昨天上午我在线上全程参加了2026金蝶国际中期业绩发布会。
金蝶今年上半年的业绩亮眼：集团收入、订阅收入、订阅ARR等营收指标都保持了双位数百分比增长，跟去年同期相比增速加快；公司经营毛利率增长了2.1个百分点，达到67.7%，上半年归属母公司股东的净利润是5450万元，去年同期是亏损9770万元，经调整利润是1.16亿元，去年同期是亏损5000多万元，多年来首次实现中期盈利；而AI原生产品包括灵基、金蝶AI套件等，收入为2.96亿元，同比增长189%。
抛开这些结结实实证明金蝶经营向好的财务结果，我对发布会上，金蝶产品专家演示的金蝶企业智能体操作系统——金蝶灵基，处理一家大型企业的订单排产，产生了浓厚兴趣。
我最近已经多次看到金蝶的产品专家演示这种基于大模型智能体的供应链计划方案，我认为这个产品显示了金蝶等中国公司抓住新一轮人工智能技术带来的企业管理软件升级换代机会，正在实现对欧美同行的赶超。因为在过去，中国企业管理软件和欧美同行在分析优化应用上存在着代际差距，而大模型智能体让这个差距在快速缩小，
企业管理软件解决企业运营数字化的三方面问题：1，信息记录，2，分析洞察，3，行动执行，分别对应着三类信息系统：ERP等记录系统（system of records），数据仓库和决策智能系统（System of insight）以及业务流程编排和用户交互系统（system of actions）。
中国管理软件行业和国外相比，记录系统和流程系统都已经差不多在一个水平上，参见 大型企业ERP国产化替代观察（二）｜ 技术新生 最主要的应用差距是在第二类。
在企业里，数据驱动决策有三类场景：
战略层：例如新产品立项、产线投资
战术层：例如产销协同计划（S&OP）
执行层：每个销售订单的信用检查、需求的多工厂排产等
这三层决策的时间跨度、决策关键性、可解释性要求等有所不同，但都需要分析型信息系统提供预测、优化和风险判断，充分利用企业已有数据和信息记录，并驱动后续任务执行。
欧美企业软件行业在数据分析和决策智能上已经有四十年的历史：90年代初，数据仓库和分析型应用开始从记录型系统中独立出来；90年代末到2000年前后，基于统计学和运筹学的预测、优化类企业软件成熟，并与ERP、数据仓库集成，代表性的是SAS、i2、Manugistics等厂商；到2010年前后，随着大数据技术发展，机器学习把这类软件产品带入了新的技术代际，厂商也经过了一轮洗牌。
中国企业管理软件行业从2000年前后发展起来，主战场始终是ERP、CRM这类记录型系统，近年来随着架构现代化，充分发展了业务执行能力，然而，分析型软件长期是中国市场的边缘品类，国内头部厂商基本没有像样的解决方案，独立公司也很难做大，形成了和欧美厂商的代际差。这个代际差是由四个原因导致：
一：数据积累和流程规范
分析型系统是构建在记录型系统之上的应用：没有高质量、覆盖全业务流程的数据，预测和优化模型就没有原料。中国企业大规模普及ERP，比欧美晚了十多年，同时，中国工业化进程压缩在几十年内完成，很多企业的业务流程意识和操作规范性还没有跟上系统建设的速度，即便信息系统已经上线，数据本身的质量也成问题，所以直到今天，“数据治理”还是很多企业老生常谈的话题。
二：企业应用导向
中国在统计学、运筹学、机器学习等高级分析技术并非绝对落后于欧美，实际上，中国互联网公司的推荐系统、广告竞价以及金融机构的量化交易等场景里，机器学习应用从未落后，某些超大规模场景甚至走在世界前列——问题不出在数学人才或算法能力上。
真正的缺口在于技术能力有没有导向企业管理场景。美国的决策优化型软件从诞生起就和产业需求深度绑定：运筹学在二战后从军事后勤直接转移到企业界，零售业库存的预测和补货，航空业的票价定价、机组排班等，都有活跃的解决方案厂商，形成了企业需求、学术工具、产品化公司的良性互动。
而中国的情况是，顶尖的应用数学人才大多数被互联网大厂的流量运营、广告投放和金融科技吸走了——那里数据规模大、变现速度快、决策链条里的人普遍懂技术、愿意为应用效果投资。而传统制造业、零售业里的供应链管理这类场景，投入产出不直观、支出决策者往往不理解算法在做什么，人才和资本自然不愿意往这里流动。所以准确地说，这是中国特有的技术资源配置问题。
今天我国推进AI有个口号叫“AI做进场景里”，就是要解决技术的产业转化问题。
三：软件公司生长环境
预测优化系统要在企业内用好，需要好几年的漫长时间打磨，包括修正算法模型、优化业务流程、改进数据质量等，用户需要时间才能建立起对算法的信任，愿意把决策权部分交给系统。因而，这类系统建设投资大、实施时间长、见效慢。
中国企业软件市场长期由低价竞争加定制化人力外包的打法主导，不是为标准化产品和算法资产付费，企业方为软件的付费意愿低，风险资本方面偏好能快速起量、具有网络效应的产品方向，这样的市场环境使得中国预测优化软件发展先天不足。
四：企业应用的内外部环境
中国企业的管理者习惯了依赖经验和关系做临场决策，组织内部的默认管理信念是“计划没有变化快”。这个信念压低了企业对分析软件的投入意愿，形成工具不成熟和依赖经验决策之间的恶性循环。
