AI-NATIVE ORG · ARCHITECT

莫祥云Aaron

企业级 AI 操作系统 AI 原生组织

为 AI 原生组织搭建底层架构 → AI 主导执行,人回归创新创造 → 生产力指数级释放

30+
企业转型
9
解决方案架构
7年
深耕AI
ABOUT

我做什么

交付企业级 AI 操作系统。为 AI 原生组织搭建底层架构,让人机协同循环进化为 AI 自动工作循环,把人从执行中释放出来去做创新与创造,最终让生产力指数级释放。

探索方向

研究 AI 原生组织的形成条件:操作系统作为底层变量,如何改变组织形态与人机分工。

AI原生组织底层架构人机分工
核心能力

交付企业级 AI 操作系统。打通数据、流程、工具,让 AI 嵌入工作流、长在组织上。

AI操作系统长在组织上AI嵌入工作流
服务场景

营销、内容、组织三大领域,9 大场景架构,30+ 企业已跑通协同与自动化,向原生演进。

营销增长内容运营组织管理
我的故事
// AI ORG TRAJECTORY · 2019 — 至今
主线:用 AI 推动组织进化
2023 — 至今 NOW · 主舞台
连续 AI 创业

把大平台 AI 实验转化为可复制的组织转型方法论

智能体
研发落地

聚焦 AI 落地赛道,研发智能客服、社媒运营等智能体,服务中小企业经营提效。

30+
企业 AI 组织转型

通过培训与咨询,助力 30+ 企业客户完成 AI 组织转型,覆盖电商、媒体、公关、物流等多行业。

多行业
AI 解决方案沉淀

沉淀电商、媒体、公关、物流等行业 AI 解决方案,形成可复制的方法论资产。

智能体研发 AI 组织转型 行业方案 企业培训
2019 — 2023 AI 主线起点
阿里云政企事业部

以政务场景为试验田,沉淀可复用的 AI 落地能力

01
场景切入

负责浙江政务 2.0 产品运营,助力浙江政府拿下国考 No.1——先在高复杂度政企场景里站稳脚跟。

02
AI 产品矩阵

转向 AI 产品方向,依次主导政策智能平台、营商智能引擎、政务大模型,从规则智能走向大模型智能。

03
能力沉淀

参与国内首次大模型测试国家标准制定;推动政务智能方案在 6 城落地——把政务场景变成个人 AI 方法论的练兵场。

政务大模型 国标制定 6 城落地 政策智能平台 营商智能引擎 国考 No.1

→ 政务场景的高复杂度与强合规要求,成为后续 AI 组织转型方法论的实战底座

// 综合能力基底 · 2012 — 2017 · 跨越政企商三侧的实操功底
组织管理
2014-17 · 农村淘宝 · 渠道运营

建设并管理 3 省十余城县域运营中心,组织本地团队与商户网络,连续斩获全国 500+ 县域运营冠军。

中小企业服务
2013-14 · 阿里 ICBU · 商圈运营

组建商圈与游学活动,推动中小外贸企业数字化转型,理解中小企业经营痛点与组织变革路径。

政府关系运营
2014-17 · 农村淘宝 · 政企合作

与各地政府合作建设淘宝运营中心,打通政企协作链路——后延伸至政务 2.0 与政务大模型落地。

商业化能力
2012-13 · 百度 · 售前主管

为客户设计搜索引擎与网盟推广方案,从策略到交付带动业务增长——商业化与售前全流程起点。

→ 这四项能力在 2019 年后全部注入 AI 业务,构成 AI 组织转型方法论的真实底座
阿里 10 年(数字化 → 移动增长)→ 7 年深耕 AI(政务 AI → 连续 AI 创业,30+ 企业组织转型)|主线:用 AI 推动组织进化
机会洞察
+

我正在关注的 AI 与组织变革交叉机会点,涉及市场空白、技术红利与商业模式创新。输入密码查看完整洞察。

密码错误,请重试
01给企业做 AI 操作系统+

市面上的 AI 产品太多了。通用 AI、垂直 AI、工具 AI,用户挑得眼花缭乱。但我判断,未来每个人只需要一个最懂他的 AI 就够了——能调用全世界开放的 AI 能力为其服务。企业也是一样。

月之暗面开放 Kimi K3 权重,阿里预告 Qwen3.8 开源,模型层供给已经不缺了。但企业要的不是又一个模型,是把这些能力编进自己流程的调度层。国内 Agent 赛道 7 月融资密集,资本投的不再是模型,是编排层。

所以我在做的事不是再做一个 AI 工具,是给企业搭一个操作系统——统一调度模型、数据、工具、流程,让 AI 嵌入工作流、长在组织上。
AI操作系统编排层企业自有
02行业化 AI 解决方案+

千行百业都可以被 AI 重做一遍。但重做不是目的,跑通才是。关键是找准切入点,打标杆,沉淀可复用的行业能力,再推规模。

我从一些蛛丝马迹里看到了趋势:中国建材从水泥工厂的生产闭环控制切入,做成"晓妙"产业大模型,已经复制到 100 多家工厂;中冶赛迪从钢铁视觉质检单点切入,延伸到冶金全流程视觉平台。这不是孤例,是从一个场景跑通、沉淀成行业方案、再规模复制的信号。

但大部分企业的 AI 战略和运营还没对上——缺口就是机会。

我把行业落地拆成四个要素:行业 AI 能力 + 行业专家 + 行业资源 + 行业资本,缺一不可。

这不是横向铺工具,是"打标杆 → 沉淀能力 → 规模复制"的飞轮。谁先把行业能力产品化,谁就占先。
行业标杆能力沉淀规模复制
03AI 原生的业务组织+

AI 能极大释放生产势能,但成功企业反而是最难改的。优势积累得越多,组织架构越稳定,AI 改造阻力越大。

我接触的不少企业都有这个"转型悖论"——员工愿意试,但组织的指标、激励、管理规范还在强化旧的工作方式。中欧国际工商学院今年的白皮书也说了,管理者角色要从指挥执行转向设计人机分工。

所以我判断,硬改老组织不是最优解。更好的路径是曲线救国——和有行业积累的企业高层单独孵化一个 AI 原生的新组织。有调研显示,六成高管预计 AI 会重塑岗位而不是砍人,员工规模还会涨。新组织有人才基础。

成熟企业的行业积累——客户、数据、流程——加上 AI 原生架构,比纯创业公司有 know-how,比老企业有组织敏捷性。

跑通了再反哺母体。这不是改造,是新建。
曲线救国组织孵化人机分工
04下沉市场 · 卡 token 分发权+

AI 市场看起来火热,但真正用起来的人还很少。我判断超过 70% 的人还没有真正使用过 AI。规模化的瓶颈不在产品技术,在应用普及。谁把这些人转化了,谁就卡住 C 端 token 分发权。

GPT-5.6、Kimi K3、Qwen3.8,模型能力已经充裕,开源权重供给饱和。技术不是门槛了。门槛在"用不会、不敢用、用不起"的三重门。

移动互联网爆发期,OPPO、vivo、拼多多靠的是渠道下沉和地推体系,把早期大众转化了。AI 的早期大众转化逻辑一样——谁借现有的市场、渠道、地推体系把用户转化了,谁就拥有未来的 token 红利。

但光转化用户不够,还要卡住生态位。单个产品解决不了早期大众的全部需求,得借助生态体系——把模型、工具、场景、服务串成一张网,让用户进来就有现成的解决方案可用,而不是自己拼积木。谁能把生态搭起来,谁就卡住了分发节点。微信靠社交卡住了移动生态位,抖音靠内容卡住了流量生态位。AI 下沉市场的生态位,现在还没人卡住。

C 端 token 分发权的终局:把 70% 的未用户转化进来,再用生态体系卡住分发节点。不是做更深的技术,是做更广的普及。
渠道下沉生态位token红利
05窄专岗位 · 卡职业 Agent 入口+

还有一类早期大众被忽略了——窄专岗位的从业者。律师没用 AI 做合同审查,会计没用 AI 做费用审核,采购没用 AI 做询价比价。不是没有 AI,是这些岗位还没被转化。谁转化了他们,谁就卡住职业 Agent 入口。

