从数人头到数智能体：一场正在发生的企业生产力换血

用了 AI、消耗了 Token，不一定就是 AI 原生组织，但不用肯定没有机会。

作者｜Li Yuan

编辑｜ 郑玄

先让许多管理者感到危险的，往往不是行业里又冒出了什么新技术概念，而是身边的同行突然拿出了完全看不懂的交付速度和报价单。

这种压迫感在今年变得极其具体：老牌企业正在把成群的智能体塞进核心生产线，甩掉繁琐的流程包袱；而那些从第一天起就生长在 AI 上的轻量团队，几个人就能直接撬动过去上千人公司的研发与交付产能。

当两拨底子完全不同的人在同一个市场里正面碰撞，企业间原有的体量界限正在被彻底击碎——竞争的胜负手不再取决于你积累了多少年的组织规模，而取决于业务链条上有多少比例被机器智能真正接管。

在今年云栖大会一场名为「AI 原生重塑企业生产力」的论坛上，这种分水岭被摆上了台面。

掌管着千问办公事业部（原钉钉）数亿用户盘子的陈宇森直言， 现在给任何组织贴「AI Native」的虚名都毫无意义，唯一的度量衡极其务实：去数一家企业里到底有多少工作量是由 AI 真实闭环的。 换句话说，谁能让智能体深度接管真实流水线，谁就拿到了新周期的入场券。

这种接管不是停留在设想里，数据已经在反映全行业的真实动作。

在阿里巴巴最新披露的数据中，与 Token 相关的 MaaS 业务 ARR 达到 160 亿元，加上 AI 云后超过 400 亿元。每一次调用的背后，都不再是玩具般的问答，而是一个个正在替企业写报价、查底稿、画图纸的数字员工。

当企业开始用这种方式重组流水线，竞争的标尺已经从你雇了多少物理员工（Headcount），不可逆地滑向你能调度多少智能体（AgentCount）。

01

AI 原生化，正在发生在不同年龄的企业里

很长一段时间里，大多数人对 AI 的理解其实相当局限：起初它只是实验室里算力惊人的模型，后来变成了手机里偶尔尝鲜的对话框，帮员工润色邮件、搜集资料或生成几张配图。在那个阶段，它不过是个锦上添花的小工具，没人真敢把身家性命托付给它。

但今年，这层浅尝辄止的外壳正在被迅速打破。

张亮在现场给出了一个极其清晰，行业在使用 AI 上的三阶段演进路径：最开始是每位员工各自找个 AI 工具辅助摸索；接着是把 Agent 嵌进企业私有数据和工作流，实现人机协同；最终则是将专业经验提炼蒸馏为云端大脑，形成可沉淀、可复用的数字资产。

在张亮看来，最直观的改变是「边界在消融」：个人开发者转变成一家公司，或者小公司快速成长为大公司，界限已不清晰；几个人的公司可能在做很大的事情，一个人也可能运转以前一家公司做的事，很难再按组织人数的大中小来区分公司。

这种边界的消融，给不同年龄的企业带来了截然不同、却同样剧烈的震荡：

对于没有任何历史包袱的创新团队，这意味着出生即可「以小搏大」。

做工业级电子设计的成都派兹互连就是个极好的样本。EDA 软件向来是国际巨头靠上千名工程师、几十年的设计规则和按席位卖上百万的单机软件筑起的深宅大院。但派兹互连一支几十人的轻量研发团队，把整个设计引擎、规则库与经验沉淀搬上了云端，用多智能体协同把工业容错率咬死在 100% 的 DRC 符合线上，直接跑通了全流程的电路板设计。

带来的结果是颠覆性的：相较于传统人工操作，器件建库和文档识别准确率稳定在 95% 以上，分组处理速度暴力提升了 100 倍以上，规则层合并解决率达到 90%，数据上传速度加快 5 倍 ()。一支过去按行业惯例需要上千人才能维持的研发团队，借由云端资产的复利，用极低的人力成本完成了对海外巨头技术壁垒的正面突破。

而对于体量庞大、流程盘根错节的成熟企业，破局的关键不再是盲目求新，而是在不危及业务连续性的前提下，精准卸掉最繁重的机械包袱。

拥有上万名专业人员的信永中和会计师事务所，面对的是极其严苛的数据隐私、合规红线与跨库壁垒。过去，一个资深造价师或审计人员为了出具专业报告，必须在天眼查、同花顺、易董、广联达等四五个系统间反复切换、手动拼凑数据，大半精力荒废在机械的「人找数据」上。

