（来源：非凡产研）
企业真正需要的，不是一个更聪明的 AI
而是一个能进组织、能背 KPI、还能被审计的“数字员工”
这两年，很多企业聊 AI，表面上聊的是模型、记忆、权限、安全。
但你真去一线看一圈就会发现，老板们现在关心的根本不是这些词本身。
他们真正在意的，其实只有一句话：
这东西到底能不能进组织，替我干活，还别惹事。
前几天在非凡大赏·杭州 AI WEEK 的一场趋势圆桌上，这种感觉尤其明显。
这场 panel 的题目叫《企业服务场景下的记忆、安全和协同》，但整场听下来，大家其实都在回答同一个问题：
企业到底该把 AI 当工具、当员工，还是当未来组织本身？
这个问题一旦想明白，很多看起来缠在一起的事，反而会变清楚。
为什么今年客户突然比去年现实得多。
为什么安全问题不能只靠“禁权限”“封外网”来解决。
为什么最后能跑出来的公司，拼的不是谁模型说得更响，而是谁更懂行业、谁更敢对结果负责。
这场圆桌里，几位嘉宾切入点不一样，但底层判断其实差不多：
企业级 AI，已经从“能不能做”走到了“做成什么结果、谁来担责、怎么进入组织”这一阶段。
今年企业买 AI，已经不怎么买故事了
圆桌一开始，主持人让每位嘉宾用一个词，概括当下企业最关心的问题。
未来式智能赵铭说的是：价值。
独到科技杨宏锴说的是：效果。
语核科技廖灿说的是：结果。
影刀金礼剑更直接，给了一个词：All in。
四个人说法不一样，但意思其实很一致。
去年很多企业看 AI，还是“先研究研究”。
先看看同行怎么做。
先做个试点。
先写进汇报。
先组织几轮讨论。
先别急着真落地。
但今年明显不一样了。
赵铭说得很直接，客户现在谈的不是“AI 对企业有没有帮助”，而是要把 ROI 算清楚：到底降了多少本，提了多少效，准确率怎么样。
杨宏锴也提到一个很关键的变化。过去很多大企业买 SaaS，往往是信息部门、科技部门发起；但现在越来越多是业务部门主动发起采购，而且不是按 license 买，而是冲着效果和服务来的。
这不是小变化，而是企业买 AI 的逻辑已经变了。
以前它更像一个 IT 项目。
现在它越来越像一个经营动作。
一旦变成经营动作，企业就只会盯两件事：
第一，你帮我多赚了多少钱。
第二，你帮我少花了多少钱。
答不上来，故事讲得再热闹也没用。
所以廖灿那句“结果”也特别典型。
他说他们不做软件，也不做工具，而是做一个个岗位的数字员工，直接进企业里“上班”，端到端完成白领岗位上的工作，最后按业务结果分润。
这句话背后其实就是今天企业最真实的心态：
我不是来买一个会聊天的 AI，我是来买一个能交结果的 AI。
企业最怕的，也不是 AI 不够聪明
而是它很聪明，但你根本不知道它在干什么
一聊企业 AI，大家第一反应往往就是安全。
但这场圆桌里有意思的地方在于，几位嘉宾聊的都不是那种很旧的安全问题。
他们不是单纯在说“要不要私有化”“能不能断外网”，而是在重新定义：
AI 时代，到底什么才算安全。
赵铭本身做过很多年网络安全和数据安全。他谈到这个问题时，没有停留在“权限给大了、数据给多了”这种表层讨论，而是先把问题拆开了：
今天你让 AI 做的这件事，如果它搞砸了，后果到底属于哪一类？
有些错了无所谓。
有些错了还能补。
但还有一些，一旦错了，后果根本没法接受。
这段我印象很深。
因为它一下子就把“安全”从一个抽象概念，拉回到了业务后果。
很多公司一谈安全，就会开始空转：
权限大不大，
会不会泄密，
是不是黑盒，
能不能彻底封死。
但真正成熟的问法其实应该是：
这件事如果让 AI 做错了，企业到底要付出什么代价？
如果只是给建议、润色文案、打个草稿，那错一点也许还能接受。
但如果碰的是资金、核心系统、强监管流程，那就是另一回事了。
赵铭后面那套看法，我印象挺深。
第一，别把 AI 只当工具看，要把它当“数字员工”看。
既然是员工，就应该有组织架构、有权限边界，有能看和不能看的数据。
第二，企业一定得做数据分级分类。
哪些数据能流动，哪些要审批，哪些不能出内网，都得按业务逻辑来。
第三，关键节点必须保留人的最终确认。
尤其碰到关键 action，最后那个按钮必须由人来点。
这套思路最有价值的地方在于，它没把“能力越强、风险越大”这个问题讲成一个无解悖论，而是把它变成了一个组织治理问题。
不是一味把 AI 锁死。
也不是因为它聪明，就把权限全放出去。
而是像管理员工一样去管理它。
赵铭后面还提到一个很重要的点。