这和行业化是两个维度。行业化是按钢铁、医疗、制造切,职业化是按律师、会计、采购切。一个行业里有多个岗位,一个岗位跨多个行业。正交的,不冲突。

这类人群有刚需——合同审查、费用审核、询价比价每天都在做;有付费意愿——省下的时间直接变成钱;有岗位壁垒——通用 AI 进不来,得懂岗位术语、岗位规则、岗位流程。

转化他们的不是渠道地推,是场景。得把 AI 做成他们日常工作流里的一环,不是多一个工具,是少一个环节。卡住岗位入口,不只是收 token 的钱,更关键的是收岗位工作数据。从业者每用一次,岗位 know-how 就沉淀一次。用得越多,壁垒越深。后来者就算有同样的模型,也拿不到这些岗位数据——入口被卡住了。

职业 Agent 入口的终局:用场景转化岗位从业者,用数据沉淀岗位 know-how 壁垒。谁先卡住入口,谁就拥有该岗位的 AI 定价权。
岗位Agent职业化know-how壁垒
技术攻坚
+

我在攻的六个技术缺口——不是模型不够强,是 Agent 落地最后一公里的工程化问题。每个都来自真实交付场景,每个都有明确思路。输入密码查看完整攻坚方向。

密码错误,请重试
01视频剪辑(非生成)+

企业做社媒推广,人工剪辑视频效率低、成本高。但直接用 AI 生成视频会被平台识别,作品被降权限流,收益反而低。

我在攻的:不是让 AI 生成视频,而是让 AI 基于企业提供的原始素材和剪辑需求,自动盘点素材、设计脚本、完成剪辑。产出的是"真实素材重组",不是"AI 生成",不触发平台风控。

难点在素材理解——AI 要看懂几十段原始素材的内容、节奏、情绪,再按脚本逻辑拼接。这比生成难,因为约束更多。

既降低人工成本,又提升产出效率,还不会被平台降权。这是内容运营场景的刚需缺口。
素材重组规避风控内容运营
02自主客服(长期运营)+

市面上的智能客服只能做被动接待,AI 味浓,客户一眼看穿。要做主动运营、像真人一样沟通,定制开发和运维成本极高。

我在攻的:一个能轻量化交付的客服智能体——企业只需提供业务需求描述(策略、做法、话术)和相关知识数据,就能自主长期运营,实现对客千人千面。

核心难点是长期记忆和主动触达。私域 1 对 1 的关键不是话术,是"记得这个客户上次聊了什么、这次该说什么"。现有的记忆方案要么丢信息,要么成本太高。

还要根据服务场景构建 CoT(思维链)和 AoT(行动链),让客服知道什么时候该推、什么时候该等。这部分目前只能逐案定制,我要把它变成可复用的框架。

从被动接待到主动运营,从逐案定制到轻量交付。这是私域场景的核心缺口。
长期记忆主动运营轻量交付
03跨平台搬运(自动适配)+

电商跨平台搬商品信息,要从 A 平台前端取数据,按 B 平台规则调整,再操作 B 平台上架。不同平台、不同类目都要单独定制,平台一改又得重来。

我在攻的:一个能自动浏览平台内容、识别平台差异、完成采集-调整-上架-发布的智能体。快速调教后就能稳定搬运,不用每次平台改动都重新开发。

难点是平台规则的自动识别——每个平台的前端结构、字段要求、图片规格都不同,而且会变。传统做法是写死规则,平台一改就挂。我的思路是让 Agent 自己"看懂"平台,而不是把规则写死。

从"写死规则"到"Agent 看懂平台"。这是电商运营场景降本的关键缺口。
Agent看懂平台自动上架电商运营
04跨平台选品(精准识别)+

跨平台搬单时,源商品信息动态调整,经常匹配不到目标商品。现有 AI 靠文字加图片比对,只解决 40% 的高确定匹配,剩下全靠运营人肉兜底。

我在攻的:一个能深度理解不同平台商品信息结构差异的智能体,跨平台对同一商品做实体识别——不是比对字段,是理解"这是不是同一个东西"。

难点在于商品信息的非对称性。同一商品在不同平台的标题、属性、类目、图片角度都不一样,SKU 粒度也不同。文字相似度和图片哈希只能解决标题规范、图片一致的那 40%——剩下的 60% 靠的是人脑的"我知道这是同一个货"。我要让 Agent 具备这种跨结构的实体对齐能力。

思路是分层匹配:先用多模态做粗筛,再用商品知识图谱做精排,最后用历史匹配数据做校验。不追求 100%,但要把人肉兜底的比例从 60% 压到 10% 以内。

从"文字+图片比对 40%"到"多模态实体识别 90%"。这是跨平台搬单场景提效的关键缺口。
实体识别跨平台对齐电商运营
05专业领域任务(模糊标准)+

有些专业领域,知识没结构化、数据有限、标准模糊,判断高度依赖主观经验。投标质检要逐条核对招标文件里的资质要求、技术参数、商务条款,工程量校核要对照图纸和清单反复算量核价——现有 AI 做这些事稳定性和精准度低,客户不买账。

我在攻的:基于企业已有专家经验——哪怕是非结构化、不完整、逻辑不清晰的——先上线一个 60 分的智能体,再通过业务使用中的反馈自动学习,持续进化。

难点是"60 分先上"的勇气。大多数方案想一步到位,结果迟迟上不了线。我的判断是:专业领域的 AI 不是等数据齐了再做,是先跑起来再补。智能体效果应该随着业务越用越好,而不是上线即终态。

先 60 分上线,再 FB 自学习进化。这是行业化方案落地的关键缺口。
60分先上FB自学习持续进化
06工作流复制(快速沉淀)+

企业对生产稳定性和安全性要求高,核心工作流都用 workflow 方式定开,交付成本高、开发效率低。

我在攻的:一个能结合 PaaS 系统封装工具、通用工具调用、Code 生成定制工具的智能体,快速形成自动工作流,调测确认后封装为固定流程。

本质是把"开发工作流"这件事本身交给 AI。Agent 先用现成工具拼,拼不出来的用 Code 生成,跑通了再固化。不是替代 workflow,是让 workflow 的生产成本降一个数量级。

从"人写 workflow"到"Agent 生成 workflow 再固化"。这是规模化降本的关键缺口。
PaaS+Code自动工作流降本
SOLUTIONS

9 大场景架构展示

每个场景都有架构图与核心指标——展示 Agent 如何嵌入工作流、长在组织上。架构是技术视角的"怎么做",客户成果详见解决方案介绍。

私域个性化营销
+
AI 驱动 · 千人千面触达

转化率提升 3 倍,获客到履约由 Agent 自主闭环,人专注策略与创意。

私域运营个性化营销自主闭环

私域个性化营销

私域 Agent 以个微/企微为触点,自动完成加好友、破冰打招呼与持续跟进。在对话中实时构建用户画像与意图记忆,驱动个性化营销策略——按需推荐商品、文章、转名片、拉群,并承接客户需求完成下单、登记、物流跟踪与拦截等闭环任务,获客到履约由 Agent 自主闭环,人专注策略与创意。

3×
转化率提升
85%
触达准确率
10×
人效提升
30s
平均响应时效
私域 Agent
Core
个微 / 企微
Channels
自动加好友
Acquire
记忆 · 画像
Profile
业务策略
Strategy
个性化营销
推荐商品
推荐文章
转名片
拉群
本地任务
下单
登记
物流跟踪
拦截
私域 Agent → 个微/企微 → 自动加好友 → 记忆画像 → 业务策略 → 个性化营销 → 本地任务
社媒内容运营
+
内容全链路 · Agent 自主闭环

从热点分析到自动发布,数据驱动持续优化内容策略。

内容创作自动发布数据复盘

社媒内容运营

内容 Agent 围绕账号人设与运营目标,周期性完成热点追踪、灵感获取与爆文拆解,按创作需求自动搜集素材并生成内容,一键发布至多平台。发布后实时追踪数据效果,复盘内容表现并反哺策略优化,形成从洞察到复盘的 Agent 自主闭环,人回归创意判断。

