「AI进化论」是长江商学院推出的AI+主题栏目，汇聚全球AI领域的原创洞见、产业实践及前瞻研判。从技术突破到产业应用，从战略布局到伦理边界，在这里，一起与AI同频进化。
花半年接入大模型，3个月后几乎无人使用——不是模型不够聪明，是它只会问答、不会干活。这正是很多企业AI转型的尴尬现实：大家忙着“接模型、做聊天框、喂文档”，却没人回答一个根本问题——怎么让AI稳定地把事做成？
长江商学院张维宁教授在最新发布于《哈佛商业评论》APP的署名文章中指出，真正的企业 AI 转型，不是把大模型接入企业数据，而是把企业家的私有数据、专家判断、行业资源与工作流程，转化为一套可被智能体理解、执行、校正与持续优化的运行系统。
在这套系统里，数据只是原料，知识架构让原料可继承，智能体让知识开始行动，而Harness作为智能体的“管控操作系统”让行动可以被管理、被证明、被复制、被放大。
作者 | 张维宁
来源 | 《哈佛商业评论》APP
原标题 | 企业AI转型：从数据资产到智能体操作系统
张维宁
长江商学院教授
高层管理教育项目学术主任
MBA项目学术主任
一家拥有二十年行业经验的制造企业，花了六个月时间部署了大语言模型，接入了内部文档，搭建了智能问答系统。上线那天，演示效果令人惊叹——模型对产品参数对答如流。
然而三个月后，这套系统几乎无人使用。原因并非模型不够聪明，而是它只会回答问题，不会完成工作。它无法跨系统调取数据、无法按企业标准判断异常、更无法在出错时自动修正。
这家企业的困境，折射出当下绝大多数企业AI转型的核心瓶颈：缺的不是模型能力，而是一套让模型持续、稳定、可控地交付业务结果的系统。
01
重新定义问题：
企业真正稀缺的不是模型，而是可持续交付结果的能力
过去两年，很多企业把AI项目理解为“接一个模型、做一个聊天框、接一批文档”。这样的项目当然有价值，但它们解决的多半是问答效率，而不是经营系统本身。真正困难的部分不在于模型能不能回答，而在于它能不能在一个开放环境里连续做事——跨多个工具调用、跨多个系统、跨多个上下文窗口、跨多个角色交接，并且在很长时间内持续沿着目标前进。
这也是为什么静态排行榜越来越不够解释企业价值。一次性答对一道题，和在一小时甚至一天内稳定完成一条业务链路，是两种完全不同的能力。
对企业来说，客户不会因为模型“偶尔很聪明”而付费；客户只会因为系统“持续把事做成”而付费。换句话说，企业真正购买的不是智力峰值，而是结果的耐久性。Harness（因目前尚无统一中文译名，下文沿用英文）的出现，让把模型偶发的聪明塑造成企业可用、可控、可持续的稳定产能，成为现实。
换句话说，Harness把模型的能力从可展示变成可交付，没有Harness，智能体更像一个高潜力但不稳定的实习生；有了Harness，智能体才开始像一个被纳入规则、节奏、责任与反馈系统中的正式组织成员。
因此，企业家要把问题重新问一遍：我们到底在争夺什么？不是争夺谁先接上模型，而是争夺谁先把自己的独特资产，转化为可以被智能体持续调用、持续校正、持续积累的结果机器。
企业AI转型的四步跃迁
管理者行动指引
管理者的首要任务不是评估哪个模型最强，而是审视自身：我们有没有把独特的业务判断和执行流程，转化为智能体可以持续调用的系统资产？
02
重新认识企业资产：
真正有价值的不是数据，而是判断
明确了“可持续交付结果”这一核心命题后，下一个关键问题随之浮现：企业到底拥有哪些独特资产？答案远不止数据。
企业家最容易高估的是私有数据，而最容易低估的是私有判断和私有执行权。事实上，企业真正难复制的，不只是你掌握了多少事实，而是你如何解释事实、在什么边界内行动、遇到例外时如何处理，以及谁有权限推动真实世界发生改变。
从这个角度看，企业的独特资产至少有五类，而且它们都需要被改造，才能进入智能体时代。
企业的五类独特资产及其改造方向
识别出五类资产之后，更深层的问题是：这些资产如何才能从人能理解变成机器能调用？企业里最常见的误解，是把数据直接等同于资产。
实际上，数据只是最底层原料，只有当它被解释、被判断、被协议化以后，才会变成能驱动智能体持续工作的东西。
如果企业停在报表和摘要层，智能体最多只能帮你更快地看见问题；只有当企业进一步把“什么叫好、什么时候有风险、下一步应该怎么做、什么证据算完成”写出来，智能体才开始真正形成生产力。
数据上升为知识、判断与协议的五层阶梯
管理者行动指引
建议管理者对照上述五层阶梯，评估本企业目前停留在哪一层。如果连“判断”层都尚未外化，那么再多的数据接入也难以产生持续价值。优先将最关键的三到五条业务判断规则写成可执行的标准文档，是投入产出比最高的第一步。
03
