北京
「AI進化論」是長江商學院推出的AI+主題欄目，匯聚全球AI領域的原創洞見、產業實踐及前瞻研判。從技術突破到產業應用，從戰略布局到倫理邊界，在這里，一起與AI同頻進化。
花半年接入大模型，3個月后幾乎無人使用——不是模型不夠聰明，是它只會問答、不會干活。這正是很多企業AI轉型的尷尬現實：大家忙著“接模型、做聊天框、喂文檔”，卻沒人回答一個根本問題——怎么讓AI穩定地把事做成？
長江商學院張維寧教授在最新發布于《哈佛商業評論》APP的署名文章中指出，真正的企業 AI 轉型，不是把大模型接入企業數據，而是把企業家的私有數據、專家判斷、行業資源與工作流程，轉化為一套可被智能體理解、執行、校正與持續優化的運行系統。
在這套系統里，數據只是原料，知識架構讓原料可繼承，智能體讓知識開始行動，而Harness作為智能體的“管控操作系統”讓行動可以被管理、被證明、被復制、被放大。
作者 | 張維寧
來源 | 《哈佛商業評論》APP
原標題 | 企業AI轉型：從數據資產到智能體操作系統
張維寧
長江商學院教授
高層管理教育項目學術主任
MBA項目學術主任
一家擁有二十年行業經驗的制造企業，花了六個月時間部署了大語言模型，接入了內部文檔，搭建了智能問答系統。上線那天，演示效果令人驚嘆——模型對產品參數對答如流。
然而三個月后，這套系統幾乎無人使用。原因并非模型不夠聰明，而是它只會回答問題，不會完成工作。它無法跨系統調取數據、無法按企業標準判斷異常、更無法在出錯時自動修正。
這家企業的困境，折射出當下絕大多數企業AI轉型的核心瓶頸：缺的不是模型能力，而是一套讓模型持續、穩定、可控地交付業務結果的系統。
01
重新定義問題：
企業真正稀缺的不是模型，而是可持續交付結果的能力
過去兩年，很多企業把AI項目理解為“接一個模型、做一個聊天框、接一批文檔”。這樣的項目當然有價值，但它們解決的多半是問答效率，而不是經營系統本身。真正困難的部分不在于模型能不能回答，而在于它能不能在一個開放環境里連續做事——跨多個工具調用、跨多個系統、跨多個上下文窗口、跨多個角色交接，并且在很長時間內持續沿著目標前進。
這也是為什么靜態排行榜越來越不夠解釋企業價值。一次性答對一道題，和在一小時甚至一天內穩定完成一條業務鏈路，是兩種完全不同的能力。
對企業來說，客戶不會因為模型“偶爾很聰明”而付費；客戶只會因為系統“持續把事做成”而付費。換句話說，企業真正購買的不是智力峰值，而是結果的耐久性。Harness（因目前尚無統一中文譯名，下文沿用英文）的出現，讓把模型偶發的聰明塑造成企業可用、可控、可持續的穩定產能，成為現實。
換句話說，Harness把模型的能力從可展示變成可交付，沒有Harness，智能體更像一個高潛力但不穩定的實習生；有了Harness，智能體才開始像一個被納入規則、節奏、責任與反饋系統中的正式組織成員。
因此，企業家要把問題重新問一遍：我們到底在爭奪什么？不是爭奪誰先接上模型，而是爭奪誰先把自己的獨特資產，轉化為可以被智能體持續調用、持續校正、持續積累的結果機器。
企業AI轉型的四步躍遷
管理者行動指引
管理者的首要任務不是評估哪個模型最強，而是審視自身：我們有沒有把獨特的業務判斷和執行流程，轉化為智能體可以持續調用的系統資產？
02
重新認識企業資產：
真正有價值的不是數據，而是判斷
明確了“可持續交付結果”這一核心命題后，下一個關鍵問題隨之浮現：企業到底擁有哪些獨特資產？答案遠不止數據。
企業家最容易高估的是私有數據，而最容易低估的是私有判斷和私有執行權。事實上，企業真正難復制的，不只是你掌握了多少事實，而是你如何解釋事實、在什么邊界內行動、遇到例外時如何處理，以及誰有權限推動真實世界發生改變。
從這個角度看，企業的獨特資產至少有五類，而且它們都需要被改造，才能進入智能體時代。
企業的五類獨特資產及其改造方向
識別出五類資產之后，更深層的問題是：這些資產如何才能從人能理解變成機器能調用？企業里最常見的誤解，是把數據直接等同于資產。
實際上，數據只是最底層原料，只有當它被解釋、被判斷、被協議化以后，才會變成能驅動智能體持續工作的東西。
如果企業停在報表和摘要層，智能體最多只能幫你更快地看見問題；只有當企業進一步把“什么叫好、什么時候有風險、下一步應該怎么做、什么證據算完成”寫出來，智能體才開始真正形成生產力。
數據上升為知識、判斷與協議的五層階梯
管理者行動指引
建議管理者對照上述五層階梯，評估本企業目前停留在哪一層。如果連“判斷”層都尚未外化，那么再多的數據接入也難以產生持續價值。優先將最關鍵的三到五條業務判斷規則寫成可執行的標準文檔，是投入產出比最高的第一步。
03
知識架構：
