁接受最终业务结果，谁可以停止流程？
  2. 系统读取和转换过的数据，能否被重新还原？
  3. 本次判断使用了哪个指标定义和数据版本？
  4. AI 输出在哪一步获得行动权，由谁确认？
  5. 例外、近失误和人工改写有没有留下记录？
  6. 错误被发现后，团队能否暂停、修正并通知受影响的人？

这不是成熟度评分，也不是合规检查。若其中几项无法回答，最稳妥的处理通常是先缩小权限、补足证据或明确负责人，再决定是否扩大使用。

一个小而可逆的下一步

不要从“全面建设 AI 治理体系”开始。先选一个高频、过程可见、后果明确的工作流，把参与者、数据来路、复核位置、行动条件和停止办法画在同一页上。

随后观察几项简单变化：处理时间是否下降，返工和例外是否增加，人工复核是否成为新的堵点，发生问题时能否快速退回原流程。链条清楚且价值继续出现，才有理由扩大范围；链条清楚但价值没有改善，应重新检查工作流选择；链条无法还原，则不宜先扩大 AI 的行动权限。

证据边界与更新触发

本文基于公开调查、官方风险管理框架和管理机制推断。现有材料支持“AI 采用快于部分企业的流程调整”这一方向。这不证明责任链、数据链和决策链是所有企业的主要瓶颈，也不证明增加治理投入必然带来财务回报。

目前仍缺少企业一手的工作流复盘、生产事件样本和目标读者访谈。模型质量、系统整合成本、人才和变革管理也可能是更主要的限制。已有的身份权限、数据治理和流程控制，在一些企业中可能已经覆盖了三条链的大部分需求。若后续案例显示，链条完整的项目仍普遍失败，或轻量控制能持续产生价值，本文判断应相应降低。

公开来源已于 2026 年 7 月 13 日重新核对。IMDA 2026 年发布的 Building AI-Ready Enterprises 被保留为后续更新触发点；本文不据此增加新的因果或全球市场结论。若主要来源、调查口径或链接状态发生变化，报告应重新审阅。

本文不是采购建议、合规认证或针对某家企业的实施方案。

参考资料