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。