过去几年，人工智能行业的关注点主要集中在大模型本身。大家关心模型能力有多强，参数规模有多大，技术还能突破到什么程度。但随着AI逐渐进入企业日常工作，一个更现实的问题摆在面前：AI如何真正帮助企业解决问题，而不仅仅停留在展示技术能力？刚刚结束的2026年世界人工智能大会，展现出了行业关注点的变化。网易副总裁阮良（中欧EMBA2023）长期关注人工智能产业发展和企业应用实践。在本文中，他结合世界人工智能大会释放出的行业趋势，从AI应用、企业实践和未来竞争等角度分享了自己的观察。
01
从工具到伙伴，
AI正在改变人与技术的关系
今年世界人工智能大会有1100多家企业参展，超过3000项展品、300多款全球首发产品亮相。
我最大的感受是，整个行业正在加速发展。
这种变化不仅来自模型能力的提升，也来自企业关注重点的变化。
过去几年，大家更多讨论大模型本身，比如参数规模、推理能力和技术突破。但今年越来越多企业开始关注一个更具体的问题：AI到底能不能进入业务场景，帮助企业解决实际问题？
大会规模的扩大，反映出AI应用正在从技术展示走向更多实际场景。
今年大会的主题是“智能伙伴，共创未来”。其中，“伙伴”这个词让我印象很深。
过去，AI更多像一种工具。人提出问题，AI提供回答，帮助完成一些辅助性工作。
但随着技术发展，AI开始参与更多工作环节。它不只是帮助人完成某个步骤，也开始影响任务的组织方式和工作流程。
今年5月，我曾提出一个判断：企业管理者的关注点，正在从担心员工不用AI，转向担心员工不会正确使用AI。
这背后反映的是企业应用AI阶段的变化。
在AI刚进入企业时，最重要的是让员工接触它、使用它，让这项技术进入日常工作。
但随着大模型能力提升，以及Agent（智能体）等应用逐渐成熟，企业面临的问题也发生了变化。
企业需要进一步思考：哪些工作适合交给AI完成？哪些环节仍然需要人的判断？如何在提高效率的同时控制风险？
这些问题说明，企业对AI的需求已经不只是购买一个工具，而是需要建立一套使用和管理AI的方法。
当然，从整体市场来看，大多数企业仍处于AI应用的探索阶段。
对于很多企业来说，第一步仍然是培养员工使用AI的习惯，让大家了解AI能够带来的变化。
但对于已经开始深入应用AI的企业，竞争重点会逐渐从“有没有AI”，转向“如何把AI用好”。
因为AI能力越强，对企业管理能力的要求也越高。
如果员工没有清晰的边界意识，就像企业引入了一名能力很强的新成员，却没有明确它的职责和工作规则。它可能提高效率，也可能带来新的问题。
因此，企业需要提前建立AI使用规范，包括工具选择、权限设置、数据管理，以及哪些环节需要人工审核。
尤其是在企业环境中，AI可能接触内部知识、商业数据，甚至参与关键业务流程。如果缺少相应管理机制，效率提升背后也可能隐藏风险。
未来企业之间的差距，不只是有没有AI工具，而是谁能够更好地组织和管理AI。
今年大会上，还有一个明显变化：越来越多企业开始展示AI能够完成什么，而不只是展示模型参数。
在展馆里，可以看到AI被用于分析数据、辅助内容生产、优化业务流程、支持决策等不同场景。
这说明行业关注的问题正在变化。
大家越来越关心的，不只是AI具备什么能力，而是这些能力能为企业创造什么价值。
02
从能聊到能干，
Agent正在进入企业工作流
今年大会上，一个非常明显的变化是，AI关注的重点正在从“会回答问题”转向“能完成任务”。
过去两年，公众对大模型的认识，更多停留在聊天、问答、生成文字和代码等能力上。
但随着应用深入，企业开始提出新的问题：AI能不能承担具体工作？能不能参与业务流程？能不能帮助完成一项完整任务？