以前安全行业对第三方插件的态度往往是“默认不可信”，但现在很多人面对 OpenClaw 这类 AI 产品，反而是“默认可信”。这其实是很危险的。企业未来真正该建立的是零信任思路——永不信任，持续验证。而所谓验证，不只是模型本身，更是它整个执行过程要可追溯、可观察、可审计。你可以不查，但不能没法查。
说到底，企业真正不放心的，不是 AI 本身。
而是一个看不见、管不住、出了事还说不清的 AI。
AI 时代的安全，开始从“权限控制”变成“执行控制”
如果说赵铭讲的是治理框架，那廖灿讲的更像是业务现场的真实变化。
他说，AI 时代，安全的本质已经变了。
这句话不是为了制造概念，而是很实际。
他举了两个例子。
一个是售前数字员工，如果它跟客户说了一个公司产品根本做不到的参数，这算不算安全问题？
另一个更直接：你说想让线上流量翻倍，它回你一句“投一个亿就翻倍了”，这算不算安全问题？
你会发现，这种“安全”已经不只是传统意义上的内网、权限、系统边界了。
它开始变成更贴近业务结果的东西：
这个数字员工到底能不能这么干，该不该这么干，干完之后是不是符合企业目标。
这也是为什么廖灿后面说，今天的安全思路，正在从“权限体系、部署架构、防火墙”，慢慢转向一种更像“执行控制”的逻辑。
你不能简单把浏览器禁掉、把 ERP 按钮关掉，因为那样它连正常工作也做不了。真正重要的是，企业要先定义清楚：它在这个岗位上到底该干什么，不该干什么。
说白了，就是得先给 AI 一份岗位说明书。
这其实是很多企业现在最欠缺的一步。
他们以为上 AI，关键是模型选型、系统接入、权限配置。
但现实里更难的一步，往往是：
你有没有能力把一个岗位拆成 AI 能理解、能执行、能考核的一组职责。
谁能把这一步做出来，谁才有可能把 AI 真正塞进组织。
谁做不到，最后大概率就是“大家都装了，但没人真用”。
真正的人机协同，不是“AI帮我一下”
而是组织开始围着 AI 重新长一遍
这场 panel 里，最有冲击力的一段，出现在“人机协同”这一轮。
金礼剑的判断很猛。
他说，原来的组织是以人为中心驱动的，软件流程也都是围着人设计的。但 AI 有了决策能力之后，未来很多软件流程都会变成服务 AI，组织能力会建在 AI 之上。他把这种形态叫作AI 原生组织。在这种组织里，AI 不是辅助，AI 就是组织本身，人反而变成服务 AI 的角色。
这话当然很激进。
但它之所以值得记，不是因为它够猛，而是因为它把很多企业里正在悄悄发生的变化，提前说穿了。
过去我们聊“人机协同”，默认还是人主导、AI辅助。
AI是 Copilot。
是副驾驶。
是一个很聪明的助手。
但如果你认真看今天不少公司的真实变化，会发现有些流程已经不是“人用 AI”，而是“人开始围着 AI 的判断和节奏调整自己的动作”。
金礼剑就提到，他们公司内部很多销售决策、差旅出差，都已经开始交给 AI 来做决定。
这听起来很极端，但它至少说明一件事：
AI 在组织里的位置，正在从工具位往决策位移动。
廖灿从另一个角度把这件事讲得更柔和一点。
他说，组织的本质就是战略目标和协同。你协同的对象到底是人还是数字员工，不重要，重要的是把任务完成。之所以老在谈“边界”，本质上还是人不信任 AI。其实人和人之间也不整天谈边界，更多谈的是分工。接受人和 AI 共生之后，所谓边界，最后都会变成组织内部最基础的分工问题。
我觉得这话很准。
今天很多人一聊 AI 进组织，先问的是：“边界在哪？”
但真正成熟的组织，更应该问的是：
哪些事情适合交给 AI。
哪些必须留给人。
哪些流程可以自动跑。
哪些节点必须人工接管。
杨宏锴给的回答就很落地。
他说，在客户场景里，他们会帮客户重新梳理 SOP。员工只保留高价值的那部分，比如销售里真正需要情感连接、面对面沟通的环节；标准化流程交给不同 Agent 协同，在真正需要人介入的时候，再从 AutoPilot 切到 Copilot。
这才更像大多数企业接下来会发生的事。
不是一夜之间变成“AI 接管组织”。
而是组织里的流程先被重写，人的工作内容不断上移，AI 去吞掉那些标准化、重复化、规则化的部分。
赵铭那个“打铁”的比喻也很好。
老师傅拿小锤，徒弟抡大锤。
老师傅不是每一下都自己来，但关键时候要轻轻点一下，告诉你该往哪里发力。
在他看来，AI 去干那些重复、无趣、纯体力消耗的活最合适；有风险的地方，人一定要介入看一眼。
这比很多空泛的人机协同理论都更接近企业现场。
真正能拿到订单的，不是“最会讲 Agent 的公司”
