从 Transformer 到 Transformation：企业 AI 化的问题与解决路径
梳理企业 AI 化在使用方式与组织关系上的问题，讨论 Context Infra 与组织嵌入两条路径，以及智跃的产品探索。
上周六，我们在广州阿里中心参加了一场 FDE 主题的线下活动，和一批做企业 AI 落地及对此感兴趣的朋友聊了聊。
我们先把结论放在前面
- 企业 AI 化，缺的不是模型能力，是组织基建。
- 在使用方式与组织关系上，企业 AI 化存在七项问题。
- 解决路径有两种：Context Infra （决策基础）与组织嵌入。
01｜企业 AI 化，缺的是组织基建
先看一些数据资料：
近年企业 AI 投入持续高涨。
投入侧｜数据来自 Menlo Ventures、IDC、斯坦福 HAI
Menlo Ventures 估算，2025 年美国企业生成式 AI 支出已达 370 亿美元，是上年 115 亿美元的 3 倍多，而 2023 年这个数字还只有 17 亿美元；
IDC 预计，2026 年全球企业 AI 支出将达 9400 亿美元。斯坦福 HAI《2026 AI Index》指出，2025 年受访组织的 AI 采用率已达 88%。
吊诡的是，这些投入未能换来可靠的绩效增长。
兑现侧｜数据来自麦肯锡与 MIT NANDA
麦肯锡 2025 年《The State of AI》调查显示，遵循主要规模化最佳实践的受访组织不足三分之一，超过八成受访者表示 AI 尚未对企业息税前利润（EBIT）产生可见影响；
MIT NANDA 的报告更直接：尽管企业 AI 投入达 300 至 400 亿美元，但 95% 的组织表示没有得到明显收益。
广度先行，深度滞后。
为什么会这样呢？
明明那么多公司部署了模型接口，设置了各种专用 Agent，而且也有很多人反映切实利用 AI 提高了自身的产出。
答案可能在于，对于企业 AI 化这件事来说，接入模型能力只是最初的一小步。
真正要将 AI 转化为企业绩效，意味着企业组织本身要向 AI 友好型方向进行不同程度的转型。
而目前的企业，尚且缺少一套可行的组织基建，去承接这种由技术创新带来的转型过程，导致 AI 投入效率难以兑现。
要解释这个判断，我们要先了解：
当前企业都在利用 AI 干些什么？这些用法本身存在哪些问题？
02｜E.T.AI：AI 进入企业，恰如外星人降临地球
当前基于大语言模型的人工智能，其基础架构 Transformer 来自一篇发表于 2017 年的论文《Attention is All You Need》。
《Attention Is All You Need》（Vaswani et al., 2017）｜arXiv:1706.03762
注意力机制，本质上是让模型在处理每一个词的时候，都去算一遍它与上下文里其他所有词的关联强弱，再按这个强弱去分配注意力。
这种工程优化赋予了更好的模型语言理解和生成能力，并随着神经网络规模的增长而涌现出智能。
纵观近代以来的技术经济史，从蒸汽机到电力再到计算机，每一项关键技术进入社会之后，都会带来大范围的转型，社会科学家通常把这种转型称为 Transformation。
《大转型：我们时代的政治与经济起源》中译本封面 | 图源 ：商务印书馆
卡尔·波兰尼的《大转型：我们时代的政治与经济起源》（1944）讲的就是这件事：
自律市场通过摧毁传统社会秩序实现扩张，并塑造了新世界秩序，但也引发了"大萧条"与两次世界大战等社会保护运动。
波兰尼的一项重要判断是，时代的转型不是由技术单独决定的，而是市场、社会、政府等多方力量相互影响的结果。
我们无法判断 AI 造成的社会历史影响，是否会像蒸汽机那样广泛而深刻。但可以肯定的是：
基于 Transformer 架构的 AI，在进入企业后，将在很大程度上造成企业结构和运作模式的 Transformation。
由 AI 引发的这种企业组织转型，我们讨巧地给它起了一个名字：
