当 AI 能力持续跃升，真正拉开企业差距的，不是谁先拿到最强模型，而是谁能把不均衡的能力转化为稳定、可治理、可衡量的业务结果。

一边是 AI 实验室不断刷新模型能力边界，关于通用人工智能（AGI）即将到来的预测此起彼伏；另一边，学术共同体对“继续扩大当前技术路径能否通向 AGI”仍保持审慎。

AAAI 2025 总统小组报告显示，在 475 份社区调查回应中，76% 的受访者认为，扩大当前 AI 研究路径“不太可能”或“非常不可能”实现 AGI。与此同时，77% 的受访者更优先考虑设计具有可接受风险收益比的 AI 系统，而不是直接追求 AGI。

这并不意味着 AI 发展正在放缓。METR 对前沿模型的研究显示，AI Agent 能以 50% 成功率完成的任务时长，在相关软件工程任务基准上曾呈现约每 7 个月翻倍的趋势。AI 能做的事情越来越多，但这种进步并没有平均分布到所有任务和工作场景。

企业经营端的差异更加明显。McKinsey 2026 年《The State of AI》调研中，80% 的受访者表示 AI 提升了个人工作效率，50% 认为 AI 帮助他们做出更好的决策；但只有 37% 的受访者表示 AI 已为所在组织带来一定程度的 EBIT 正向影响，达到其定义的 AI 高绩效标准的企业约占 6%。

这几组数据揭示了一个值得企业重新审视的现实：

AI 能力在加速，但能力提升不会自动转化为组织效率，更不会自动转化为企业利润。

对企业管理者而言，AGI 究竟会在几年后到来，或许仍没有确定答案。但有一件事已经足够明确：AI 在不同任务上的能力并不均衡，企业能否识别、管理并持续调整这条能力边界，将直接影响 AI 投资的回报。

BCG Institute 在 2026 年发布的《What CEOs Need to Know About Artificial General Intelligence》中，将这种不均衡称为 Jagged Frontier（锯齿前沿）。它所提出的关键问题，不是企业应该等待哪一代模型，而是如何让组织持续适应一条不断移动、却始终不够平整的 AI 能力边界。

一、AGI 时间表之争：真正的分歧不是 AI 是否进步

AGI 尚无统一的行业定义。BCG 在其研究中，将 AGI 描述为：在全部人类认知能力范围内，都达到大师级深度与胜任力的技术。按照这一标准，AGI 并不是今天已经实现的技术。
围绕当前大语言模型（LLM）能否通过持续扩展走向 AGI，业界大致存在三种判断：

        · 扩展路径乐观派：认为增加算力、数据和训练规模，能够持续推动模型能力提升，最终逼近通用智能。

        · 扩展与架构创新并重派：认为规模化仍然重要，但还需要在推理、记忆、持续学习等方面取得关键突破。

        · 新架构探索派：认为当前 LLM 架构可能存在难以跨越的边界，通往 AGI 或许需要不同的技术范式。

AAAI 2025 总统小组报告为这场争论提供了学术界的一个观察窗口。该报告由 25 位 AI 研究者撰写、15 位贡献者支持，并收集了 475 份社区调查回应，其中约 20% 来自学生，67% 的受访者主要来自学术界。

调查中，76% 的受访者认为扩大当前 AI 研究路径难以实现 AGI；77% 更优先考虑具有可接受风险收益比的 AI 系统设计，而不是直接追求 AGI。

需要注意的是，这是一项社区意见调查，并不等同于对 AGI 技术路线的正式科学裁决。它所反映的是：在 AI 研究共同体内部，对当前技术路径的能力边界、风险和长期可行性仍存在审慎判断。

