企业级AI最大的误判：把部署Agent当成组织智能

AI 对企业最深刻的影响，最终会发生在决策与执行层。

今天的 Agent 已经能够写代码、处理文件、调用工具，但这些能力通常仍依附于单一员工的身份、权限和工作空间，在人的指令下完成任务。对企业而言，这类应用主要解决的是员工个人提效和局部流程自动化问题，还没有进入组织运行。

在爱化身科技 CTO 郭林看来，企业级 AI 的建设逻辑需要发生根本性转变。企业真正需要解决的，不是部署更多模型和 Agent，而是如何让 AI 理解企业真实的业务世界，如何基于持续产生的经营数据进行建模和推演，以及如何让大规模 Agent 在明确的身份、权限和治理边界下协同工作。

这背后对应着一套新的企业智能基础设施：通过本体定义企业中的业务对象、关系、规则和语义，让系统建立对企业的理解；通过世界行为模型理解业务状态如何变化、事件为何发生以及未来如何演进；再通过 Agent 集群，将推演和决策进一步转化为任务和行动，进入真实业务流程。

这也意味着，企业级 AI 的竞争不会发生在模型能力或 Agent 产品之间。企业数据如何被理解，不同模型如何被调度、Agent 如何协作，以及技术服务商如何深入复杂业务现场、完成交付，都将影响 AI 最终能够进入多深的业务环节，以及能否持续转化为经营结果。

围绕企业级 AI 所处的阶段、本体与知识图谱的边界、世界行为模型、Agent 集群、FDE 交付模式及未来竞争格局，爱分析与郭林进行了一次深入对话。

核心观点

企业级 AI 正在从个人提效走向组织级生产力。

当前主流 Agent 仍依附员工的身份、权限和指令，尚属于个人助手为主。真正的企业级 AI 需要理解企业，参与推演与决策、协同 Agent 协作和并持续进化。

打通数据、推演和执行闭环，企业 AI 才能实现业务价值。

本体定义企业中的业务对象、关系、规则和语义；世界行为模型基于企业运行数据理解状态变化，完成成因分析和趋势预测；Agent 则将决策进一步转化为任务和行动建议。人据此形成决策，执行结果重新反馈到系统，推动下一轮理解、决策与执行。

企业 Agent 最终会形成集群，组成协作网络。

单个 Agent 将高度专业化，不同 Agent 根据任务动态协作。企业基础设施的核心任务，是解决集群中的能力发现、任务调度、共享记忆、协作机制，以及身份、权限和安全治理等问题。

企业长期积累的业务认知，将决定未来企业智能的竞争基础。

模型可以升级，Agent 产品会快速变化，而企业数据、业务知识和组织经验更加持久。长期竞争力属于能够理解企业这些积累，并通过系统持续改善企业经营结果的 AI 厂商和企业自身。

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 Agent 还没有真正上岗

爱分析：您怎么判断当前企业级 AI 的发展阶段？

郭林：我们认为，企业级 AI 还处在早期阶段，市场上虽然已经出现了很多 Agent 和企业 AI 应用，大部分解决的仍然是个人提效问题，只有少数真正进入组织级生产力变革阶段。

今天的大模型，有点像 18 世纪电刚发明，爱迪生还在卖灯泡的时候，其他家用电器都没有出现，更别提大规模应用。大模型现在点亮了少数单点应用，但企业真正需要的，是进一步形成围绕数据、模型、Agent 和业务系统的一整套基础设施，让 AI 理解世界是怎么运转的，然后持续参与企业经营。企业级 AI 距离成为企业生产力的基础设施，还有较长时间。

当然，与电力推动电器普及相比，企业级 AI 市场的迭代速度会非常快。

爱分析：很多 Agent 已经进入企业办公场景，为什么会停留在个人助手阶段？

郭林：大多数 Agent 仍然依附于某一名员工，它的身份、权限和能够处理的事务，都与具体使用者绑定。即使处理的是企业办公任务，本质上仍然代表某一名员工工作，还不是一个能够独立参与企业协作的 Agent。

