AI Native 企業(yè)的關(guān)鍵，是從外化到內(nèi)生

大模型的核心范式正在從“說得好”轉(zhuǎn)向“做得到”。

作者 | 高 飛

2003 年，Nicholas Carr 在《哈佛商業(yè)評論》上發(fā)了一篇《IT Doesn't Matter》，論點是當一項技術(shù)人人可得，它就不再構(gòu)成競爭優(yōu)勢。記得這篇文章引發(fā)的爭議持續(xù)了蠻久，一度每場我參加的采訪，幾乎都有人問。今天輪到 AI 興起，沒人再說 AI doesn't matter 了。不過，承認一件事重要，和讓這件事在企業(yè)里真的重要，是兩回事。這個新問題應(yīng)該會被討論很久。

去年，MIT 的《The GenAI Divide》報告調(diào)查了 300 多個企業(yè)AI部署案例，發(fā)現(xiàn) 95% 的試點沒有產(chǎn)生任何可衡量的財務(wù)回報。模型在三年里躍遷了三次，從語言理解到多模態(tài)感知再到自主編程。幾乎每家企業(yè)都試圖在業(yè)務(wù)中疊 AI。但是加完之后又往往會發(fā)現(xiàn)一個尷尬的事實：關(guān)掉它，業(yè)務(wù)照轉(zhuǎn)。AI 并沒有變成關(guān)鍵拼圖。

問題不在供給端。

5 月 20 日的阿里云峰會主會場，來自供給側(cè)的信號是足夠明確的：從新一代 AI 芯片真武 M890 到 Agentic Cloud，從千問旗艦?zāi)Ｐ?Qwen3.7-Max 到阿里云百煉平臺，阿里云完成了“芯-云-模型-推理”的全棧升級。用阿里巴巴集團通義大模型事業(yè)部負責(zé)人周靖人的話說，大模型的核心范式正在從“說得好”轉(zhuǎn)向“做得到”。關(guān)鍵在于模型進入企業(yè)的這段路。換句話說，不在外化，而在內(nèi)生。

而峰會次日的“AI 驅(qū)動的企業(yè)應(yīng)用”分論壇，就沿著這個邏輯追問同一個問題：模型做得到了，企業(yè)準備好了嗎？

1、三年半走到臨界點

阿里云智能集團公共云事業(yè)部副總裁高飛最近密集走訪企業(yè)客戶，他的判斷是：從 GPT 發(fā)布到現(xiàn)在三年半，企業(yè)級市場經(jīng)歷了三個階段。

最初是知識問答。企業(yè)拿大語言模型搭一個超級搜索框，本質(zhì)上還是在用模型的問答能力做專家服務(wù)。到了 2025 年上半年，市場轉(zhuǎn)向 Agent，比如 AI 客服、AI 巡檢、智能 BI，大量企業(yè)提出需求，希望構(gòu)建能自主執(zhí)行任務(wù)的應(yīng)用。再到 2025 年下半年，AI Coding 崛起，整個技術(shù)范式發(fā)生轉(zhuǎn)移，企業(yè)開始意識到編程能力本身可以被 AI 接管。

三個階段遞進，AI 的能力邊界在指數(shù)擴張。但高飛緊接著拋出了一個和主流敘事相反的判斷：不管 AI 怎么發(fā)展，企業(yè)首先要重新重視的，其實是數(shù)據(jù)，數(shù)據(jù)才是 AI 時代企業(yè)的核心生產(chǎn)力。

他的類比是：有時候，企業(yè)關(guān)心路燈怎么建，卻忽略了地下管網(wǎng)。過去 30 年，企業(yè)的 IT 系統(tǒng)圍繞 ERP 構(gòu)建，所有軟件服務(wù)于流程，數(shù)據(jù)只是流程運轉(zhuǎn)的副產(chǎn)品。選品、比價、加入購物車、結(jié)算、發(fā)貨，流程固化好了，人按流程把事做完，不需要泛化性。數(shù)據(jù)在這個體系里的地位低到什么程度？量大了就刪，刪不掉就拷到磁帶機上。