而是“敢对结果负责的公司”
这场 panel 还有一个特别强的信号，就是大家都在不约而同地往“结果交付”靠。
杨宏锴提到，他们在销售场景服务很多大 B 客户，尤其是银行、保险、零售这类机构。之所以敢做“按效果付费”，一个很重要的判断是：中国 SaaS 过去一直不算真正成功，一个核心原因就是客户前置买 license，却不一定真感受到效果。按效果付费，反而能把双方利益绑得更紧。
这背后其实不是简单的收费方式变化，而是企业 AI 的商业模式在变。
过去是卖席位。
现在越来越像卖结果。
卖工具的时候，客户问的是你功能全不全。
卖结果的时候，客户问的是你到底敢不敢负责。
这两门生意，不是一回事。
杨宏锴后面还举了个城商行的例子。他们按长尾客户激活数量和金融产品购买数量来计分，基础服务费相当于底薪，KPI 完成度决定奖金。也就是说，服务商不是把软件交过去就结束了，而是像一个真正进场干活的外部团队。
这当然会更重、更累。
因为你得深度进场，得吃透客户流程，得把需求变成 Know-how，再沉淀成能复用的 SOP 和 AOP。
但反过来，这也是壁垒。
因为大厂有模型、有流量、有云资源，但未必愿意做这么深、这么重、这么贴身的交付。
廖灿讲的制造业案例，也特别说明这个问题。
一个上海造船国企，原来面对非结构化询价函，要靠人工拆解、匹配上万个 SKU，再输出维修保养计划。业务领导最开始只说，希望把询价函归归类就行。结果他们顺着业务往下挖，发现客户真正想要的根本不是“归类”，而是直接拿到匹配方案、维修保养计划，甚至标书。于是他们最后做的不是一个局部工具，而是一个端到端的数字员工，从4-5天压到30分钟以内。
这里最关键的，不是技术，而是他们不拿技术词吓客户，只讲价值。
客户不关心你用了多少模型术语。
他关心的是：
以前 10 个人干的活，现在是不是 2 到 5 个人就能搞定。
以前三四天的流程，现在是不是半小时就能跑完。
以前只能给中间结果，现在是不是能直接给到终局结果。
谁能把这些讲清楚，谁离订单就更近。
为什么影刀会从“AI驱动的RPA”转向“All in AI原生”
金礼剑的发言里，有一种很强的时代情绪。
一边是焦虑。
一边又是真的兴奋。
他说，AI 时代，“AI员工”越来越需要可靠的手和脚，而 RPA 的价值就在于执行是 100% 可靠的。如果 100 步都交给 AI 去做，哪怕单步正确率有 0.99，100 次方下来也只剩 0.3。
这个算式不复杂，但很能说明问题。
现在大家都在讲 Agent、自治、自动化闭环，讲得很热血。
但一进企业，问题立刻就变现实了：
会思考，不等于会稳定交付。
所以影刀从“AI驱动的RPA”转向“All in AI原生”，不是简单否定过去，而是承认一件事：
未来企业里真正有竞争力的，不会是纯 AI，也不会是纯自动化，而是能把 AI 的脑子和系统的手脚真正接起来的那一层。
这也是为什么很多人以为 AI 会一下子吃掉老一代企业软件，但现实未必这么简单。
因为企业需要的，从来不只是智能。
它还需要可控、可审计、可落地、可复现。
越往企业深处走，越是这样。
12个月后，Agent 泡沫会破吗？
圆桌最后，主持人问了一个所有人都绕不过去的问题：
12个月后，AI Agent 市场的泡沫会破裂，还是会迎来生产力革命？
几位嘉宾的回答虽然语气不同，但结论其实很一致：
泡沫不会就这么破掉，但行业会快速分化。
赵铭相对谨慎。他说，能不能叫“生产力革命”还不好轻易下结论，但泡沫不会破，垂直应用领域一定会跑出让人眼前一亮的公司和产品。现在真正的壁垒，已经不在技术本身，而在行业 know-how 和对细节场景的抽象能力。
杨宏锴的总结也很直接：模型能力提升决定 Agent 能走多远，但最后一定会是“一米宽，一百米深”的公司活得更好。选对场景，找到有付费能力的客户，再往深处挖。
廖灿则提到一个很关键的趋势：有些火了几个月的产品本身可能带着泡沫，但模型成本在快速下降，同等智力下，成本相比前一年已经大幅降低。模型越来越便宜，又足够聪明，就一定会催生出更多新场景。
金礼剑更不用说了。他是直接用钱投票的人。在他看来，这绝对不是泡沫，甚至可能是人类最后一次科技革命。AI 现在离真正爆发还早，最重要的是先 All in，先坐上牌桌。
我觉得这几段放在一起看，最值得记住的不是“乐观”这件事本身。
而是他们其实都在说同一件事：
未来一年，Agent 不会集体消失，但会开始非常残酷地分层。