现在的个人 Agent，通常把知识、记忆和 Skill 放在本地 Workspace 或者云端工作空间里，需要人提出提示词，完成一轮任务后，还要等人告诉它下一步做什么。即使采用长任务循环，Agent 仍然处于被动执行状态。

企业真正需要的，是 Agent 部署在统一可以被定义、被调度的平台基座上，有明确的职责、权限和能力边界，以独立数字角色参与组织协作。组织可以把一项长期业务交给它，它能够自主规划、调用其他 Agent，并且阶段性汇报结果。

从 " 人的 AI 助手 " 变成 " 组织中的 AI 角色 "，是个人 Agent 和企业级 Agent 一个很重要的分界线。

爱分析：从 2024 年开始，已经有不少大型企业落地大模型和 Agent，为什么进展没有预期快？

郭林：因为企业级 AI 面对的远不只是模型能力问题。

个人 Agent 可以依赖一个人的知识、权限和工作空间，但进入企业以后，它面对的是一整套复杂的组织系统。例如，同一个 "KPI"，不同部门的定义都不一样；同一个业务指标，背后可能来自 ERP、CRM、数据仓库甚至不同部门维护的系统；不同 Agent 能看到什么数据、能调用什么能力，也需要有严格的权限边界。

现在的问题并不是模型 " 不够聪明 "，而是企业现有的数据、知识、权限和业务系统，本来就不是按照 " 机器可以直接理解和协作 " 的方式建设的。因此企业级 AI 真正需要补的，是模型下面组织级基础设施——企业语义本体层和智能体管理调度层的构建。 

爱分析：企业级 AI 从个人提效走向业务价值，需要经历哪些阶段？

郭林：我不认为它会按照几个阶段依次发展。对爱化身科技来说，几个关键模块必须同步建设和迭代。

第一，企业的数据中台要增加业务语义本体能力，目的是让 AI 读懂企业是怎么运行的。基于本体，Agent 才能够准确理解企业业务行为。知道一个数据代表什么、从哪里来、和其他数据是什么关系、在什么权限下可以使用。爱化身科技的企业 AI 系统 Agentrix 里，这一层称为 Data OS。

第二，企业需要业务推演能力。企业级 AI 系统不仅要提供数据，还要根据不同因素预测业务趋势，分析 " 为什么发生 "、" 接下来可能发生什么 "，辅助企业进行经营推演，为人提供决策依据。

第三，企业需要能够承载大量 Agent 集群协作的基础设施，让 AI 真正进入组织协作，不同的专业 Agent 按照业务分工形成协作网络。

这三层都必须建立在安全和主权 AI 的基础上，需要考虑数据不出域、本地运行、模型路由和权限治理问题。这些能力不会等一个完成后再建设另一个，而是会同时演进，最终共同组成企业级 AI 基础设施。

02

Data OS，让 Agent 读懂企业

爱分析：爱化身科技提出企业时空本体，与 Palantir 的本体、W3C 的 OWL 体系以及传统知识图谱有什么区别？

郭林：我们采取的是联合应用方式，也就是不会把某一种技术当成完整解决方案，而是根据企业实际的数据形态和业务需求，把不同技术组合起来。

Palantir 本体主要面向结构化数据，重点是说明数据代表什么、不同数据之间有什么关系，以及数据可以执行哪些操作，更接近一个连接数据定义、业务语义和操作规则的语义层。更关键，他们诞生于传统软件时代，用让人敬佩的 " 手搓本体 " 的方式建立企业本体。今天的 AI 企业，可以借助 AI 技术成熟后的本体建模的模型化、工程化的红利。

OWL 是 W3C 制定的本体语言，具有非常严格的形式化语义和推理规则，可以描述关系的传递性、对称性等逻辑，并基于已有公理推导新的结论。科研领域比较适合使用这套体系，但在企业中推广的门槛很高，业务人员甚至很多数据分析师，并不熟悉这些形式化逻辑。