E.T.AI（Enterprise Transformation with AI）。
《E.T. the Extra-Terrestrial》电影海报 | 图源 ：维基百科、环球影业
这个名字是在致敬斯皮尔伯格的经典之作《E.T. 外星人》（E.T. the Extra-Terrestrial），并借此强调，AI 进入企业带来的是两种生命体之间的"接触"。
如何用一套组织基建，安放人类员工与数字员工这两种生命体，是企业 AI 化转型的关键。
03｜企业 AI 化的形式与问题
我们从两个维度分析企业 AI 化的形式，进而剖析其中存在的问题：
一方面是企业对 AI 的用法，它分为两种，即生产与协调；
另一方面是 AI 在企业中形成的组织关系，即作为员工的工具、以及作为企业的员工。
由此，我们可以得到一个 2×2 矩阵，从中看到七类问题：
AI 作为员工的工具时
在生产上
- 个体提效靠每个人的业务判断和 AI 素养，很多人都要付出磨合成本；
- 最值钱的默会经验滞留在各自的对话框或设备里，难以沉淀成组织能力。
在协调上
- 个人产能被放大之后，横向对齐反而更贵了——团队各自抱着自己的 AI 朝不同方向奔跑，如同一群烈马拉一辆战车，跑得越多散架越快；
- 汇报被 AI 加速了，可数据全不全、更新及不及时、有没有出处，样样都影响管理者对产出的信任。
AI 作为企业的员工时
在生产上
- Agent 想代替人干活，得先吃到专门的企业知识，而这恰恰是它没有的；
- 自动化降了成本，也切断了附着在人工上的异常感知——优秀客服对用户情绪的察觉、销售在例外处理里攒下的现场经验。
最要命的是在组织协调上
- Agent 没有身份、没有权限边界、没有责任归属，产权也不清晰，企业没法把它当"自己人"。
04｜业界的两种解决路径
总的来看，业内已经展开了很多思考。
MIT NANDA 那份报告的结论很有意思：规模化落地的核心障碍，不是基础设施、不是监管、也不是人才，而是"学习"，即绝大多数 AI 系统留不住反馈、适应不了情境。
Gartner 的判断类似：Agentic AI 失败率居高不下，根源在上下文与协调的缺失，而非模型能力不足。
换句话说，不是这个来到企业的新物种不够聪明，而是我们没给它上下文，也没给它协作法则。
从当前业内许多企业的做法来看，两条线索，或者说路径，便浮出来了：
- 一是建 Context Infra ： 将企业分散在各处的信息和知识，围绕具体任务组织起来，让 AI 真正理解这家企业；
- 二是推动组织嵌入： 让 AI 在理解企业之后，作为新人融入企业的组织生活，与原住民——也就是我们人类，在组织尺度上展开更有效的协调。
当前，大量的知识库、多 Agent 编排系统、FDE 在做的，实际上都是这些事情。
05｜Zleap 的探索
我们也不例外。而且，我们同时想完成两件事情。
SAG 企业知识库｜负责组织知识，解决决策基础
它把企业资料拆成一件件具体的事项（Event），抽出其中的实体（Entity），再把每件事和它涉及的实体关联起来。这样一来，资料就不再是一堆被切碎的孤立片段，而是通过实体这张网彼此连通。
SAG 技术原理
查询发生时，SAG 根据眼前这个具体问题，在相关的局部动态地把事件和实体串起来。既省掉了建图和长期维护图谱的成本，也让语义上不相干、但对这个问题关键的制度与项目同样能被取回，不漏掉中间证据，而且每一条结论还能回到原文核对。
SAG 知识宇宙 | 知识库截图
延伸阅读：
Zleap OS｜负责组织 Agent，解决组织秩序
它以治理为前提，以项目为载体。
它用企业控制、组织身份、行动边界、过程责任、开放接入五件事建立治理关系，让 Agent 成为企业内部可控的成员。
进而，人类员工与 Agent 以项目为单位进入协作关系，形成 Human-Agent Loop：人设定目标并授权，Agent 在边界内推进，例外升级给人，最后由人验收，经验和过程都留在项目里。
FDE｜负责连接现场
SAG 和 Zleap OS 再漂亮，都不会自动落地。