5×
运营人效提升
100
覆盖粉丝量级
8平台
多平台同步分发
40%
爆文率提升
内容 Agent
Core
人设 · 策略
Persona
洞察
热点分析
灵感获取
爆文拆解
素材搜集
Material
内容创作
Create
自动发布
Publish
复盘
数据跟踪
策略优化
内容 Agent → 人设策略 → 热点洞察 → 素材搜集 → 内容创作 → 自动发布 → 数据复盘 → 策略优化(闭环)
人才招聘管理
+
AI 招聘 · 全流程跟进

从候选人搜罗到面试归档,沉淀企业人才资产。

全流程招聘人岗匹配人才库

人才招聘管理

招聘 Agent 主动进入各招聘平台,按岗位 JD 精准搜罗候选人并完成初步沟通,将符合条件者的简历与关键信息收入企业人才库,同步生成人岗匹配度分析报告。通过企微发起 AI 初面,通过者自动推送候选人档案与面试报告至面试官,确认后协调双方时间并全程跟进面试结果,最终归档沉淀为企业人才资产。

60%
招聘周期缩短
8×
候选人触达效率
92%
人岗匹配准确率
5000+
人才库沉淀规模
招聘 Agent
Core
招聘平台
Platforms
候选人搜罗
Sourcing
平台初聊
Screening
入库
人才库
匹配报告
加企微
AI 初面
Interview
跟进
推面试官
安排面试
结果归档
招聘 Agent → 招聘平台 → 候选人搜罗 → 平台初聊 → 入库/报告/加企微 → AI 初面 → 推送面试官 → 安排面试 → 结果归档(沉淀人才资产)
社媒互动运营
+
主动互动 · 私信转化

评论互动 + 私信响应,引导成交或沉淀私域池。

评论互动私信响应成交转化

社媒互动运营

互动 Agent 按策略主动寻找目标内容进行评论互动,同时在自家作品区与用户实时互动,及时响应私信咨询。通过智能对话识别用户意图,引导成交转化或导入私域池持续运营,将被动等待转为主动触达,最大化社媒流量价值。

3×
互动转化率提升
90%
私信响应覆盖率
15s
平均响应时效
35%
私域导入率
互动 Agent
Core
互动策略
Strategy
主动触达
寻找目标内容
评论互动
作品区互动
Engage
私信响应
Inbox
转化
引导成交
沉淀私域池
互动 Agent → 互动策略 → 寻找目标内容/评论互动 → 作品区互动 → 私信响应 → 引导成交/沉淀私域池
电商运营驾驶舱
+
多平台采集 · 异常预警

全网电商数据统一看板,实时识别异常并多级预警。

数据采集可视化看板多级预警

电商运营驾驶舱

数据 Agent 通过 API 调用、页面视觉采集、表格下载等多渠道自动获取天猫、京东、拼多多、抖音电商、小红书等平台运营数据(流量、转化、销量、客单价等),按经营模型统一清洗结构化存储。分析 Agent 实时汇总生成可视化看板,自动识别异常(流量暴跌、转化骤降等)并触发多级预警,将数据转化为可决策的运营行动。

5平台
全平台数据覆盖
实时
数据更新频率
4
异常预警分级
80%
异常识别准确率
数据 Agent
Collector
采集
API 调用
视觉采集
表格下载
多平台
天猫/京东/拼多多
抖音电商
小红书
清洗结构化
ETL
可视化看板
Dashboard
预警
异常识别
多级预警
数据 Agent → 多渠道采集 → 多平台覆盖 → 清洗结构化 → 可视化看板 → 异常识别/多级预警
云仓物流协运
+
订单监控 · 工单协运

自动发货 + 全程工单处理,衔接商家与物流公司。

订单监控物流协运工单处理

云仓物流协运

物流 Agent 基于电商平台或企业 ERP 实时监控订单,自动转录至物流平台/仓库系统并催促揽收,实现秒级发货响应。协运 Agent 作为衔接上游商家与下游物流公司的智能中枢,通过平台操作、工单系统、微信沟通等渠道,高效处理物流拦截、丢件理赔、送货跟进、改地址、打包视频、催退回、错分件等全场景工单,将物流协作从人工跟催升级为自动闭环。

95%
发货及时率
70%
工单处理效率提升
12
工单场景覆盖
5min
异常工单响应
物流 Agent
Monitor
订单监控
Orders
转录物流系统
Sync
催揽发货
Dispatch
协运 Agent
Coord
工单处理
物流拦截
丢件处理
送货跟进
改地址
打包视频
催退回/错分件
物流 Agent → 订单监控 → 转录物流系统 → 催揽发货 → 协运 Agent → 拦截/丢件/改地址/打包视频/催退回/错分件等工单
网络舆情监控
+
7×24 巡检 · 四级预警

全网负面实时捕捉,定向推送负责人并生成报告。

全网巡检分级预警舆情报告

网络舆情监控

舆情 Agent 7×24 小时自动巡检全网主流平台,结合重点监测策略覆盖企业所有公开阵地,实时捕捉客户投诉、产品差评、服务吐槽、物流纠纷、员工负面言论、不实谣言、恶意抹黑、同行攻击、媒体负面报道等。按影响程度划分为一般/关注/紧急/重大四级,通过企微、短信、邮件、系统消息定向推送对应负责人,并自动生成最新舆情分析报告,将被动应对转为主动防御。

7×24h
全天候自动巡检
4
舆情分级机制
10min
负面发现到推送
9
负面舆情覆盖
舆情 Agent
Core
全网巡检
7×24h
监测覆盖
投诉差评
服务吐槽
物流纠纷
不实谣言
恶意抹黑/同行
媒体负面
分级
一般
关注
紧急
重大
推送
企微/短信
邮件/系统
舆情分析报告
Report
舆情 Agent → 全网巡检 → 监测覆盖(投诉/谣言/媒体等)→ 四级分级 → 定向推送 → 舆情分析报告
品牌 KOL 运营
+
达人筛选 · 数据资产沉淀

从匹配分析到合作邀约,持续监控效果沉淀 KOL 档案。

达人筛选合作邀约KOL资产

品牌 KOL 运营

品牌 KOL 运营 Agent 结合品牌特点进行达人筛选与匹配度分析,生成合作清单,经运营确认后主动发起达人合作邀约。建立合作达人库,持续监控合作效果并形成达人档案,将一次性合作转化为可复用的 KOL 数据资产,为后续品牌投放提供数据驱动的决策依据。

200+
达人库规模
4×
达人筛选效率
88%
匹配度准确率
100%
合作效果可追溯
KOL Agent
Core
品牌特点
Brand
达人筛选
Sourcing
匹配度分析
Match
确认合作清单
Confirm
主动邀约
Outreach
沉淀
达人库
效果监控
达人档案
KOL 数据资产
KOL Agent → 品牌特点 → 达人筛选 → 匹配度分析 → 确认合作清单 → 主动邀约 → 达人库/效果监控/达人档案(沉淀 KOL 数据资产)
售后服务处理
+
智能协商 · 流程自沉淀

自动处理破损丢件、补发转运等售后工单,异常升级人工并沉淀标准处置流程。

售后协商异常升级流程沉淀

售后服务处理

售后 Agent 接收客户售后诉求,按售后规范协调处理破损赔偿、丢件理赔、现场维修成本、送错地址补发转运等问题,积极完成协商闭环。遇异常问题自动升级请求人类协助,处理方案登记系统,并将新问题沉淀为标准处置流程,持续提升服务能力。

90%
自动处理覆盖率
5min
平均响应时效
8
售后场景覆盖
60%
服务成本降低
售后 Agent
Core
接收诉求
Intake
售后场景
破损赔偿
丢件理赔
维修成本
补发转运
协商处理
Resolve
异常升级
Escalate
沉淀
方案登记
流程沉淀
售后 Agent → 接收诉求 → 场景识别(破损/丢件/维修成本/补发)→ 协商处理 → 异常升级 → 方案登记/流程沉淀

以上为 9 大场景的架构视角——Agent 如何嵌入工作流。想知道这些架构在真实客户中跑出了什么结果?以下典型客户案例给出答案。

查看典型客户案例

四大领域十二个典型客户案例,每个都有客户背景、部署 Agent、前后对比指标——架构落地后的真实成果,而非架构本身。完整解决方案介绍(趋势/历史/演进/交付/矩阵/合作)同页可览。