知识架构：
给智能体一张地图，而不是一本1000页的说明书
理解了资产阶梯之后，企业面临一个非常实际的问题：如何组织这些知识，才能让智能体高效使用？答案不是把文档都扔进去，而是搭建一套分层的知识架构。
这就引出第一个真正的基础设施问题：企业不是缺文档，而是缺知识架构。很多公司一听到知识库，第一反应是把文档喂给模型，或者做一个向量检索（即 RAG，一种让模型从外部文档中检索信息再生成回答的技术）。
这样做可以解决找资料的问题，却解决不了“谁是权威版本、信息应如何分层、哪些内容可以被执行、哪些内容已经过期、不同角色如何在多轮任务中继承状态”这些更根本的问题。
OpenAI一个非常有力量的教训是：不要给智能体一本1000页的说明书，而要给它一张地图。地图的含义不是少写，而是分层写；不是把一切都塞进上下文，而是先提供稳定入口，再让智能体按索引与链接逐步深入。
Claude Code团队把这种方法明确称为“渐进式披露”：先给入口，再给搜索，再给递归探索的路径。
从企业角度翻译，你的知识库必须同时扮演三个角色：组织的记忆系统（告诉智能体这家公司是怎么想的）、导航系统（告诉智能体下一步该去哪里找答案），以及操作系统的一部分（告诉智能体哪些内容能直接拿来执行，哪些需要先验证，哪些必须升级给人）。
一套完整的知识架构，从外到内应当包含五个层次，如下图所示：
一套完整的知识架构从外到内应包含的五个层次
当知识架构准备好之后，第二个跃迁才开始：让模型从会回答问题变成会完成工作。这里最重要的变化，不是换一个更强模型，而是改变智能体的动作空间。
智能体并不是一个抽象的大脑，它总是在某个具体环境里行动：能搜索什么、能读取什么、能调用什么、能询问谁、能写入哪里、能否验证结果，这些才是真正决定产出的因素。
Claude Code团队在设计工具时有一个很有启发性的视角：工具必须与模型当前的能力画像相匹配，而不是越多越好、越通用越好。
早期模型可能需要To-do清单来防止跑偏；当模型进步之后，清单反而会变成束缚。同样，结构化的提问工具能显著降低人与智能体的沟通摩擦：当任务存在关键歧义时，Harness不能假装问题不存在，而要显式设计“澄清入口”。
在搜索上也有一个重要的转变——早期的做法是先替智能体把相关上下文找好再送给它；后来发现，给智能体搜索工具、让它自己递归探索，反而更有效。这意味着企业不应只投资于把内容扔给模型，更要投资于让模型有能力自己构建上下文。
04
为什么单个Agent不够：
企业级智能体系统的七种典型失败模式
当智能体开始真正“做事”之后，企业很快会发现：单个智能体在真实环境中会反复出错。问题大多不是出在“智力不够”，而是出在系统没有设计好。这些结构性失败有规律可循，大致可以归纳为七种典型模式：
企业级智能体系统的七种典型失败模式
把这些失败模式放回企业语境，其实非常容易理解：这和管理一个换班团队几乎一模一样。你不会让新员工第一天就独立做完一整个系统；你不会接受“我觉得差不多了”作为交付标准；你不会允许上一班离开时不写交接。
Harness只是把这些原本由优秀管理者凭经验完成的动作，机械化、系统化、持续化了。这也是为什么可靠的智能体系统，本质上是一组清晰合同在运转——意图合同说清目标与边界，执行合同说清工具与权限，完成合同说清什么证据能证明“完成”。在行动前就把这三份合同写清楚，远比事后靠人猜它有没有做对更有效。
管理者行动指引
建议管理者用这张失败模式清单做一次“压力测试”：让团队检查当前智能体项目是否存在上述任何一种失败模式，并针对每个发现的问题，指定专人设计对应的防护机制。
05
Harness：
企业智能体真正的操作系统，也是控制闭环
上述七种失败模式共同指向一个结论：企业需要的不只是一个聪明的智能体，而是一整套管控系统来约束、调度、纠偏和持续改进它。Harness不是给智能体再包一层的小修小补，而是企业级智能体系统真正的操作层。
但如果只把Harness理解成技术操作系统，还不够深，它更本质的作用来自一个朴素的思想：让系统自己对结果负责。Harness对企业智能体做的，是先定义想要的结果是什么，再让系统具备感知、执行和修正能力，使它不断向目标靠近。
Harness的控制闭环
Harness 通过“目标与标准→上下文递送→智能体执行→验证与观察→追踪与学习”五个环节形成闭环。关键在于反馈回路——系统将每次执行中发现的偏差记录为轨迹数据，再用这些轨迹持续更新规则与标准，实现自我校正与持续改进。
这七个环节少一个都不完整。很多企业今天实际上只做了其中两个：工，也就是工具接入；图，也就是做一点检索。