金錢永不眠，數(shù)據(jù)在沉睡。

AI 改變了這個等式。算法、算力、數(shù)據(jù)三要素，其他兩個都可以商品化，但數(shù)據(jù)往往是獨特的。數(shù)據(jù)從副產(chǎn)品變成了核心生產(chǎn)力，從“附加結(jié)果”變成了數(shù)字員工的經(jīng)驗。數(shù)字員工的能力可以拆成三個維度：大語言模型代表智商上限，數(shù)據(jù)代表積累的經(jīng)驗，Coding 代表動手執(zhí)行的能力。三者缺一不可，但后兩者，經(jīng)驗和執(zhí)行力，全部依賴企業(yè)自身的歷史積淀。

這是整個論壇底層的一條暗線：所有人都在講 AI 是未來，但 AI 要在一家企業(yè)里真正扎根，靠的是過去和此刻不斷沉淀的數(shù)據(jù)。

大模型公司本身就是人類歷史互聯(lián)網(wǎng)數(shù)據(jù)的產(chǎn)物，企業(yè)的 AI 同理。企業(yè)里有多少數(shù)據(jù)被存下來、被打通、被用起來，決定了 AI 在你的組織里能走多深。

高飛用三個字概括了這個前提：存、通、用。數(shù)據(jù)存在哪里，有多少量？各業(yè)務(wù)系統(tǒng)之間是否互通？數(shù)據(jù)是否被有效使用？相當數(shù)量的上市公司到今天還沒有一個合理的數(shù)據(jù)治理方案。于是，如果有企業(yè)一號位問“能不能幫我做一個 AI 應(yīng)用”，他要先回答一個問題是“你的企業(yè)有多少數(shù)據(jù)量”。

何況，需要“存通用”的數(shù)據(jù)還在急劇擴大。

過去企業(yè)處理的主要是結(jié)構(gòu)化數(shù)據(jù)，交易記錄、訂單流水、財務(wù)報表。但 AI 時代真正的增量來自非結(jié)構(gòu)化數(shù)據(jù)，攝像頭拍下的視頻流，傳感器采集的空間信息，客服對話的語音文本。這些數(shù)據(jù)過去無法被處理，也就無人在意。汽車行業(yè)是一個典型：主機廠過去的核心系統(tǒng)是 ERP，但自動駕駛出現(xiàn)后，最核心的系統(tǒng)變成了智能座艙，因為輔助駕駛需要海量路側(cè)視頻數(shù)據(jù)，而這些數(shù)據(jù)在沒有多模態(tài)模型之前根本用不起來。非結(jié)構(gòu)化數(shù)據(jù)的覺醒，正在改寫企業(yè)數(shù)據(jù)資產(chǎn)的版圖。對很多企業(yè)來說，這已經(jīng)不只是 IT 部門的事，而是一個戰(zhàn)略層面的課題：你有沒有能力把物理世界的實時數(shù)據(jù)納入自己的數(shù)據(jù)體系？

SAP 中國方案架構(gòu)總監(jiān)周偉峰用另一組數(shù)據(jù)印證了同樣的判斷：74% 的 AI 項目停留在試點階段無法規(guī)模化，原因不是模型性能不足，而是卡在三個鴻溝。AI 沒有你的業(yè)務(wù)知識，它能讀懂數(shù)據(jù)，但不知道采購訂單背后有一系列審批、收貨和三單校驗的邏輯；AI 看到的是碎片化的信息，財務(wù)在 ERP 里，客戶在 CRM 里，生產(chǎn)計劃在釘釘群里溝通，物流在第三方系統(tǒng)里； 缺乏 AI 治理架構(gòu)，AI 的操作如果無法被審計、無法被追責(zé)，就永遠只能做演示，進不了核心流程。

這三道鴻溝本質(zhì)上是同一個問題：AI 停留在企業(yè)的表層。它能幫你寫個會議紀要、做個 PPT、回答一些常見問題，但碰不到訂單、碰不到供應(yīng)鏈、碰不到財務(wù)賬本。

怎么從外化走到內(nèi)生？三家企業(yè)給出了三個不同切面的答案。

2、三家企業(yè)的內(nèi)生路徑

中國一汽：把智能體架構(gòu)嵌入企業(yè)架構(gòu)

中國一汽的數(shù)智化進程本身就是一個縮影：ERP 到 EBC 再到 EOA。ERP 是流程在線化，完成任務(wù)。2012 年業(yè)內(nèi)提出 EBC（企業(yè)業(yè)務(wù)能力平臺），核心目的是把能力組裝起來，快速響應(yīng)市場。到了 AI 時代，中國一汽提出 EOA（運營智能），目標是構(gòu)建“自感知、自決策、自執(zhí)行、自進化”的運營中樞。