这也是为什么Agent成为今年大会上的高频词。
今年大会的100多场论坛和活动中，有超过10%的主题与智能体相关。从工业生产到家庭生活，从仓储物流到服务场景，越来越多应用开始展示AI执行任务的能力。
这背后反映的是一个变化：AI不再只是提供信息，而开始参与任务完成。
如果说Copilot提升的是人的工作效率，那么Agent改变的可能是任务执行方式。
Copilot的工作方式，本质上仍然以人为中心。人提出需求，拆解任务，调用工具，并根据结果做判断。AI更多承担辅助角色。
而Agent不同。
面对一个明确目标，人可以设定任务要求和约束条件，Agent能够进一步拆解步骤，调用工具，获取反馈，并根据执行结果调整方案。
它不只是给出建议，而是开始参与任务推进。
当然，这并不意味着AI已经成为和人一样的员工。
更准确地说，企业正在尝试把一些重复性较高、规则相对明确的工作交给AI完成，同时保留人的经验、判断和创造力。
这也要求企业重新思考人与AI之间的协作方式。
管理AI，并不是简单地把AI当成一个员工，而是需要像设计工作流程一样，明确它负责什么，可以做什么，以及哪些事情必须由人来决定。
比如，一个Agent承担什么任务？它能够访问哪些系统？可以调用哪些数据？哪些操作需要人工确认？
这些问题都需要提前设计。
如果缺少明确规则，AI能力越强，企业面临的不确定性也可能越大。
因此，企业除了需要应用AI，也需要建立相应的管理体系，包括任务定义、权限管理、效果评估和成本核算。
企业也需要重新计算使用AI的成本和收益。
一个价格更高的模型，并不一定意味着成本更高。
如果它完成任务的准确率更高，减少了人工修改和重复处理，最终带来的综合收益可能更大。
相反，一些价格较低的模型，如果需要大量人工返工，实际成本可能反而更高。
所以，未来AI竞争不仅是模型能力的竞争，也是效率和经济性的竞争。
网易自身也在探索AI进入业务环节后的变化。
以游戏直播为例，过去工作人员需要完整观看数小时直播内容，从中筛选具有传播价值的片段，再进行二次剪辑。
如今，AI可以帮助完成内容识别和初步剪辑，大幅提升处理效率。
但AI改变的是工作中的具体环节，而不是整个岗位。
比如，一场直播为什么开展，面向什么用户，采用什么传播方式，以及哪些内容值得进一步传播，这些仍然需要人的经验和判断。
代码开发也是如此。
AI可以帮助工程师生成代码、运行测试，提高开发效率。
但对于产品需求理解、技术方案选择，以及系统架构设计，仍然离不开人的参与。
所以，我一直认为，AI改变的是工作的方式，而不是简单替代岗位。
从“能聊”到“能干”，真正发生变化的是AI在人类工作体系中的角色。
它正在从一个辅助工具，逐渐成为参与任务执行的一种新型生产力。
03
从拼参数到拼落地，
AI竞争进入产业深水区
如果说过去几年AI竞争的焦点是模型能力，那么今年大会展现出的一个明显趋势是，产业竞争正在从比较模型能力，转向比较实际落地能力。
过去一年，行业竞争更多围绕模型本身展开。
谁的参数规模更大，谁的榜单排名更高，谁率先实现某项技术突破，成为市场关注的重点。
但随着大模型快速发展，一个变化越来越明显：基础模型之间的能力差距正在缩小。
过去一年，中国头部模型在推理、代码、多模态等方向快速追赶，与全球领先模型之间的差距不断缩小。
在越来越多通用场景中，不同模型带来的体验差异，已经不像过去那么明显。
当模型能力逐渐接近，企业关注的问题也随之变化。
企业未来不会只问：“你的模型有多强？”
它们更关心的是：这个模型能不能解决我的业务问题？投入同样的成本，能不能带来更高的业务价值？