因为 企业组织转型，绝不仅仅是一个技术问题，它还是经济问题与社会问题 。
技术本身只是一个变量，它进入到企业的运作中，通过改造某些环节的分工或协调，增进企业效率。因此，我们既需要提供标准化产品，又要能够根据企业的实际情况及其需求，针对性部署服务方案，推动 AI 在企业内部的适应性落地。
这特别要求 FDE 既要懂 AI，还要懂企业 ，并且要作为我们与现场之间的双向桥梁，把现场落地经验反馈回来，推动标准化技术和产品方案改进。由此，FDE 经验落地越多，我们沉淀的能力也就越强。
技术、产品、诊断实施与咨询相互衔接，构成一套完整的企业 AI 化的组织基建。
06｜这只是一个开始
瓦特在 1765 年改进了蒸汽机，但一般认为，第一次工业革命直到 19 世纪中期才完成，前后持续了近一百年。
从家庭作坊到自动化工厂：技术变革与生产组织形态演进
技术从发明到应用的时间，较之以前极大地缩短了。
但鉴于 AI 技术可能引发的社会各方面的"大转型"，我们依然相信， 目前仍然只是处在一个巨变期的开端 。
我们可能需要大量的基建，来承接 AI 所带来的想象力，使之顺利落地，并有设计性地减少这种技术在就业、经济、文化和社会关系各方面带来的摩擦。
这样才能有信心地说，我们给我们的后半生，以及我们的后代，创造的是一个美好的社会。
AI 可能就像外星人一样，初次造访时觉得它丑陋，充满威胁。但这或许也是不同生命体、或不同社会文化接触必然存在的摩擦。
眼下更紧要的问题是，我们如何与它共存于这个时代中。
谁不想要一个强大又听话的贾维斯（Jarvis）？| 图源：《钢铁侠》系列电影
电影《E.T.》里最著名的一句台词是 "E.T. phone home"。但 E.T. 说的 home，不是外星，而是它待过的那个房间；它能联系上家，靠的也不是魔法，是那家人连夜给它装起来的一部电话。
企业 AI 化走到今天，每家企业都已经被"到访"了。真正的问题是三个特别实在的事：有没有给它装一部能通上话的电话，敢不敢给它上一张户口本，以及愿不愿驻在你家，把这些改造一寸一寸装好。
以上是我们的一些，略显粗糙和武断的思考，特别欢迎大家提出宝贵的意见，批评指正。
这篇讲得快，很多地方只是点到为止。这个月，我们会把它一篇一篇摊开来讲：
- 那张 2×2 矩阵背后的七类问题，以及拿着这份问题地图如何自查；
- 当前业内头部企业，是怎么思考并着手解决这些问题的；
- 企业内部那些七零八落的知识和数据，究竟该如何组织；
- 作为一家卖组织基建的公司，我们自己的办公状态和工作模式是怎样的。
...
07｜聊到这儿，如果你想接着谈
如果你的企业正在推进 AI 化，在知识库、Agent 调度系统这类事情上遇到了卡点，欢迎添加我们的联系方式，备注「企业 AI」，接着聊。
扫码添加企业微信
资料来源
1. Menlo Ventures，2025 年末《企业生成式 AI 状况》调研（样本限于美国企业）：企业 AI 支出由 2023 年约 17 亿美元升至 2025 年约 370 亿美元；该数字为 Menlo 的市场规模估算，非普查统计。
2. IDC，FutureScape 预测：2026 年全球企业 AI 支出约 9400 亿美元。此数为公开报道转引，正式出处以 IDC 原文为准。
3. 斯坦福大学 HAI，《AI Index 2026》：2025 年受访组织 AI 采用率升至 88%（采用率与 Agent 部署率为两个不同指标，本文只引前者）。
4. 麦肯锡，《The State of AI》（2025 年 3 月发布，调查窗口为 2024 年下半年）：遵循主要规模化最佳实践的受访组织不足三分之一；超过八成受访者表示 AI 尚未对企业级利润产生可见影响。
5. MIT NANDA，《The GenAI Divide》（2025）：在约 300 至 400 亿美元企业投入之下，95% 的组织未获得可度量回报（基于 300 余个公开项目与 153 位领导者访谈的抽样估算）。
作者提示: 个人观点，仅供参考
