模型迭代越来越快，Agent与Harness正在推动AI从“回答”走向“行动”。个人用户已经可以借助AI完成写作、编程和深度研究等复杂任务，但在企业端，AI进入核心业务的速度仍慢于市场预期。AI技术能力快速跃迁与企业应用相对滞后之间，正在形成一道越来越明显的落差。
这意味着，企业AI竞争正走入面向生产场景的深水区。员工使用聊天机器人、办公助手，并不等于组织获得了生产力。只有当AI接入企业的私有数据、业务系统和决策流程，并推动岗位分工与生产流程发生变化，技术能力才会转化为经营结果。
在这条路径上，每日互动并没有把AI视为对原有数据智能业务的替代，而是将其视为公司数据能力向企业AI生产场景的延伸。过去的数据智能业务重点解决数据归集、治理、加工和应用的问题，今天的AI业务则进一步回答：如何让模型安全、持续地使用企业私有数据。DI是数据价值释放的一条路径，AI让数据以更自然、更高频的方式参与生产，两者共享同一套“数据基因”。
基于这一判断，每日互动当前形成了两条相互支撑的业务主线：一方面，继续深耕商业服务、公共服务等数据智能场景；另一方面，以“个知·智能工作站”为入口，拓展面向企业、政府和科研机构的AI应用。前者沉淀数据治理、行业Know-how与复杂项目经验，后者则把这些能力封装为本地数据底座、应用套件和组织共创机制。
从整体上看，每日互动的AI业务由四个相互衔接的部分构成：以个知·智能工作站为产品载体，在其上构建起办公、科研、知识库及仝系列产品，通过CCE（Co-Create Engineer，AI共创工程师）与DVD（Data Value Developer数据价值开发者）推动产品落地，并面向不同需求和客群，形成标品、标类、标杆三种业务模式。
个知·智能工作站承担数据、模型、安全和系统连接等基础能力，其核心架构是“数据本地化、模型分层使用”。原始资料、会议内容、业务文档和系统数据留在企业可控空间，模型则根据客户的预算和安全要求，以公有云、专有云或私有云方式灵活接入。
小型企业可以使用公有云模型，中型企业可以通过专有云实现上下文“流而不留”，大型企业则可以接入自身私有模型。每日互动不绑定单一模型，而是持续接入更适合不同任务的模型与Harness能力。
在工作站之上，每日互动形成了覆盖办公、科研和知识管理的应用体系。其中，办公套件包含会议纪要、写作助手和智能问答，覆盖信息整理、内容生成和知识查询等日常办公需求；科研套件包含深度研究、深度求学和深度编辑，支持研究、学习与内容编辑等任务；知识管理套件则通过站内文件、知识管理和知识广场，帮助企业管理本地资料、沉淀和共享内部知识。
在此基础上，每日互动此次进一步推出仝系列产品。其中，仝人参谋面向研究分析与辅助决策，仝人编程帮助业务人员将需求转化为应用，仝掌柜负责代码安全检测、本地部署和密钥管理。仝系列产品使工作站从数据与模型的连接载体，进一步延伸为企业AI应用的运行平台。
产品进入企业后，还需要相应的落地机制。每日互动通过CCE与DVD协同推进：CCE负责共创开发、系统连接和部署实施，DVD负责识别数据价值、挖掘业务场景。两者共同将企业需求、私有数据和现有业务系统连接起来，并帮助客户在内部形成持续使用AI的能力。
面向不同客户需求，每日互动形成了标品、标类、标杆三种业务模式。标品针对具有共性需求的客户，以知识问答、会议纪要、专业写作等标准化产品实现规模交付；标类面向垂直行业客户，将相似的专业需求沉淀为行业化解决方案；标杆则面向头部大型企业，通过深度共创解决复杂场景问题。
由此，个知·智能工作站、办公套件、科研套件、知识管理套件、仝系列产品、CCE与DVD落地机制以及三种业务模式，共同构成了每日互动从产品能力到客户交付的AI业务架构。
据每日互动CEO方毅的介绍，每日互动已经形成约100名CCE，可同时服务约50家企业。其设计并不是让服务团队长期替客户“包办”，而是要求企业负责人带队，组织5至10名业务与技术骨干参与共创，在真实任务中完成应用开发、系统连接和组织训练。这样既降低了对高成本驻场团队的依赖，也试图避免企业AI交付随着项目数量线性增加人力。
