同一业务诉求，两种服务结果
周一早上，一位工程师问企业 AI：加班怎么申请？
第一种回答，直接回复《考勤管理制度》的原文，措辞严谨、来源清晰。全部读完，他还是要自己打开审批系统、找到入口、判断这个月还剩几次补卡机会。他确实“问到”了，但活儿还得自己干。
第二种回答只有一句话：“加班要在企业微信「工作台 → 审批 → 加班申请」里事先提交；若加班忘打卡需要补卡，这周已经补过两次卡，本月还剩一次机会。要不要我现在就把申请单填好，你确认后再提交？”
这两种回答之间的差距，不是模型能力的差距，而是这家企业有没有把知识、数据、权限、执行体接成一条链的差距。
过去两年我们见过太多企业：采购了大模型、建了向量库、开了智能体平台，最后 AI 停在“更聪明的搜索框”上。问答只是入口，办事才有价值。
企业 AI 落地三类典型困境
这三步，我们见过不少企业挨个走了一遍。
第一步，只喂了文档。知识库做成了文档仓库，员工问制度确实能答，可制度里那句“找张三确认”，还得他自己去找。答得对，办不了事。
第二步，只连了数据。BI 接了、数据库也接了，AI 回答了数据，可没人敢用——这个数从哪张表来、口径对不对、自己有没有权限看，都说不清。
第三步，只做个助手。一两个人用得很溜，效率提升全留在个人身上。业务流程、岗位职责、协作方式一点没动，人一走，一切回到原样。
三步走完，问题才露出来：AI 被当成一个功能接进来，而不是当成一种劳动力组织起来。
企业 AI 落地四层能力架构
我们把企业 AI 落地拆成四层，缺一层都跑不通：
最底下是模型底座，能力来源，但底座本身不产生业务价值。真正拉开差距的是中间两层，它们解决的是两件不同的事：知识增强把企业过去的沉淀（制度、流程、项目经验、技术资料）变成 AI 可信、可溯源的依据，管的是过去；数据通路把业务数据库（OA、CRM、财务、ERP 等）的实时数据以工具化方式接给 AI，管的是此刻的事实，而不是去年的年报。最上面是执行体，也就是数字员工与数字助理，真正干活的那双手，有岗位职责、有权限边界、有生命周期、有绩效。
前两层决定 AI 说得准不准，第三层决定它知不知道现在，第四层决定它能不能替你把事办完。权限不是第五层，而是贯穿四层的那把尺。
华微通：会说，也会做的数字员工
我们自己先用。华微通是基于 weiMates 数字员工平台构建的企业级 AI 办公助手，能力分两类。
一类会说，会问知识、会查数据。会问知识，依托 weiBots 企业知识库，答公司信息、规章制度、研发流程、项目资料；会查数据，打通业务数据库（OA、CRM、财务、ERP 等），在权限范围内查询与统计实时业务数据。
一类会做，会写报告、会办事。会写报告，把知识与数据组织成可用的交付物；会办事，填表、评估资质、出方案，交付到可提交状态。
安全侧同样是设计出来的：功能权限、行级数据、内容可见性三层内建，敏感字段自动脱敏，全程可审计。weiMates 已通过中国信通院智能体安全能力测评。
从「问答」到「办事」，从「助手」到「数字员工」。
四问自检
判断你的企业 AI 走到哪一步，问四个问题就够了：
1. 它能说出此刻的数字吗？（数据通路）
2. 它能替你提交一件事吗？（执行体）
3. 越权的时候，它拦得住吗？（权限边界）
4. 它的回答能溯源到制度或报表吗？（知识增强）
四项全部打勾，你才真正拥有了一支数字员工团队；哪一项打不上，就是那一层还空着。