因此，企业不必简单地在“AGI 很快到来”和“AGI 遥遥无期”之间选边。更重要的是区分两个问题：

第一，模型能力是否还会快速提升？ 现有研究已经给出大量肯定证据。

第二，模型能力能否同步覆盖所有复杂工作，并在真实组织中稳定创造价值？ 目前并没有证据支持这样的推断。

两者并不矛盾。AI 可以在代码生成、信息检索、内容生产等任务上快速进步，同时仍然难以独立承担复杂决策、跨部门协调、长期责任和高度依赖组织背景的工作。

企业战略不应建立在对 AGI 日期的猜测上，而应建立在对当前能力边界的持续测量之上。

图 1｜AGI 路径的三种判断

二、锯齿前沿：AI 越来越强，为什么仍然不能接管整个岗位？

2023 年，BCG Institute 与多所领先学术机构的研究者提出了“锯齿前沿”这一概念，用来描述 AI 在不同任务上的能力差异：

AI 在某些任务上已经达到专家甚至大师水平，在另一些任务上表现高于平均水平，但在其他任务上仍可能低于普通专业人员。

这条能力边界并不是一条平滑曲线，而更像一排高低不齐的锯齿。

以软件工程为例，AI 已经能够高效完成代码生成、测试编写、代码重构等工作，但系统架构取舍、跨团队协商、复杂故障处理、业务目标判断和最终责任承担，仍然需要人类发挥重要作用。

同样的差异也出现在法律和医疗领域。

在法律工作中，文档审阅、资料检索、证据整理等任务更容易被 AI 辅助；但庭审策略、客户沟通、复杂利益权衡和法律责任判断，并不能简单地交给模型。

在医疗工作中，病历整理、临床文档、编码和信息检索可以获得 AI 支持；但复杂诊断、医患沟通、治疗决策以及医疗责任，仍需要专业人员参与。

因此，岗位并不是一个可以整体交给 AI 的标准化任务包。一个岗位内部往往同时包含大量可自动化、可辅助和必须由人负责的任务。

图 2｜同一个岗位内部，AI 能力呈现锯齿状分布

BCG 在 2026 年的研究中，以诉讼律师、门诊初级保健医生和软件工程师等岗位为例，展示了 AI 在具体任务上的能力差异。其软件工程师任务分析还比较了 2024 年中与 2026 年中的能力变化：AI 在代码编写、测试、重构等任务上进步显著，但在架构权衡、跨团队协作和责任判断等方面仍存在边界。

这意味着，AI 越强，企业越需要精细地拆解工作，而不是简单地按照岗位名称判断哪些人会被替代。

企业真正需要重画的，不是岗位编制表，而是任务分工图。

一个销售岗位可能包含线索识别、客户研究、需求分析、方案撰写、商务谈判和关系维护。AI 可以承担其中一部分信息处理与内容生产任务，但客户信任、复杂需求判断和关键商务决策仍需要人的参与。

一个营销岗位也可能同时包含市场洞察、内容生产、渠道投放、线索培育、效果分析和预算决策。不同任务的可自动化程度并不相同。

如果企业只是采购一批 AI 工具，让员工在原有流程中增加一个对话窗口，最终得到的可能只是局部提效，而不是组织生产方式的改变。

能力增长的另一面：收益并不平均

锯齿前沿不仅存在于不同任务之间，也存在于不同员工、不同工作环境和不同组织之间。

METR：Agent 能力持续扩展，但基准之间存在明显差异。

METR 使用“50% 时间地平线”衡量 AI Agent 的能力，即模型能够以 50% 成功率自主完成、按人类完成时间衡量的任务长度。其研究发现，在相关软件工程任务基准上，这一时间地平线呈现出约每 7 个月翻倍的趋势。

后续跨领域研究也显示，不同任务领域的时间地平线和增长速度存在较大差异。代码、数学和部分科学问答任务上的 Agent 能力进步较快，而图形界面操作、自动驾驶等领域的进展并不相同。

这说明，不能仅凭一个综合 Benchmark 分数，就推断 AI 已经具备在所有业务场景中稳定执行任务的能力。

NBER：AI 对不同经验层级员工的帮助并不相同。

Brynjolfsson、Li 和 Raymond 对 5,179 名客服人员开展的研究发现，使用生成式 AI 助手后，员工每小时解决的问题数量平均提高约 14%；对于新手和低技能员工，生产率提升约 34%。

