对话双方
IDC中国副总裁兼首席分析师 武连峰
思迈特创始人、董事长 吴华夫
越来越多企业开始使用AI:研发人员用它写代码,营销人员用它生产内容,管理者用它查询数据。但当这些工具进入日常工作,一个更深的问题随之浮现:企业究竟是在原有流程中提高效率,还是正在形成一种新的经营方式?
2026年10月底,武连峰与吴华夫围绕“如何打造AI原生企业”展开视频对话。从业务价值、企业上下文,到智能体协作、组织调整与商业模式,两人的讨论逐渐勾勒出一条路径:从可衡量的业务目标出发,让数据、人员与智能体共同组成新的工作体系。
对于即将迎来成立15周年的思迈特,这也是一道必须亲自作答的题。作为一家从BI与数据分析起步的企业,它正一边改造自身研发和交付流程,一边探索如何帮助客户迈向AI原生。
01
AI原生的起点:重新设计工作如何完成
吴华夫对AI原生企业的理解,落在业务目标、组织与流程三个关键词上:结合AI已有的能力,重新设计企业实现目标的方式。
在他的梳理中,企业首先通过ERP、OA等系统记录业务,再通过BI挖掘数据价值;进入智能化阶段,AI助手嵌入分析、研发等工作;进一步演进,智能体开始承担数字员工的角色,与真实员工共同完成任务。
武连峰提出一个直观判断:如果拿掉AI,企业原有的运转方式还能否维持?吴华夫认可这一观察角度,因为AI原生组织的工作体系本身就围绕AI能力构建。
由此可以进一步观察:智能体是否承担了明确的工作职责?人员是否开始负责目标设定、判断和验收?流程是否围绕新的能力重新安排?这些变化,比使用了多少AI工具更能说明企业的转型深度。
吴华夫也坦言,思迈特自身尚未完全进入AI原生阶段,目前正在重点推进研发与交付的AI化。AI原生是持续演进的过程,企业需要通过一个个具体改变逐步接近目标。
02
先选对业务场景,让价值进入经营账本
当武连峰追问AI原生能够创造什么商业价值时,吴华夫首先谈到财务表现,随后延伸到客户服务的广度、深度,以及支撑服务的组织流程。
这个回答把转型拉回了经营现场:同样的团队能否服务更多客户?专业服务能否覆盖过去难以触达的需求?交付周期能否缩短?质量和利润能否改善?
思迈特优先选择研发和交付,正是因为前者关系产品竞争力,后者是重要成本来源。据吴华夫在访谈中的介绍,其研发效率已实现翻倍。这是公司自身实践的反馈,具体效果仍需结合任务类型和统计口径理解。
从这一思路出发,企业选择首个场景,可以同时审视三个条件:业务价值是否足够明确,现有数据能否支撑,结果是否能够衡量。高频、耗时、依赖专家经验,又能形成完整反馈的工作,往往更适合作为切入口。
实施前还应记录原有耗时、投入、质量和成本,把验收标准约定清楚。这样,模型和工具即使继续迭代,企业也能判断当下投入已经创造了什么价值。
03
企业上下文,让AI真正理解这家企业
选定场景后,AI还需要理解企业自己的业务。通用模型拥有广泛知识,却未必知道一家企业怎样定义收入、怎样识别高价值客户,以及哪些例外需要升级审批。
吴华夫将指标体系视为知识密度很高的企业上下文。一项指标背后,往往包含业务定义、计算规则、分析维度和管理要求。把这些内容明确下来,才能让人与AI基于一致的口径工作。
思迈特自身构建了从线索、商机、交付到回款的全流程指标体系。管理者可以从部门、业务线、渠道和活动等角度观察经营表现。当毛利出现变化时,分析能够沿着相关指标继续展开。
但企业上下文还包括制度、合同、会议纪要、历史报告,以及员工长期积累的经验。经营分析既需要结构化数据,也需要理解此前的判断依据和业务背景。
因此,吴华夫正在探索的企业上下文平台,同时关注指标管理、业务规则和非结构化知识萃取。其核心任务,是按业务需求整理分散的知识,使智能体能够找到相关信息,并理解信息之间的联系。
这也意味着,AI建设与数据治理需要围绕场景共同推进。企业可以先明确一个决策需要哪些指标、规则和文档,再补足相应基础,让数据准备与业务验证形成循环。
04
两个日常场景,看见人机协作的变化
访谈中,一个付款审批的例子颇有代表性。吴华夫曾面对经过多级流转的付款申请:如果不了解合同条款和此前处理过程,管理者很难作出充分判断;逐项翻查又会耗费大量时间。