只会讲故事、不会交结果的，会越来越难。
只是套一层壳、没有行业深度的，会越来越难卖。
进不了组织、接不住流程、扛不起 KPI 的，也会越来越难活。但反过来，那些真正吃透一个行业、一个岗位、一段流程的人，会越来越值钱。
所以真正的问题不是：
Agent 会不会死？
而是你做的这个 Agent，能不能真的进一个组织，接住一段流程，扛住一部分 KPI，留下完整审计链，还能让老板觉得这钱花得值。
能，就不是泡沫。
不能，再热闹也只是路过。
最后一句
这场圆桌听下来，我最大的感受其实很简单。
企业真正需要的，从来不是一个“更聪明的 AI”。
他们要的是一个能被组织吸收的 AI。
它要像员工一样有岗位、有权限、有说明书。
像系统一样可追溯、可审计、可治理。
像同事一样能协同、能接班、能交结果。
必要的时候，还得像一个外包团队一样，愿意对 KPI 负责。
谁先把这件事做明白，谁就更接近企业服务下一阶段真正的门票。
因为企业不会长期为“智能”本身买单。
企业最后买单的，永远还是那三件事：
价值、效果、结果。
这版已经把前一稿里偏“讲课感”的地方压掉了一轮。
你要是愿意，我下一步可以继续帮你收成更像“爆款公众号”的版本，把标题、开头和几个小标题再打得更狠一点。
更多对话细节
非凡大赏·杭州 AI WEEK 趋势圆桌 Panel《企业服务场景下的记忆、安全和协同》
嘉宾：未来式智能 合伙人-赵铭独到科技 联合创始人&COO-杨宏锴语核科技 营销合伙人-廖灿影刀 创始人&CEO-金礼剑
主持人：非凡资本 合伙人-Abner
Abner： 我们今天这场panel的主题是“企业服务场景下的记忆、安全和协同”，应该说这三个话题是大家每天都在思考的一个问题，也是最近被讨论频次最高的问题，所以今天咱们就这样的一个话题来展开聊一聊，把想说的话真正地跟线上和线下的朋友们来进行分享。那首先第一个环节，还是请咱们的嘉宾先做一个简单的自我介绍，介绍一下公司的产品以及定位，并且能够用一个关键词提出大家目前在AI企业服务场景落地中最关心的一个问题。每个人大概有一两分钟的时间，先从赵总开始。
赵铭： 各位朋友，我叫赵铭，来自北京未来式智能。我们是一家专注于做“智能体生产平台”，以及提供各个行业企业垂类Agent的这样一家公司。刚才主持人提到了，如果说拿一个目前大家都比较关心的词，尤其在今年初到现在为止，我总结这个词是“价值”。客户不再像去年前年看待AI的态度是“我们起一个科研的课题，探讨一下这个东西到底在我的企业能起到什么样的作用、能给我们什么样的帮助”。到了今年来讲，要求的就是落地，他要价值。他要能精确地计算出来给企业带来的ROI是什么，降本是多少，增效提质的是多少，包括这个东西用起来了它的准确性是怎么样的。所以其实目前我们和大的企业去沟通，大家更多谈的是，你的这个智能体也好、平台也好，到底给我的企业带来的是什么样的价值，这是最多的一个问题。
Abner： 赵总认为最关键的问题是价值。那接下来请杨总来分享一下。
杨宏锴： 大家好，我叫杨宏锴，是来自独到科技。我们是一家AI Native的Agent公司，专门服务于大B端客户，主要是以金融、零售类的企业客户为主。我们主要解决的场景是在销售场景，目前主要服务的客户包括银行、保险等比较大的一些机构，还有一些大型的连锁类企业。我们的团队全部是清华背景的。从目前来讲，我们观察整个行业，其实刚才赵总讲的我们也都很认同，现在的客户需要交付的是效果。所以我可能会选的这个词跟赵总比较类似，赵总选价值，我可能用“效果”，其实殊途同归。我们也看到，尤其像我们服务的大部分银行、金融机构都是央国企背景为主，他们以前对SaaS的采购更多是从信息部门或科技部门发起，那目前我们看到更多的是从业务部门主动发起，针对效果和服务来进行对赌的采购。我觉得这也代表了端客户对于AI的一个期望以及认知上的提升，这有利于我们这些创业公司能够在大模型高速发展的时代里边找到机会和场景。
Abner： “价值”在销售场景当中最好的体现应该就是效果。所以对于专注于销售场景的独到科技来说，他们最关心的问题就是效果。
