导语：企业AI正在进入第二阶段

2023 年以来，大模型的发展速度远超行业预期。无论是 GPT、Claude、Gemini，还是国内的 DeepSeek、Qwen 等模型，都推动了企业对于生成式 AI 的广泛关注。短短两三年时间，大量企业启动了 AI 项目，围绕智能客服、知识问答、内容生成、办公助手等场景进行了积极探索。

第一阶段的 AI 建设，本质上是让模型进入企业。企业更多关注模型能力、上下文长度、推理性能、成本以及部署方式，希望借助更先进的大模型提升员工效率。这一阶段的建设重点，是让 AI 能够理解企业知识，并为员工提供辅助决策和内容生成能力。

然而，当越来越多企业完成第一轮实践之后，一个共同的问题开始浮现：模型越来越聪明，但企业真正获得的业务价值却没有同步增长。AI 可以回答问题、生成内容，却很难独立完成一项完整业务任务；企业部署了多个 AI 工具，却依然需要员工在不同系统之间反复切换、协调和执行。这说明，仅仅拥有先进的大模型，并不足以完成企业智能化转型。

这一现象并非个例。近年来，多项产业研究都指出，企业 AI 正在从以模型为中心的探索阶段，进入以 Agent 为核心的应用阶段。Agentic AI 的价值不再停留于对话，而是通过规划、工具调用、多步推理和自主执行，将 AI 从“回答问题”扩展到“完成工作”。

因此，一个新的问题开始取代过去关于模型选型的讨论：企业真正需要建设的，到底是更多的大模型，还是一套能够持续运行企业智能体的基础设施？

这一问题，也正在重新定义未来企业 AI 的发展方向。导语：企业AI正在进入第二阶段2023 年以来，大模型的发展速度远超行业预期。无论是 GPT、Claude、Gemini，还是国内的 DeepSeek、Qwen 等模型，都推动了企业对于生成式 AI 的广泛关注。短短两三年时间，大量企业启动了 AI 项目，围绕智能客服、知识问答、内容生成、办公助手等场景进行了积极探索。

第一阶段的 AI 建设，本质上是让模型进入企业。企业更多关注模型能力、上下文长度、推理性能、成本以及部署方式，希望借助更先进的大模型提升员工效率。这一阶段的建设重点，是让 AI 能够理解企业知识，并为员工提供辅助决策和内容生成能力。

然而，当越来越多企业完成第一轮实践之后，一个共同的问题开始浮现：模型越来越聪明，但企业真正获得的业务价值却没有同步增长。AI 可以回答问题、生成内容，却很难独立完成一项完整业务任务；企业部署了多个 AI 工具，却依然需要员工在不同系统之间反复切换、协调和执行。这说明，仅仅拥有先进的大模型，并不足以完成企业智能化转型。

这一现象并非个例。近年来，多项产业研究都指出，企业 AI 正在从以模型为中心的探索阶段，进入以 Agent 为核心的应用阶段。Agentic AI 的价值不再停留于对话，而是通过规划、工具调用、多步推理和自主执行，将 AI 从“回答问题”扩展到“完成工作”。

因此，一个新的问题开始取代过去关于模型选型的讨论：企业真正需要建设的，到底是更多的大模型，还是一套能够持续运行企业智能体的基础设施？这一问题，也正在重新定义未来企业 AI 的发展方向。

图1 企业AI发展阶段演进

第一章 大模型进入平台化阶段，企业竞争重心开始迁移

过去两年，围绕大模型展开的技术竞争几乎定义了整个 AI 行业的发展方向。模型参数规模、多模态能力、推理速度、上下文长度以及 Token 成本，一度成为企业评估 AI 能力的重要指标。然而，随着模型厂商持续迭代、开源模型快速成熟以及云平台不断降低模型使用门槛，大模型正逐渐从一种稀缺能力演变为企业可以按需获取的基础服务。

这一演进路径，与数据库、云计算乃至移动互联网的发展过程高度相似。早期，数据库技术曾是企业的重要竞争优势；随后，随着数据库产品标准化和云服务普及，它逐渐成为所有企业共享的基础设施。同样，云计算经历了从差异化能力到公共基础设施的演进，大模型也正在沿着这一轨迹发展。当模型能力趋于普惠之后，企业之间的竞争将不再集中于底层模型，而是更多体现在如何利用模型构建持续创造业务价值的能力体系。