給智能體一張地圖，而不是一本1000頁的說明書
理解了資產階梯之后，企業面臨一個非常實際的問題：如何組織這些知識，才能讓智能體高效使用？答案不是把文檔都扔進去，而是搭建一套分層的知識架構。
這就引出第一個真正的基礎設施問題：企業不是缺文檔，而是缺知識架構。很多公司一聽到知識庫，第一反應是把文檔喂給模型，或者做一個向量檢索（即 RAG，一種讓模型從外部文檔中檢索信息再生成回答的技術）。
這樣做可以解決找資料的問題，卻解決不了“誰是權威版本、信息應如何分層、哪些內容可以被執行、哪些內容已經過期、不同角色如何在多輪任務中繼承狀態”這些更根本的問題。
OpenAI一個非常有力量的教訓是：不要給智能體一本1000頁的說明書，而要給它一張地圖。地圖的含義不是少寫，而是分層寫；不是把一切都塞進上下文，而是先提供穩定入口，再讓智能體按索引與鏈接逐步深入。
Claude Code團隊把這種方法明確稱為“漸進式披露”：先給入口，再給搜索，再給遞歸探索的路徑。
從企業角度翻譯，你的知識庫必須同時扮演三個角色：組織的記憶系統（告訴智能體這家公司是怎么想的）、導航系統（告訴智能體下一步該去哪里找答案），以及操作系統的一部分（告訴智能體哪些內容能直接拿來執行，哪些需要先驗證，哪些必須升級給人）。
一套完整的知識架構，從外到內應當包含五個層次，如下圖所示：
一套完整的知識架構從外到內應包含的五個層次
當知識架構準備好之后，第二個躍遷才開始：讓模型從會回答問題變成會完成工作。這里最重要的變化，不是換一個更強模型，而是改變智能體的動作空間。
智能體并不是一個抽象的大腦，它總是在某個具體環境里行動：能搜索什么、能讀取什么、能調用什么、能詢問誰、能寫入哪里、能否驗證結果，這些才是真正決定產出的因素。
Claude Code團隊在設計工具時有一個很有啟發性的視角：工具必須與模型當前的能力畫像相匹配，而不是越多越好、越通用越好。
早期模型可能需要To-do清單來防止跑偏；當模型進步之后，清單反而會變成束縛。同樣，結構化的提問工具能顯著降低人與智能體的溝通摩擦：當任務存在關鍵歧義時，Harness不能假裝問題不存在，而要顯式設計“澄清入口”。
在搜索上也有一個重要的轉變——早期的做法是先替智能體把相關上下文找好再送給它；后來發現，給智能體搜索工具、讓它自己遞歸探索，反而更有效。這意味著企業不應只投資于把內容扔給模型，更要投資于讓模型有能力自己構建上下文。
04
為什么單個Agent不夠：
企業級智能體系統的七種典型失敗模式
當智能體開始真正“做事”之后，企業很快會發現：單個智能體在真實環境中會反復出錯。問題大多不是出在“智力不夠”，而是出在系統沒有設計好。這些結構性失敗有規律可循，大致可以歸納為七種典型模式：
企業級智能體系統的七種典型失敗模式
把這些失敗模式放回企業語境，其實非常容易理解：這和管理一個換班團隊幾乎一模一樣。你不會讓新員工第一天就獨立做完一整個系統；你不會接受“我覺得差不多了”作為交付標準；你不會允許上一班離開時不寫交接。
Harness只是把這些原本由優秀管理者憑經驗完成的動作，機械化、系統化、持續化了。這也是為什么可靠的智能體系統，本質上是一組清晰合同在運轉——意圖合同說清目標與邊界，執行合同說清工具與權限，完成合同說清什么證據能證明“完成”。在行動前就把這三份合同寫清楚，遠比事后靠人猜它有沒有做對更有效。
管理者行動指引
建議管理者用這張失敗模式清單做一次“壓力測試”：讓團隊檢查當前智能體項目是否存在上述任何一種失敗模式，并針對每個發現的問題，指定專人設計對應的防護機制。
05
Harness：
企業智能體真正的操作系統，也是控制閉環
上述七種失敗模式共同指向一個結論：企業需要的不只是一個聰明的智能體，而是一整套管控系統來約束、調度、糾偏和持續改進它。Harness不是給智能體再包一層的小修小補，而是企業級智能體系統真正的操作層。
但如果只把Harness理解成技術操作系統，還不夠深，它更本質的作用來自一個樸素的思想：讓系統自己對結果負責。Harness對企業智能體做的，是先定義想要的結果是什么，再讓系統具備感知、執行和修正能力，使它不斷向目標靠近。
Harness的控制閉環
Harness 通過“目標與標準→上下文遞送→智能體執行→驗證與觀察→追蹤與學習”五個環節形成閉環。關鍵在于反饋回路——系統將每次執行中發現的偏差記錄為軌跡數據，再用這些軌跡持續更新規則與標準，實現自我校正與持續改進。
這七個環節少一個都不完整。很多企業今天實際上只做了其中兩個：工，也就是工具接入；圖，也就是做一點檢索。
但沒有規，智能體就不知道什么叫真正好；沒有驗，它就沒有辦法證明完成；沒有學，系統每次都從同樣的錯誤重新開始。真正的企業級轉型，不是把“會做事”做出來，而是把“會越做越穩”做出來。
