（来源：硅星人）
整理｜吴瑞琪
给员工买了 AI 账号，接入了大模型，又上线了几个 agents。到了年底一盘点，除了账单，公司自己手里究竟多了什么？
10 月 2 日，旧金山 Tech Week 开始前的周五，ZooWork 创始人兼 CEO Ning Hu 在 Assembling 2026 AI 峰会的舞台上，与主持人 Thomas Luo 展开了一场关于企业 AI 的炉边对谈。她近期发表的文章《Use AI, or Own It?》提出了同样的追问：当模型和工具都可以买来，企业自己的能力究竟在哪里？
Ning Hu 有着技术背景，也深耕一线业务多年。她是卡内基梅隆大学计算机科学博士，曾任谷歌早期移动搜索技术负责人，创办的广告技术公司后被奇虎 360 收购；担任阿里巴巴副总裁期间，她负责饿了么的运营与研发，带领过两千多人的团队。如今在 ZooWork，她要解决的是软件如何在复杂业务中真正完成工作的问题。
台上，两人的话题从 Manus、Muse 转向硅谷之外的零售门店：当店长拒绝 AI 发起的一笔调货订单，这次纠正会随着任务结束而消失，还是成为企业下一次决策的经验？从这个具体场景出发，“使用 AI”与“拥有 AI”的区别，开始变得清晰。
以下为本场对话的中文翻译及精简整理，内容在保留嘉宾原意的基础上有所删减。
企业 AI ，从 L1 到 L4
Thomas Luo：你的文章提出了企业 AI 的四个等级。你是怎么理解这四个等级的？今天大多数企业里的 AI agents，处于哪个等级？
Ning Hu：我们先从自动驾驶的 L1 到 L5 说起。区分这些等级，最关键的问题就是：谁在开车？企业 AI 也是类似的，核心问题是：究竟是谁在完成工作？
在 L1，工作仍然由人来做，AI 是 copilot，人坐在驾驶位上。到了 L2，AI 开始承担具体工作，但需要人来审批。
到了 L3，人开始负责评估，AI 则从每一次纠正中学习和改进。到了 L4，人负责设定目标和边界，AI 在岗位上执行工作，并递归地学习。最近有个很热门的概念叫 RSI，也就是 recursive self-improvement，递归自我改进。
我不认为企业 AI 应该有 L5，因为没有企业会想要一个毫无边界的 AI。目前，大多数企业还停留在 L1。很多员工已经学会用 AI 来提高速度。但在我们看来，L1 让员工更快，L4 才能让企业更聪明。
Thomas Luo：我觉得，这条路径不仅适用于企业 AI，也适用于个人 AI。比如 copilot 属于 L1，Manus 这类个人 agent 可以算 L2，Muse 在某种程度上可能已经处于 L3。再往前看，我们也许会看到由 RSI 支撑的 L4 agents。
Ning Hu：对，背后的逻辑是类似的。
大多数企业是在“租用智能”
Thomas Luo：企业拥有自己的能力非常重要。但现在，企业的 AI 资产散落在整个生态里。你可能有自己的数据，但工作流依赖一两个 AI agents，评测又高度依赖一些主流 benchmark，而训练数据可能来自 Mercor 这样的其他公司。ZooWork 怎么解决这个问题？
Ning Hu：我认为，大多数企业现在其实是在租用智能。他们从一家公司买模型，从另一家公司买 agent 工具，再请一家集成商把它们拼起来。每个供应商只掌握自己那一层，企业运行 AI 时产生的数据也散落在不同地方。当系统从一层交接到下一层时，大量上下文会丢失。
这些上下文和经验非常有价值，价值高到模型公司愿意花大价钱购买。比如，今年八月，谷歌花了一千万美元，购买破产公司 Spirit Airlines 的企业数据，帮助它们更好地训练 agents。
但我们和企业合作时发现，他们反而没有可用于训练自己模型的数据。因为数据散落在各处，没有积累下来，也无法持续产生复利。
拿自动驾驶来说，你不能只给一辆 L2 的车装一个更聪明的模型，就指望它达到 L4。如果想达到第四级，就必须搭建完整的系统，让闭环真正运转起来。
我们为企业搭建 AI 技术栈，就是为了启动这个闭环，让企业真正积累自己的资产。我们相信，谁运行 agent，谁就拥有这个闭环。因此，我们需要提供 agent 运行环境，积累数据，设定边界，最终帮助企业训练自己的模型。