客户案例前后对比交付架构合作流程
THOUGHTS

最新思考

不搬运新闻,只给判断。只谈结构性问题和机会。

FDE 是个伪命题——AI 规模化落地靠的不是超级个体

FDE 职缺两年增长数十倍,AWS 投入 10 亿美元,Anthropic 年薪开到 30 万美元。行业越追捧 FDE,越说明 FDE 靠不住——三域复合人才的分布是结构性的稀缺,不是培养能解决的。真正的出路是用分工协作替代超级个体,让 75 分的团队稳定交付 80 分的结果。这正是企业级 AI 操作系统的底层逻辑。

2023 到 2025 年,前线部署工程师(FDE)的职缺在美国增长了数十倍。Google Cloud、OpenAI、Anthropic 相继大规模招募。2026 年年中,AWS 投入 10 亿美元组建 FDE 团队,每支 5-6 人小队驻场客户 45 天。Anthropic 的 FDE 岗位年薪开到 20-30 万美元底薪。

行业把 FDE 捧成了 AI 落地的救星——既能写代码又深谙业务场景,既能在客户现场协调复杂的组织关系,又能把悬浮的 AI Demo 硬生生推进生产环境。

我越看这些数据,越觉得一个容易被忽略的事实:行业越追捧 FDE,越说明 FDE 靠不住。

FDE 热度的三个信号
数十倍
FDE 职缺增长(2023-2025)
10亿
AWS 投入组建 FDE 团队
20-30
Anthropic FDE 年薪(美元底薪)
5-6
AWS 单队驻场规模 / 45 天周期
数据来源:LinkedIn / Computerworld / AWS 官方公告 / Anthropic 招聘信息

不是"追捧=靠不住"这么简单。是背后的分布问题。三域复合能力——业务、技术、组织关系同时达到专业深度——这种人才在人群中的分布是固定的。高薪和大规模投入能吸引人转型,但无法改变分布本身。10 亿美元买不来分布右尾突然变厚,方法论培养可以让中位数右移,但变不出大量超级个体。当一个角色需要如此高的薪酬和如此大的投入才能勉强满足需求,说明这个角色的人才供给是结构性的稀缺,不是暂时的短缺。

我的判断是:FDE 去推动 AI 规模化落地,是个伪命题。

不是因为 FDE 不好。一个既懂业务、又懂技术、还能在客户环境协调复杂组织关系的超级个体,当然好——90 分的交付质量,谁不想要?但这样的 FDE 太稀缺、成本太高,只有极少数企业能获得。一个专家可以做到 90 分,但只能服务少部分企业;一群 T 型人才组成的协同团队,可以做到 75 分,但能服务几十万家企业。

75 分×几十万家,远比 90 分×几十家有价值。这不是替代关系,是主次关系——分工协作是主流,FDE 是少数企业才能负担的奢侈品。AI 全面落地的问题,不是靠少数超级个体能解决的。

FDE 正在自我瓦解

最有趣的是,行业实践本身已经在验证这个判断。

FDE 这个岗位正在分化。我观察到的是,原本由一个人全包的角色,正在被拆成几类专精方向——有人专注模型部署,有人深耕数据平台,有人做 Agent 平台,有人负责现场集成。每类只负责一条链路,各自解决不同的核心卡点。

这不是岗位名称的迭代,这是分工在自发地发生。一个人做不了所有事,行业已经在用多个人替代一个人的角色。FDE 的分化趋势,与我的判断方向一致——超级个体不可规模化,所以市场在自发地分工。

组织形态的演进也指向同样的结论。我见过太多企业走弯路:集中式 AI 团队变成服务台,请求排队、优先级冲突,模型质量和业务需求之间产生不可调和的偏差;完全嵌入式模型导致重复建设——三个团队各自建特征存储、三条不兼容的部署管道、零共享学习;纯平台式模型在组织成熟度不足时变成瓶颈。

效果最好的是联邦制:领域专精的工程师深度嵌入产品团队,但通过实线向中央组织汇报,共享工具和标准、避免重复建设、同时保持领域上下文。这不就是我说的"T 型人才分工协作"的变体吗?单域专精、跨域通识,通过机制保障协作质量。

传统技术落地的流水线分工——售前出方案、实施做部署、运维做兜底、客户成功做续费——岗位边界清晰,但核心问题是分段交付、层层脱节、无人闭环。售前只讲理想 Demo,不管企业脏数据、旧系统、复杂流程;实施只按方案落地,不管业务适配和长期迭代。最终结果:PPT 能跑、演示很酷、上线就崩、无法复用。

MIT NANDA 的"State of AI in Business 2025"报告说,95% 的企业生成式 AI 试点没有产生可量化的财务影响。Gartner 预测超过 40% 的 Agent 项目会在 2027 年前被取消。这些失败不是模型不够强造成的,而是交付落地能力跟不上——尤其是人之间的协作断裂。

AI 落地的失败信号
95%
企业 AI 试点无量化财务影响
40%+
Agent 项目将取消(2027 前)
数据来源:MIT NANDA State of AI in Business 2025 / Gartner 2025 预测

售前、交付、产研——三位一体的分工体系

我做的企业级 AI 操作系统,底层就是一套分工架构。我的方案不是在旧流水线上修修补补,而是设计一个新的三位一体分工体系:售前、交付、产研。

售前对接客户,负责商务推进、组织关系协调、真实场景调研。他们深入客户的行业背景,理解痛点的真实面目——客户说的需求往往不是真正的痛点,真正的痛点藏在售前和客户吃饭时听到的那句话里、藏在现场观察到的那些没人提但一直卡着的流程环节里。售前的核心能力是"翻译":把客户模糊的愿望和隐性的痛点,翻译成交付能理解的解决方案。

交付基于标准能力复用加上定制开发,完成 AI 应用的解决方案交付和运维。他们的核心能力是"落地":在真实客户环境中把方案跑通、处理脏数据、适配旧系统、解决合规约束。但交付不只是被动执行——在交付过程中,他们持续洞察行业通用需求。和产研沟通定制开发时,交付有一个明确的牵引方向:尽量往标准能力走。每一次定制都不是终点,而是下一次标准化的起点。

产研研究大模型加上 harness 架构,做好交付 PaaS,持续沉淀复用能力,提升交付效率。他们的核心能力是"沉淀":把交付中的定制需求抽象为原子能力,把反复出现的场景封装为标准模块,把散落的项目经验提炼为可复用的方法论。产研不需要预测未来需要什么标准能力——只需要观察交付中什么在反复出现,然后把它沉淀下来。

这个产研沉淀的 PaaS 能力层,就是企业级 AI 操作系统的内核。标准能力层、场景模板、治理架构——操作系统不是凭空设计的,是在交付喂养下自然生长出来的。

三者不是割裂的个体,而是三位一体的团队。信息传递的损耗不是不可解的结构性缺陷,而是组织能力维度的挑战——通过对焦、复盘、方法论沉淀,可以持续收敛。翻译损耗的问题,本质上和 AI 落地失败的问题一样:不是"做不到",而是"需要机制和积累来逐步做到"。

T 型人才,不是普通人

我最初说"靠大众普通人的能力",但这个表述不够精确。更准确的说法是:靠 T 型人才——单域专精加上跨域通识。

售前需要在商务和组织协调上有深度,同时对 AI 技术边界有基本理解——这样翻译出来的方案才不会是"技术上做不到"的空中楼阁。交付需要在技术实现上有深度,同时懂客户场景和行业逻辑——这样落地时才不会是"技术正确但业务无效"的完美代码。产研需要在大模型和架构上有深度,同时理解交付场景——这样沉淀出来的 PaaS 才不会是"没人用的完美平台"。

T 型人才的人才池,远大于 FDE 全能专家。一个 FDE 需要三域全通——业务、技术、组织关系同时达到专业深度。一个 T 型人才只需要一域专精,其他域有基本沟通能力。前者是极低概率的复合型人才,后者是可以通过培养和筛选大规模获得的。这正是分工协作支撑规模化落地的根基。

FDE 全能专家 vs T 型人才:人才池对比
FDE 全能专家(三域全通)
极稀缺
T 型人才(一域专精 + 跨域通识)
大规模可获得
示意:人才分布中右尾 vs 中部的规模差异