因此，每日互动争夺的并非基础模型市场，也不仅是一台硬件设备的销售机会，而是模型和算力之上的“中间一层”：向下兼容快速变化的模型、Agent和Harness，向上承接企业私有数据、业务系统与应用，最终以工作站、应用套件和共创服务构成一套Dataware。
方毅将其类比为个人计算机时代的“Windows+Office”——底层硬件可以逐渐标准化，但决定企业能否真正用好AI的，仍是操作环境、应用工具与数据体系。
这也是每日互动从DI走向AI的战略延续，每日互动试图进一步实现“能人放大、人能放心”。前者指向AI释放生产力，后者指向私有数据和安全边界。围绕企业AI所处阶段、中国式落地路径、私有数据安全以及中间层机会，爱分析与方毅进行了交流。
以下为本次访谈实录，在不改变原意基础上略有修改。
01
企业AI不是让员工“看AI干活”，而是改变生产方式
爱分析：从全球市场看，个人使用AI已经相当普遍，但企业核心业务中的落地仍然偏慢。您认为企业AI目前处于什么阶段？
方毅：现在还处在从工具使用走向生产方式重构的阶段。很多企业给员工开放了模型和Token，大家会写材料、做总结、查信息，但这更多是局部提效。真正的企业AI，不是一个人坐在那里喝咖啡，看AI替他干活，而是生产关系和生产流程都要变化。
工业时代，一个人可以同时看十台、二十台织布机，哪台断线了就去处理。未来的知识工作也会类似：一个人同时管理多个Agent、多个任务流，人负责目标、判断、异常处理和结果验收。如果组织结构完全不变，只是多买了几个AI账号，生产力不可能充分释放。
最近有些企业开始限制Token，我认为这是阶段性的成本校正，不是大趋势逆转。企业对AI的投入还会增加，但会更看重投入是否对应真实产出，哪些任务值得用最强模型，哪些任务可以用更便宜的模型，管理会变得更精细。
爱分析：AI几个小时就能做出原型，但很多企业项目仍然迟迟不能上线。为什么Demo和生产之间还有这么大距离？
方毅：我经常讲一句话，“大T=3小T”。AI把第一个原型做出来，往往只是完成了第一个小T；从原型变成真正可用、可部署、可维护的产品，通常还要再投入数倍时间。
后面的工作包括数据准备、系统接入、权限设计、安全检测、测试部署，以及和业务人员反复对齐。老板看到AI三个小时做出一个页面，会觉得三天就能上线；程序员知道后面还有大量工程工作，所以会更谨慎。两边都没有错，只是对“完成”的定义不同。企业AI不能停留在Demo，必须把原型继续打磨成可以进入生产环境的产品。
爱分析：除了技术和产品，企业要真正用好AI，还需要发生哪些组织变化？
方毅：首先，企业负责人要亲自使用AI。只有自己写过代码、做过深度研究、让AI完成过真实任务，才知道它能做什么、不能做什么，也才能给组织设定合理目标。
其次，业务人员和技术人员必须一起进入场景。我们的做法是让企业负责人带着5至10名骨干来共创，先用两周左右完成一个长期想做、但一直没有落地的任务，再由CCE陪同回到企业，连接财务、CRM、OA等内部系统。企业内部还要培养DVD，持续发现数据价值和新场景。我们不是替客户做完一个项目就离开，而是帮助客户把使用AI的能力长在组织内部。
02
中国企业AI不能简单复制Palantir
爱分析：市场会把每日互动跟Palantir进行对比。您认为Palantir的路径中，哪些可以借鉴，哪些不能直接复制到中国？
方毅：可以借鉴的核心，是让AI和软件真正进入客户的私有数据与业务流程，而不是停留在通用工具层面。企业最有价值的东西，本来就不在公开互联网上，而是在它的客户关系、研发资料、生产记录、会议内容和多年形成的Know-how里。
但它的交付方式不能简单复制。Palantir一个客户可以贡献数百万美元预算，因此能够派出昂贵的FDE团队长期驻场。中国不是缺工程师，而是很少有客户能长期承担这样的费用。如果每个需求都派一支团队磨半年，业务规模很快就会被人力锁死。