三個縮寫背后是三十年企業(yè) IT 的演進，每一步都沒有推倒前一步。EOA 不是替代 ERP，而是在 ERP 的數(shù)據(jù)和流程基礎(chǔ)上，疊加一層智能體架構(gòu)。中國一汽的做法是把智能體架構(gòu)嵌入企業(yè)架構(gòu)，從原來有業(yè)務(wù)架構(gòu)、信息架構(gòu)、應(yīng)用架構(gòu)、技術(shù)架構(gòu)、安全架構(gòu)，現(xiàn)在擴展出智能體架構(gòu)這一層。

這不是概念游戲，是已經(jīng)落地的場景能說明問題。

設(shè)計即制造：過去汽車研發(fā)是串行的，研發(fā)設(shè)計，工藝評審，制造調(diào)試，出了問題再反復(fù)溝通。現(xiàn)在把制造現(xiàn)場的數(shù)據(jù)前置到研發(fā)環(huán)節(jié)，建立端到端的數(shù)據(jù)流轉(zhuǎn)。以車門總成為例，梳理出 60 類、6275 項工藝邊界規(guī)則，設(shè)計方案生成時，智能體自動調(diào)用這些規(guī)則，一次成型，減少返工。

審批模型替代審批單：原來一事一議，出了問題追查誰審錯了，追責(zé)容易。AI 審批之后，追責(zé)邏輯變了，追業(yè)務(wù)人的責(zé)任還是追 AI 訓(xùn)練者的責(zé)任？管理中心從單次審批轉(zhuǎn)向?qū)徟Ｐ偷木S護。中國一汽大營銷運營部總監(jiān)徐海強的原則務(wù)實：只要模型的準確率超越人類平均水平，就應(yīng)該上線。審批的目的是規(guī)避風(fēng)險，只要模型準確率有效，合規(guī)效能就有保障。

更深層的變化發(fā)生在認知層面。

4S 店銷售員介紹底盤，講的多是技術(shù)參數(shù)。專業(yè)人員覺得有技術(shù)范，但數(shù)據(jù)顯示用戶對這樣的介紹沒有觸動。再用數(shù)據(jù)來看看高績效顧問怎么做？他們不講技術(shù)參數(shù)，而是說“遇到什么路面，底盤性能有怎樣的穩(wěn)定性、操控性、舒適性”。認知從“我覺得這個好”變成“數(shù)據(jù)告訴我用戶在意什么”，這是數(shù)據(jù)驅(qū)動的認知躍遷。

支撐這些場景的底座，是中國一汽幾年來沉淀的兩大資產(chǎn)：標準化的業(yè)務(wù)單元和貫穿全域的業(yè)務(wù)對象。中國一汽已經(jīng)沉淀了三萬多個業(yè)務(wù)單元，現(xiàn)在正在把它們轉(zhuǎn)換成智能體可調(diào)用的 Skill。業(yè)務(wù)對象則讓數(shù)據(jù)從程序員的后臺數(shù)據(jù)庫交到業(yè)務(wù)人員手里，放大了數(shù)據(jù)的使用價值。

組織層面同步在動。產(chǎn)品經(jīng)理轉(zhuǎn)型為 AI 產(chǎn)品經(jīng)理，前后端開發(fā)轉(zhuǎn)型為智能體架構(gòu)師。徐海強的說法是：不是讓員工自發(fā)轉(zhuǎn)型，而是從組織層面用角色牽引。未來企業(yè)不僅要買碳基員工的時間，還要買硅基員工的 token 和算力。硅基員工的考核維度是智能程度、準確率、響應(yīng)速度和成本。

中國一汽的路徑，底子是幾年數(shù)據(jù)治理和業(yè)務(wù)對象標準化的積累。過去的厚度決定了內(nèi)生的深度。

銀泰：用物理世界的數(shù)據(jù)驅(qū)動零售決策

銀泰的判斷更激進：零售企業(yè)現(xiàn)在每年增長 3 到 4 個點，未來十年銷售增長在哪兒？在 AI 購物渠道。這是一個萬億級的市場，其中 80% 是增量。如果零售企業(yè)不變，傳統(tǒng)零售的占比將從 75% 降到 45%。