信永中和并没有推翻沿用了七八年的老业务系统，而是在原系统上方加盖了一层统一的 AI 工作平台：高频数据用 MCP 调用，分析数据通过 API 导入，一线人员只需在统一入口下达目标，后端的 Agent 自动穿透各个专业库完成交叉比对、直接出具底稿草案。他们没有辞退员工，也没有砸碎老系统，但把最耗时的机械搬运全部交给了智能体。

两个案例，分别踩中了不同组织转型的截面。

正如张亮在现场给出的冷峻提醒：用了 AI、消耗了 Token，不一定就是 AI 原生组织，但不用肯定没有机会。 无论是小团队在第一天就与 AI 打通工作流，还是大组织拆解原本的信息孤岛，企业究竟走到了哪一步，终究取决于你能不能把真实的业务交给 Agent，让每一次 Token 的消耗，都化作实打实的生产力。

02

当模型过线，应用开始猛增

为什么偏偏是今年，整个行业突然集体踩下了油门？

掌管着千问办公事业部（原钉钉）的陈宇森对此看得很透。不同于硅谷高昂的人力成本，国内很多基础业务用人来堆，效率其实差强人意，成本也没那么痛。

陈宇森给出了一个冷峻的商业公式：「新体验减去旧体验，再减去替换成本，必须大于零。」 如果一项任务由 AI 接管后，效率只能提升 20% 或 30%，这种微小的改善根本无法覆盖高昂的替换成本，企业自然没有动力去动手术。他的行业经验是，只有当 AI 能将效率暴力拉升到同等人力的 3 到 5 倍时，企业才会真正跨过观望门槛，痛下决心改造流程。

真正打破僵局的，是基座模型在今年悄无声息地撞碎了企业的「经济学临界点」。

阿里巴巴千问大模型业务副总裁徐栋在现场给出了两条极其清晰的坐标线：一条是能力的「可用线」，另一条是成本的「斩杀线」。

所谓的「可用线」，是指 以千问 3.8 Max 为代表的新一代模型，终于在长程规划、工具调用（Function Calling）和复杂编程这三项硬核指标上越过了生产门槛。它不再需要人亦步亦趋地喂指令，而是能连续几天咬住一个目标，自主拆解复杂的长链路任务，在企业多套软件和数据库之间稳定调度。

而成本的「斩杀线」来得更为凶猛。 当千问 3.8 Flash 把输入成本砸到每百万 Token 仅需 0.8 元人民币时，调用一次企业级智能的综合成本已经降到了两毛钱以内。过去海外模型动辄五六十元的高墙被瞬间推倒，企业原本以为「根本不值得被自动化」的边缘苦活、累活，全部具备了近乎暴利的投入产出比。

很多企业今天根本没有意识到，今天的 AI 究竟已经能接管多少不可思议的复杂工作。

在极度内卷的跨境电商领域，时间就是最残酷的生命线。海外的消费趋势、平台算法和爆款周期往往以天甚至以小时为单位更迭，对出海卖家而言，商品上架哪怕慢了半步，备好的库存就可能直接沦为死货。而上架一款产品，通常需要跨工种之间多轮沟通和跨语言调优，快则两三天，慢则一周以上，极其容易错过自然流量爆发的窗口期。

在接入千问与万相系列多模态模型后，益象科技（飞象 Agent）直接把这条繁琐的跨国内容链路重构成自动化流水线：过去耗时数天的全套图文与视频物料，现在只需 1 分钟就能批量出具；制作成本从原本的数百上千元被暴力击穿至一套 5 元钱。

这种业务层面的实质性突破，反过来彻底重塑了企业挑选云厂商与模型底座的底层逻辑。

过去企业把 AI 当玩具，选型看的是谁家模型跑分高、谁家接口便宜，甚至随便拉一个开源模型在本地跑跑 demo 就足够。但当企业真正要把核心业务、真金白银的交付订单托付给 Agent 时，这种单点尝鲜的逻辑立刻失效了。