与此同时，企业 AI 建设的关注点也开始发生变化。过去，管理者更多讨论“应该选择哪一家模型”“是否部署私有模型”“如何降低推理成本”；而今天，越来越多企业开始关注另外几个问题：AI 如何理解企业知识？如何调用 ERP、CRM、OA 等业务系统？如何完成跨部门、多系统的复杂流程？如何保障权限、安全与治理？这些问题已经超出了模型本身能够解决的范畴，开始指向智能体平台、企业知识体系以及 AI 操作系统等更高层级的能力建设。

Gartner 在关于 Agentic AI 的研究中指出，未来企业应用的发展重点将逐步从单纯提升个人生产力，转向支持自主执行、跨系统协同以及智能体编排的新型应用架构。换句话说，真正的竞争优势将更多来自 Agent 的组织方式，而不是模型参数本身。

对于企业管理者而言，这意味着 AI 建设正在进入新的阶段。如果说过去三年的重点是"让企业拥有 AI"，那么未来三年的重点将是"让 AI 成为企业真正的执行主体"。谁能够率先建立统一的企业智能体架构，谁就更有可能在效率、组织协同和业务创新方面形成长期优势。

图2 企业AI竞争重心迁移

第二章 企业AI为何必须走向智能体

经历了第一阶段的大模型部署之后，越来越多企业开始意识到一个现实：模型能力的提升，并不必然带来业务价值的同步增长。 企业可以借助大模型生成文案、总结会议纪要、回答知识问题，甚至完成代码编写等任务，但这些能力更多停留在"辅助员工工作"层面，而企业真正需要解决的问题，是如何让 AI 深度参与业务流程，并能够独立完成具有明确业务目标的复杂任务。

这种差异，本质上反映了企业业务与生成式 AI 能力之间的鸿沟。对于企业而言，一项业务工作的完成，往往不是一次简单的问答，而是一系列连续决策、工具调用、数据处理和跨系统协同的过程。以销售场景为例，从客户线索识别、需求分析、商机评估，到方案生成、报价审批、合同流转，再到 CRM 更新、售后交接，一个完整业务流程通常涉及多个系统、多个角色和多个业务规则。即使当前最先进的大模型能够生成高质量内容，也无法凭借一次对话完成整个业务闭环。

因此，企业真正需要的并不是一个"更聪明的聊天机器人"，而是一个能够理解业务目标、自主规划执行路径、调用企业工具并持续反馈执行结果的业务执行者。这正是企业智能体（Enterprise AI Agent）的核心价值所在。

与传统 AI 助手相比，企业智能体最大的区别在于其具备"目标驱动"和"执行闭环"能力。它能够围绕既定业务目标，将复杂任务拆解为多个可执行步骤，根据上下文动态选择工具和数据源，在执行过程中持续修正策略，并最终交付业务结果。Gartner 将这一能力概括为 Agentic AI，即 AI 从提供建议逐步发展为能够自主完成多步骤任务、动态适应复杂环境的新一代智能能力。

这种能力的出现，意味着企业 AI 的价值边界正在发生根本变化。过去，AI 更多承担"内容生产者"的角色，例如生成文档、翻译文本、回答问题；未来，AI 将逐步成为"业务执行者"，参与营销策划、客户运营、供应链管理、人力资源、财务审批等核心经营活动。从"生成内容"到"完成任务"，不仅是技术能力的提升，更代表着企业 AI 建设目标的升级。

更重要的是，企业业务并不是由单一角色完成的，而是由多个专业岗位协同推进。例如，一个市场活动可能需要营销团队制定方案、销售团队跟进线索、客服团队承接咨询、数据团队分析效果，整个过程涉及大量跨部门协作。如果每个业务环节都由独立的 AI 助手负责，企业很快就会面临新的信息孤岛和协同效率问题。因此，未来企业真正需要的是由多个专业智能体组成的协同体系，而不是彼此孤立的 AI 工具。