廖灿： 我是来自语核科技的廖灿。我们家做的是什么呢？我们不做软件也不做工具，我们做的是一个个岗位的数字员工。这个数字员工，相当于就是企业直接去雇佣Agent到企业里面去上班，端到端地由AI去完成一个个白领能做的事情。其实我也在想这个话题，如果能用一个词概括一下当前的AI趋势，去年很多时候大家都说AI出现了、能做什么，很多老板也很焦虑，开始让团队和自己去了解，但是他们其实都没怎么去尝试。今年OpenClaw出现之后，很多老板开始下场了。我之前还受邀参加一场活动，分享怎么教老板装OpenClaw。我会觉得挺梦幻的，教董事长装OpenClaw，但这反映的一个问题就是很多老板开始下场，要真正看AI到底能做什么了。所以我这个关键词更多会觉得是“结果”。就像我们语核做的事情一样，我们这个数字员工的衡量标准也很简单，它是以给企业带来的业务价值直接交付业务结果，获得相应的分润。所以我认为AI开始进入了一个从天上的东西，慢慢能够落地，到落地之后能生根发芽结出果实的一个阶段。
Abner： 廖总结的就是咱们语核科技交付给客户的一个结果，所以关键词就是结果。那最后请来自影刀的金总。
金礼剑： 我是做自动化相关的，办公自动化，把企业的一些逻辑规则的工作自动化掉。那我们今年对AI的关键词叫“All in”。
Abner： 接下来这个环节，我可能会问两个通用性的问题，然后请每位嘉宾轮流回答。第一个问题，AI在整个企业级服务场景当中的落地，客户最关心的还是安全和风险问题。因为最近OpenClaw在企业内的落地其实遭遇了非常多的安全方面的争议。在大家看来，可能AI的能力越强，你是不是要给它更多的数据，甚至企业私密的数据，让它更好地理解上下文、有更好的记忆功能，甚至可能要给它更高的权限，它的效率才会更高？但是这些都面临着随之而来的安全问题。所以第一个问题就是请大家谈一谈，在企业级服务场景当中面临哪些安全风险？大家如何看待“能力越强、风险越大”这样的悖论？
赵铭： 我谈一点我的见解和认知。其实我看待这个问题比很多同行相对立体一点，为什么呢？我做了很多年的网络安全和数据安全，我上两家创业公司都是做这个的。站在一个安全人的角度来讲，我看OpenClaw其实是另外一个镜像的问题。今天大家可能觉得“权限给得过大了、数据给得过多了”，其实在安全领域这只是很小的一部分。走到了客户那一侧，我习惯性地引导客户朝三个方向看待：
首先你要回答一个问题，今天你让AI做的这件事，如果它帮你搞砸了、出现幻觉了或者错误操作了，后果有三个选择：
第一个，“无所谓”。比如只是咨询建议、润色文章，没有正确答案也无所谓好坏。
第二个，“如果错了让它自我修复，虽有代价我可接受”。交给了OpenClaw，我们消耗了Token、花了时间，但一轮一轮找寻到正确结果，企业可以接受代价。
第三个，“如果做错了，后果是我们永远无法弥补接受的”。这才是今天我们谈论安全看到的点。在这个点上，我们从专业的安全角度是这么几个维度去看：
第一维度是权限。我们现在提出一种观点：企业到底把OpenClaw看作什么？有人说是工具、应用或平台，其实正确的做法它是你的数字员工。如果定义为员工，它在企业内部一定是有组织架构、有权限、有使用边界的，有些数据可以看、有些不可以看。当你把它当人来看的时候，这个问题其实相对好说一些。
第二维度是数据的分级分类。哪些是可以流动的，哪些是需要审批的，哪些是不能出内网的，这必须遵循企业的业务逻辑。
第三个是在没有AI的年代，我们有个专业名词叫SOAR（安全编排自动化与响应），翻译过来叫自动化响应处置。当黑客打进来的时候，我可以一瞬间阻断网络杀掉进程、封掉IP，但在中国没有人真敢用这个东西。因为一旦杀错了，金融或运营商要承受的后果是什么？所以在AI时代必须有人的介入，关键节点、关键流程，必须是人点最后一个按钮，不可以完全交给机器。
所以今天我们看待OpenClaw，第一把它当人看，第二遵循企业管理和数据交易的逻辑，第三真正需要审批触发关键Action的时候得是个人，这样这个问题相对来讲就可以达到一个充分的解决了。
Abner： 刚赵总提到过去是安全行业出身，我追问一个小问题。以前安全的人说网络安全对第三方插件的底层逻辑是“默认不可信”，但是现在OpenClaw等AI产品，用户拿来用直接就“默认可信”。站在安全从业人员来说，这种观念的差异威胁大吗？
赵铭： 我们认为威胁是大的。这里面有一个专业领域叫Zero Trust，零信任。行业内定义“永不信任，持续验证”。持续验证这件事才是真正企业未来应用AI时应该建设的。站在安全视角，我们并不默认OpenClaw底层代码有问题，我们最介意的是它在工作过程中是个黑盒。所以未来式智能在应用OpenClaw时，我们第一件事要做的就是要在界面右侧告诉用户，它每一步消耗Token在做什么，所有的东西应该是明文的，是可以被人来追溯和审计的。你不去查那是你的权利，但是你不能说“它就是个黑盒不能查”。我必须保障所有的东西在业主面前是一个可追溯、可观察的点，只要能做到这个层面其实就在你的管控内。否则，我们不相信的其实是我们看不见的东西。