這意味著銀泰不是錦上添花式地加 AI（也就是外化），而是把 AI 當成生存問題來解。

銀泰搭建了“眼腦手”三位一體的 MOS AI 智能引擎。腦是基于千問大模型的推理決策，眼是部署在商場里的 6 萬路攝像頭，手是把分析結(jié)果交給人或機器執(zhí)行的能力。三者協(xié)同，形成一個完整的感知-決策-執(zhí)行閉環(huán)。

值得留意的是對物理世界數(shù)據(jù)的投入。6 萬路攝像頭不只做安防，而是在識別人的動作和貨品的擺放位置。做了數(shù)據(jù)合規(guī)，不采集人臉，但重點看動線和陳列效果。這些數(shù)據(jù)過去沉睡在硬盤里，現(xiàn)在變成了訓(xùn)練空間智能的原料。之前對商場內(nèi)任何零售場景做識別訓(xùn)練，周期是四周。現(xiàn)在可以做到 48 小時內(nèi)上線，準確率 90% 以上。

提速是模型變強，也是工程層面下了功夫。銀泰在大模型的推理引擎（額葉）之外，另外部署了一層專門處理海量視頻和文本數(shù)據(jù)的預(yù)處理引擎（枕葉）。一分鐘視頻直接傳大模型，計算成本巨大。切成關(guān)鍵幀圖片、做聚焦壓縮之后再回傳，效率完全不同。這是工程上的門檻，不是調(diào)一個 API 就能跨過去的。

AI 化遵循了漸進路徑：先工具化（把經(jīng)營的 58 個關(guān)鍵動作拆解，逐一 AI 化），再流程化（把工具串聯(lián)成自動執(zhí)行的流程），最后智能體化（讓 AI 自主決策和執(zhí)行）。銀泰商業(yè)集團 CTO 熊超說目前大部分場景進入了流程化階段，少數(shù)已經(jīng)到智能體化。

一個量化指標能說明進展：當 AI 權(quán)重達到 50% 時，一個人加一臺邊緣服務(wù)器協(xié)同工作，整體能效是傳統(tǒng)方式的四倍。AI 權(quán)重 100% 時，倍率是十倍。

銀泰做得快，根源也在于過去的積累。2017 年就開始做數(shù)字化，花了四年完成 100% 云化。熊超說“我們至少做了四年的數(shù)字化積累，這個過程中還是能夠把水位往上拉得比較好一些”。沒有那四年的數(shù)字地基，AI 化不可能在以小時為單位的時間內(nèi)落地。

西門子：讓 AI 寫符合工業(yè)標準的代碼

西門子的 Eigen Engineering Agent，做的事情直接：幫 PLC 工程師寫代碼。

PLC（可編程邏輯控制器）是工業(yè)世界的基石。從數(shù)控機床的開關(guān)門到機器人控制，所有工業(yè)設(shè)備的底層都是 PLC 程序。西門子是 PLC 市場占有率最高的企業(yè)，也是工業(yè)軟件領(lǐng)域歐洲第一、世界第二的提供商。

Eigen Engineering Agent 基于阿里云賦能的 AI 能力，讓 PLC 工程師可以用自然語言交互的方式生成代碼、創(chuàng)建項目配置、查詢故障手冊。解決的痛點實際：工業(yè)領(lǐng)域技術(shù)型人才短缺，項目周期越來越短，工程師大量時間花在重復(fù)性的編碼和文檔工作上。

效果數(shù)據(jù)（來自西門子數(shù)字化 AI 產(chǎn)品總監(jiān)宋元明）：對 PLC 程序塊參數(shù)的更改，每個程序塊含 66 個參數(shù)、200 行代碼，Agent 全流程（代碼生成、測試代碼生成、人工審核）從原來的 6 分鐘降到 1.5 分鐘。單看好像不多，但一個工業(yè)項目里有成百上千個這樣的代碼塊，累積起來節(jié)省可觀。文檔的編譯翻譯從 35 分鐘降到 11 分鐘，人機交互畫面的組態(tài)從一小時降到半小時。[數(shù)據(jù)基于客戶場景和任務(wù)]

但這個產(chǎn)品讓人留意的，不只是提效數(shù)字，而是它能生成符合工業(yè)標準的代碼。

所有和工程相關(guān)的規(guī)范由西門子把控，Agent 生成的代碼符合 PLC 編程的行業(yè)標準規(guī)范；模型推理和代碼生成能力則由阿里云賦能的大語言模型提供。兩者結(jié)合的前提，是西門子 TIA Portal（博途）多年積累的工程實踐知識，故障手冊、設(shè)備配置規(guī)范、編程語言標準，這些沉淀在幾十年產(chǎn)品迭代中的 know-how，是 Agent 能生成合規(guī)工業(yè)代碼的底子。