知识图谱与 OWL 关系密切，通常通过实体、关系和三元组表达知识，适合梳理企业规章制度、业务规则和内部 Know-how。企业内部大量非结构化知识，都可以通过知识图谱建立关联。

例如，适合回答 " 某个部门的销售 KPI 如何定义 "、" 哪些条件成立才能计入绩效 " 等问题，但真正涉及几十万、几百万甚至更大规模的数据聚合与计算时，数据仓库等分析型数据系统效率更高。

爱化身科技的思路不是三选一，而是把企业知识、业务语义和底层数据连接起来，根据不同类型的问题选择最适合的技术。

爱分析：这套体系如何帮助 Agent 理解企业数据？

郭林：企业数据对于 AI 系统来说真正困难的地方，不是 " 有没有数据 "，而是 " 数据到底是什么意思 "。

企业里同一个概念，在不同部门可能有不同定义。比如 KPI、OKR 或者个人发展目标，看起来是几个简单的业务概念，但到了不同部门，定义、计算规则和数据来源都不一样。

语义系统首先要明确一个业务概念到底指什么，需要满足哪些规则，并把它与底层数据库中的字段和数据来源连接起来。然后再把这些业务概念映射到底层真实的数据源。

这样 Agent 在收到一个业务问题的时候，不是自己猜应该查询哪张表、哪个字段，而是先理解业务问题，再通过语义关系找到正确的数据和计算方式。

因此，爱化身科技做的不是一套单纯的本体工具，也不是把所有数据都转成知识图谱。我们把企业知识、业务语义和底层数据连接起来，形成面向企业整体业务执行的综合系统。

这也是 Data OS 和传统数据平台之间一个很重要的区别：数据中台主要解决数据汇集、治理和计算问题，而 Data OS 需要在此基础上增加语义网络，让 Agent 知道数据是什么、从哪里来、不同数据之间有什么关系，以及可以如何使用。

爱分析：企业部署 Data OS 时，需要替换现有的数据中台和业务系统吗？

郭林：不需要，我们的基本原则就是尽可能和企业现有系统解耦。企业过去已经投入大量资源建设 CRM、ERP、OA、数据中台、数据库和知识图谱，没有必要因为 AI 再全部推倒重来。

企业级 AI 还在快速变化，如果一开始就去替换企业核心系统，风险非常高。更现实的方式是在现有数字化基础设施之上增加 AI 原生能力，让两套体系先并行，再逐步融合。

03 

企业级 AI，从分析走向推演与执行

爱分析：爱化身提出世界行为模型，与具身智能领域讨论的世界模型有什么区别？

郭林：底层思路有相似之处，处理的业务域完全不同。

具身智能和自动驾驶领域的世界模型，主要是在学习物理世界中的行为规律。模型不需要预先掌握完整的物理公式，而是通过视频、语言指令和机器人的历史动作，预测下一步应该怎么行动。

比如机器人要拿起桌上的物体，或者打开门取出门后的东西，需要判断手臂怎么移动、身体怎么保持平衡，这类世界模型主要解决物理环境中的短程行为预测。

爱化身科技提出的世界行为模型面向企业经营、组织和社会行为，处理的是企业生产经营过程中产生的大量行为数据。所以一个是在物理世界中预测行为，一个是在企业经营和社会行为中寻找成因并推演趋势。

爱分析：具体包括哪些数据？

郭林：包括销售、薪酬、社保、人员流转、仓储、物流和供应商履约等企业内部数据，也包括天气、交通等外部公共数据，这些数据都可能成为某个业务结果的成因。我们希望通过多来源数据进行成因分析和趋势预测，判断企业接下来可能发生什么，从而给企业经营决策提供依据。

