首页 > 资讯 > 企业的智能体转型(Agentic Transformation),要经历三次跨越

企业的智能体转型(Agentic Transformation),要经历三次跨越

36氪文章 2026-11-19 11:02 5 阅读 查看原文

过去一年,企业部署 AI 的速度,远快于组织真正吸收 AI 的速度。模型持续迭代,智能体调用量不断上升,但多数企业的营收结构、组织效率与决策质量并未同步改写。问题并不在于企业缺少技术热情,而在于它们往往把 AI 当作一层可加装的能力,而非一场必须被经营、被组织化吸收的转型。

从这个意义上说,今天企业面对的,并不是一次单纯的技术升级,而是一场关于组织如何重写自身运行逻辑的管理实验。真正拉开差距的,从来不是谁更早接入模型,而是谁更早意识到:模型可以采购,算力可以租用,甚至流程工具也可以外包;唯独企业如何理解用户、理解自身,并将这种理解沉淀为可调用、可校正、可迁移的智能,不能外包。

AI 时代的生产力悖论,并未自动消失

1987 年,经济学家罗伯特·索洛曾提出著名判断:计算机时代的痕迹无处不在,唯独没有体现在生产率统计中。今天,如果把“计算机”替换为“AI”,这句话依然成立。企业几乎都在讨论 AI,也几乎都在试验 AI,但真正由此带来的组织性收益,仍然罕见。

这并不新鲜。电气化在工业史上也曾经历过类似曲折。19 世纪末,大量工厂已经安装电动机,但生产率的大幅跃升,要等到 20 世纪 20 年代才真正显现。原因在于,多数企业最初只是把蒸汽机驱动替换成电力驱动,却没有同步改写车间布局、工序安排与管理方式。真正释放生产力的,不是“接入电”,而是围绕电重组工厂。

AI 正处在类似时刻。若企业只是把模型嵌入既有岗位,得到的通常只是局部提速;但如果将 AI 视为重构组织分工、判断机制与协同关系的起点,才可能催生一种新的组织智能。换句话说,企业需要跨越的,不是“会不会用 AI”,而是“愿不愿意为了 AI 重新设计自己”。

第一重跨越:先理解人,而不是急于替代人

企业最稀缺的资源,从来不是内容的产出速度,而是对人的理解能力。品牌经理知道哪一句话会让用户停下,销售知道客户在哪一个表达上真正迟疑,产品团队知道一个功能为什么在测试中被喜欢、却在上线后不被使用。这些经验构成了企业真正的判断资产,却长期分散在个体经验与组织惯性之中,难以被复用,更难以被校正。

传统用户研究之所以经常陷入边际递减,原因在于它同时面对三重困难:行为信号并不等于真实意图,全量数据中充满噪音,而多数研究又往往只是为了验证既有假设,而非挑战它。大模型带来的关键变化,并不只是更快生成文本,而是第一次让语言在大规模上变得可读、可计算、可推演。企业因而有机会从“收集反馈”迈向“理解人为何如此反馈”。

特赞基于全球100万真实用户的数据训练了主观世界模型(Subjective World Model),来建模真实的人。主观世界模型对人的理解至少包含四个层次:表达层(Expression),即人说了什么;叙事层(Story),即他为什么这样表述;认知层(Cognition),即其背后的判断逻辑是什么;行为层(Behavior),即这些判断最终是否转化为行动。一个消费者可能公开表达对高价产品的偏好,也能给出一套自洽的理由,但真实购买却落在更低价的选项上。真正有价值的智能,不是把这种矛盾压缩成一个标签,而是能够容纳并解释这种矛盾。

这也是为什么,企业对人的理解不能只建立在抓取数据之上,而必须同时建立在深度访谈、情境观察与真实行为反馈之上。一旦这种能力被系统化,用户研究就不再是一次性项目,而会成为企业持续更新自身判断的机制。管理意义上的第一重跨越,正是在这里发生:企业不再把 AI 看成替代人的工具,而是把它用作理解人的放大器。