企业开始意识到：在生产环境里，单靠一个聪明的模型根本撑不起真实的商业闭环。

张亮在现场点破了这个行业趋势：企业客户不是个人开发者，挑选技术伙伴极其谨慎，需要的是一个长期、全能、全栈的底座。模型的智能水平固然决定了 Agent 的能力上限，但真正决定企业能不能把生意做下去的，是算力能不能持续供应、海量请求过来时系统会不会崩、高并发峰值能不能扛住，以及底层工具链能不能把工程复杂度全部兜底。

这也正是阿里云的 AI 业务在过去一年能跑出爆发式增长、ARR 冲上数百亿的核心密码。

企业对底座的要求变了，阿里云给出的解法是全栈能力的承接： 面对飞象这样瞬间涌入数十万商家的爆发式调用，阿里云不仅提供千问与万相模型，更依托全球算力加速网络与极简的控制台部署，让一个完全不懂专业运维的轻量团队，几行命令就能拉起高并发架构，彻底省去自建基础设施的巨额成本。

03

协同对象，从人变成智能副本

过去几十年，企业之所以维持着庞大的金字塔层级，本质上是因为人类的沟通带宽和信息处理能力极其有限。这种多层级管理正在被 Agent 的协同网络直接穿透。

高帆破浪 CTO 李斌在圆桌讨论中指出，过去企业之所以长成金字塔架构，是因为人是最小的执行单元。

但在 AI 原生组织里，人被压缩成了「责任节点」——只要圈定这块业务或这条 SKU 归我负责，底下具体的「执行节点」全部替换成了 Agent。一个产品负责人带着成群的执行节点，就能独自从撰写 PRD、排期、进度跟踪一路推向供应链对接与推广，传统岗位间漫长的协同扯皮被一次性抹平。

张亮自己的实操同样印证了这一点：过去哪怕要追踪 30 个重点客户，也需要耗费大量时间排会、听汇报、对齐进度，会上敲定的事项过几天可能就无人跟进；而现在，Agent 可以每天对数百万客户的情况进行全量归纳，自动穿透到原子级的客户痛点，并在约定的排期自动追问责任人是否落实。甚至，团队把管理者的谈参、会议记录与复盘逻辑全部输入系统，在内部跑起了一个随时供一线员工调用的「老板数字分身」。

这让管理的本质发生了逆转：AI 削减的不是管理本身，而是原本寄生在层级之间、用来搬运与加工信息的庞大中间损耗。

更深层次的质变，是企业最核心的「知识与经验资产」改变了存在方式。

在传统模式下，企业的经验附着在员工的肉身上——资深销售带着谈单技巧跳槽，高级工程师带着设计心法离职，留在企业内部的往往只剩断代的数据与带不走的人才真空。

但在 AI 原生组织里，经验正被加速固化为组织的「数字资产」：员工在日常操作与业务流转中，系统会自动抽取其工艺参数、分析逻辑与专业心法，经人工审核后直接沉淀为云端的规则库与 Skill 库。当下一次新业务启动时，系统调用这些沉淀下来的 Skill 就能自主跑完绝大部分工作，原本随着人员流动而流失的个人经验，变成了永久在云端运转的组织资产。

当技能可以被标准化提炼、执行被成群的智能体接管，传统岗位的划分逻辑随之坍塌。这也印证了圆桌中陈宇森等人在现场的一致判断：未来企业内部的传统岗位边界将变得模糊。

关于人机协作的终局，或宇连接 CTO 林维聪提到，现在，过去的「判断、执行、负责」三位一体已被撕裂，人只保留判断与负责，人工执行被彻底剥离；PsyGo 联席 CEO 张文君则走得更远——他主张将「执行」与「判断」全部交由 AI 接管，人类管理者只负责最源头的愿景与目标定义，以及最终的放行验收，中间全部流转与协作由成群的智能体自行闭环。

当身边的同行已经开始指挥着成千上万个智能副本重塑效率与成本的天花板，留给其他企业的唯一悬念或许只有：

你是继续在原地扮演那个被动观望的局外人，还是真正下场，把自己的业务重新做一遍？

*头图来源：云栖大会 本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问 效率提升达到多少倍， 企业才愿意承担改造成本， 大规模接入业务 Agent？

资讯由采集器定时从公开机器人 / AI 信息源自动聚合。