爱分析：大模型也可以综合多种因素给出建议，为什么还需要世界行为模型？

郭林：最大的区别是企业经营需要可验证、可追溯。大模型可以根据提示词汇总信息、生成策略，但能不能把数据、原因、结果和策略准确对应起来，目前仍然存在很大不确定性。

企业经营决策需要完整的数据血缘，也需要知道一个预测结果由哪些因素形成。我们不会让 Agent 和大模型独立承担核心决策。只有系统把数据来源、成因分析和趋势预测交代清楚，企业高管和数据分析师才能据此做出综合审慎的判断。

爱分析：能否用一个具体场景说明？

郭林：比如我们已经落地的一个城市洪涝应急场景。

AI 系统需要汇集天气、人流、交通、地形和历史积水等数据，判断未来两天哪些区域出现强降雨和积水的概率更高。在此基础上，管理人员才能决定是否提前降低水库水位、增加排水能力或者调整应急资源。

过程中，本体解决不同数据的含义、来源和关系；世界行为模型完成成因分析和趋势预测；人根据推演结果形成决策，决策确定后，相关目标和指标再写回业务系统，推动后续执行。

这是一个本体构建—数据理解—场景推演—人做决策—业务执行—结果复盘和进化的闭环。

爱分析：策略执行意味着 AI 直接控制企业的业务系统吗？

郭林：不是。企业数据系统通常可以分为分析决策型系统和业务执行型系统。分析决策型系统负责汇集数据、开展经营分析和形成决策；业务执行型系统负责订单、库存、生产等高频业务操作。

AI 更适合增强前面的分析、推演和决策支持能力，也就是主要发生在经营分析和决策场景。系统完成分析和推演后，把经过确认的备货目标、销售目标等业务指标通过 API 写回相关业务系统，具体如何执行，仍然由原有系统、业务流程和人员负责。

经营决策与高频业务执行需要保持清晰边界。AI 可以提升分析和推演能力，但生产环境中的行动，仍然需要来自自然人的权限、流程和责任机制。

04 

企业 Agent，最终会组成协作网络

爱分析：企业从单点 Agent 走向 Agent 集群，核心变化是什么？

郭林：企业不再追求一个 Agent 什么都能做，而是让不同 Agent 各自承担明确职责，相互协作，并与企业员工共同完成业务。

个人助手通常会配置很多 Skill，一个 Agent 写代码、查资料、做分析、发邮件，什么都能完成。

但企业组织本身不是这样运行的。财务、人力、销售、供应链都有自己的专业分工，所以企业里的 Agent 也会越来越专业化。

每个 Agent 只承担一个相对明确的角色，拥有相应的知识、Skill 和权限。当一个复杂任务出现以后，不会由一个万能 Agent 独立完成，而是由多个专业 Agent 通过 A2A 等机制动态协作。

所以我们认为，企业 Agent 最终不是一个超级助手，而是一张数字化的组织协作网络。

爱分析：当前的多 Agent 系统能够做到这一点吗？

郭林：目前大部分多 Agent 系统还是树形结构，一个主 Agent 把任务拆分给多个子 Agent，子 Agent 完成任务后再向主 Agent 汇报。这种结构主要解决并行调度和上下文不足的问题，管理关系相对固定。

企业里的协作关系更接近一张图。比如财税 Agent 需要查询某位员工的绩效，就要找到负责人力资源或者绩效管理的 Agent，请对方提供相应信息。不同 Agent 之间没有固定的上下级关系，而是根据任务动态建立协作。

从树形调度走向图形协作，会带来完全不同的系统问题。

爱分析：最大的挑战是什么？

郭林：最大的挑战是集群行为的涌现和安全边界。

单个 Agent 的行为相对容易观察，但大量 Agent 形成协作网络后，任务如何分配、信息如何共享、谁来控制整个过程，都是新的问题。

现在让两个 Agent 直接对话，就可能出现停不下来的情况。它们会不断回应对方，讨论范围越来越大，最终偏离原始任务。所以，Agent 互联本身不是最难的，真正困难的是如何约束集群行为，让多个 Agent 能够自主协作，同时保持任务可控、权限清晰和结果可追溯。