这项研究的重要意义在于，AI 不只是替代劳动，也可能通过提供实时建议、传播优秀员工的工作方法，帮助经验较少的员工更快达到较高水平。

但这并不意味着所有员工都能获得相同幅度的收益。AI 的效果取决于任务性质、员工经验和工具与工作流程的匹配程度。

OECD：企业 AI 采用率快速提升，就业影响仍然是多种力量共同作用的结果。

OECD 2026 年公布的数据表明，在有可比数据的成员国企业中，AI 使用率从 2023 年的 8.7% 上升到 2024 年的 14.2%，并在 2025 年达到 20.2%。两年间，企业 AI 使用率超过翻倍。

但 AI 对就业的影响并非只有“替代”一条路径。自动化会减少部分任务需求，生产率提升可能扩大业务规模，新任务和新岗位也可能随之出现。最终的就业结果，取决于这些力量如何相互作用。

图 3｜AI 价值形成的三个层次

由此可以得到一个重要结论：AI 不是简单的效率放大器，而是一种重新分配任务和能力的生产力工具。

企业要获得更稳定的收益，需要同步调整知识管理、业务流程、岗位职责、培训机制和质量控制体系。否则，模型能力提升得越快，工具与组织之间的错配也可能越明显。

三、四道技术瓶颈：为什么锯齿前沿可能长期存在？

锯齿前沿并不一定只是模型暂时不够强造成的工程问题。BCG 对 LLM 架构的分析指出，至少有四类因素可能使 AI 能力的不均衡长期存在。

1. 高质量训练数据并非无限

早期大语言模型能力提升，很大程度上来自训练数据规模的扩大。但高质量、易获取的人类公开文本并不是无限资源。

当模型不断扩大训练规模，数据质量、数据重复、信息时效性和训练效率都会成为需要解决的问题。

合成数据、真实交互数据和专业领域数据可以提供新的训练来源，但它们也带来数据质量、偏差控制和评估有效性等新问题。

因此，继续扩大数据规模并不意味着所有能力都会按照相同比例提升。

2. 可验证奖励强化学习存在适用边界

近期 AI 推理和 Agent 能力的进步，与强化学习中的可验证奖励机制（RLVR）密切相关。

其基本思路是：让模型反复尝试完成任务，并根据结果是否正确给予奖励。只要任务结果可以低成本、可靠地验证，模型就能够通过大量试错持续改进。

数学题、代码测试等任务具有相对明确的判断标准，因此更适合这类训练方法。

但企业经营中的大量问题并没有即时、客观、唯一的答案。

例如：

        · 个新产品是否值得上市，需要市场反馈来验证；

        · 一项营销策略是否有效，需要观察长期转化和客户价值；

        · 一个投资决策是否正确，可能需要数年才能判断；

        · 一次组织调整是否成功，还涉及员工行为、协作效率和长期经营表现。

这些问题的反馈周期长、评价标准复杂，甚至存在多种合理答案。

AI 容易在“答案可以被验证”的任务上持续进步，却未必能以同样方式掌握“答案需要长期经营验证”的任务。

3. 模型尚不能像员工一样持续在岗学习

一个新员工进入企业后，需要通过会议、项目、客户沟通和跨部门协作，逐渐理解公司的历史、文化、业务规则和决策方式。

这些知识并不全部写在制度文件里。相当一部分属于组织隐性知识。

今天的 LLM 可以通过检索、上下文、工具和外部记忆访问新的组织信息，但这与员工在实际工作中持续形成稳定经验，并不是同一回事。

模型在执行任务时通常不会自动更新自身参数，也不能仅凭一次交互就保证形成长期可靠的组织认知。

企业因此需要建立自己的知识管理与上下文工程体系，把散落在业务系统、会议记录、客户互动、流程文件和员工经验中的信息，转化为可检索、可更新、可授权调用的组织资产。

4. 算力、能源与硬件存在物理约束

算力投入能够推动模型能力提升，但算力并非没有成本和上限。

大型训练和推理系统需要芯片、数据中心、电力供应、冷却设施和高速网络等基础设施。电网容量、能源成本、半导体供应和数据中心建设周期，都可能影响算力扩张速度。

即使技术路线在理论上可行，实际部署也必须考虑能源、成本和基础设施的约束。

图 4｜LLM 通往通用智能的四道结构性瓶颈

从实验室到真实生产：可验证任务不等于复杂业务

软件开发是观察 AI 能力与真实生产效率差异的典型场景。

GitHub Copilot 的一项受控实验显示，在完成一个边界清晰的 JavaScript HTTP 服务器编写任务时，使用 AI 辅助的开发者比对照组快 55.8%。