06
企業家角色的根本轉變：
從親自做事者，到系統設計者
技術架構只是故事的一半。當Harness開始重塑工作方式，企業的組織邏輯也必須同步演進。管理者的角色正在發生根本性轉變。
OpenAI有一句非常傳神的話：人類掌舵，智能體執行。真正變化的不是某個崗位會不會被替代，而是組織的控制點上移了。過去優秀員工的價值，很多體現在親自把事做成；以后更高杠桿的價值，越來越體現在定義目標、寫清標準、設計反饋、處理例外。
這帶來至少五個深層后果。
● 第一，文檔不再是附屬物，而是基礎設施——不寫下來，智能體就會以機器速度、全天候地按自己的平均直覺做事。
● 第二，品味會被編碼，那些過去靠高手口口相傳的質量感，會被寫成規則、評分卡與自動規范檢查機制。
● 第三，中央邊界會變得更重要，而局部自由會變得更多：邊界必須統一，邊界內的實現可以放權給智能體。
● 第四，人類注意力比人類勞動更稀缺，組織的瓶頸會從誰來做轉向誰來判斷與批準例外。
● 第五，等待成本會顯著上升，而糾錯成本會下降，這會倒逼企業重新設計審批與合并機制。
這也是為什么完全依賴人工審查很快會成為瓶頸。隨著智能體產出速度抬升，傳統逐項審批會越來越不經濟。更合理的做法，是把大量重復性判斷提前寫成規則，只把真正高風險、真正需要常識與責任承擔的節點交給人。
在組織層面，專家從親自處理大量重復個案，轉向把判斷抽象成規則、只處理高風險例外；經理從盯過程催執行，轉向定義目標狀態、觀察偏差、調整約束；IT與業務的邊界也在重新劃定——業務、平臺、風險需要共同擁有任務合同與驗收標準。
最根本的變化是：文檔首先服務于機器可讀與多輪繼承，復盤不再停留在經驗分享，而是沉淀為執行軌跡、評分規則與系統更新。
組織變革背后，是更深層的經濟邏輯變化。Harness不僅改變了企業內部的運作方式，也正在重新定義企業的競爭優勢和商業模式。
從企業家的角度，Harness的意義不僅是提高效率，更是改變商業模式?？蛻舨粫椤拔覀冇昧耸裁茨Ｐ汀备跺X，他們只會為“任務有沒有被穩定完成”付錢。也正因為如此，Harness使企業第一次有可能把原本藏在內部的能力，封裝成按結果計價的服務。
例如，一家有二十年安全生產數據與專家經驗的工業企業，真正有價值的并不只是歷史數據本身，而是什么信號意味著風險、什么偏差應該被立即升級、什么檢查順序最能發現隱患、在什么條件下允許繼續生產這一整套判斷與處置協議。
把這些內容知識化、工具化、驗證化，就可能形成一個按次收費的安全審計智能體服務——你賣的不再是軟件功能，而是穩定的審計結果。
這會重寫企業護城河的構成。未來最穩固的護城河往往有四層：私有上下文（別人拿不到的事實與歷史）、私有判斷（別人拿到數據也學不會的標準與品味）、私有工作流連接（別人無法輕易接入的工具、權限與執行入口），以及私有軌跡（系統在真實任務中積累下來的失敗樣本、修正路徑與評估語料）。
這里有一個非常重要的投資原則：模型會越來越像標準品，而軌跡、評估語料和真實工作流連接會越來越像長期資產。提示詞會貶值，驗證集會升值；孤立的概念驗證（PoC）會貶值，嵌入業務閉環的Harness會升值。
管理者行動指引
未來企業家做投資決策時，至少要反復問三遍：這項投入會不會隨著模型進步而迅速過時？它有沒有連接到我們獨特的數據與工作流？它能否隨著更強模型插入而自動受益？能自動變強的層，價值最高；只是彌補當前模型短板的投入，就應該少做、可替換。
07
從概念驗證到閉環：
一條適合企業家的 90 天啟動路線
戰略方向明確之后，企業家最關心的問題是：具體該怎么開始？
對企業家最有用的做法，通常是一條90天路線，而不是一份三年大藍圖。90天的目標不是徹底重構公司，而是證明三件事：你的隱性判斷能被外化；智能體能在真實系統里完成有價值的動作；Harness能顯著降低漂移、返工與人工盯防成本。
一個好的起點，通常同時滿足六個條件：任務頻率足夠高、完成后價值足夠清晰、結果至少部分可驗證、風險邊界相對可控、關鍵上下文主要掌握在企業內部、完成結果能夠進入真實系統而不是停留在聊天窗口。
最常見的錯誤是要么選了極其復雜、不可驗證的任務，要么只做一個信息問答原型以為這就叫轉型——正確路徑介于兩者之間：選一個足夠重要、但又能定義“完成”的工作流，把它跑通成閉環。
從概念驗證到閉環：一條適合企業家的 90 天啟動路線
在推進轉型的過程中，還需要警惕六種反復出現的認知陷阱。
● 第一，有數據等于有資產——只有當數據被上升為判斷與協議、并能被驗證調用時，才會形成可復利資產。
● 第二，RAG（向量檢索）等于知識庫——RAG 只是檢索手段，知識架構還包括分層、權威性、記錄、機器工件與繼承機制。