Abner： 谢谢，这句话我记住了，永不信任，持续验证。
杨宏锴： 我们在实际落地案例里遇到了央国企客户的诉求和挑战。第一个红线，央国企有很强的数据私有化部署需求，数据是不能离线、不能出外网的。第二个，权限管理上是不能失控的。第三个，可追溯可审计。最后，比如金融等强监管行业，它还会有行业监管红线不能破坏合规。这些都需要在产品设计和交付过程给客户提供兜底解决方案。
我们在实操中，第一不管是模型还是硬件，更多采用私有化部署或专有云方式交付，保证数据安全。第二，在权限上根据客户的SOP拆分成不同的AOP（Agent操作流），设定不同权限。同时采用不同Agent去分别扮演不同角色，比如金融有合规和风控要求，你不能用通用的Agent解决所有问题，需要用不同的Agent承担职能。这会有摩擦成本，但对客户有必要性。最后，我们也会在模型输出结果上做好围栏，保证监管红线不触碰，比如给客户推荐理财产品不能承诺保本保息。大概这样的一个情况。
廖灿： 我们认为在AI时代，安全的本质是变了的。我举两个小例子，第一，我们做售前数字员工，它响应客户需求提供产品匹配和解决方案，如果它对客户说了一个我们产品做不到的参数点，大家认为这算不算安全？第二，我们开玩笑说希望线上流量翻倍，这时候数字员工跟我说“我投它一个亿，流量就翻倍了”，这叫不叫安全？
所以AI安全本质变了的意思是：从原来的权限体系、部署架构、防火墙，变成了这个数字员工“能不能做、该不该做、做了之后的ROI衡量”。如果我们不让它访问外网把浏览器禁掉，它可能通过命令行访问网络；如果不让它点付款按钮把ERP禁掉，那它正常的查单、追踪物流也不能做了。所以关键点是我们要定义企业中的数字员工到底能干什么、不干什么，这是服务于企业战略和岗位定义的。
偏确定性流程的岗位对安全要求比较高，可能采用传统机器学习加Workflow；偏知识创意的岗位可能走自主Agent的道路。由权限管理和网络防范变成了一种“执行控制”，我们一定要让Agent知道它当前的岗位什么能干、什么不能干，这才是AI时代安全思路的一个转变。
Abner： 就是给AI做一个岗位说明书，做一个岗位画像。
廖灿： 对，它要理解它到底能干什么不干什么。
金礼剑： OpenClaw火了，我们也特别关注，问了企业用OpenClaw的情况，发现很多企业都没有真正把它用起来。大家没真正用起来却在聊安全的问题。我觉得首先得解决企业如何把它真正用起来，用起来才有安全可言。我们想把它放在安全性要求比较低的场景用，但发现企业里没那么多低要求场景。所以我目前更关心OpenClaw如何在企业真正落地的话题，真发生作用了，我们再考虑安全问题也挺好的。
Abner： 我觉得金总这个观点特别有意思，企业都还没怎么大范围应用就在担心安全，也不知算不算杞人忧天。中国市场过去很多行业都是边发展边解决安全问题，等企业开用起来了、渗透率提升碰到了安全问题，我们再对症下药，也不失为一种思路。金总是这样的一个看法吗？
金礼剑： 对，我觉得先用起来，边做边解决，安全目前不是核心问题，关键怎么去真正落地。
Abner： 好的。那第二个问题是关于“人机协同”。我们到底应该设计什么样的合作机制，才能保证效率不打折扣的情况下做到安全可控、把AI用起来？可以先请金总分享吗？
金礼剑： 我认为AI来了，整个组织的结构会重构。原来组织是以人为中心驱动的，软件流程都指向人。但现在AI有了决策能力，组织形态会发生变化，组织的中心会变成AI。未来的软件流程都是服务于AI的，由人来引领变成AI来引领。用一句话表达，未来的组织能力是建在AI之上，我称之为AI原生组织。
有些物理世界干不了的由人去干。比如美团几百万的外卖小哥都是AI在管，哪天AI崩盘了，组织就不存在了。所以在组织里，AI不是辅助，AI就是组织本身，是人来服务AI，而不是AI来服务人。这相对是个比较悲观的观点，人从主导位置变成了一个辅助位置。
Abner： 金总这个观点有点惊世骇俗啊，由人来辅助AI，跟我们之前的认知正好相反。
金礼剑： 我在使用AI时觉得它越来越聪明，不得不承认它比我厉害了。就像Sam Altman讲的，未来五年可能CEO都会换成AI。所以我们公司内部在推AI原生组织，比如很多销售决策、差旅出差都由AI来做决定。有人跟我交流说，清华毕业的和大专毕业的其实一样，看谁更会用AI。