这意味着，选择AI模型变得越来越像一次经营决策。
企业需要综合考虑模型效果、调用成本、响应速度、部署难度以及长期稳定性。
这种选择可以从一个简单的经济账来看。
完成同一项任务，模型A单价更高，但消耗的Token更少，错误率更低，几乎不需要人工返工；模型B价格更低，但需要更多调用，也需要人工反复修改。
最终计算下来，价格更高的模型可能综合成本更低，而低价模型反而可能更加昂贵。
这和企业选择生产耗材很像。采购价格只是其中一个因素，更重要的是使用过程中的效率、维护成本和最终产出。
所以，企业选择AI模型时，不能只看一次调用的价格，而要看完成一项完整任务的总成本。
而且，这个答案也不会固定不变。模型能力在变化，价格在变化，企业需求也在变化，企业需要持续评估和调整。
最终决定竞争结果的，不只是模型本身有多强，而是单位成本能够创造多少价值。
因此，AI产业竞争正在从单纯的技术比拼，走向更精细的运营能力竞争。
谁能够在模型能力接近的情况下，更好地控制成本，提高交付效率，改善用户体验，谁就更有机会赢得企业市场。
但模型能力只是AI进入企业的第一步。
想让AI真正产生规模化价值，企业还需要解决组织、数据和流程等方面的问题。
我曾提出过一个“五大断层”的分析框架，包括知识断层、数据断层、流程断层、治理断层和价值断层。
从今年大会展示出的丰富应用来看，这些问题仍然是企业推进AI落地时需要面对的挑战。
知识断层：
企业有信息，但未必形成可用知识
很多企业拥有大量信息，但这些信息并没有转化为AI能够理解和调用的知识。
即使企业已经完成了一定程度的数字化，大量文档、会议记录和业务经验仍然分散在不同系统和部门。
从信息积累，到形成结构化知识，再到让AI理解并使用，中间仍然需要大量工作。
数据断层：
数据存在，不代表数据能够被利用
企业的数据通常来自不同业务系统，分布在不同部门。
很多企业并不是没有数据，而是不知道如何有效管理和使用数据。
AI理解业务，不只是把数据接入模型，更需要企业完成数据整理、治理和应用。
流程断层：
AI进入企业，也意味着工作方式变化
这是很多企业面临的难点。
因为流程调整背后，不只是技术问题，也是组织问题。
AI进入企业后，部分工作方式、岗位职责和协作模式可能发生变化，而组织调整往往涉及长期形成的习惯和利益关系。
这也是很多企业数字化转型过程中最难突破的部分。
治理断层：
能力越强，越需要明确规则
AI进入企业后，需要的不只是使用工具，更需要一套管理机制。
就像工程师进入生产线前，需要了解操作规范和安全要求，AI也需要明确运行边界。
哪些任务可以自主完成？哪些数据可以调用？哪些场景必须经过人工审核？
这些问题都需要提前设计。
尤其未来随着具身智能进入物理世界，治理的重要性还会进一步提高。
数字环境中的错误通常可以修改，但进入现实环境后，错误可能带来更直接的影响。
因此，AI治理不能只停留在制度层面，还需要工程能力支撑。
目前行业里正在形成一个共识，企业需要围绕AI建立一套“驾驭工程”，也就是Harness工程。
它包括上下文管理、工具调用、权限控制、任务状态管理、结果测试，以及失败后的恢复机制。
只有把这些能力建立起来，AI在企业中的运行才能更加稳定、可控。
价值断层：
局部效率提升如何转化为业务价值
目前AI已经能够在很多单点任务中提升效率，比如生成营销内容、总结会议、优化文档处理。
但如果企业整体流程没有打通，这些局部提升很难转化为更大的业务价值。
就像一个木桶，只提高其中一块木板，整体容量仍然受到其他短板限制。
AI的价值，不只是让某一个环节更快，而是帮助企业重新思考工作方式和组织流程。
