GPT-6 Astra发布后，企业对AI的热情再次被点燃。
IT部门关心能不能尽快接入，业务部门开始讨论销售、采购、生产和财务智能体，管理层更关心的是：这一次，AI能不能真正进入业务，带来经营结果？
关于面向企业的B端的AGI是否已经到来，行业仍有不同判断。但对企业来说，一个更实际的变化已经发生：AI正在从生成内容，走向调用工具、参与流程和完成多步骤工作。OpenAI对GPT-6 Astra的介绍，也把计算机操作、专业工作和任务执行作为重要能力方向。
不过，当AI只是帮助员工写一份报告时，答案不准确，通常意味着重新修改；当AI开始调用系统、调整计划、发起流程时，对业务理解的偏差，就会引发更大的“灾难”——可能变成交付、库存、成本和现金流问题。
所以，企业现在真正需要考虑的，不只是再买一个更强的模型，而是先回答：
当越来越多AI进入企业，它们理解的究竟是不是同一家公司？
设想一个常见的制造场景。
一家企业突然接到一笔紧急订单，客户要求七天内交付。
销售AI查看客户历史和合作规模后，认为这是重要客户，建议立即接单；供应链AI发现账面库存基本充足，但部分物料已经分配给其他订单，如果临时采购，成本会上升；生产AI计算后认为可以插单，但需要调整排产，并推迟另一批产品交付；财务AI把加急采购、换线损失和延期风险算进去，判断这笔订单的实际利润并不理想。
四个AI都调用了真实数据，也都有自己的理由。可是企业最后必须作出一个整体决定：这笔订单到底接不接？
接受订单，可能保住重要客户，却影响其他交付和利润；拒绝订单，可以维持当前生产安排，也可能错失一段重要的客户关系。
这已经不是某个部门的效率问题，而是需要管理层在收入、利润、交付、风险和长期合作之间作出取舍。
如果只是给每个部门分别配上AI，它们很可能会沿着各部门原有的目标继续优化。销售AI努力争取收入，生产AI追求设备和排产效率，供应链AI保障物料安全，财务AI控制成本。
每个AI都可能是对的，但这些答案放在一起，并不会自动形成企业级决策。
仅基于大模型推断的AI越聪明，这种分歧甚至可能出现得更快。
很多企业遇到这种情况，第 一反应是数据没有打通。但现实中，ERP里有订单和库存，MES里有产线状态，CRM里有客户信息，供应链系统里有采购周期，财务系统里也有成本和预算。
数据并非不存在，只是每个系统记录的都是业务的一部分。
系统显示还有一百件库存，却未必说明其中多少已经被其他订单锁定；CRM将客户标记为“重要”，但没有说明这份重要性是否足以覆盖加急生产带来的损失；生产计划显示设备可以换线，也不代表企业愿意承担由此产生的其他订单延期。
真正影响经营决策的，是数据之间的真实业务关系，以及企业长期形成的取舍原则。
经验丰富的管理者作出判断时，不会只看某一个数字。他还会考虑哪些客户不能轻易失约，哪些产线已经接近风险边界，什么情况下可以牺牲短期利润，以及多大范围的排产调整必须由谁批准。这些内容有的写在制度里，有的存在业务流程中，还有很多留在管理者和业务专家的经验里。
这也是为什么，个人使用AI产生了效率，不等于企业已经形成了AI能力。
麦肯锡2026年的调查显示，80%的受访者认为AI提高了个人生产率，但只有37%的受访者表示AI对所在企业的息税前利润产生了正向影响。个体效率和组织价值之间，仍然隔着业务流程、管理机制和经营责任。
企业真正缺少的，是一张共同的判断底稿。
这张底稿需要说清楚：大家看到的是不是同一组事实，这些事实之间有什么影响，面对冲突时优先保障什么，AI可以建议和执行到哪一步，谁负责批准，以及最终结果能不能回到下一次判断中。
所谓企业认知基础，说到底，就是把这些原本散落在系统、制度和人脑中的判断依据组织起来，让人和AI都能理解、使用和修正。
国内AI公司爱化身科技所构建的Data OS，目标并不是替换企业已有的ERP、MES、CRM、WMS或财务系统，而是在这些系统之上，把分散的业务信息重新组织成AI能够理解的业务世界。