飞轮:项目喂养平台

飞轮的逻辑很清晰:产研沉淀标准能力,交付复用标准能力加上定制,售前基于标准能力更快形成方案,更高效的交付带来更多场景洞察,产研持续沉淀,交付效率进一步提升。

但飞轮有冷启动问题。初期标准能力不足,交付做大量定制,产研来不及沉淀——定制做完了客户跑了,产研还没来得及提炼标准。

我的冷启动策略是:不预先设计 PaaS,而是让 PaaS 在交付过程中自然生长。

前期只有场景,没有标准。核心是通过项目先验证 AI 能力。但在交付时尽量采用松耦合方式——模块化、甚至原子化的能力封装。不追求一次做成完美的平台架构,而是追求每一次交付都能沉淀出可复用的组件。在历经多个项目后,自然基于复用情况形成判断:哪些底层能力被反复调用、哪些场景模板被持续复用——这些就是 PaaS 能力基建的自然起点。

这本质上是一个"项目喂养平台"的策略。交付是场景的入口,产研是能力的沉淀池。交付喂给产研的不是完美的需求文档,而是真实项目中的复用信号——某个模块在 5 个项目中被调用、某个场景模板在 3 个行业中被适配。产研基于这些信号做标准化抽象,不需要预判未来,只需要观察过去。

我在中国建材晓妙的项目里见过这个飞轮转动:水泥行业的视觉质检能力沉淀成标准模块后,复制到 100 多家工厂时,实施周期大幅缩短。中冶赛迪从视觉质检切入冶金全流程,也是同样的逻辑——先在一个场景跑通,再把能力抽象出来,向相邻场景复制。复用积累越多,交付越快。飞轮每转一圈,摩擦力就小一点。

回应一个主流观点

HFS Research 在 2026 年 3 月发了一篇很直接的文章:《Stop treating FDE as optional: Your AI Flywheel will not spin without it》。他们的核心论点是:FDE 是飞轮的嵌入式执行层,没有 FDE,LLM 和 Agent 只在沙盒里跑,永远进不了生产环境。

我的论点和他们的论点看起来是对立的,但其实不是。

HFS 说的是需要一个功能——把 AI 接入真实企业系统的嵌入式工程力量。我说的不是这个功能不需要,而是这个功能不应该由 FDE 全能专家来承担。功能需求是真实的,角色形态是可替代的。

HFS 描述的 FDE 职能——构建反映企业运作的本体、将模型接入真实数据并配置权限、设计治理架构、连接受治理企业数据——这些功能在我的分工体系里被拆解了:售前负责理解企业运作逻辑和业务需求,交付负责将模型接入真实数据和配置权限,产研负责设计可复用的本体和治理架构。功能没有被删减,只是从一个人身上拆到了三个角色上。

HFS 说"LLMs accelerate. FDE operationalizes. Without the second, the first is a liability, not an asset."我完全同意后半句。AI 不运营化就是负债而非资产。但运营化不一定需要一个超级个体来做——三个 T 型人才的协作也可以运营化,而且可以规模化地运营化。

分歧不在功能,在形态。HFS 选择了"培养更多 FDE"的路径——用方法论(如 Lean-FDE)降低 FDE 门槛,试图让更多人具备三域复合能力。我选择了"分工替代 FDE"的路径——承认三域复合是极低概率,用组织设计来弥补个体能力的不足。

两条路径可能都有价值,但我对"培养更多 FDE"的路径有一个根本性的质疑:方法论可以降低门槛,但无法改变分布。三域复合能力的人才在人群中的分布是固定的——方法论可以让分布的中位数右移,但无法让尾部突然出现大量超级个体。当你需要几十万家企业的落地规模时,你需要的是一种能利用人才分布中部的组织设计,而不是一种依赖人才分布右尾的培养方案。

一个还需要更多验证的判断

我必须坦诚标注几个不确定的地方。

第一,三位一体的协作效率还缺乏大规模验证。我描述的是一个设计框架,不是一个已经验证的最佳实践。中国建材晓妙和中冶赛迪的案例验证的是"行业化能力复用"的方向,不是完整的"售前-交付-产研三位一体"模式。软通动力的转型还在推进中。我标记这个空白,而不是假装它已经解决。

第二,翻译损耗的收敛速度未知。我说"通过对焦、复盘、方法论沉淀可以持续降低损耗",但每一次翻译确实有信息损失——售前对技术边界的理解深度、交付对客户隐性需求的感知完整度,都是需要时间积累的。初期几轮协作中,损耗可能很大。我标记这个空白,而不是假装它已经解决。

第三,飞轮的转速取决于交付密度。项目越多、场景越丰富,产研的复用信号越强,标准化抽象越准确。但如果交付项目少、间隔长,产研的沉淀节奏就会变慢——飞轮转得慢不代表不转,但确实需要足够的交付量来喂养。

这些不确定不否定论点,但标注了论点的边界。我的判断是基于当前实践趋势的方向性推断,不是已经完成验证的结论。

验证它的方式很具体:观察售前-交付-产研三位一体模式在更多行业、更大规模的组织中是否能稳定运行;观察翻译损耗是否在多次协作后显著收敛;观察 PaaS 能力是否在交付喂养下自然生长并持续提升交付效率;观察飞轮是否在足够的项目密度下持续加速。

如果 3 年后这些验证不支持分工协作替代 FDE 的路径,我会修正判断。如果支持,FDE 就不再是 AI 落地的标配,而是一种少数企业才能负担的奢侈品——就像专家会诊和分级诊疗的关系:专家会诊品质更高,但分级诊疗才是医疗体系的主流形态。

这正是我做企业级 AI 操作系统的逻辑——用平台化的标准能力替代对超级个体的依赖,让分工协作有底层架构支撑,让 75 分的团队能稳定交付 80 分的结果。不是消灭 FDE,是让 FDE 从标配变成选配,让大多数企业不再被人才稀缺卡住落地的脖子。

展开全文

AI 越强,判断力越贵

大模型和通用 Agent 越来越强,但 AI 越强,人越不可替代——不是随便的人,而是有判断力的人。智力正在从稀缺走向廉价,真正稀缺的是基于综合感知的决断能力。它生长在 AI 锯齿状智能的凹槽里,需要 AI 原生组织作为容器才能释放价值。

一个反直觉的事情正在发生:大模型和通用 Agent 越来越强,但 AI 越强,人越不可替代——不过不是随便的人,而是有判断力的人。

我最近一直在想一个问题:当智力这种资源从稀缺走向廉价,什么才会成为新的稀缺品?答案不是"更聪明的 AI",而是人的专业判断力。而真正把 AI 落地做好的关键,不是让 AI 更通用更强大,而是把通用 AI 智能和稀缺的人类判断力结合起来,形成一种新的组织形态——我称之为 AI 原生组织。

这个判断背后有严密逻辑,我讲清楚。

智力正在廉价化

这不是预测,是已经在发生的事实。

2026 年 5 月,国内大模型周调用量突破 7.9 万亿 Token,连续两周超过美国同期的调用量。西门子在全球 19 个国家超百家企业试点中,工程效率提升约 50%。Anthropic 的研究数据说,AI 可以把某些任务的速度提升 80%。世界经济论坛的报告预测,AI 将影响 8500 万个岗位,同时创造 9700 万个新岗位。

智力正在廉价化的四个信号
7.9万亿
国内大模型周调用量(Token)
50%
西门子工程效率提升
80%
AI 任务速度提升(Anthropic)
9700
AI 将创造的新岗位(WEF)
数据来源:每日经济新闻 / 西门子 / Anthropic / 世界经济论坛

这些数字指向同一个结论:能够被抽象为信息处理的智力任务,正在被 AI 大规模接管。写代码、做分析、生成方案、处理文档——这些曾经需要高学历和高薪才能完成的工作,正在变成一种廉价的、随时可调用的基础设施。

就像算力曾经是稀缺资源,现在变成了按需付费的云服务。智力正在走同样的路。

但 AI 的智能是锯齿状的

智力廉价化是真的,但"AI 足够强"和"AI 足够全"是两件完全不同的事。

斯坦福 2026 年 AI Index 报告揭示了一个让人很难忽视的现象:前沿模型在科学基准和竞赛数学上已经超越博士水平,但读模拟时钟的正确率只有 50.1%。能重构 10 万行代码的顶尖模型,会建议你走路去洗车店洗车——Karpathy 把这个现象叫做"锯齿状智能":锋利处无坚不摧,钝处连纸张都难以划破。