这也是近年来 Multi-Agent（多智能体协同）快速发展的重要原因。多个具备专业能力的智能体可以像企业组织中的不同岗位一样，通过任务分工、信息共享和协同决策，共同完成复杂业务目标。

例如，营销智能体负责市场洞察和内容生成，销售智能体负责商机分析和客户跟进，客服智能体负责服务响应和问题处理，而运营智能体则持续监控业务指标并反馈优化建议。企业管理者面对的将不再是一系列独立的软件，而是一个能够持续协同工作的数字化团队。Gartner 预计，企业应用将逐步从单一 AI 助手演进到具备协同能力的 Agent Ecosystem（智能体生态），企业软件也将从支持个人效率转向支撑自主协作与动态工作流。

需要指出的是，智能体的发展并不意味着企业可以无限制地部署 Agent。随着智能体数量增加，权限管理、知识共享、模型调用、安全治理以及责任追踪等问题将变得更加复杂。近期行业研究也指出，企业在加速采用 Agentic AI 的同时，治理体系建设往往滞后，如何建立统一的管理与审计机制，将成为智能体规模化落地的重要前提。

因此，从企业发展的角度来看，智能体并不是大模型的替代者，而是大模型价值释放的重要载体；它既是企业业务流程的执行单元，也是未来组织能力数字化的重要组成部分。当越来越多业务角色由智能体承担时，企业需要思考的将不再是"是否部署 AI"，而是如何让不同智能体形成统一、高效、可治理的协同体系。这一问题，也自然引出了企业 AI 建设的下一阶段——构建企业 AI 操作系统。

图3 企业智能体执行闭环（Enterprise Agent Execution Loop）

第三章 企业 AI 操作系统：智能体时代的新基础设施

如果说企业智能体（Agent）是未来企业的"数字员工"，那么企业还需要回答另一个更关键的问题：当企业拥有几十个、几百个甚至上万个智能体之后，谁来管理这些智能体？

这是当前企业 AI 建设正在面临的新挑战。

在许多企业的第一阶段实践中，Agent 往往以单点应用的方式出现：营销部门部署一个营销 Agent，客服部门上线一个客服助手，研发团队使用代码 Agent，财务部门尝试智能报销审核。短期来看，这些应用能够解决局部效率问题，但随着智能体数量持续增长，企业很快会进入一个新的复杂阶段：不同 Agent 使用不同模型、不同知识库、不同权限体系，缺乏统一的身份管理、任务调度、知识共享和运行治理，最终形成新的"智能体孤岛"。

这种现象，与二十年前企业数字化建设初期出现的信息孤岛极为相似。当时，不同部门分别建设 ERP、CRM、OA、MES 等系统，虽然各自实现了业务数字化，却因为缺乏统一平台，导致数据无法共享、流程无法贯通、治理成本不断上升。今天，企业正在面临类似的问题，只不过对象从"业务系统"变成了"智能体"。

因此，企业真正需要建设的，不只是更多 Agent，而是一套能够支撑 Agent 持续运行、统一管理和协同工作的基础设施——企业 AI 操作系统（Enterprise AI Operating System）。

这里所说的 AI 操作系统，并不是传统意义上的 Windows、Linux 或移动操作系统，而是企业智能体运行的"控制中枢"。它向上承载业务智能体，向下连接模型、知识、工具和企业应用，在中间完成统一编排、运行调度、安全治理、权限控制以及运行监控，使整个企业能够像管理一支数字化团队一样管理智能体资产。

这一理念正在成为行业的重要发展方向。近年来，越来越多研究开始将 Agent 平台视为企业 AI 的核心运行层，而不仅仅是模型调用框架。Gartner 在关于 Agentic AI 和 AI 应用架构的研究中指出，随着 Agent 数量快速增长，企业竞争重点将逐渐转向智能体编排（Orchestration）、治理（Governance）、身份管理（Identity）、运行时控制（Runtime Control）以及成本管理（FinOps）等平台能力，而这些能力共同构成了企业 AI 基础设施的重要组成部分。