爱分析：传统的工作流编排能解决这些问题吗？

郭林：传统工作流本质上还是预编程，开发者提前规定每个节点做什么、下一步走向哪里，Agent 只是在既定流程中执行任务。

这种方式的优点是具有确定性，适合流程固定的自动化场景。但企业里还有大量任务没有办法提前把每一步都定义好。Agent 需要根据当前任务判断应该找谁、调用什么能力、下一步怎么做，这才会产生真正的动态协作。

企业级基础设施真正需要解决的，是 Agent 协作网络中的任务发现、能力匹配、共享记忆、权限管理和行为治理。

爱分析：爱化身目前在这一方向做了哪些工作？

郭林：我们通过 Data OS 为 Agent 提供共享的企业知识、语义和长期记忆，同时研究 Agent 之间的协作机制。

其中一个很重要的工作，是评测大规模 Agent 协作时可能出现的涌现行为和安全风险，包括死循环、任务失控和信息泄露。

整个行业发展都还非常早期，我们是最早采取动作的厂商，我们始终关注当企业 Agent 最终从个人工具发展成组织化的协作网络后，围绕这张网络形成需要建设什么样的基础设施，以及如何让它长期稳定、安全地运行。

05 

FDE 要直接对企业经营结果负责

爱分析：FDE 与传统的软件实施、驻场开发有什么区别？

郭林：我们定义的 FDE 不是强化版的驻场工程师。传统软件实施主要负责在需求已经比较明确的情况下，把一个确定的系统交付出来。企业级 AI 现在最大的问题，恰恰是很多客户知道自己要做 AI，却不一定一开始就知道最值得解决的经营问题是什么。

FDE 首先要理解客户的业务和组织。他既要懂技术，也需要结合项目经理、大客户经理和产品经理的能力。

Vibe Coding 降低了对 FDE 编码能力的要求，但对 FDE 业务判断和客户沟通能力的要求会更高。FDE 的价值是要帮助企业找到真正需要解决的经营问题，以及应该用什么方式解决。我们把这种 FDE 称之为导师型，而非服务型。

爱分析：FDE 通常需要与企业中的哪些角色沟通？

郭林：企业 AI 变革，涉及组织重构一家企业的全域数据、业务流程和组织分工，单一部门很难调动这些资源。

IT 部门懂技术，也负责在预算范围内完成系统建设，但不直接对业务收入和经营结果负责。销售、市场和运营部门对经营结果负责，却不一定理解 AI 和数据基础设施。产品部门处在两者之间，也未必有权限推动跨部门调整。

真正能够协调全局资源，并能够拍板对企业 AI 转型做出决策的，通常是董事长、CEO 或者实际控制人的角色。企业级 AI 本质上是一家企业技术和经营共同驱动的转型。

爱分析：对 FDE 个人能力的要求这么高，实际交付能依靠一个人完成？

郭林：我们说的一个企业项目对应 FDE，不是指一个人包办所有事情，背后实际上有一支团队。

前期可能由一名核心 FDE 与企业高层沟通，理解企业经营目标和关键问题。进入建设和协作阶段后，团队中还需要产品、数据和技术人员等共同参与。核心 FDE 最重要的职责，是始终明确这个项目为什么做、什么最重要，并且帮助双方管理需求优先级。

企业项目最容易出现的问题就是客户提出一个需求，团队就做一个需求，最后做了很多功能，但和最初要解决的经营问题越来越远。所以 FDE 需要帮助企业收敛需求，让技术建设始终围绕企业真正的经营目标推进。

06 

企业数据将决定企业 AI 的竞争格局

爱分析：模型厂商、数据平台厂商、Agent 厂商和传统软件公司都在进入企业 AI 市场，怎么判断未来的竞争格局？

郭林：我们认为长期最有价值的还是企业自己的数据，以及理解这些企业数据的能力。

上层 Agent 会快速变化，今天流行的产品形态，过一段时间可能就会被新的技术替代，但企业的经营数据、业务知识和组织经验会长期存在，不会因为模型升级就消失，是企业最核心的基因。