更进一步,我们让这种理解人的机制进入人所处的环境。因为理解一个人,不能只看这个人本身——他此刻的反应,往往由他所在的处境决定。

诺贝尔经济学奖与图灵奖得主司马贺(Herbert Simon)提出的有限理性给出了理由:人接收的信息有限,脑力有限,时间也有限,求不到最优解,多数时候只求“够好”。他把人的理性行为比作一把剪刀,一片刃是人的认知能力,另一片是他所处的环境,只磨一片,剪不动东西。所以在特赞的实践中,我们把两件事一起做:主观世界模型模拟一个人具体怎么想,Agentic Research Studio 模拟他所处的环境,以及两者互动的过程——问题怎么提,情境怎么设,正在发生的事件如何影响他,最后回到真人去验证。把人放回对的环境里,两片刃才剪得动。

注:https://atypica.ai/体验 Agentic Research Studio

第二重跨越:企业必须先理解自己

比“理解用户”更难的,往往是“理解企业自己”。许多 AI 项目迟迟无法进入核心业务,并非因为模型能力不足,而是因为企业对自身规则、流程与判断标准的认知仍然模糊。组织并不缺文档,缺的是知道在某一次具体任务中,哪些事实重要、哪些规则优先、哪些判断必须被保留。

这也是知识库与上下文系统之间的根本区别。知识库解决的是“把信息存下来”,上下文系统解决的则是“在当下任务里,让正确的信息进场”。如果企业只是把文档、纪要、流程说明搬进系统,希望模型“记住”一切,最后通常只会得到一个更会复述的机器,而不是一个更会判断的系统。

真正有价值的企业智能,必须沉淀那些难以被写进 SOP、却决定业务质量的隐性知识:什么叫“够好”,什么情况下不能做,什么情况下可以例外,什么信号值得上升为决策依据。企业本体回答的是“这个组织有哪些关键概念、它们如何关联”;企业上下文则回答“在这一次判断中,哪些概念和规则应该被调入”。前者提供稳定结构,后者提供动态调用。缺少任何一端,AI 都无法真正成为组织能力。

因此,第二重跨越并不是“部署更多系统”,而是让企业形成一种对自身的结构性理解,并将这种理解变成可以被调用、被校正、被迁移的资产。不能迁移的,不是企业智能,只是平台租来的便利;不能校正的,也不是企业智能,只是一次偶然有效的结果。

第三重跨越:让智能体进入行动,而非停留在辅助

大多数企业今天已经熟悉一类 AI:它们像助手一样存在,被打开、被提问、被调用时才开始工作。这类系统当然有价值,它们能改善单点效率,减轻重复劳动,并帮助个体完成更高密度的任务。但它们尚未真正改变组织运行方式。

真正的跃迁,来自另一类智能体:它们并非等待人来启动,而是可以长期驻留在后台,围绕时间、事件与目标持续运转,自动读取信号、形成初步判断,并推动下一步行动。前者改善个人生产率,后者重写组织节奏。

这一区别极为关键。因为企业的低效,往往并不来自某一岗位动作太慢,而来自跨部门链路中的等待、转述、对齐与反复确认。当智能体开始接管这些链路中的标准动作——例如信息汇总、初步判断、方案生成与流程推进——组织才第一次有机会压缩那些长期被视为“不可避免”的摩擦成本。人不再需要把大量时间花在机械性衔接上,而可以把注意力集中到取舍、例外与方向校正上。

从管理视角看,智能体的价值不应简单以“替代了多少任务”衡量。若终点只是让人类持续为机器兜底、修正错误,组织的上限依然受制于机器的下限;但如果 AI 先把标准动作做到 70 分,人类就有机会把精力转向问题定义、标准制定与新价值创造。自动化只是开场,真正的组织升级,来自判断权与创造力的重新分配。