把企业用不好计划系统归咎于数据基础、人才能力、商业环境这些客观原因，等企业数字化基础变好了，差距自然会补上。但改变组织行为不是这样的——它需要外部力量主动打破，比如出现足够好用、能快速交付可验证结果的产品，或者出现足够有说服力的成功案例。
这几个因素交互作用,使得技术突破很难扭转中国管理软件领域里决策优化类应用发展薄弱局面——机器学习技术尽管在互联网公司应用普遍，但是没有自动带来企业软件的繁荣，除非人才和资本开始向这个方向聚集，商业模式支撑得起长周期的产品打磨，企业也真正愿意在决策习惯上做出改变。
然而大模型人工智能发展形成了改变这个格局最重要的变量，它改变了决策优化类企业软件的应用范式。我在金蝶过去半年的多次城市论坛，例如上个月在南昌看到的：
以及这次2026年半年报会上的系统演示，我都看到了这种新范式。
过去决策优化软件的架构是引擎和模型“做死”在一起的，例如金蝶演示的这类供应链计划系统的产销平衡场景，背后的运筹学或统计学模型是厂商的算法专家针对特定行业、业务场景手工调校出来的，开发周期一般为几周到几个月，业务规则或者业务环境变化，模型就跟着要重新开发。
而基于大模型的智能体式决策优化范式，把这两层拆开了——底层的求解引擎（无论是运筹学求解器还是机器学习运行时）变成一个通用能力，上层交给智能体：智能体和业务人员对话，探索业务人员提供的业务数据，理解具体的约束和目标，再由大语言模型把这个理解翻译成一段可执行的模型脚本，基于人员提供的决策目标和上下文数据，交给引擎去算，把洞察结果送回给人，甚至直接触发采购、生产、发货等业务行动，用自动化工作流完成，这样就形成了“记录—分析—洞察—行动”的闭环。
这实际上是大模型智能体把过去需要人工完成“问题分析—建模—生成代码—求解—验证”这条链路，实现了端到端自动化，因而是决策优化的范式转变，算法工程师创建模型正在被智能体生成、引擎执行所取代，这就极大降低了对人才的依赖、降低了开发成本和实施复杂度，参见 大模型不直接处理数据——决策智能及企业分析型应用的智能体化 企业管理软件新跑道 ｜ 决策智能平台
前面说的四大因素，尽管没有完全解决，但是消解了一大部分，这使得金蝶等中国企业软件公司，不必遵循决策优化类软件产品发展的旧路，而是可以利用全新技术范式，实现对欧美同行的弯道超越。
人才与产业转化：过去中国决策优化软件长不大的核心原因之一，是能把业务问题翻译成数学模型的人才，被互联网大厂用更高的薪酬和更大的数据规模虹吸走了，传统企业决策场景招不到人、也养不起团队。新范式的意义在于把此前依赖稀缺人才的环节，变成了智能体可以承担大部分工作的标准化流程——业务专家不需要先变成运筹学专家，只需要能把业务逻辑讲清楚，智能体负责把这段话变成可执行的模型代码。
商业模式：由于新范式极大缩短了实施周期，并且能自我学习、持续迭代，客户能更快看到结果，给中国市场提供比传统软件许可证模式更适配中国付费文化的路径。
组织行为： 如果智能体决策能让跟着业务动态而实时调整，作为企业决策者参谋角色的“数字化员工”，这某种程度上能改变对系统计划的质疑。但这需要重塑人类和AI协作的工作模式，事实上，由于大模型AI本身的技术限制，人类对AI的信任还未完全建立，如何降低AI幻觉、提升分析性能，又是新的技术挑战。
数据基础：智能体能处理比传统数据仓库更复杂、更异构的数据——报表、聊天记录、非结构化文本，都可能被拿来当探索素材，但如果业务数据从一开始就没有被系统性地记录下来，再聪明的智能体也无法凭空生成洞察。新范式能处理“脏数据”，处理不了“没有数据”。
我这里说到超越国外同行，实际上国外公司并没有停下技术转型的脚步，欧美分析优化软件厂商并非没有采用我说的这套新范式，这是可以直接叠加在他们已有的求解引擎、行业模板和客户关系之上的增量能力。
然而对金蝶等中国弯道超车的机会是：运筹学求解器早就因为开源化而不再是壁垒，行业的壁垒整体在往数据接入能力、领域知识沉淀、以及对模型输出的验证信任机制上转移。这三样东西，中国和欧美厂商目前都没有现成的答案，谁也不比谁天然领先。
这一点上，中国确实有超越欧美市场的优势：
一是中国在千行百业的供应链复杂度和变化速度，在新能源、半导体、跨境电商等领域更是全球领先的，中国目前是全世界产业门类最全的国家，从金蝶发布的客户名单来看，中国有着比欧美优越的检验新范式的试验场
二是中国有一批成本足够低、性能已经追平主流水平的开源大模型，降低了搭建并应用智能体的门槛；
三是中国工程团队在把新技术快速产品化、快速迭代上一直有速度优势。
尽管金蝶在传统企业软件和SaaS领域中已经连续取得了令人称赞的转型成就，在AI转型路上，“雄关漫道真如铁，而今迈步从头越”；从我观察到的这些AI智能体解决方案，金蝶已经走在符合技术发展规律、值得用户期待的路上，我相信金蝶创始人、CEO徐总说的：
2030年用AI再造一个金蝶
徐少春，公众号：徐少春个人号金蝶连续盈利后，我想讲三件事
是一个可以实现的目标。