所以我们采用CCE（Co-Create Engineer，AI共创工程师）和DVD（Data Value Developer数据价值开发者）的共创方式：关键环节做重，让老板和核心员工真正上手；长期交付做轻，把方法、工具和能力留在客户内部。中国式路径必须同时解决效果、成本和规模化三个问题。
爱分析：您提出“标品、标类、标杆”的AI业务思路，这三类业务如何形成规模化能力？
方毅：标品解决所有组织都需要的共性问题，比如知识问答、会议纪要和专业写作。标杆是和头部企业一起做深，哪怕投入比较大，也要通过复杂场景理解大企业怎么使用AI。标类最难，它要把某个行业中反复出现的需求抽象出来，变成可以复制的产品。
三者要形成循环：标杆项目让我们看到真实的高难度问题，标类把行业经验沉淀下来，标品则不断提高复用率。未来不可能靠一句“赋能千行百业”解决所有问题，必须一类一类地做，先找到高频场景，再等模型能力继续进化。
爱分析：市面上知识问答、会议纪要和写作已经有大量产品，每日互动为什么还要把它们作为标品持续投入？
方毅：因为看起来相同的功能，放到企业里，对准确性和可靠性的要求完全不同。我们用九个字概括：查得准、分得清、靠得牢。
“查得准”不仅是对知识库做检索，还包括对数据进行问答，答案要能回到明确的依据；“分得清”是会议纪要里能够识别不同发言人，即使更换会议室或声学环境，也要尽可能保持稳定；“靠得牢”是专业写作不能一本正经地胡说，关键提法、科研表达和事实来源都要有可信语料支撑。
企业不会因为功能名称相同就买单，真正的差别在于，它能否在严肃场景里持续给出可核验、可使用的结果。
爱分析：面向标类和垂直行业应用，每日互动会训练自己的垂直模型吗？
方毅：我们不会把重点放在训练垂直大模型上。更准确地说，我们要做的是模型的垂直应用。基础模型的能力还在快速提升，很多专业任务没有必要从头训练一个大模型。
真正进入企业场景时，通常是企业私有知识库与大模型结合，再配合若干解决具体任务的小模型。例如身份识别、数据聚类、图像识别等能力，都可以通过小模型完成。现在AI也可以辅助训练这些小模型，人只需要把需求、样本和判断标准讲清楚。
所以，我们的重点是把模型能力放进制造、科研等具体业务场景，解决真实问题，而不是在基础模型层面重复投入。
03
让AI使用私有数据，既要“能人放大”，也要“人能放心”
爱分析：如果用一句话概括每日互动的AI战略，您会怎么说？为什么私有数据是其中的核心？
方毅：我会概括为八个字：能人放大，人能放心。“能人放大”是让有判断力、有经验的人通过多个智能体，把能力放大几倍；“人能放心”是企业的数据、密钥和权限必须掌握在自己手中。
从企业视角看，Token消耗战背后也是企业知识消耗战。源代码、业务文档、会议记录、提示词，以及员工在一次次任务中形成的上下文，本质上都是企业知识。模型越聪明，越能理解这些材料，它们的价值和泄露风险也就越高。
所以我们的主线一直很明确：让AI把私有数据用起来，但不是让企业为了使用AI，把自己最重要的知识全部交出去。原始数据应该留在企业可控的本地空间，模型能力可以根据需求灵活选择。
爱分析：每日互动为什么最终选择“数据本地化、模型分层使用”的架构？
方毅：我们走过一些弯路。完全私有化部署在技术上可以实现，但在中国市场，大多数企业承担不起足够强的算力和持续运维成本；把量化后的模型放进一体机，成本下来了，模型能力又不够，严肃场景很难用。
所以我们最后选择把数据留在工作站或企业内部，模型按客户条件分层：小企业可以使用公有云，中型企业使用专有云，大企业可以接入自己的私有云。专有云最重要的是做到上下文“流而不留”，模型完成推理，但不沉淀客户的上下文。
这套架构不是追求一种绝对方案，而是在安全、智能和成本之间做现实选择。企业规模、数据敏感度和预算不同，路径也应该不同。