锯齿状智能:锋利处极强,钝处极弱
超博士
科学基准
竞赛数学
50.1%
读模拟时钟
正确率
数据来源:斯坦福 2026 AI Index Report · 同一前沿模型的两个维度

Joshua Gans 今年 1 月在 NBER 发表了一篇正式论文,把锯齿状智能建模为系统性现象,而不是偶然的 bug。他的论点是:这不是 AI"差一点就能赶上"的问题,而是 AI 的智能形态本身就是锯齿状分布的——某些维度极高,某些维度极低,中间有大量凹槽。

更让我受到冲击的是普林斯顿认知科学家今年 3 月提出的一个概念:"认知暗物质"。他们做了一个很简洁的测试:让 GPT-5、Claude Opus 4.5、Gemini 3.0 Pro 各自写一个包含三道国际象棋"一步将死"残局的网页应用。没有一个模型能稳定通过。不是因为代码能力不够——生成的 HTML/CSS/JS 几乎无可挑剔——而是生成的残局本身无效:黑方已被将军,残局已经结束。任何一个下过象棋的人一眼就能看出这个错误,但 AI 没发现。更关键的是,模型已经导入了能验证棋盘合法性的 Python 棋类库,拥有发现错误所需的全部工具,只是从未想到要用它来检查自己的输出。

研究者从这个测试出发,识别出 AI 缺失的 7 个关键认知域:元认知(知道自己知还是不知)、认知灵活性(策略无效时快速切换)、情节记忆(记住具体事件并指导未来行动)、终身学习(不忘旧知的前提下持续学新)、溯因推理(从结果推断最可能的原因)、社会常识推理(理解人际不成文的规则)、情绪智能(在敏感场景恰当回应)。

他们的结论很尖锐:"这些能力不是可有可无的附加功能,而是人类在复杂、不确定、有情感张力的真实世界中稳定生存和合作的基础。"

这正是我说的"锯齿的凹槽"。AI 在某些维度上已经超越人类,但在这些凹槽维度上,差距不是"差一点",而是"差一种东西"。

凹槽里生长的东西,叫判断力

锯齿状智能的凹槽,正是人类专家判断力的栖身之所。

我对判断力的定义是:面对一个具体场景和问题时,能根据实际情况,凭借专家经验、知识和直觉做出的有效决断。

这个定义里有几个关键要素。第一是场景嵌入——判断力不是抽象推理,它是在具体情境中产生的。第二是经验压缩——专家的判断来自长期实战积累,包括大量隐性知识。第三是综合感知——人的判断不只依赖文字和数字,还依赖视觉、触觉、空间感、情境感,甚至情绪。第四是直觉——直觉不是玄学,是大量案例经验压缩后的快速模式识别,但它依赖于综合感知而非单一模态。

判断力和"专业知识"不是同一件事。专业知识可以写成教科书,可以被 AI 学到。判断力是在真实场景中反复锤炼出来的决断能力——它需要你和现实世界的持续接触,需要在错误中积累对边界的感知,需要承担决策后果的勇气和责任。

AI 的结构性缺陷不是"不够聪明",而是感知维度的天然缺失。大语言模型是线性的、基于文字-语义的系统,它对物理世界的感知是被压缩过的二手信息。人类的判断力建立在综合感知上,这些维度共同参与决策。加更多上下文窗口、接更多数据流,解决不了这个根问题——因为输入端的维度本身就是残缺的。

MIT 的实验还揭示了另一个结构性缺陷:当推理步骤超过 20 步时,模型的逻辑一致性会下降 40% 以上。人类可以维持数小时的连贯思考,模型在 500 个 token 之后就开始漂移。这也是锯齿——长程推理的断裂不是偶然失误,是线性的文字-语义架构的内在限制。

所以我说的判断力稀缺,不是在说"人比 AI 聪明",而是在说:判断力的产生需要和现实场景的持续接触、需要综合感知的参与、需要长程推理的稳定性——这些是 AI 的结构性缺陷,不是能力缺陷。补信息量补不了这个缺。

当然,我必须坦诚标注一个时间边界:锯齿状智能的凹槽正在被部分填平。SWE-bench Verified 上,领先系统一年内从约 60% 升至 80% 以上。Gartner 的数据说 75% 的企业级 AI 系统将在 2026 年具备多模态能力。感知维度在扩展。所以我的论点不是"AI 永远做不到",而是"在当前的结构性约束下,AI 的智能形态本身就制造了持续的人类优势空间"——这个空间的大小会变化,但形态本身不会很快消失。

真正的稀缺品,需要新的组织来释放

判断力稀缺了,但稀缺的东西不会自动产生价值——它需要正确的容器。

在现有组织里加装 AI 工具,只能解决单点提效的问题。整个组织的提效有限,因为组织的协同节点是人,人被困在旧组织和旧流程里。就像把超级引擎装进老爷车,引擎再强也跑不起来。

AI 从人机协作开始,有一个自然的演进路径:从助理角色进入工作流程,到同事角色完成独立任务并与人类协作,再到负责全流程驱动人类工作,最终通过重塑整个组织工作流完成流程再造。到了这个阶段,整个组织的人机料法环要素都围绕 AI 建设和流动,生产力才能被指数级释放。

但这不是随意能到达的终点。在这个最终形态里,人和 AI 的分工有一个清晰的三层架构:

人类战略决策者决定"做什么"——这是最高层的判断力,负责方向、取舍、风险偏好。AI 管理层决定"怎么做"——它是执行流程的驱动者,负责资源调度、任务分配、流程编排。人类专家执行者负责"做 AI 做不好的部分"——这是锯齿凹槽中的专业决断,填补 AI 的结构性盲区。

判断力的稀缺性在这三层架构中得到了两层保护:顶层是战略判断力,底层是场景判断力。AI 的"驱动"限定在执行流程的管理层面,不触及这两层判断力。

已经有人在验证了

出门问问在过去一年多做了一场很激进的组织重构实验。全职员工从 2024 年末的 222 人降至 2025 年中的 183 人,半年员工成本从 8099 万降至 4193 万,降幅 48%。同期亏损同比收窄 99.5%,接近盈亏平衡。AIGC 业务营收同比增长 88.5%,占总营收近六成。创始人李志飞说得很直接:"AI 是主力,甚至 AI 本身也是组织者。"在他的设想中,智能体自主完成任务的比例超过 90%。

出门问问发布了一套 AI 原生协作平台 CodeBanana,以项目为核心单元,群聊、Agent 和独立工作区三合一,支持跨项目 Agent 协作。他们的衡量标准也变了:Token 在组织中的占比已经超过人力成本的 15%,李志飞认为 Token 就是 AI 时代的新度量衡。

软通动力走了另一条路——在万人规模的组织中推进 AI 原生转型。据其 2025 年报,AI 相关业务营收 184.66 亿,占总营收 52.6%,80% 以上标准化工作已智能化处理。组织架构也在重构,中层管理者的角色从监督执行转向赋能人机协同。

金蝶灵基在 2026 年 AI 峰会上宣告"抛弃+AI 的裱糊匠思维",AI 切入企业关键业务流程而非停留于办公效率。联想杨元庆在 2026 年誓师大会上直接说:"联想要成为 AI 原生的公司。"

这些案例指向同一个方向:组织的要素正在围绕 AI 重新流动。

指数级释放的两个机制

我说的"指数级释放"不是修辞,有两个可解释的机制。

第一个是规模维度。在传统组织中,业务扩大必须扩招人类员工,而人类员工的规模增长会带来管理成本和组织摩擦,组织协同效率越来越低——这是管理学里"规模越大效率越低"的铁律。但在 AI 原生组织中,业务规模增长主要靠加算力,组织摩擦不再随规模膨胀。这打破了传统组织的规模诅咒。

出门问问的数据已经在验证这一点:半年人数减少 17.6%,员工成本降 48%,亏损收窄 99.5%。不是因为每个人更努力了,而是因为组织结构变了——AI 接管了大部分协同节点,人的判断力作用在更大的规模上。

