当前，智能技术加速向各行业渗透，企业对提质增效、降本控险与业务创新的需求同步上升。
然而在不少企业实践中，智能化仍停留在“局部试点、工具叠加”的阶段：在原有系统或工作流中增加智能模块，用以提升检索、识别、统计、质检等单点能力，短期见效但难以形成可持续的结构性变革。
如何从“用上”走向“用好”，并进一步实现以智能驱动的组织重构与模式创新，成为产业界关注的焦点。
在联想创新科技大会上，王立平提出，企业智能化转型已从传统“+智能”升级为“智能+”。
他指出，“+智能”更多是对既有环境的补强，通过判别式能力即可覆盖一部分场景；而“智能+”强调以智能为底座的原生化组织，意味着从理念、方法到流程的整体迭代，最终指向业务模式的再设计与运营方式的重塑。
这一判断折射出企业数智化从“点状改良”迈向“系统再造”的趋势：当智能成为普惠能力，竞争优势将更多来自组织如何把能力转化为稳定产出与持续创新。
从问题看，企业智能化推进面临的核心掣肘之一是数据“可得不可用”。
在现实经营中，数据往往分散在设备、系统与不同部门之间，标准不一、质量参差，既难以统一治理，也难以有效调用。
王立平表示，没有数据就谈不上智能化转型，而不少企业可能有约九成数据无法真正使用。
造成这一局面的原因，既包括历史系统“烟囱式”建设导致的割裂，也包括采集端不足、数据口径不统一、权限与合规要求提高带来的管理复杂性；同时，数据与业务之间缺少可复用的知识表达与规则体系，使得数据难以支撑跨流程、跨部门的协同决策。
从影响看，数据沉睡不仅削弱了智能应用的效果，也使企业在供应链、生产、物流、营销等环节难以形成闭环优化：一方面，局部智能化容易沦为“展示型项目”，看得见却难复制；另一方面，缺少高质量数据与知识体系支撑，企业难以开展更深层的预测、规划与协同，成本控制、风险预警与客户响应速度也会受到限制。
在外部环境不确定性上升、产业链竞争加剧的背景下，这种“数据瓶颈”会进一步放大经营波动，制约长期竞争力。
围绕对策与路径，联想方面提出通过“端—边—云”协同的思路提升数据可用性：以大量端侧设备增强数据采集与实时感知能力，打通从现场到系统的数据链路；通过知识库解决方案与知识图谱等方式，将分散数据沉淀为可理解、可检索、可推理的知识资产，从而提升数据治理效率与业务调用能力。
这种做法的关键，在于把数据治理从“事后清洗”前移到“源头规范”，并通过知识化手段提高跨场景复用能力，减少重复建设与“各做一套”的资源浪费。
会议上还给出了应用案例作为佐证。
王立平以乳业企业伊利为例介绍，联想助其以智能技术重构从牧场到消费端的全价值链，在原奶调配环节实现单吨运输成本显著下降，并将24小时到厂及时率稳定在98%。
从行业特点看，乳业链条长、环节多、对时效与温控要求高，任何环节的波动都可能传导至成本与品质。
通过对全链路数据的持续采集、治理与分析，将生产与物流计划、库存与配送、质量与追溯等关键要素纳入同一套可运营的体系，既有助于降本增效，也有助于提升质量稳定性与风险控制水平。
在前景判断上，智能制造被联想明确为未来重点行业之一。
王立平表示，相较于仅提供建议方案的模式，联想将依托自身智能制造经验，通过“内生外化”方式为客户提供全生命周期服务。
这一表态反映出制造业智能化的下一阶段需求：不仅需要“能落地”的方案，更需要持续运营、持续迭代的能力，包括设备接入、数据治理、模型应用、流程再造、人员培训与组织协同等。
随着制造业向高端化、智能化、绿色化迈进，具备实践经验与工程化交付能力的服务体系，将在帮助企业降低试错成本、加快复制推广方面发挥更大作用。
从"+AI"到"AI+"的理念转变，标志着企业智能化转型进入新的发展阶段。
这一转变不仅体现了技术应用思路的升级，更反映了企业对于人工智能价值认知的深化。
随着更多企业探索"AI+"模式的实践路径，人工智能技术与实体经济的融合将更加紧密，为推动经济高质量发展提供强劲动力。