但在真实的软件工程环境中，结果并不总是如此。

METR 于 2025 年开展的一项随机对照试验，邀请 16 名有经验的开源开发者，在他们长期参与的成熟代码仓库中完成 246 项真实任务。研究发现，在允许使用当时的 AI 工具时，开发者完成任务的时间反而增加了 19%。

这项研究并不能证明 AI 会普遍降低软件开发效率。METR 也明确提醒，研究样本和场景有限，结果不能直接推广到所有开发者和软件工程任务。

它真正揭示的是一个重要问题：基准测试中的能力表现，与真实工作环境中的净生产率之间，存在需要认真评估的距离。

实验任务通常边界清晰、上下文有限、结果容易验证；真实生产环境则包含历史代码、系统依赖、隐性约定、代码审查、质量要求和团队协作。

AI 生成一段代码，并不等于这段代码能够顺利进入生产系统；Agent 完成一个步骤，也不等于整个业务流程已经闭环。

图 5｜实验室任务与真实生产环境之间的差距

企业需要建立的，不只是模型调用能力，还包括任务拆解、上下文管理、工具连接、权限控制、质量评估和异常处理机制。

四、即使 AGI 到来，最强模型也未必人人可用

企业评估 AI 时，除了关注模型“能不能做到”，还必须关注模型“能不能稳定获得”。

技术能力与商业可获得性之间，存在一道由监管、国家安全、数据治理和供应链共同构成的边界。

在高敏感行业，企业选择 AI 系统时，通常不仅考虑模型性能，还需要评估：

        · 数据是否允许跨境传输；

        · 是否支持私有化部署或专属环境；

        · 是否具备完整的审计日志；

        · 是否能够进行细粒度权限隔离；

        · 是否满足行业监管与数据安全要求；

        · 供应商是否具备持续服务能力；

        · 模型、算力和关键组件是否存在供应链风险。

金融、医疗、制造和公共服务等行业尤其如此。一个在公开基准上表现最强的模型，如果无法满足企业的数据、合规、部署和审计要求，就不一定是实际可用的最优选择。

因此，企业需要区分三个概念：

 · 模型能力： 模型理论上能够完成什么任务。

 · 产品可用性： 企业能否以可接受的成本、延迟和稳定性使用它。

 · 生产可控性： 企业能否管理数据、权限、风险、审计和业务责任。

这三个维度共同决定了 AI 能否进入核心业务流程。

        最强模型，不一定是最适合企业长期依赖的模型。

企业的 AI 架构需要保持一定的模型可替换性，避免将核心业务流程绑定在单一模型、单一供应商或单一部署方式上。

五、帕斯卡赌注：企业不应该等待 AGI，而应该准备好迎接能力变化

面对 AGI 到来的时间和影响都高度不确定的局面，BCG 借用了法国数学家布莱兹·帕斯卡提出的“帕斯卡赌注”思路。

当决策结果不确定、不同结果之间的影响差异巨大，而且企业无法回避选择时，管理者应该寻找具有更高长期价值的行动方案。

将这一思路应用于企业 AI 战略，可以形成一个简单的决策矩阵。

图 6｜企业 AI 战略的两种未来情境

这一逻辑并不是说企业能够提前为所有 AGI 情境做好准备，而是强调：在当前可观察的技术条件下，重构流程、沉淀知识、培养人才和建立治理能力，都是可以立即行动的事情。