从企业架构角度来看，未来的 AI 操作系统至少需要承担六项核心职责。

首先，是统一模型管理。随着企业同时接入多个基础模型、行业模型以及私有模型，AI 操作系统需要根据任务类型、成本、性能、安全等级等因素，实现模型的动态选择和统一调度，而不是让每一个 Agent 独立管理模型资源。

其次，是统一知识管理。知识已经成为企业智能体最重要的生产资料。企业需要建立统一的知识底座，使不同业务域的 Agent 能够访问一致且持续更新的企业知识，同时根据权限控制不同智能体可访问的数据范围，避免知识碎片化和重复建设。

第三，是统一工具管理。企业智能体真正创造价值，不仅依赖模型推理能力，更依赖其调用业务系统和执行工作的能力。CRM、ERP、MES、OA、HR、财务系统、数据平台以及各种 API，都应通过统一工具层向智能体开放，而不是由每一个 Agent 分别开发连接器。

第四，是统一任务调度。未来，一个复杂业务往往需要多个 Agent 协同完成。例如，营销 Agent 发现销售机会之后，将任务交由销售 Agent 跟进；销售 Agent 完成商机分析后，再交由合同 Agent、法务 Agent、财务 Agent 继续执行。整个过程需要统一的任务编排、状态管理和异常处理能力，而不是依赖人工协调。

第五，是统一记忆与上下文管理。与传统软件不同，智能体需要长期记忆企业知识、客户历史、执行经验以及业务规则，才能持续提升执行效果。如果每一个 Agent 都维护独立记忆，不仅容易产生信息不一致，也难以形成企业级知识资产。因此，AI 操作系统需要建立统一的长期记忆机制，使企业知识能够持续沉淀、共享和复用。

最后，也是越来越受到企业关注的一项能力——统一治理与安全体系。随着 Agent 开始拥有写入系统、调用接口甚至自主执行任务的能力，其风险已经从"生成错误答案"演变为"执行错误操作"。Gartner 最新研究指出，到 2027 年，约 40% 的企业可能因治理缺失而降级或停用部分自主智能体；与此同时，企业需要根据智能体的自主程度建立差异化治理体系，而不是采用"一刀切"的管理方式。

这意味着，企业 AI 操作系统不仅是智能体运行的平台，更是企业 AI 治理能力的集中体现。它需要提供身份认证、权限管理、审计追踪、运行监控、人机协同审批、风险预警以及回滚机制，使企业能够在保证安全与合规的前提下，逐步释放智能体的自主执行能力。

从更长远的视角来看，企业 AI 操作系统的重要性，类似于过去 ERP 对企业资源管理、CRM 对客户管理所产生的作用。不同的是，ERP 管理的是资源流，CRM 管理的是客户流，而 AI 操作系统管理的将是企业的智能流（Intelligence Flow）——包括知识流、任务流、Agent 协同流以及决策流。未来，随着越来越多业务由智能体承担，AI 操作系统有望成为企业新的数字基础设施，也是企业智能化能力持续演进的重要底座。

图4 企业 AI 操作系统总体架构（Enterprise AI Operating System）

第四章 企业 IT 架构将迎来未来十年的最大升级

过去二十多年，企业数字化建设始终围绕"业务系统"展开。从 ERP、CRM、SCM 到 OA、MES、PLM，企业通过不断部署专业化软件，将采购、生产、营销、销售、服务等核心业务逐步数字化。这一阶段的核心目标，是将业务流程标准化、数据在线化以及管理信息化。然而，无论软件如何演进，其基本模式始终没有发生根本改变：人作为业务执行主体，软件作为业务支撑工具。

在这种模式下，企业员工需要主动登录不同系统，查询信息、录入数据、审批流程、协调资源，再推动业务继续向前。随着企业应用不断增加，系统之间的信息壁垒、业务流程割裂以及跨部门协同效率问题逐渐成为数字化建设的新瓶颈。过去十年兴起的 SaaS、本地化部署、低代码平台以及流程自动化，本质上都是在不断优化这一"人操作软件"的工作模式。