思迈特为此引入智能体,结合合同、审批规则和流程信息,整理风险点并提出建议。管理者据此判断风险是否可以接受,保留最终审批责任。
工作分工由此发生变化:智能体承担信息整理和初步分析,人集中精力处理关键判断。审批链条的价值也随之转向风险识别与责任落实。
另一个例子是月度经营分析会。过去,临时追问常常意味着重新取数、核对和制表。加入统一指标与历史分析材料后,智能体能够围绕管理者的问题组织数据,生成进一步讨论所需的报告。
客户实践也呈现出类似路径。根据思迈特10月30日披露的晶合集成案例,项目整合百余个数据源,将数据查询耗时从30分钟缩短至3分钟,业务自助分析率提升至70%。这些成果来自数据治理、企业AI平台与智能BI的共同建设。
邮储银行福建省分行则先形成覆盖多个业务条线的自助分析能力,再逐步推进智能问数和自动报告生成。两类实践都提示企业:已有的数据与分析资产,能够成为进一步应用AI的起点。
05
可信的智能体,需要明确边界和协作机制
让智能体承担更多工作之后,可靠性问题变得更加具体。吴华夫分享了一个实践体会:长时间、复杂任务如果只交付一个宽泛目标,执行过程容易偏移,投入数小时后才发现方向出了问题。
他摸索的方式,是先由人与智能体讨论方案和路线,再拆解任务、分配角色,并明确哪些节点需要沟通。简单任务可以直接完成,复杂任务则需要阶段检查、协作与验收。
这对管理者提出了新的要求:既要能够描述目标,也要判断任务粒度、授权范围和介入时机。数字员工的增加,会推动管理从安排具体操作,转向设计协作与检验结果。
对于企业关心的AI幻觉,吴华夫强调系统需要知道自身能力的边界。明确的指标、业务对象和计算规则,应尽可能采用可验证的处理方式;超出已覆盖范围的问题,则应说明不确定性,交由人员进一步判断。
这种思路将可信落实为工作机制:数据和结论能够追溯,关键计算能够校验,重要决策有人负责。企业因此可以在清楚边界的前提下,逐步扩大智能体的职责。
06
思迈特的新探索:从分析工具走向业务价值共创
思迈特的产品演进,与上述实践相互呼应。公司于2026年5月发布白泽V5,采用统一指标模型与多智能体平台协同的架构,覆盖问数、归因、洞察、报告生成等环节,并通过工程化约束、校验和安全机制支撑企业应用。
思迈特已经初步完成自身的实践及产品积累,并已和客户在共创AI原生企业实践,有可复用的解决方案。
结合访谈可以看到,其能力建设正在向企业上下文、数字员工协作和场景实施进一步延伸。吴华夫提出,未来希望逐步成为帮助企业构建AI原生业务操作系统的厂商。这一表述体现了公司的演进方向,相关能力仍在实践和打磨中。
这种转变也改变了厂商与客户的关系。客户需要有人共同确定目标、准备数据、设计流程,并把经验沉淀为可复用的方法。产品、实施服务和行业经验因而需要更加紧密地结合。
双方还讨论了按结果付费的可能性。吴华夫表示,公司期待这种模式,但大型客户目前仍较多沿用传统预算与收费方式。武连峰则追问,第一年取得显著提升后,后续收益如何持续衡量。
这一讨论揭示了价值共创的现实课题:基础平台如何持续运营,增量收益如何核定,新场景如何拓展,都需要双方建立清晰约定。商业模式的探索,最终仍要回到可衡量的业务成果。
07
给企业管理者的行动启示
综合此次对话,企业可以从三个角色推进改变。
-
CEO要确定方向,并推动一个完整场景取得成功。AI原生涉及跨部门流程、资源和责任调整,需要一号位支持。可以选择一条价值明确、数据可支撑的业务线,验证人机协作方式,再逐步复制。
-
CIO要把技术能力与业务条件对齐。清楚理解技术成熟度,连接既有系统、指标、知识和权限体系,并与具备产品及行业经验的伙伴共同实施。首个场景应同时留下可复用的能力和方法。
-
业务负责人要参与重新设计工作。明确目标和验收要求,贡献业务规则与经验,学习判断哪些工作交给智能体、哪些判断必须由人承担。在使用过程中持续反馈,才能让系统越来越贴近真实业务。
访谈中,武连峰将这一路径概括为:想得要大,起步要小,迭代要快。吴华夫对此表示认同。
对于准备行动的企业,一个值得认真回答的问题是:下一项最有价值的业务任务,能否由人与智能体共同完成,并用经营结果验证成效?从这里开始,AI原生才会进入企业每天的运转之中。


最新评论