出门问问组织重构实验(2024年末 → 2025年中)
222→183
全职员工人数变化
-48%
半年员工成本降幅
99.5%
亏损收窄幅度
+88.5%
AIGC 营收增长
数据来源:出门问问 2024 年年报 / 2025 年中期业绩公告(港交所 02438.HK)· 李志飞"超级组织"战略

第二个是速度维度。传统组织的业务运作需要靠人类沟通、推动、协同,效率低下且断裂。而 AI 通过信号交互的效率是千百倍的提升。感知环境变化、分析数据、操作系统执行——这个闭环在 AI 原生组织中几乎能瞬间完成,相较于之前人类组织运转的卡顿和断裂,效率获得的是节奏层面的改变,不是简单的"更快"。

但我必须坦诚面对的风险

写到这里,我不能假装一切都已验证。

第一,锯齿状智能的凹槽正在被部分填平。SWE-bench 的跃迁式进步、多模态能力的快速普及,都提醒我:感知维度的缺失是当前的结构性约束,不是永恒的诅咒。我的论点有时间边界——它基于 2026 年中期的技术格局,而不是对未来的终极判断。

第二,AI 原生组织的成功案例还太少。出门问问是不到 200 人的科技公司,软通动力的转型还在推进中。当前多数企业转型仍停留在"加 AI"阶段,真正跑通"AI 原生"路径的不多。李志飞自己说得很坦白:"不是所有公司都能马上跑通。"他筛选合作企业的标准是 CEO 必须是"独裁者"且"对 AI 转型极度渴望"——组织转型有严苛的前置条件。

第三,"指数级释放"缺乏长期数据。出门问问的数据是半年维度(2024年末→2025年中),软通动力是季度维度。没有 3 年以上的追踪证明这种增长可持续。我标记这个空白,而不是假装它已经成立。

这些风险不是否定论点的理由,而是标注论点边界的必要步骤。忠于事实比忠于原始想法更重要。

一个正在验证的假设

回到开头的问题:当智力变得廉价,什么才是稀缺的?

我的回答是判断力——基于综合感知的决断能力,生长在 AI 锯齿状智能的凹槽中,是人类结构性不可替代的东西。

但判断力的稀缺不会自动转化为价值。它需要 AI 原生组织作为容器——组织的要素围绕 AI 建设和流动,人的判断力在三层分工架构中发挥作用而非被淹没,生产力通过打破规模诅咒和重构运转节奏实现指数级释放。而要让这种组织形态在企业中稳定落地,需要的不是更多工具,而是一套底层架构——企业级 AI 操作系统。操作系统是原生组织得以运转的底层架构——没有操作系统,原生组织只是理念;没有原生组织,操作系统只是工具。这正是我在做的事。

这是我正在验证的假设,不是我已经证明的结论。

验证它的方式很具体:观察 AI 原生组织在 3 年内的运营数据是否持续支撑"指数级释放"的断言;观察锯齿状智能的凹槽是否在缩小还是在产生新的凹槽;观察三层分工架构是否能在更大规模、更多行业的组织中稳定运行。

如果 3 年后数据不支持,我会修正这个假设。如果支持,它就不只是假设了。

展开全文

大模型吞噬场景的时代,企业级 AI 操作系统的机会到底在哪?

企业买回去的是工具,不是能力。88% 的 AI 项目失败、5% 的数据真正达标——核心瓶颈不是 AI 不够聪明,而是 AI 在企业环境里“看不清、够不着、管不住”。解决这三个问题,才是企业真正需要的“AI 操作系统”。

过去一年,我反复被问到一个问题:大模型公司的通用 Agent 越来越强,越来越能“吃场景”,中小创业者还有没有机会?

我的回答是:有。但不是在你想的地方。

先看清一个残酷的现实

2026 年一季度,全球 AI 融资 2420 亿美元。65% 流向四家头部巨头。剩下 35% 里,一线 VC 已经不再看“无算力、无独特数据”的通用小模型项目——头部免费开放 API,中小团队没有定价权。

这不是趋势预测,这是已经发生的事。Manus 被 Meta 收购,CloudBot 创始人加入 OpenAI。通用型 Agent 的终局很清楚:要么被平台级巨头收编,要么成为巨头的功能模块。想做一个“什么都能干的智能助手”,然后靠用户量跟巨头掰手腕——这条路在 2024 年还有理论上的可能性,2026 年已经彻底关闭了。

那么机会在哪?在巨头“看得见但够不着”的地方。

六条逻辑:为什么我选择做企业级 AI 操作系统

我花了很多时间思考这件事,最终形成了六条判断。每一条都来自对真实问题的观察,不是推演。

第一,工具型 AI 的效果取决于使用者,而大多数人用不好

这不是一个“用户教育”的问题,是一个结构性问题。Gartner 的数据:80% 的企业应用已经嵌入了 AI Agent,但只有 31% 在生产环境真正运行。88% 的 Agent 试点项目没能走到 production。失败原因排第一位的是数据碎片化——AI 能访问到的数据散落在 CRM、ERP、各种数据库和 Excel 表里,质量参差不齐,时效性不可控。

这个数字说明的不是“AI 能力不够”,而是“工具再强,也无法凭空解决组织级的数据混乱和流程割裂”。把一个强大的 Agent 交给一个还没理清自己业务数据的团队,就像给一个不会做饭的人一套专业厨具——厨具越高级,做出的菜越可能翻车。

所以问题的根源不在工具,在使用者的组织环境。而大多数企业,恰恰不具备这个环境。

第二,企业需要的是解决问题,不是买一堆工具

36氪调研了近百位 CEO 和 CTO,排名第一的痛点是“效果不及预期,准确率和稳定性不足”,占 52.38%。排第二的是“内部推行阻力,员工担心被替代”,40.48%。排第三的是“与现有 IT 系统对接复杂”,33.33%。

企业 AI 落地三大痛点
效果不及预期,准确率和稳定性不足
52.38%
内部推行阻力,员工担心被替代
40.48%
与现有 IT 系统对接复杂
33.33%
数据来源:36氪 · 近百位 CEO/CTO 调研

这三个数字指向同一个症结:企业买回去的是工具,不是能力。工具需要场景适配,需要组织协同,需要数据基础——这些都没有。采购决策变成了“买最火的那个”,部署之后发现每个工具只解决一个环节的问题,流程断点依然存在,不同厂商的工具之间互不相通,采购成本和整合成本叠加,最终效果不及预期的三分之一。

企业真正需要的是有人帮它把 AI 能力嵌入业务流程,形成闭环,解决问题——而不是在钉钉里加一个聊天机器人,在飞书里装一个文档助手,在 CRM 上挂一个推荐引擎,然后指望员工自己把这些拼起来。

第三,通用 AI 在企业环境里只能做到及格,定制 AI 能做到上线即用

IDC 白皮书的数据:国内 68% 的中小企业 AI 项目在部署后 6 到 12 个月陷入停滞,43% 直接终止。平均半年烧掉 189 万。

中小企业 AI 项目命运
68%
部署后 6-12 个月陷入停滞
43%
项目直接终止
189
平均半年烧掉的投入
6-12
从部署到停滞的周期
数据来源:IDC 白皮书

RAND Corporation 对 2400 个企业 AI 项目的元分析更狠:80.3% 未能交付预期业务价值,平均成本 420 万美元,价值归零。按 Gartner 预测的 2026 年全球 AI 总支出换算,80% 失败率意味着数千亿美元没有产生任何可衡量的业务结果。

企业 AI 项目价值交付率
80.3%
2,400 个企业 AI 项目样本
80.3% 未能交付预期业务价值
420 万 美元平均项目成本
5,470 亿 美元年度价值归零
数据来源:RAND Corporation · 2400 项目元分析 / Gartner 2026 预测

为什么通用 AI 在企业里做不到 90 分?因为企业环境不是标准化场景。每个企业的业务逻辑不同,术语体系不同,审批链路不同,合规要求不同。通用 Agent 的“通用”恰恰意味着它对任何一个具体环境都是“半懂不懂”——能回答常见问题,但碰到业务边界情况就犯错,而且错误类型不可预期。这种不可预期的错误在生产环境里是不可接受的。

反过来,根据企业实际业务和组织流程定制的 AI,上线第一天就理解这个企业的术语、规则、数据结构和决策链路。不是从 60 分慢慢调教到 90 分,而是从 90 分开始运行。