但没有规，智能体就不知道什么叫真正好；没有验，它就没有办法证明完成；没有学，系统每次都从同样的错误重新开始。真正的企业级转型，不是把“会做事”做出来，而是把“会越做越稳”做出来。
06
企业家角色的根本转变：
从亲自做事者，到系统设计者
技术架构只是故事的一半。当Harness开始重塑工作方式，企业的组织逻辑也必须同步演进。管理者的角色正在发生根本性转变。
OpenAI有一句非常传神的话：人类掌舵，智能体执行。真正变化的不是某个岗位会不会被替代，而是组织的控制点上移了。过去优秀员工的价值，很多体现在亲自把事做成；以后更高杠杆的价值，越来越体现在定义目标、写清标准、设计反馈、处理例外。
这带来至少五个深层后果。
● 第一，文档不再是附属物，而是基础设施——不写下来，智能体就会以机器速度、全天候地按自己的平均直觉做事。
● 第二，品味会被编码，那些过去靠高手口口相传的质量感，会被写成规则、评分卡与自动规范检查机制。
● 第三，中央边界会变得更重要，而局部自由会变得更多：边界必须统一，边界内的实现可以放权给智能体。
● 第四，人类注意力比人类劳动更稀缺，组织的瓶颈会从谁来做转向谁来判断与批准例外。
● 第五，等待成本会显著上升，而纠错成本会下降，这会倒逼企业重新设计审批与合并机制。
这也是为什么完全依赖人工审查很快会成为瓶颈。随着智能体产出速度抬升，传统逐项审批会越来越不经济。更合理的做法，是把大量重复性判断提前写成规则，只把真正高风险、真正需要常识与责任承担的节点交给人。
在组织层面，专家从亲自处理大量重复个案，转向把判断抽象成规则、只处理高风险例外；经理从盯过程催执行，转向定义目标状态、观察偏差、调整约束；IT与业务的边界也在重新划定——业务、平台、风险需要共同拥有任务合同与验收标准。
最根本的变化是：文档首先服务于机器可读与多轮继承，复盘不再停留在经验分享，而是沉淀为执行轨迹、评分规则与系统更新。
组织变革背后，是更深层的经济逻辑变化。Harness不仅改变了企业内部的运作方式，也正在重新定义企业的竞争优势和商业模式。
从企业家的角度，Harness的意义不仅是提高效率，更是改变商业模式。客户不会为“我们用了什么模型”付钱，他们只会为“任务有没有被稳定完成”付钱。也正因为如此，Harness使企业第一次有可能把原本藏在内部的能力，封装成按结果计价的服务。
例如，一家有二十年安全生产数据与专家经验的工业企业，真正有价值的并不只是历史数据本身，而是什么信号意味着风险、什么偏差应该被立即升级、什么检查顺序最能发现隐患、在什么条件下允许继续生产这一整套判断与处置协议。
把这些内容知识化、工具化、验证化，就可能形成一个按次收费的安全审计智能体服务——你卖的不再是软件功能，而是稳定的审计结果。
这会重写企业护城河的构成。未来最稳固的护城河往往有四层：私有上下文（别人拿不到的事实与历史）、私有判断（别人拿到数据也学不会的标准与品味）、私有工作流连接（别人无法轻易接入的工具、权限与执行入口），以及私有轨迹（系统在真实任务中积累下来的失败样本、修正路径与评估语料）。
这里有一个非常重要的投资原则：模型会越来越像标准品，而轨迹、评估语料和真实工作流连接会越来越像长期资产。提示词会贬值，验证集会升值；孤立的概念验证（PoC）会贬值，嵌入业务闭环的Harness会升值。
管理者行动指引
未来企业家做投资决策时，至少要反复问三遍：这项投入会不会随着模型进步而迅速过时？它有没有连接到我们独特的数据与工作流？它能否随着更强模型插入而自动受益？能自动变强的层，价值最高；只是弥补当前模型短板的投入，就应该少做、可替换。
07
从概念验证到闭环：
一条适合企业家的 90 天启动路线
战略方向明确之后，企业家最关心的问题是：具体该怎么开始？
对企业家最有用的做法，通常是一条90天路线，而不是一份三年大蓝图。90天的目标不是彻底重构公司，而是证明三件事：你的隐性判断能被外化；智能体能在真实系统里完成有价值的动作；Harness能显著降低漂移、返工与人工盯防成本。
一个好的起点，通常同时满足六个条件：任务频率足够高、完成后价值足够清晰、结果至少部分可验证、风险边界相对可控、关键上下文主要掌握在企业内部、完成结果能够进入真实系统而不是停留在聊天窗口。
最常见的错误是要么选了极其复杂、不可验证的任务，要么只做一个信息问答原型以为这就叫转型——正确路径介于两者之间：选一个足够重要、但又能定义“完成”的工作流，把它跑通成闭环。
从概念验证到闭环：一条适合企业家的 90 天启动路线
在推进转型的过程中，还需要警惕六种反复出现的认知陷阱。
● 第一，有数据等于有资产——只有当数据被上升为判断与协议、并能被验证调用时，才会形成可复利资产。