最后一关,不是技术,而是主权

当企业开始围绕智能体重组流程,一个更深层的问题就无法回避:这些逐渐长出来的智能,究竟属于谁。

这不是抽象的哲学问题,而是一个极其现实的经营问题。企业级智能至少涉及六项权利:如何定义客户与自身,如何掌握数据与行为轨迹,如何决定智能体能读取什么、何时交还给人,如何界定“什么算好”“什么不能做”,如何修正过时结论,以及在平台变化时,是否能够整体迁移自身的记忆与能力。

从这个角度看,企业级 AI 绝不只是把一个模型接口接入业务系统。真正重要的,是在模型之上构建一层属于企业自己的容器:包括场景化的训练与调优、可持续维护的上下文系统、约束行动边界的治理机制,以及把经验回写为组织资产的学习闭环。模型会涨价,会换接口,也可能停止服务;但企业不能把自己的判断能力,一并租出去。

所以,主权表面上看是技术架构问题,实质上却是管理权与经营权问题。企业当然不必事事自研,但必须清楚区分:哪些能力可以采购,哪些能力必须拥有产权。正如建造房屋时可以外包施工,却不会连产权一起外包。AI 时代的企业竞争,最终比拼的不是谁连接了更多外部能力,而是谁保住了自身智能的所有权。

给管理者的五个建议

第一,不要从“哪里可以用 AI”出发,而要从“AI 能让我们做成什么过去做不到的事”出发。好的 AI 项目,不只是把既有流程做得更快,还应该让企业有能力服务过去无法覆盖的用户、处理过去难以承受的复杂度,或完成过去因成本过高而放弃的任务。立项时,管理者应先明确希望创造什么新的业务可能,再讨论模型、工具与预算。否则,技术再先进,项目也很容易停留在局部提效。

第二,在扩大智能体规模之前,先建立对用户和企业自身的共同认知。智能体要做出可靠判断,既要理解外部世界——用户是谁、为何选择、如何行动;也要理解内部世界——企业如何定义概念、调用知识、执行规则与处理例外。管理者应先把这两类认知沉淀为可调用、可更新的上下文,再扩大应用范围。缺少共同认知,智能体越多,产生的往往不是协同,而是更多彼此冲突的答案。

第三,把“什么算好”的定义权掌握在企业自己手中。模型可以由外部提供,评价标准不能随之交出去。什么结果可以直接采用,什么情况必须拒绝,何时需要人工介入,出现偏差后如何修正,都应由业务负责人明确,并通过真实反馈持续更新。管理者不必审核每一次输出,但必须对标准、边界和升级机制负责,因为这些才是企业长期形成判断力的基础。

第四,可以从 Copilot 起步,但要按端到端结果重构工作流。单点助手适合验证价值、积累信任,却不应成为转型的终点。管理者需要沿着一项业务结果,找出跨部门链路中的等待、转述、对齐和反复确认,再决定哪些标准动作交给智能体,哪些判断与例外留给人。衡量成效时,也应观察整体周期、结果质量和转化,而不只是某个岗位节省了多少时间。

第五,把可迁移性纳入日常治理,而不是留到更换供应商时再检查。企业应定期做一次压力测试:如果明天更换底层模型或平台,用户洞察、企业上下文、评价标准、行为轨迹和工作流能否完整迁移,需要多久恢复运行。能够被导出、解释和复用的能力,才会沉淀为企业资产;只能留在某个平台里的能力,仍然只是租来的便利。可迁移时间越短,企业对自身智能的主权就越强。

AI 转型不会因为企业多部署几个智能体就自动发生。它真正发生在企业搭起一座桥的时刻:把…用户的理解、对自身的理解,转化为组织能够日常调用、持续加厚并不断校正的能力。到那时,人的位置不会被削弱,反而会被抬高——从为某一职能负责,转向为最终结果负责;从完成动作,转向设定标准、修正方向。

模型可以租,智能只能自己长。

本文来自微信公众号“复旦商业知识”(ID:BKfudan),作者:范凌,36氪经授权发布。