Abner： 谢谢金总。等会下场我也去问问AI对“人来辅助AI”这个观点怎么看。接下请廖总分享一下。
廖灿： 去年12月份我跟CEO聊了一个话题，叫“组织长在AI上”。他说看出了我的野心——指我们公司将来会不会成为AI的傀儡。我们之前聊过，让AI像人一样沟通成本挺高，它再抑扬顿挫你也能听出是机器人。如果我们就让人做对外沟通和情感表达，把所有的策略和决策交由AI来出，是不是另一种思路？
组织本质就是战略目标和协同，作为一个主体，我协同的对象是数字员工还是人并不重要，重要的是把任务搞定。对方是人，他自己干还是让AI干也没区别，因为评价维度看的是产出。所以组织里其实是人和AI在进行共生。
之所以出现“边界”这个词，本质还是人不信任AI。人和人之间不会谈边界，只谈“分工”。一定有AI擅长和不擅长的事，做好分工就可以了。不管是AI指挥人类，还是人类去指挥一波AI员工，都没太大区别。只要接受人和AI共生的局面，“边界”也就变成了组织里最基础的分工和协同效率的最大化。
Abner： 廖总的金句是：人和AI在组织内共生，让人更像人，AI更像AI。接下请杨总分享一下。
杨宏锴： 分几个层面来说。第一从我们公司内部，我们是AI重度使用者。我们在运营决策、组织人员调整上用了很多AI。比如我给CEO提个战略想法，他去问了ChatGPT觉得有道理，我们就决定去干了。这是我们内部的人机协同。
回到服务客户的场景，目前阶段我们服务的客户组织迭代还是按传统纵向的一步步完成SOP。结合Agent时工作流应该有变化，我们帮客户梳理新的SOP。员工只需要做工作流里高价值的一小部分（比如销售中需要跟客户做情感链接的Face to Face场景），其他配上不同Agent协同，效率才能大幅提升。在标准化流程里AI自动做，在真正需要人介入时，它转身成为一个Copilot，在客户无感的情况下完成从机器到人的切换。
Abner： 那让客户自助完成从AutoPilot到Copilot的这种切换，你不觉得对客户要求高吗？
杨宏锴： 我们在产品层面有比较好的设计，让工作流自动化，很快就能通过提醒接受并切换。
Abner： 谢谢杨总，接下来请赵总分享一下。
赵铭： 站在我们公司的角度来讲，这是一个有明确边界和协作分工的具象化场景。我们致力于为企业打造具备专家经验的数字员工，既然是员工就必定有领导，逻辑上是人在管智能体。
我们有一个打铁的例子：老师傅带着年轻徒弟，徒弟拿着大锤砸，老师傅拿着小锤每三下砸五下轻轻点一下，徒弟就知道在哪发力。两人靠这种协作效率最高且质量可控。我们在搭建智能体、Skills、MCP以及知识库工作流的时候，很在意哪个点是师傅的“小锤”，哪些是徒弟的“大锤”。
我们想消除企业里重复无趣的纯体力消耗工作，这就像抡大锤的徒弟。但过程中需要人来把控风险，有风险的地方人一定要介入看一眼。工作边界相对清晰，协同点也非常明显。
Abner： 谢谢赵总。赵总的观点是人和AI协同有明确边界。未来式智能在能源、电网这种关键基础设施行业做得非常出色，这种行业对安全极度敏感。请赵总结合能源行业的具体实例，分享一下怎么解决AI的幻觉、保证决策的可追溯性？
赵铭： 能源作为国家重点关键单位，对安全和合规要求是刚性的。我们在和客户创建知识库时，一定要引入国家既定的法律法规和企业标准流程。我们宁可牺牲发散性，不需要它展示各种可能性，我们需要的是100%的准确和零失误。
在推理、调用知识库和输出过程中，我们反复校验，不能做的东西一律不出现。这在外界看来可能没那么炫酷，但对关键单位来说这就是他要的绝对确定性。如果过程出现卡顿，要回溯到上一步重新来。全程基于规则体系和已有制度不断Double Check，走到最终结果。
Abner： 明白。接下来请教杨总，独到科技专注销售场景，收费模式是“按效果付费”并与客户风险共担。为什么敢于采用这种模式？能不能举例说明降本增效成果，以及如何平衡成本收益？
杨宏锴： 按效果付费未来一定会走到这个方向。SaaS在中国为什么没成功？因为让客户前置付费买License，没感受到效果可能就不续费了。按效果付费能保证我们与客户利益完全一致，客户也能及时感受到前置成本的减免。这也是我们对大模型Agent能力的自信。
打标杆客户时我们投入很重，会有交付（FD）小组在客户现场办公，快速把需求转化为Know-how，沉淀SOP和AOP。后续拓客时复用这些原子流，毛利就会逐渐提升。必须贴身服务并深度积累垂直行业Know-how，才能和大厂竞争。