● 第二，RAG（向量检索）等于知识库——RAG 只是检索手段，知识架构还包括分层、权威性、记录、机器工件与继承机制。
● 第三，有智能体等于能自动化——没有 Harness，智能体只是偶发有效；有闭环之后才会变成稳定产能。
● 第四，最强模型最重要——模型决定上限，Harness决定你能把多少上限变成结果。
● 第五，Harness越复杂越厉害——每个脚手架都在编码一个暂时假设，模型变强后要敢于删掉。
● 第六，这件事交给技术团队做就行——真正稀缺的是业务判断与验收标准，必须由经营层共同参与。
08
结语：
真正的竞争，不是谁先接上模型，而是谁先成为“掌舵者”
把这篇文章压缩成一句话，就是：企业AI转型并不是把模型接入企业，而是把企业家的判断写进系统，并让系统围绕结果持续校正自己。数据是原料，知识架构让原料可继承，智能体让知识开始行动，Harness则让行动可以被管理、被证明、被复制、被放大。
谁先完成这一步，谁就不再只是拥有一个会聊天的模型，而是拥有一套会工作的企业能力系统。这也是为什么下一阶段真正的竞争，不是拼谁更懂模型，而是拼谁更懂自己的业务、并且有能力把这种理解转化为机器可读、可执行、可验证、可进化的规则。
那时，企业家真正的工作也会被重新定义：不再是转阀门的人，而是设计调速器、定义目标状态、并持续掌舵的人。
一言以蔽之：数据解决“看见”，知识架构解决“继承”，智能体解决“行动”，Harness解决“负责”。企业真正的飞轮，不是模型越来越聪明，而是你的判断越来越可计算、你的执行越来越可验证、你的系统越来越会自我修正。
参考文献：
1. Justin Young，《Effective harnesses for long-running agents》，Anthropic Engineering Blog，2025年11月。
https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents
2. Prithvi Rajasekaran，《Harness design for long-running application development》，Anthropic Engineering Blog，2026年3月。
https://www.anthropic.com/engineering/harness-design-long-running-apps
3. Ryan Lopopolo，《Harness engineering: leveraging Codex in an agent-first world》，OpenAI，2026年2月。
https://openai.com/index/harness-engineering/
4. LangChain团队，《Improving Deep Agents with harness engineering》，LangChain Blog，2026年2月。
https://blog.langchain.com/improving-deep-agents-with-harness-engineering/
5. Thariq Shihipar，《Seeing like an agent: how we design tools in Claude Code》，Claude Blog，2026年4月。
https://claude.com/blog/seeing-like-an-agent
6. LangChain团队，《Agent Frameworks, Runtimes, and Harnesses—oh my!》，LangChain Blog，2025年10月。
https://blog.langchain.com/agent-frameworks-runtimes-and-harnesses-oh-my/
7. Birgitta Böckeler，《Harness engineering for coding agent users》，martinfowler.com，2026年4月。
https://martinfowler.com/articles/harness-engineering.html
8. Philipp Schmid，《The importance of Agent Harness in 2026》，philschmid.de，2026年1月。
https://www.philschmid.de/agent-harness-2026
文中图片来自图虫创意，转载需获授权。
点击下方卡片，关注长江商学院
热门跟贴