客户、订单、物料、设备和人员，不再只是不同系统里的字段，而是具有状态和业务含义的对象。订单关联客户、物料、产线和交付承诺；设备状态影响产能；采购周期影响交期；客户等级影响资源优先级。
由此，AI看到的不再是一张张彼此割裂的数据表，而是一项决策会在企业内部引发怎样的连锁影响。
Data OS也不止于整理对象和关系。它还把业务动作、执行条件、审批权限和结果反馈纳入同一套语义体系：什么情况下可以建议插单，哪些风险必须提示，谁有权批准排产调整，执行异常时如何停止，整个过程怎样留下记录。
这意味着，原有系统中的信息不再停留在字段和记录层面，而是被放回真实的业务关系中重新理解。客户不只是CRM中的一条记录，还连接着订单、合同、产品和服务；库存不只是ERP里的一个数量，还要说明它对应哪些订单、是否已经被占用、补货周期会不会影响交付；设备不只是MES里的运行状态，还关联着产能、生产任务和维护动作；审批也不再只是一个流程节点，而是明确谁可以在什么条件下采取什么行动，又由谁承担责任。
在这套共同的业务上下文中，销售AI、生产AI、供应链AI和财务AI即使承担不同任务，也能依据同一组业务事实和规则展开分析。它们仍然可以提出不同意见，但这些意见能够放在企业整体目标下进行比较，而不是停留在各部门的局部逻辑里。
Data OS不会替管理层作决定。它所提供的，是一套可理解、可校正、可追溯的判断基础。在重要经营事项上，AI可以汇总信息、分析影响并提出建议，最终仍应由相应责任人确认。
AI辅助判断，人类作出决策。
建设企业认知基础听起来像一项庞大的工程，但可行的起点通常不是先整理全公司的全部数据，也不是一开始就建设一个覆盖所有部门的平台。
企业可以先选择一类经常发生、涉及多个部门、结果可以衡量、责任人也比较清楚的关键决策。比如交期承诺、紧急插单、库存调拨或者设备异常处置。
企业可以先选择一类经常发生、涉及多个部门、结果可以衡量、责任人也比较清楚的关键决策，比如交期承诺、紧急插单、库存调拨或者设备异常处置。
真正的落地路径，更像是从一个决策闭环向外逐步扩展：先围绕一项关键决策，把相关的业务对象、影响关系、判断规则和责任边界梳理清楚；待这项决策能够稳定运行，再连接相邻流程和更多系统，逐步沉淀可以复用的业务能力。当多类决策开始共享同一套业务事实、规则和权限体系，企业才有条件让更多Agent在统一的上下文中协同工作。
这条路径的重点，不是先把平台做大，而是先把一次决策做完整。
以紧急订单为例，*步只需要梳理完成这项决策所必需的内容：涉及哪些客户、订单、物料和产线；数据分别来自哪些系统；它们之间有什么影响；企业过去依据什么作出取舍；AI可以提出哪些建议；哪些动作需要人工批准；最终又通过交付、利润和客户反馈评估结果。
业务专家在实际使用中持续修正这张判断底稿：哪些关系遗漏了，哪些规则发生了变化，哪些特殊情况不能套用常规经验。每一次决策和执行结果再反馈回来，企业留下的就不只是一个AI应用，而是一套能够反复使用、持续完善的业务能力。
当一类关键决策真正跑通，再逐步扩展到相邻流程和更多部门。相比一开始追求“大而全”，这种方式更容易看见价值，也更容易把权限、责任和风险控制在清晰范围内。
未来，先进模型会越来越容易获得。企业之间的差距，很可能不再只是“谁先用上了最新模型”，而是谁能够让AI真正理解自己的客户、流程、资源、风险和经营原则。
如果缺少这层基础，每引入一个新的AI，都要重新连接数据、解释规则、划定权限。部门拥有的AI越多，相互矛盾的答案也可能越多。企业增加了很多智能工具，却没有形成可以共同工作的组织能力。
当企业逐渐建立起自己的认知基础，模型可以更换，应用可以迭代，智能体也可以增加，但企业对自身业务的理解不会因此被推倒重来。每一次决策、执行和反馈，还会继续沉淀为新的组织经验。
所以，当AGI时代加速到来，并不意味着企业停止购买AI，也不意味着等待一个无所不能的模型。
真正需要调整的是投资顺序：先让AI理解同一家公司，再让更多AI进入这家公司。