然而，企业智能体的出现，正在改变这一基本范式。

Agent 并不是传统意义上的新软件，而是一种能够主动理解目标、调用工具、执行流程和协同工作的数字执行者。当 Agent 成为企业业务的重要参与者之后，企业应用的交互方式也将随之发生变化。未来，员工不再需要逐个打开 CRM、ERP、财务系统或审批平台完成工作，而是通过业务目标驱动智能体，由智能体自主调用相关系统、整合数据并完成具体任务。企业软件的价值，也将从"提供功能界面"逐步转向"提供可调用的业务能力"。

这一趋势正在推动企业应用架构从"Application-Centric（应用中心）"向"Agent-Centric（智能体中心）"演进。Gartner 预测，到 2026 年底，约 40% 的企业应用将集成面向特定任务的 AI Agent，而 AI Agent 将逐步从提升个人效率扩展到支持团队协同和业务流程执行。长期来看，Agent 有望成为企业应用的重要交互入口，并重新定义企业软件的价值形态。

这种变化不仅意味着交互方式的改变，更意味着企业 IT 架构需要重新设计。过去，企业更多关注"系统如何支撑业务"；未来，企业需要思考"如何让智能体跨系统完成业务"。因此，传统 ERP、CRM、OA 等系统并不会消失，而是逐渐从面向人的业务应用，演变为面向 Agent 的能力提供者（Capability Provider）。企业需要通过标准接口、统一数据服务、事件驱动机制以及 API 能力，使智能体能够安全、高效地访问企业资源。

与此同时，Agent 的规模化应用还将推动企业基础设施进一步平台化。随着智能体数量持续增长，企业不仅需要管理应用，还需要管理 Agent 本身，包括 Agent 的身份、权限、生命周期、协同关系以及运行状态。Gartner 最新研究预计，到 2028 年，一家全球《财富》500 强企业平均可能部署超过 15 万个 AI Agent，而目前仅有约 13% 的组织认为自己已经建立了完善的 Agent 治理体系。这意味着，未来企业 IT 管理对象将从"软件资产"扩展到"智能体资产"，Agent 治理能力将成为 CIO 和数字化负责人的核心职责之一。

从更宏观的角度来看，企业 IT 正在经历继大型机、互联网、云计算之后的新一轮架构升级。过去，企业竞争优势主要来源于信息化能力；今天，越来越多企业开始通过数据驱动经营；而未来，真正决定竞争力的，将是企业是否拥有一套能够持续运行、持续学习、持续协同的智能体体系。对于管理层而言，这不仅是一项技术升级，更是一场组织运行模式和企业经营方式的重构。

图5 企业 IT 架构演进路径

结语：从部署 AI 到构建企业智能体体系

回顾过去三年的发展历程，企业 AI 的关注重点已经发生了根本性变化。早期，企业普遍关注模型能力、算力投入以及生成式 AI 的应用效果，希望借助更强的大模型提升员工生产效率；而今天，随着模型逐步平台化、基础能力持续成熟，企业竞争开始进入新的阶段——竞争的核心不再是谁拥有性能更强的模型，而是谁能够构建更加完整、更加可持续的企业智能体体系。

这一变化意味着，未来企业 AI 建设将不再以单一项目为中心，而是围绕统一架构持续演进。企业需要建立统一的知识底座、统一的模型治理体系、统一的智能体平台以及统一的 AI 操作系统，让不同业务领域的智能体能够共享知识、协同工作、安全运行，并持续沉淀企业智能资产。这种从"项目式 AI"向"平台化智能体体系"的转变，将成为未来企业数字化升级的重要方向。

Gartner 也指出，Agentic AI 的下一阶段重点将不只是能力突破，更包括治理、安全、成本控制和平台化管理等企业级能力，这些因素将直接影响 Agent 能否从试点走向规模化生产。

对于 CEO、CTO、CIO 以及数字化负责人而言，现在需要思考的问题已经不再是"企业是否应该使用 AI"，而是"企业将以什么样的架构迎接智能体时代"。未来三到五年，真正形成竞争优势的企业，很可能不是最早部署大模型的企业，而是最早完成企业智能体架构升级、建立企业 AI 操作系统、实现智能体规模化协同运行的企业。

当 ERP 定义了资源管理时代，CRM 定义了客户经营时代，企业 AI 操作系统与企业智能体体系，或将共同定义下一代企业智能化经营的新范式。