三家企業(yè)，三個完全不同的切入點。仔細看，它們有三個共同特征：痛點真實、流程扎實、歷史數(shù)據(jù)夠厚。中國一汽的三萬個業(yè)務(wù)單元和 6275 項工藝規(guī)則不是一天建成的，銀泰的 6 萬路攝像頭和四年云化也不是突擊完成的，西門子 TIA Portal 的工程知識庫更是幾十年的積累。

企業(yè) AI 的內(nèi)生，本質(zhì)上是把過去的厚度變成未來的能力。

3、讓內(nèi)生成為可能的那一層

中國一汽的行業(yè)大模型、銀泰的智能引擎、西門子的 Eigen Engineering Agent，底層都基于阿里云的大模型能力。

解釋是：對企業(yè)來說，選擇一個大模型底座，考慮的不只是 benchmark 上的分數(shù)，還有幾件現(xiàn)實的事：模型是否可商用、可開源？能否做行業(yè)混訓(xùn)和蒸餾？多模態(tài)能力是否覆蓋物理世界的空間理解、路徑規(guī)劃、視頻流處理？千問大模型在這些維度上是目前企業(yè)級應(yīng)用中被充分驗證的選擇之一。

而阿里云提供的不只是模型。從阿里云百煉的模型調(diào)度平臺，到千問的推理和編程能力，到 Qoder 的 AI 編程工具，再到從 OSS 存儲到 MaxCompute 到 DataWorks 的全套數(shù)據(jù)工程平臺，企業(yè)可以在這個底座上完成從數(shù)據(jù)資產(chǎn)化到智能體開發(fā)的完整鏈路。

SAP 和阿里云的合作也印證了這個邏輯。底層是阿里云的基礎(chǔ)設(shè)施，安全體系、數(shù)據(jù)本地存儲、算力保障；SAP 帶來 50 年積累的業(yè)務(wù)大腦，ERP、供應(yīng)鏈、財務(wù)管理的流程智能；上面通過 AI 層相互連接，SAP 的 AI 能力將在今年二季度落地到阿里云，接入千問大模型。這個組合之所以必要，是因為 SAP 有深厚的流程知識（730 萬個數(shù)據(jù)字段，每一個背后都有業(yè)務(wù)語義），但在中國需要本地化的大模型和數(shù)字基座；阿里云有強大的基礎(chǔ)設(shè)施和數(shù)字生態(tài)，但在企業(yè)核心業(yè)務(wù)流程上缺乏 SAP 那樣的深度。二者互補。

一個正在推進的案例能說明這種組合怎么落地：一家按單制造的服裝企業(yè)，訂單鏈路要經(jīng)過銷售、生產(chǎn)、采購、庫存、質(zhì)量、財務(wù)六個環(huán)節(jié)。之前的問題是訂單準交率低，面料斷供三天后才知道。現(xiàn)在借助 SAP 和阿里云的聯(lián)合方案，CEO 可以在釘釘里用自然語言問“某某訂單狀態(tài)怎么樣了”，智能體抓取數(shù)據(jù)、追蹤全鏈路，不僅知道哪個訂單逾期、卡在哪個環(huán)節(jié)，還能知道哪個訂單虧了、虧在哪里，并生成具體的改善建議推送給對應(yīng)部門。從分析到執(zhí)行，中間不再需要層層傳話。

上述三家企業(yè)，中國一汽、銀泰、西門子，走的都是自建路徑：在自己的業(yè)務(wù)土壤上長出 AI 能力。

斑頭雁和 MuleRun 則提供了另一條路：由外部的智能體平臺和工具，幫助企業(yè)加速完成從外化到內(nèi)生的跨越。

斑頭雁 (BTY)CEO 張毅，釘釘創(chuàng)始團隊成員、前釘釘副總裁，工程技術(shù)出身。現(xiàn)在斑頭雁，他也在 AI Agent 產(chǎn)品技術(shù)開發(fā)的一線。