训练自己的模型，是为了赢自己的对手
Thomas Luo：按我的理解，要做到这些，你可能需要提供一套什么都能做的全栈方案。
Ning Hu：每次 agent 运行，都会留下三样东西：当时的上下文、它做了什么的执行轨迹，以及结果和反馈。这些都应该积累下来，用来生成评测集和训练数据，最终用于训练企业自己的模型。
我们自己也是一家 AI 原生组织。有 AI 帮忙，这些事情可以做得很快，我不认为这会是主要障碍。真正的问题在于，企业有没有意识到：这些才是应该留下来、不断积累并产生复利的资产。
我们说企业要后训练自己的模型，不是为了和前沿 AI 实验室或模型公司竞争，而是为了和自己的竞争对手竞争。我相信，再过两三年，每一家认真对待AI 的企业都在做这件事。
Thomas Luo：那么，对 ZooWork 来说，你们提供的是类似 Glean 的服务、Arena 的服务、Mercor 的服务，再加上类似 Palantir 的服务？
Ning Hu：某种程度上可以这么理解。但我们并不是所有东西都自己做，也会和其他合作伙伴一起做。真正需要投入精力的是这个闭环。我们希望为企业建立一个能够持续学习、不断积累资产的闭环。
1
人工纠错如何变成企业的经验？
Thomas Luo：走出硅谷，像 Costco、Ralph Lauren 这样的传统企业，也需要从头开始搭建这些能力。你能不能给一个比较传统行业的案例，看看他们如何借助这个闭环，建立自己的 AI agents？
Ning Hu：我们正在和一家拥有两千多家门店的零售连锁企业合作。其中有一个场景：门店库存 agent 发起了一笔调货订单。但店长拒绝了这笔订单，因为调货的目标门店当地有一场活动。
如果没有闭环，这次拒绝就到此为止了。在自动驾驶里，这种情况叫 disengagement，也就是人工接管。它解决了这一次的问题，但将来遇到类似情况，你仍然要付出同样的代价。
如果有闭环，这次纠正就可以转化为一条规则、一个测试用例，或者一条训练样本，被企业自己的模型吸收和学习。下次再遇到类似情况，就不必再付一次同样的成本。
我们就是这样帮助客户积累自己的经验，并把经验融入模型和整个流程。每次任务出了错，系统都能从中学习，变得更好。这些数字员工，应该每个季度都进步一点，变得更像企业里最优秀的员工。
三个问题，判断企业是否真正拥有 AI 能力
Thomas Luo：我们如何评估、如何证明，一家企业的 AI 能力正在持续提升？哪些指标或者关键因素，能够证明他们不只是使用 AI，而是有了自己的 AI？
Ning Hu：可以从几个简单的问题开始。比如，周一回到公司，大家就可以问问团队。
第一个问题是：发送给模型的信息，谁能够看到？如果答案是“不清楚”，那你可能只是单纯在使用 AI。但如果你有一张表，能够按业务线列清楚用了哪些模型、哪些数据经过脱敏、哪些内容接受了评测，那你可能就在建立自己的智能能力。
第二个问题是：一两年之后，企业究竟留下了什么？如果留下的只是一摞账单，说明你只是在使用 AI。但如果积累下来的是规则、评测集、训练集，甚至自己的模型，那你确实是在向 L3、L4 前进。
第三个问题是：在组织里，每成功完成一个任务，单位任务成本是在上升，还是在下降？如果成本不断上升，那你仍然只是在使用 AI，因为你还高度依赖其他供应商，自己没有控制权。
如果成本在下降，说明你做对了一些事情。你能够控制成本，让系统随着规模扩大而变得更好、更高效。
最大的变化会发生在硅谷之外
Thomas Luo：ZooWork 提供的服务和闭环，主要是为硅谷的潜在客户定制的吗？还是更关注硅谷之外的客户？
Ning Hu：我们发现，受益最大的，恰恰是硅谷之外的那些垂直行业，比如零售连锁、本地门店、电商。这些地方有太多可以改进的事情，而在 AI 时代之前，这些改进是不可能实现的。真正的跃升会发生在那里。
我记得在 2025 年，大家都说“2026 年是 agent 之年”，所有人都在谈 agents。但现在，我觉得重点正在进一步转向“拥有智能”。这已经不只是 agent 本身的问题，而是它能不能随着时间不断进步，能不能每运行一次，就变得更聪明一点。
点个“爱心”，再走 吧