爱分析：近期，每日互动率先接入了DeepSeek Harness。Agent和Harness能力越来越强，会给企业安全带来哪些新的挑战？
方毅：Harness让Agent有了更强的行动能力。传统程序按固定流程执行，不会越界；今天的Agent会自主探索，就像一只“会打洞的龙虾”。Agent能力越强，我们越不能简单地把所有文件、系统接口和密钥一次性开放给它。
每日互动已经完成DeepSeek Harness的接入与测试，但把它放进企业环境，首先要解决多用户、权限隔离、数据穿越和操作审计等问题。我们的原则是“受控灵活探索、固化程序执行”：在受控环境里允许Agent探索和生成方案，进入生产以后，把成熟动作链固化为可审计、可重复的程序。
我们还做了“仝掌柜”作为内部管家。外部模型和工具可以使用最强能力完成开发，但真正部署到工作站、连接内部系统时，要由仝掌柜做代码安全检测、内部接口适配和密钥管理。厨房可以使用最好的厨师，但进入企业“包厢”的最后一道门，必须由自己信得过的管家来守。
爱分析：很多大型企业已经建设了统一的AI云和算力平台，为什么仍然需要工作站？
方毅：大型企业有统一的模型和算力，并不意味着所有数据都适合集中在一起。研发、内部管理和一线业务的数据权限不同，部门之间也需要隔离。部分高敏感场景，甚至要求工作站完全脱网运行。
工作站并不是替代企业已有的云，而是把云上的模型能力与部门内部的数据、应用和权限体系连接起来。大型企业可以使用自己的私有云提供模型推理，工作站则承担本地数据管理、应用运行和部门隔离。
我认为，企业内部的数据需要打通，但不能全部汇聚到同一个系统。它更像一艘船的不同船舱：一个船舱进水，不能让整条船一起沉。AI能力越强，这种分区和隔离越重要。
04
模型会快速更替，机会仍然在“中间一层”
爱分析：基础模型和Harness都在快速变化，每日互动如何界定自己的长期位置？
方毅：模型“各领风骚”的周期越来越短，所以我们不会忠诚于某一个模型，也不准备自己做基础大模型。哪个模型在某个任务上最好，我们就接入哪个；模型、Agent和Harness都应该是可替换、可组合的。
我们的长期位置是中间一层。向下连接模型、算力和硬件，向上连接企业私有数据、业务系统和应用。未来工作站硬件可能像打印机一样逐渐标准化，但数据环境、应用套件、安全控制和持续服务不会自动出现。
我希望每日互动提供的是类似“Windows+Office”的Dataware：企业拿来以后，不需要从模型和服务器开始重新搭建，就能够安全地使用自己的数据，让AI进入真实业务。
爱分析：有人认为未来所有软件都会被对话入口取代，为什么每日互动仍然强调应用和产品化？
方毅：因为大多数用户并不懂命令行，也不会自己编排Agent。技术只有被做成简单、稳定的应用，才能真正进入大众和企业。表面上看是一个App，背后其实是模型、Skill、工作流、数据和权限的组合。
我们把它叫作“Skill App化”。例如“仝人编程”并不是只服务专业程序员，而是希望让没有编程基础的管理者和业务人员，也能把自己的想法变成工具；“仝人参谋”帮助用户使用私有资料做分析；“仝掌柜”负责把外部生成的能力安全地接入内部系统。
商业模式也会围绕这套体系展开。工作站是入口，Token是持续消耗，专业语料和行业知识决定结果质量，应用与在线升级提高复用效率。应用商店是否会成为长期收入来源还需要观察，因为很多小工具会被AI快速复制；相比之下，企业私有数据、专业语料、内部系统连接和可信交付，是更难被复制的价值。
爱分析：工作站进入企业后，每日互动如何设计长期的商业模式？
方毅：我把工作站类比成打印机。硬件是入口，不一定要靠硬件本身赚很多钱；Token像墨盒，专业数据和高质量语料像纸张。企业持续使用AI以后，这两部分会形成长期需求。
这门生意不能依赖每增加一个客户就增加一批交付人员。工作站的部署、升级和服务要尽可能在线化，商业模式也要逐步转向订阅和持续服务。否则客户越多、人员越多，规模就做不起来。
热门跟贴