谁能够充分理解这些数据，并在此基础上持续优化企业的运营和运营效率，谁才有可能形成长期价值。

爱分析：怎么看专门做企业 Agent 的公司？

郭林：我不太看好只做 Agent 应用的公司。Agent 产品的迭代速度太快，借助 Vibe Coding，今天一个很有创新性的 Agent，可能很快就会出现大量类似产品。这意味着应用层会非常繁荣，但市场竞争也极其激烈的市场。

爱化身科技更关注 Agent 下面的基础设施。我们不希望去定义企业最终应该使用哪一个 Agent，而是希望无论上层 Agent 怎么变化，企业自己的数据、知识、语义和组织能力都能够持续沉淀下来。

爱分析：OpenAI、Anthropic 等大模型厂商也在建设企业服务和 FDE 团队，它们会成为主要竞争者吗？

郭林：大模型厂商更像新型的基础能力提供者。它们最核心的价值是不断提高模型能力，让更多企业和开发者使用模型和算力。

如果它们大规模进入下游企业交付，就会与生态合作伙伴形成直接竞争。这种矛盾与云厂商类似：云厂商最重要的产品是标准化算力，到了企业定制化需求这一端，通常仍然需要依靠合作伙伴，很难长期吃下整个生态。

爱分析：企业的数据和 AI 基础设施最终会走向自建吗？

郭林：我们认为，核心能力最终一定要掌握在企业自己手中，但不意味着所有技术都必须由企业从零开发。

企业最有价值的经营数据、业务知识和决策逻辑，不可能长期完全交给外部服务商。外部厂商能够提供技术平台和方法，但行业知识和自身业务能力必须由企业参与建设和运营。

爱化身目前探索的方式，是与行业龙头共同成立合资公司。行业企业提供业务、数据和行业经验，爱化身提供平台能力和长期技术授权，双方共同建设行业的数据体系、本体和 Agent 应用。

这套体系首先解决龙头企业自身的 AI 转型。如果经过实际业务验证以后，这些能力具备行业共性，再考虑向行业里的其他企业复制。

我们希望形成的不是一家技术公司替行业做所有事情，而是技术能力和行业能力结合，共同建设真正属于这个行业的 AI 基础设施。

爱分析：接下来还有哪些技术方向值得关注？

郭林：另一个我们非常关注的重要方向是主权 AI。对企业来说，主权 AI 首先意味着数据安全和控制权。对央国企和一些强监管行业来说，除了数据不出域，还会涉及技术自主选择、供应链安全，以及关键 AI 能力能否被企业自身持续掌控。

不过，主权 AI 不是简单地 " 把一个大模型部署到本地 " 的问题。企业真正需要解决的是：哪些模型能力应该掌握在自己的体系内，不同业务应该使用什么模型，以及为了获得这些能力，需要付出多少算力和运营成本。

企业内部的任务高度复杂，不同场景对模型的要求并不一样。有些任务需要更强的推理能力，有些强调低延迟和高并发，有些涉及敏感数据，有些则可以直接调用外部模型。企业没有必要让所有任务都运行在同一个大模型上，而是需要根据任务特点，对不同模型进行能力评估、选择和动态调度。

所以我们理解的主权 AI，最终解决的是模型能力、算力成本、数据安全和实际业务需求之间的平衡。它的核心是企业能否拥有一套自主可控、可以持续演进的 AI 能力体系。

注：点击左下角" 阅读原文 "，查看更多洞察内容。

近期厂商征集

Agent 平台及应用项目征集

点击申报

截止时间：9 月 15 日

Token 工厂竞争力榜单征集

点击申报

截止时间：9 月 20 日

本体市场研究项目征集

点击申报

截至时间：9 月 30 日

AI 数据服务市场研究项目征集

点击申报

截至时间：9 月 30 日