如果未来模型能力继续呈现锯齿状，这些投入能够帮助企业持续扩大优势；如果模型能力发生重大跃迁，具备数据治理、组织适应和快速重构能力的企业，也更有条件应对变化。

McKinsey 2026 年调研进一步说明了为什么组织重构如此重要。

在 97 个国家和地区、1,719 名受访者参与的调查中：

        · 80% 的受访者表示 AI 提升了个人生产力；

        · 50% 表示 AI 帮助他们做出更好的决策；

        · 37% 表示 AI 已为组织带来一定程度的 EBIT 正向影响；

        · 约 6% 的企业达到 McKinsey 定义的 AI 高绩效标准，即 AI 对 EBIT 贡献达到至少 5%，且影响被评价为显著。

更值得关注的是高绩效企业的共同特征：近四分之三表示已经因 AI 从根本上重新设计工作流程，而其他企业中这一比例约为四分之一。

这说明企业 AI 价值的分水岭，不是员工是否开始使用 AI，而是企业是否围绕 AI 重新设计了工作。

从个人提效到企业利润，需要跨越三道门槛

企业如果只停留在第一阶段，得到的往往是分散的个人效率收益；只有进入流程重构和经营闭环，才有机会把局部效率转化为可持续的组织收益。

六、Token-based Competition：当所有企业都能使用强模型，竞争优势来自哪里？

当基础模型逐渐成为可采购、可调用的通用能力，企业之间的竞争就会发生变化。

BCG 将这种趋势称为 Token-based Competition（基于 Token 的竞争）。

其核心判断是：当企业都能够使用相近水平的模型，并以相近的方式获得 Token，模型本身就不再是长期、稳定的差异化来源。

真正决定企业竞争力的，将是企业如何组织人、数据、流程和智能体，让同样的模型产生不同的经营结果。

这意味着，企业 AI 的竞争重点正在从“谁拥有更强的模型”，转向“谁能更好地使用模型完成业务”。

1. 市场资金正在流向应用层

Menlo Ventures 发布的《2025: The State of Generative AI in the Enterprise》显示，2025 年企业生成式 AI 支出达到 370 亿美元，高于 2024 年的 115 亿美元，约为上一年的 3.2 倍。

其中，AI 应用层支出达到 190 亿美元，占总支出的一半以上；基础设施层支出约 180 亿美元。

应用层进一步覆盖通用办公、部门级工具和垂直行业解决方案。这说明企业 AI 市场正在从基础模型能力建设，进一步走向具体业务场景的落地。

需要强调的是，Menlo 的统计属于其对企业生成式 AI 市场支出的估算，并非所有企业 AI 投入的统一官方统计。但其结构性信号值得关注：企业愿意为能够直接进入工作流程、带来可感知价值的应用付费。

图 7｜2025 年企业生成式 AI 支出结构

当应用层支出不断增长，企业真正需要的就不只是模型接口，而是能够把模型连接到业务数据、业务规则和业务动作的完整系统。

2. 企业 AI 价值不是简单的成功或失败，而是分阶段兑现

Deloitte《State of Generative AI in the Enterprise》调研覆盖 14 个国家的 2,773 位企业与技术管理者。

报告显示，超过三分之二的受访者预计，未来三到六个月内能够全面规模化的生成式 AI 实验项目占比不超过 30%。

但在最先进、已经规模化的项目中，74% 的受访者表示其 ROI 达到或超过预期，其中 43% 达到预期、31% 超过预期；20% 的受访者表示项目 ROI 超过 30%。

这两组数据并不矛盾。前者描述的是从实验到规模化的难度，后者描述的是已经进入规模化阶段的先进项目所取得的回报。

换句话说，AI 并不是没有商业价值，而是价值集中在少数能够跨越数据、流程、组织和度量门槛的企业中。

企业 AI 落地通常要经历四个阶段：

如果企业无法定义清晰的业务目标、无法获得可靠数据、无法把 AI 接入真实流程，也无法衡量投入产出，就很难从试点走向规模化。

3. Agent 基建正在进入淘汰赛

Agent 是将模型能力转化为业务动作的重要载体，但并不是所有 Agent 项目都值得投入。

Gartner 在 2025 年 6 月发布的预测指出，到 2027 年底，超过 40% 的 Agentic AI 项目可能被取消，主要原因包括成本不断上升、商业价值不清晰和风险控制不足。