未来企业之间的差距，不会只是拥有多少AI工具，而是谁能够把AI融入组织，把技术能力转化为持续的业务能力。
04
从技术想象到场景价值，
AI正在进入真实世界
除了企业应用之外，今年大会也让人看到，AI正在向更广阔的物理世界延伸，具身智能成为其中一个重要方向。
大会首次设置具身智能专属展区，H3展厅有300多台机器人进行动态展示。机器人行走、抓取、交互等能力，让更多人直观看到AI进入现实世界的可能性。
但在我看来，我们对于具身智能，既需要期待，也需要保持理性。
期待来自它巨大的发展空间。
如果说文本大模型改变的是信息世界，那么具身智能面对的是更加复杂的现实世界。
它不仅需要理解文字和图像，还需要感知环境、做出判断，并通过行动与真实世界产生互动。
但我们也需要看到它面临的现实挑战。
物理世界的数据积累，远远没有达到文本世界的规模。
文本大模型之所以能够快速发展，一个重要原因是人类已经积累了大量高质量数据。
书籍、论文、新闻、互联网内容、代码以及影音资料，经过长期沉淀，为模型训练提供了丰富基础。
但现实世界的数据并没有这样自然积累。
相比文字和图像，人类对于真实环境中的动作、力量、空间关系以及复杂变化，还缺少系统记录。
比如，一个杯子从桌边滑落，在不同角度、不同材质地面上会如何运动；一把螺丝刀面对不同型号的螺丝，需要怎样的力度和角度；一个人在不同环境中完成站立、行走、坐下等动作时，身体各部分如何协同。
这些数据不像互联网内容一样，可以被持续记录和传播。
因此，具身智能的发展不仅依赖算法突破，也依赖大量真实世界数据的积累。
这也是为什么我认为，具身智能短期内很难像文本大模型一样快速实现通用化突破。
但这并不代表它没有价值。
相反，具身智能更现实的发展方向，可能是在具体场景中解决明确问题，而不是马上成为一个什么都能做的通用机器人。
比如，国外有开发者基于宇树机器狗平台进行改造，将其设计成辅助行动设备，让一位多年行动不便的人能够重新走出家门，完成过去轮椅难以通过的一些复杂地形。
这个案例并不代表具身智能已经全面成熟，但它展示了一种值得关注的发展方向。
技术的价值，不在于展示多么复杂的能力，而在于是否能够解决真实场景中的具体问题。
未来几年，具身智能具有商业价值的应用，很可能首先出现在制造、物流、医疗、养老等领域。
相比追求一个“万能机器人”，在特定任务中成为可靠的智能助手，可能更符合现实的发展路径。
除了进入物理世界，AI也会继续深入企业内部。
展望未来一年，我认为，AI发展的一个重要方向，是Agent从单点应用走向更完整的业务流程。
目前很多企业使用AI，仍然集中在一些具体任务上，比如生成报告、制作图片、总结会议。
但更大的价值空间，在于让AI参与更完整的业务链路。
从需求分析、任务拆解，到执行反馈、结果优化，AI可能承担更长流程中的部分工作。
一旦这种变化发生，企业组织也会随之调整。
因为技术变化最终会影响组织方式。
当部分工作可以由AI完成，企业需要重新思考岗位如何定义、人与AI如何协作，以及管理方式如何变化。
这不是一次简单的软件升级，而是生产力变化之后，组织需要做出的调整。
与此同时，AI也需要走向更多企业，尤其是大量中小企业。
目前很多中小企业并不是没有AI需求，而是现有产品距离普及还有一定距离。
它们需要的不只是更强大的模型，也需要更简单易用的产品、更低的使用成本，以及能够直接解决业务问题的应用。
如果AI只能成为大型企业的能力，它的价值仍然没有充分释放。
AI能否进一步普及，最终取决于它是否足够简单、经济，并贴近每一家企业的实际需求。
封面和文中图片由剪映AI生成。
编辑| 田佳玮
责编| 岳顶军
点击咨询中欧课程
热门跟贴