第四,能力应该长在组织上,不是长在员工身上

这一点我看得越来越重。通用 AI 产品是为个人服务的——帮助某个员工写邮件、做分析、查资料。能力沉淀在这个人的使用习惯和 prompt 技巧里。这个人离职了,这些能力就跟着走了。

而企业级 AI 是为组织服务的。AI 理解企业的业务流程,掌握企业的知识体系,执行企业的审批规则。这些能力嵌入流程,不依附于任何个人。员工可以换,流程不会断。每一次业务运行,都在给组织的 AI 系统喂养新的数据和经验——知识资产持续积累,能力壁垒持续加厚。

这个差异不是功能层面的,是范式层面的。工具型 AI 让员工变强,流程型 AI 让组织变强。前者是人走能力走,后者是人走能力留。

第五,苦活累活是护城河

垂直 AI 工具随着大模型迭代变强,迟早会被通用 Agent 吃掉——这是确定性很高的判断。因为垂直工具的本质是“在大模型能力不足时,用行业数据和专业 prompt 补短板”。当大模型自身能力覆盖了这个领域,补丁就没有存在价值了。

但企业内定制 AI 解决方案不是这样。它需要深入企业的业务流程做诊断,需要打通十几个异构系统做数据整合,需要理解行业监管规则做合规设计,需要跟不同部门反复对齐做流程适配——这些全是苦活累活脏活。大厂的产品逻辑是标准化→规模化,这种逻辑下做定制化服务,每个项目的边际成本都很高,规模化很难实现,定价权被客户的定制需求稀释。大厂不是“看不上”,是“做不了”——它们的组织机制和商业模式天然不适合这种活。

所以这不是一个“大厂懒得做所以留给创业者”的缝隙,而是一个“大厂的结构性缺陷导致它确实做不好”的壁垒。这种壁垒比技术壁垒更持久。

第六,项目沉淀→通用产品,是一条可行的路径

有人会质疑:你做定制化服务,怎么规模化?我的回答是:不是直接规模化,而是通过项目不断沉淀能力,逐步发展成通用产品。

历史上这条路径有过成功案例。Palantir 从政府定制项目起步,每个项目往 Foundry 平台上沉淀模块,最终从一个做项目的小公司变成一个有产品的上市公司。Salesforce 早期也是做定制 CRM 实施,在实施过程中提炼出可配置的标准产品。

但这条路的纪律很严格:必须从第一天就开始做产品架构,而不是事后提炼。每个项目交付时,要审视有多少工作量是在产品平台上完成的,多少是项目特有的。如果前者占比持续低于 60%,这条路就走不通——你沉淀出来的是一堆项目代码,不是一个产品。

我的判断是:从服务到产品这条路,走得慢但走得稳。先在具体行业里做深做透,把行业 Know-how 和业务规则沉淀成平台能力,然后在相邻行业做适配扩展——这是一种“农村包围城市”的打法,看似保守,但每一步踩的地面都是实的。

三个我不得不正视的风险

做判断不能只看支撑面,也得直面挑战面。上面六条逻辑里,有三条我一直在反复质疑自己。

风险一:赛道正在变得拥挤。2026 年上半年,企业级 AI 操作系统已经密集发布:金蝶的“灵基”、北电数智的“星火·AI 云 2.0”、酷开的 AIOS、钉钉的 Agent OS、用友 BIP 的 AI 叠加层。海外也在快速涌入:Eragon 拿了 1200 万美元种子轮做 Prompt 驱动的企业 AI OS,Airrived 从隐身状态出来拿了 610 万美元,Dust 拿了 4000 万美元 B 轮(Sequoia 领投)做企业多人协作 AI OS,前 Palantir 团队做的 Conduct 拿了 5100 万欧元帮助企业系统 AI-ready。

这意味着“企业级 AI 操作系统”已经不是一个无人注意的蓝海了。我的差异化不能停留在“做什么”层面,必须落实到“怎么做”和“为谁做”——特别是,我跟金蝶/用友/钉钉这些有存量客户、存量数据、存量流程的巨头到底差异在哪?

这个问题我目前给出的答案是:巨头的 AI OS 是“在自家生态里做编排”,而我做的是“跨生态的编排层”。企业用的不是一套系统,是 ERP+OA+CRM+MES+各种行业软件的组合,这些系统来自不同厂商,数据格式不统一,接口不互通。巨头的 AI OS 天然倾向在自己的围墙内运行,而企业的真实需求恰恰是在围墙之间搭桥。定位不是“替代”,是“编排”。

但这个答案还需要在实践中验证。

风险二:定制化服务的规模不经济。定制化意味着每个项目都需要大量咨询和实施人力,项目间复用率低,边际成本居高不下。交付周期长,现金流压力大。严重依赖关键人才——懂行业又懂 AI 的人极度稀缺。

更危险的是“服务→产品”的转化陷阱:服务阶段赚的是人力差价,产品阶段赚的是边际成本递减。中间的过渡期,两者都不赚。服务收入在萎缩(因为团队精力转向产品开发),产品收入还没起来(因为产品还不够成熟)。大量走这条路的公司死在了这个过渡期。

应对这个风险,我给自己设了一条硬纪律:不做“纯定制开发”。每个项目必须以产品平台为基础做配置和扩展,项目特有的工作量占比控制在 40% 以内。这既是为了保证复用率,也是为了倒逼产品能力成长——如果平台不够强以至于每次项目都需要大量特有开发,说明平台本身就有问题。

风险三:大厂正在学习做“轻定制”。Microsoft Copilot Studio 已经在做低代码 Agent 定制。Salesforce Agentforce 正在从 CRM 走向“Agentic Enterprise”。ServiceNow 的 AI Control Tower 专注治理和编排。这些大厂正在用平台能力降低定制化的边际成本——学习曲线虽然陡,但它们有资源、有客户、有数据。

“大厂做不好定制化”不是一个永久不变的命题。它更像一个时间窗口:在这个窗口里,大厂还没学会做轻定制,而我已经在具体行业里积累了足够的深度。窗口的长短取决于大厂的学习速度,也取决于我的产品化速度。我必须比大厂更快地从项目中提炼出可复用的产品模块——这不是一个可以慢慢来的事情。

最后一个思考:最小产品单元是什么?

“企业级 AI 操作系统”是一个大概念。但大概念不能直接交付给客户,客户买单的是能解决具体问题的具体能力。

所以我在问自己:这个系统的内核——那个可以标准化交付、同时在客户环境中能深度适配的模块——到底是什么?

目前我的思考方向是:跨系统数据编排引擎 + 行业知识资产管理器 + Agent 治理控制台。三者合一,构成一个最小但完整的内核。数据编排解决“AI 触达不到数据”的根本问题,知识资产解决“能力长在组织上”的核心诉求,治理控制台解决“AI 行为可审计可追溯”的刚需。

这个内核不需要替代企业现有系统,而是架在它们之上,把散落的数据和流程编织成 AI 可以理解和执行的统一语义层。然后在此基础上,AI 能力才能真正嵌入业务、长在组织、持续沉淀。

这不是一个已经验证的产品形态,这是我正在验证的假设。但我相信方向是对的——因为在 88% 的失败率和 5% 的数据达标率背后,核心瓶颈不是 AI 不够聪明,而是 AI 在企业环境里“看不清、够不着、管不住”。解决这三个问题,才是企业真正需要的“AI 操作系统”。

企业 AI 的核心张力
88%
AI 项目
失败率
5%
数据真正达标
核心瓶颈不是 AI 不够聪明,而是“看不清、够不着、管不住”

创业这件事,最难的不是判断方向,而是在方向上找到具体的着力点。我选择的方向是“企业级 AI 操作系统”,着力点是“跨系统编排层”。方向对不对,需要时间验证;着力点行不行,需要实践验证。

但至少有一点我确信:在 AI 吞噬场景的时代,真正的机会不在“做一个更强的工具”,而在“帮企业把工具变成能力”。工具可以被替代,能力不会。

展开全文
FOLLOW

我的关注

每天追踪的 AI 信号。不搬运,只判断:意味着什么,机会在哪。

扫码加我微信

每周分享 AI 前沿资讯与点评
加我备注「订阅」,拉你进读者群

微信二维码

微信号:LuckyCloudClaw