Gartner 同时指出，许多项目仍处于早期实验或概念验证阶段；部分被称为 Agent 的产品，实际上只是对传统助手、聊天机器人或自动化工具进行重新包装。

这一预测并不意味着 Agent 技术没有前景，而是提醒企业：从能够演示到能够稳定生产，中间存在真实的工程和经营门槛。

企业级 Agent 系统至少需要解决五个问题：

        · 任务可靠性：能否持续、稳定地完成目标任务，而不是只在演示中成功。

        · 上下文准确性：能否获取正确的客户、产品、流程和组织信息。

        · 权限与治理：能否遵守角色权限、业务规则和数据安全要求。

        · 异常接管：执行失败、信息不足或风险超限时，能否及时转交人工处理。

        · 价值度量：能否计算单位任务成本、完成率、响应时长和最终业务收益。

Agent 的竞争不能只看数量和自主程度，而应该看它能否在真实业务环境中持续创造价值。

图 8｜企业级 Agent 的生产化能力栈

EY 对 Agentic AI 价值的研究也强调，企业需要从完整运营体系看待 Agent 投资：价值并不只来自模型，还涉及算力、数据管道、治理、监督、流程重构和员工能力建设。

因此，企业级 Agent 平台的真正竞争力，不是生成了多少 Agent，而是能否把任务编排、知识管理、权限治理、异常接管和结果度量整合成可复用的生产系统。

4. 三个决定企业 AI 竞争力的命题

综合上述研究，可以提炼出三个判断：

第一，AI 是能力再分配机制，而不只是效率放大器。 它能够帮助部分员工更快完成任务，也会改变经验、技能和岗位价值的分布。企业需要重新设计培训、岗位和协作机制。

第二，企业 AI 的 ROI 取决于流程重构，而不是模型参数。 个人效率提升并不意味着企业利润同步增长。只有当 AI 被嵌入端到端业务流程，效率才有机会转化为经营结果。

第三，Agent 的核心竞争力是可治理的生产率。 能够完成任务只是起点，可靠性、权限、审计、成本、异常接管和业务归因，才决定它能否长期进入企业核心流程。

七、企业如何经营锯齿前沿：从任务分工到企业智能体基建

如果 AI 的能力边界长期呈现锯齿状，企业就不能把 AI 建设理解为一次性的模型采购或工具部署，而应该将其视为持续调整组织生产方式的过程。

企业需要建立一套能够随着模型进步而不断重绘的运营系统。

这套系统至少包含四个关键环节。

1. 任务级能力测绘：先识别哪些工作可以交给 AI

企业应当从岗位出发，进一步拆解具体任务，并按照任务复杂度、验证成本、风险水平和上下文依赖程度进行分类。

2. 人机分工编排：把能力嵌入真实业务流程

识别任务边界之后，下一步是将 AI 接入实际工作流。

例如，在营销与销售场景中，企业可以将线索识别、客户信息整理、内容生成、客户意向判断和跟进提醒等环节连接起来，让 Agent 承担重复的信息处理与标准化动作。

但涉及客户承诺、价格策略、重大商务判断和高风险决策时，应设置明确的人工确认节点。

真正有效的人机协作，不是让 AI 取代所有人，而是让 AI 接手适合自动化的工作，让人集中处理判断、关系和责任。

3. 建立企业上下文层：让模型理解企业自己的业务

模型可以通过通用知识完成大量任务，但企业经营需要的是对自身业务的理解。

客户是谁、产品有什么差异、价格和库存规则是什么、销售流程如何运行、哪些内容经过合规审核、不同部门之间如何协作——这些信息决定了 Agent 能否真正完成企业任务。