● 第三，有智能體等于能自動化——沒有 Harness，智能體只是偶發有效；有閉環之后才會變成穩定產能。
● 第四，最強模型最重要——模型決定上限，Harness決定你能把多少上限變成結果。
● 第五，Harness越復雜越厲害——每個腳手架都在編碼一個暫時假設，模型變強后要敢于刪掉。
● 第六，這件事交給技術團隊做就行——真正稀缺的是業務判斷與驗收標準，必須由經營層共同參與。
08
結語：
真正的競爭，不是誰先接上模型，而是誰先成為“掌舵者”
把這篇文章壓縮成一句話，就是：企業AI轉型并不是把模型接入企業，而是把企業家的判斷寫進系統，并讓系統圍繞結果持續校正自己。數據是原料，知識架構讓原料可繼承，智能體讓知識開始行動，Harness則讓行動可以被管理、被證明、被復制、被放大。
誰先完成這一步，誰就不再只是擁有一個會聊天的模型，而是擁有一套會工作的企業能力系統。這也是為什么下一階段真正的競爭，不是拼誰更懂模型，而是拼誰更懂自己的業務、并且有能力把這種理解轉化為機器可讀、可執行、可驗證、可進化的規則。
那時，企業家真正的工作也會被重新定義：不再是轉閥門的人，而是設計調速器、定義目標狀態、并持續掌舵的人。
一言以蔽之：數據解決“看見”，知識架構解決“繼承”，智能體解決“行動”，Harness解決“負責”。企業真正的飛輪，不是模型越來越聰明，而是你的判斷越來越可計算、你的執行越來越可驗證、你的系統越來越會自我修正。
參考文獻：
1. Justin Young，《Effective harnesses for long-running agents》，Anthropic Engineering Blog，2025年11月。
https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents
2. Prithvi Rajasekaran，《Harness design for long-running application development》，Anthropic Engineering Blog，2026年3月。
https://www.anthropic.com/engineering/harness-design-long-running-apps
3. Ryan Lopopolo，《Harness engineering: leveraging Codex in an agent-first world》，OpenAI，2026年2月。
https://openai.com/index/harness-engineering/
4. LangChain團隊，《Improving Deep Agents with harness engineering》，LangChain Blog，2026年2月。
https://blog.langchain.com/improving-deep-agents-with-harness-engineering/
5. Thariq Shihipar，《Seeing like an agent: how we design tools in Claude Code》，Claude Blog，2026年4月。
https://claude.com/blog/seeing-like-an-agent
6. LangChain團隊，《Agent Frameworks, Runtimes, and Harnesses—oh my!》，LangChain Blog，2025年10月。
https://blog.langchain.com/agent-frameworks-runtimes-and-harnesses-oh-my/
7. Birgitta B?ckeler，《Harness engineering for coding agent users》，martinfowler.com，2026年4月。
https://martinfowler.com/articles/harness-engineering.html
8. Philipp Schmid，《The importance of Agent Harness in 2026》，philschmid.de，2026年1月。
https://www.philschmid.de/agent-harness-2026
文中圖片來自圖蟲創意，轉載需獲授權。
點擊下方卡片，關注長江商學院
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