举个案例：一家城商行，我们按它长尾客户激活数量和金融产品购买数量来计分。就像正常员工有底薪和奖金，基础服务费是底薪，KPI完成度决定奖金。企业接受这样的付费逻辑，我们也可以用更便宜的价格交付更好的结果。
Abner： 谢谢杨总。接下来请教语核科技的廖总。制造业是一个相对传统、决策链条非常长且工艺差异大的行业。语核在制造业的AI核心壁垒是什么？怎么说服相对传统的老板们买单？
廖灿： 我们是一个非常年轻的团队，平均年龄只有26、27岁。我们进入传统的制造业，是用认知形成壁垒的：第一，制造业需要看懂文档图纸，所以我们很早做了自研的文档解析模型。第二，制造业对确定性要求极高，所以我们很早也做RAG（检索增强生成）。每个岗位都有自己的记忆体系和自进化概念。
我们对行业有敬畏之心，不教他们怎么改流程，而是定义能不能把岗位变成“数字员工”。举个上海造船国企的例子：船东会发来非结构化的询价函，传统靠人工拆解匹配上万个SKU做维修保养计划。业务领导说不想搞那么长，只需把询价函做归类。但我们通过交流发现他核心诉求是输出匹配方案和保养计划，所以我们做了一个端到端的数字员工，直接输出报价和维修保养计划甚至标书。
我们不跟客户说技术语言去“吓唬”他，而是讲价值：当前10人团队用数字员工只要两到五个人，剩下的我只收30%到50%的底薪工资加提成。效果是：询价响应流程时效性提升了90%（从4-5天压到30分钟以内），且让客单价提升了20%。这是他们希望听到的价值语言。
Abner： 谢谢廖总。接下来问影刀的金总，影刀之前是知名的RPA公司，25年做了很多AI升级。AI驱动的RPA和AI原生产品的边界和区别是什么？
金礼剑： AI刚出来我也有焦虑，怕行业被替代。但我发现AI时代“AI员工”越来越需要可靠的手和脚，RPA执行是100%可靠的。如果100步都交由AI，0.99的100次方只剩0.3。前几年我们把重点放在“AI驱动的RPA”做改良，但我现在不这么想了，我现在要把所有研发调动在AI原生产品上。内部叫“大跃进”、All in，我要把所有利润投在AI上，想在这个时代做一个美好的作品。我们大概在今年5到6月份会推出外部市场能用的产品。
Abner： 我之前想问影刀会不会被AI原生公司替代，金总自己回答了要All in AI原生。那怎么看待跟飞书、钉钉等大厂之间的竞争？
金礼剑： 我特别期待跟大厂扳手腕，这是影刀成为独角兽的成年礼。不希望死在窝囊的对手手里，如果死在大厂炮火下也是对时代的致敬。我对这个时代有点兴奋又有点焦虑，这是站在人类历史的浪尖上，我再也不能错过这个时代了，像当年错过比特币和拼多多一样。我要把个人和公司的现金全投在AI上。特别是Claude 3和GPT-5出来之后，能力越来越强，我觉得值得All in的点已经来了，再也不能只做改良了。
Abner： 完美的呼应了关键词All in。最后一个预测性问题请每位嘉宾总结一下：预测12个月后，AI Agent市场泡沫会破裂，还是迎来生产力革命？先从赵总开始。
赵铭： 第一，我认为泡沫不会破裂。能不能叫生产力革命我比较谨慎。23年客户不懂什么是Agent，大家都在听公开课；24年大家想深入，互相碰撞需求和能力；到了去年DeepSeek出来之后大家热情上了。所以今年泡沫不会破裂，而且在垂直应用领域一定会跑出让人耳目一新的公司和产品。现在技术没有壁垒，壁垒是对行业的Know-how和细节场景抽象能力。今年一定会看到在细微点上星火燎原。
杨宏锴： 底座模型能力的提升决定了Agent能走到哪一步。我认为泡沫不会破裂，但行业一定会分化得很厉害。选对场景并找到有付费能力客户群的公司会活得很好。总结一句话：坚持做“一米宽，一百米深”，把行业Know-how做足，你就是那个能挖出水的人。
廖灿： 像DeepSeek这样的开源模型、包括OpenClaw，火了几个月，这些昙花一现的产品本身可能有泡沫。但是同等智力下，模型成本比前一年降低了128倍。模型成本越来越低、又足够聪明，一定会催生更多新场景。作为刚进入当打之年的年轻一代，我相信AI一定会继续生根发芽、蓬勃发展，它一定不是一个泡沫。
金礼剑： 我都用钱去投票了，绝对不是泡沫，我甚至认为这是人类最后一次科技革命。AI现在如果发展有一万步，现在100步都不到。就像工业时代早期的电灯，后面才有了汽车、冰箱。我充满想象，最重要就是All in坐在牌桌上，干着干着自然会想明白竞争壁垒和新方向在哪里。