企业需要把分散的数据、知识、规则和流程整合起来，形成持续更新、可检索、可授权调用的企业上下文层。

这并不是简单地把更多文档上传到知识库，而是要建立知识与业务对象、业务流程和权限体系之间的关联。

4. 按业务结果度量：从 AI 使用量转向经营价值

企业不能只统计调用了多少次模型、创建了多少个 Agent、多少员工开通了 AI 账号。

更有意义的指标应该直接对应业务结果：

        · 任务完成率与一次通过率；

        · 单位任务成本与人工介入成本；

        · 线索响应时长与有效转化率；

        · 客户服务解决率与满意度；

        · 业务流程周期与交付效率；

        · AI 带来的增量收入、成本节约和利润贡献。

图 9｜经营锯齿的四步闭环

这四个环节共同构成企业经营锯齿的基本方法：先识别任务，再组织协作；先让模型理解企业，再以经营结果验证价值。

八、迈富时 Marketingforce：把模型能力转化为企业流程资产

对于企业级 AI 服务商而言，锯齿前沿带来的机会，并不只是帮助客户部署更多模型或创建更多 Agent，而是帮助企业把模型能力转化为可持续运行的业务系统。

从这一视角看，企业级智能体基建需要重点解决四类组织问题：

迈富时 Marketingforce 的企业 AI 建设思路，可以从两个关键能力方向理解。

AI-Agentforce：面向企业任务的智能体编排与执行。

企业需要的不只是能够回答问题的 AI，而是能够理解任务、调用工具、连接业务系统、执行流程并在必要时转交人工的智能体。Agent 的价值应当体现在任务完成、流程效率和业务结果上。

KnowForce：面向企业知识与上下文的组织记忆能力。

企业的产品知识、客户信息、业务规则、流程规范和历史经验，需要形成可持续更新、可按权限调用的知识资产。只有让 Agent 获取准确、及时且符合权限要求的企业上下文，模型能力才能真正进入业务场景。

二者共同指向一个方向：让企业不再依赖单一模型的能力，而是建立能够连接模型、知识、流程、工具和业务结果的企业级智能体体系。

当然，产品能力并不自动等于商业护城河。企业级智能体基建能否形成长期价值，仍需要通过实际经营指标验证。

建议重点观察四项指标：

        · AI 相关收入的持续性：收入增长来自可复用产品和持续服务，还是主要依赖一次性项目交付。

        · 客户续费率与净收入留存：客户是否持续将系统用于真实生产流程，是否不断扩大应用范围。

        · 标准化产品与定制交付的毛利结构：能力是否能够产品化复用，还是主要依赖人力投入。

        · 客户可归因的业务 ROI：在营销、销售、服务和经营分析等场景中，能否形成可被客户财务和业务部门共同验证的价值。

如果这些指标持续改善，企业智能体平台就有机会从 AI 工具集合，成长为真正的业务基础设施。

反之，如果 Agent 数量不断增加，却无法降低单位任务成本、提升流程效率或改善业务结果，平台就可能陷入“功能越来越多、经营价值却难以证明”的困境。

模型会持续迭代，企业真正需要沉淀的，是自己的任务分工、业务知识、流程规则和经营数据。

结语：企业的胜负手，不是预测 AGI，而是经营不均衡的能力边界

AGI 何时到来，今天仍没有可靠的时间表。

AAAI 的调查显示，学术共同体对单靠扩大当前 AI 研究路径实现 AGI 持审慎态度；METR 的研究则显示，AI Agent 在部分任务上的能力仍在快速扩展。两者并不矛盾：AI 能力可以持续跃升，但不意味着所有任务都会同步变得容易。

锯齿前沿揭示了 AI 能力的不均衡，NBER 的研究说明生产率收益在人群之间存在差异，OECD 的数据呈现出企业采用率的快速增长，而 McKinsey 和 Deloitte 的调研则进一步说明，从个人提效到企业规模化收益，仍然存在组织和流程层面的门槛。

与此同时，企业 AI 市场正在从模型能力建设走向应用落地，Agent 项目也开始面对成本、价值和治理的现实检验。

这些证据共同指向一个判断：

企业 AI 竞争的核心，正在从模型能力转向组织能力；从工具使用转向流程重构；从 Agent 数量转向可治理的业务生产率。

未来几年，模型还会变强，Agent 还会承担更多任务，企业的工作方式也会持续变化。但真正形成长期竞争优势的，不会只是最早接入某个模型的企业，而是能够持续识别任务边界、重构人

机分工、沉淀企业知识、控制执行风险，并用经营结果证明价值的企业。

别把企业 AI 战略押在 AGI 的时间表上。

把战略押在那张能够不断重绘、能够被业务验证、并且真正属于企业自己的任务分工图上。