在他看來，企業(yè)討論“外化還是內(nèi)生”，本質(zhì)是要回答 2 個問題：做什么？怎么做？

做什么。打造能自主執(zhí)行的“AI 員工”，是企業(yè) AI 價值落地的關(guān)鍵應(yīng)用。 斑頭雁不把自己定位為 Agent 開發(fā)平臺，而是端到端、開箱即用的 AI 員工。Agent 平臺只是底座，目標是讓 AI 員工具備自主學(xué)習(xí)、自主執(zhí)行、自主迭代的能力——能獨立執(zhí)行任務(wù)，業(yè)務(wù)價值很容易判斷真?zhèn)危鹤鐾炅司褪亲鐾炅耍鰶]做、做得好不好，一目了然，不存在“上了 AI 但說不清創(chuàng)造了什么價值”的灰色地帶。

怎么做。AI 員工要真正成為企業(yè)的一員，自主學(xué)習(xí)、執(zhí)行、迭代都必須在企業(yè)人類主管的監(jiān)督下進行。 這部分監(jiān)督工作可以概括成三件事： 業(yè)務(wù)判斷，AI 員工做什么、怎么做；執(zhí)行流程，AI 員工融入企業(yè)的流程、規(guī)則、安全；結(jié)果閉環(huán)，評估 AI 員工的工作結(jié)果。

過去 2 年，某知名時尚集團科技中心在斑頭雁 Agent 底座上累計開發(fā)了 2000+ AI 應(yīng)用，至今依然健康運行。這些一線執(zhí)行動作的 AI 化，如今都沉淀成了 AI 員工可直接調(diào)用的“任務(wù)”和“技能”。

回到“外化還是內(nèi)生”，斑頭雁給出的答案是：AI 員工就是內(nèi)生的載體。Agent 平臺底座提供自主學(xué)習(xí)、執(zhí)行、迭代的能力，企業(yè)的管理者和工程師在監(jiān)督中持續(xù)校準業(yè)務(wù)判斷、執(zhí)行流程和結(jié)果閉環(huán)，把碎片化的企業(yè) know-how 一點點串成 AI 員工可調(diào)用的任務(wù)和技能。當 AI 員工能在這套機制下跑完一個完整的業(yè)務(wù)流閉環(huán)，AI 就不再是外掛的工具，而是真正長在企業(yè)身上的能力。

MuleRun 首席產(chǎn)品官付鋮提供了另一個視角。MuleRun 是阿里云孵化的通用智能體業(yè)務(wù)，主打辦公場景的 AI 自動化。其產(chǎn)品邏輯是：不要刻意設(shè)計 Agent，讓 Agent 觀察人怎么工作。把企業(yè)已有的工作流程、協(xié)作方式、決策過程完整地暴露給 AI，讓它大量觀看人是怎么做的，自己總結(jié)規(guī)律、形成專屬的 Agent。

企業(yè)內(nèi)部怎么劃分客戶、針對不同客戶怎么處理，這些模型不知道，因為那是企業(yè)內(nèi)部信息。但如果你讓 AI 看到業(yè)務(wù)專家 A 和技術(shù)專家 B 討論完一個 case 之后是怎么決策的，看了足夠多次，它自然就能形成專門做客戶分類的 Agent。這個過程里沒有“設(shè)計”這一步。

兩家企業(yè)還不約而同強調(diào)了一個衡量標準：看 AI 介入后，流程中還需要多少次人工審批。這個指標簡潔但深刻：人工審批越少，意味著 AI 滲透越深，自動化程度越高，離內(nèi)生越近。

所以，外化和內(nèi)生最根本的區(qū)別，不僅是效率提升了多少百分點，而是看它對原有流程的改造程度，企業(yè)的運營方式可逆還是不可逆。

中國一汽把三萬個業(yè)務(wù)單元轉(zhuǎn)化為智能體的 Skill，銀泰的邊緣服務(wù)器在每個商場實時處理視頻流來驅(qū)動經(jīng)營決策，西門子 PLC 工程師已經(jīng)習(xí)慣用自然語言讓 Agent 生成代碼，這些企業(yè)已經(jīng)走的是一條不可逆的創(chuàng)新路。

Carr 二十年前的問題今天也可以做個翻新：AI matters，這已經(jīng)沒有爭議。但對一個具體的企業(yè)來說，AI 在什么時候開始真的 matter？

答案是：AI 不是掛在系統(tǒng)外面的一個功能模塊，它已經(jīng)長進了組織的肌肉和骨骼里。