别再给企业造 Agent 了，他们并不需要|agent|前沿模型|智能体|经营

企业 AI 的卡点：从工具提效走向经营系统。

编辑丨李希

AI 在企业里的普及，早已不需要更多证明。

真正值得追问的是另一件事：模型接进去了，工具也铺开了，为什么企业迟迟没有等来预期中的经营跃迁？

这也是在上海 WTCC 论坛上，企业级智能体公司特赞科技试图回应的核心问题。相比“企业该不该用 AI”，创始人范凌提出了一个更具体的命题：企业到底还缺什么，才能让 AI 不只是停留在辅助工具层，而是真正进入经营链路。

麦肯锡 2025 年全球 AI 现状调研给了一个颇具反差的切面：88% 的企业已在至少一个职能中常态化使用 AI，但真正进入规模化阶段的企业只有约三分之一，完成全面部署的更只有 7%；即便已经在用，也只有 39% 的受访者认为 AI 对经营利润（EBIT）带来了实质影响。这组数据放在一起看，问题并不复杂——AI 的确进入了企业，但主要停留在局部提效与试点探索，还没有真正进入企业经营系统。

当个人智能体（Personal Agent）如雨后春笋般涌现，企业级 AI 的下半场将如何展开？

"现在的问题，不是模型不够强，

而是系统还不够像企业"

企业今天卡住的地方，不在模型可用性，而在系统缺少足够贴近真实经营过程的认知结构。

这并不难理解。

通用模型已经可以很好地完成总结、生成、改写、分析等大量任务，对个人而言，它们已经是高频工具；但企业经营从来不是一系列离散问答，而是一整套持续运转的复杂系统，外部有客户、渠道、市场和竞争信号，内部有流程、资产、角色分工、权限体系以及历史决策逻辑。模型如果无法进入这套系统，即使局部能力再强，也很难稳定映射到经营结果。

范凌在交流中提到，企业真正缺少的，不是"会做事"的 AI，而是"知道为什么做、该不该做、做完之后如何继续做"的 AI。

这也是为什么，很多企业对生成式 AI 的感受相当一致：处处都在用，但总觉得没有真正融进业务里。原因不完全在模型，也不只是因为系统集成不够，而是 AI 还没有获得足够贴近现实决策的结构。

比起生成能力，

更关键的是理解"人为什么会做出选择"

在企业经营里，很多关键问题都不是流程问题，而是偏好、判断、动机和情境问题。用户为什么停留，为什么转化，为什么流失；同样一段内容、一个产品表达、一种沟通方式，为什么对一类人有效，对另一类人无效——这些问题决定的是经营动作的方向，而不仅仅是动作执行的效率。

范凌的判断是，如果企业 AI 只是在"更快地生成内容"这一层进步，那么它带来的大多仍然只是提效，而不是经营系统的升级。因为系统还没有回答那个更前置的问题：什么值得做。

范凌把这套思路概括为一个更完整的提法："两个世界模型"。一个是主观世界模型，由外而内，理解用户是谁、想要什么、为什么这么做；另一个是企业世界模型，由内而外，理解企业自己是谁、有什么能力、积累了什么认知。两个世界在同一个系统中交汇，企业 AI 才真正从"理解用户"走向"驱动经营"。

所以，主观世界模型真正重要的地方，不在于它为用户贴了更多标签，而在于它试图逼近一个更难的问题：人在具体情境中如何形成判断，又会在什么条件下改变判断。对企业来说，这意味着系统不再只是对历史数据做表层匹配，而是开始尝试理解：什么样的信息会触发反应，什么样的节奏更容易形成决策，什么样的表达更可能带来经营结果。

如果说传统生成式 AI 解决的是"能不能做出来"，那么主观世界模型所指向的，是"为什么值得做"。而一旦这一层成立，AI 在企业中的位置就会发生变化：它不再只是一个加速器，而开始成为经营判断的前置系统。

从"生成器"走向"场景系统"，

是企业 AI 的真正门槛

不过，理解用户并不等于进入企业。

主观世界模型之所以重要，不只是因为它更懂客户，而是因为它让企业 AI 开始真正进入场景。

单纯的生成能力之所以在企业里很快遇到天花板，原因并不复杂：真实经营场景里的问题几乎从来不是"一轮输出"就能解决的。任何一个真实业务动作，都至少伴随着几层连续判断：这个方向值不值得推进，这种表达是否适配当前用户，这个动作进入市场之后会引发怎样的反馈，如果反馈不及预期，后续又该如何调整。"企业需要的，不是一次响应更聪明，而是一个任务能不能被持续推进下去。"

范凌提到一个很核心的区分：今天很多 AI 产品更像 Copilot，它们擅长局部提效，但默认前提仍然是人持续主导全过程，系统只在局部节点提供支持。可经营活动本身不是一串孤立节点，而是一个跨时间、跨角色、跨系统的连续过程。只要系统没办法在这个过程中保留目标、调用上下文、接收反馈并修正动作，它就更像高级工具，而不是企业真正需要的智能体。

也就是说，企业真正需要的不是一个只会生成答案的系统，而是一个能够贴着场景持续运行、围绕目标不断修正路径的系统。

这听起来像是一个细小差别，实际上却几乎决定了企业 AI 的上限。

如果沿着这个逻辑往下理解，长程智能体的价值就清楚了。它不是完成一次回答，而是在执行中保留状态，在反馈中修正判断，在多系统之间调度资源，并在关键节点把结果交还给人完成更高密度的决策。WTCC 论坛上，范凌展示了特赞的GEA 长程智能体，如何跑通 Signal、Plan、Create、Evals 这一闭环：先识别市场和用户信号，再形成行动计划，随后生成内容和动作，最后根据结果反馈持续评估和校准。这也是特赞科技的GEA 长程智能体产品与通用智能体的最大区别。

它的重要性不在于提出了一个新术语，而在于它第一次比较完整地把企业智能系统从"被动回答"推进到了"持续运行"。

企业能不能长出长程智能体，

取决于自身积累能否进入系统

当然，企业并不会因为拥有长上下文模型，就自动获得长程智能体。中间还隔着企业自身的场景积累、判断积累和系统积累。

系统要真正进入经营，不可能只靠基础模型。它还需要逐步吸收企业自己的内容资产、品牌边界、流程规则、渠道反馈、历史经验，以及最关键的那部分专家判断。因为真实经营中最值钱的知识，很多并不写在文档里，而存在于资深从业者的取舍逻辑里：什么值得做，什么不该做，什么表达虽然流畅却偏离品牌，什么反馈只是噪音，什么变化必须立即响应。

这些恰恰对应"两个世界模型"中的另一半——企业世界模型：由内而外地理解自己是谁、有什么能力、积累了哪些认知。只有当企业自己的场景理解、判断逻辑和任务链路持续沉淀进系统，主观世界模型所理解的用户，才能真正落到企业自身的经营动作上。

如果这些判断无法逐步沉淀为系统资产，那么企业 AI 很容易停留在"通用聪明"，却很难长成"业务可靠"。

某种程度上，这也是企业级 AI 最终的竞争点所在。真正值得比拼的，不会只是模型能力本身，而是谁更早把自己的场景理解、专家判断和任务逻辑，沉淀成一种可调用、可校准、可复用的系统能力。从这个意义上说，所谓主权智能，并不是一个空泛口号，而是一条非常具体的演进路线。