成為AI原生的超級組織：讓每一次工作，都成為下一次的積累｜2026 ITValue Summit數字價值年會

TechPulse2026.09.22 16:25 · 來自浙江全文3008字00:00 / 09:24模型能力如何變成企業自身的能力？一個人的效率提升，又如何沉澱為整個組織的積累？品勝的AI團隊進入業務部門時，第一件事是把工位搬過去，和業務同事一起辦公。這家有著20多年曆史的企業，最初並不缺對AI的懷疑。在一些資深業務負責人看來，年輕人拿來的工具不懂業務，做出的東西顯得“很塑料”。直到團隊花上一兩週觀察工作，把那些最耗時、最重複的步驟找出來，配置成可以實際使用的工具，態度才開始變化。後來，研發、驗證、法務、財務等部門的需求陸續找上門，排期到了三四個月之後。

從不願意用，到排隊等著用，中間發生的變化，也是“AI原生組織”需要回答的問題：模型能力如何變成企業自身的能力？一個人的效率提升，又如何沉澱為整個組織的積累？9月17日下午，2026 ITValue Summit數字價值年會“如何成為一個AI原生的超級組織”閉門會在三亞舉行。StartLux聯合創始人兼CTO、語生科學首席科學家郭權瑋，百望股份聯席總經理王強宇，品勝AI產品中心總監叢澤龍，分別從智能基礎設施、企業數據與模型、硬件研發實踐出發，討論這場變化如何發生。三位嘉賓給出了不同的切入點，討論也留下了尚未解決的分歧：企業是否都需要自己的模型？擁有真實數據，能否解決業務對準確性的要求？

當需求越來越多，一個小規模AI團隊又該如何帶動整個組織？這些問題，把“AI原生”從一個概念帶回了企業每天的工作。工作做完以後，組織留下了什麼郭權瑋對AI原生超級組織的定義，落在一個樸素的標準上：“你的每一次工作，都能帶來下一次的改進。”在他的理解中，一次任務結束之後，成功的路徑、失敗的經驗、業務的上下文，能不能成為下一次工作的基礎，決定了智能能否持續積累。這也是他反覆談到Memory（記憶）的原因。換一個模型或工具，往往就要重新解釋自己的身份、業務背景和工作要求。對於企業裡的長期任務，這意味著工作狀態和業務關係可能中斷。

任務推進到了哪一步，涉及哪些人和資源，之前做過什麼判斷，這些信息需要持續保留。因此，郭權瑋把StartLux的方向放在一套完整的本地智能基礎設施上：模型之外，還包括推理運行系統、支撐智能體執行任務的框架，以及記憶系統。模型和框架可以迭代，企業已經積累的知識、流程和上下文，則應當能夠延續、遷移。模型能回答問題，與系統能穩定完成工作之間，仍有距離。進入真實業務後，一項任務往往需要多輪執行、調用工具、維持上下文，企業最終關心的是，整個過程能不能可靠地把事情做完。

當問及企業的行為和經驗究竟如何進入Memory時，郭權瑋強調的是一種產品化的路徑，提供基礎設施，讓企業自行導入數據和流程，建立自己的工作系統，由企業掌握自己的數據邊界。品勝的實踐，讓這個問題有了更具體的樣子。叢澤龍提到，硬件研發工程師的經驗往往存在個人腦中，人員一旦離開，經驗也可能跟著流失，而品勝多年積累的物料數據、設計規範和風險記錄，此前更多是供人查閱的資料。讓這些資料參與選型、校驗和評審，組織記憶才開始進入工作過程，團隊能夠在下一次研發時，用上過去已經付出成本獲得的經驗。

企業要不要有自己的模型如果說郭權瑋關心的是智能如何持續積累，王強宇則把問題推向了積累的基礎，企業是否掌握自己的數據，以及能否把這些數據轉化為適合自身業務的模型能力。他給出的判斷相當鮮明，一個AI原生企業，應當擁有自己的模型，有一個讓員工與Agent共同工作的協作平臺，並且能夠在業務運行中產生新數據，推動模型繼續迭代。這三者形成循環，才構成他所理解的AI原生企業。其中，他最強調的是數據主權。以百望關注的財稅場景為例，王強宇認為，真實交易數據和企業自身的業務數據，是模型理解專業問題的重要基礎。圍繞具體企業進行部署，再結合其財務數據和稅務業務持續迭代，才能讓模型更貼近實際工作。

另一項理由是成本，在他看來，企業裡的大量任務有清晰的領域邊界，未必需要每一次都調用規模龐大的通用模型。能夠完成具體任務的行業模型、企業模型和小模型，會有自己的應用空間，應當私有化部署與通用模型、專用小模型結合使用。問題也隨之而來，隨著通用模型能力增強，行業知識會不會很快被吸收？企業自建模型的門檻，究竟在哪裡？也有觀點認為，應當區分企業是否擁有獨特、不可替代的數據，以及這些數據能否支撐實際的商業價值。擁有長期專業積累的機構，與缺乏相應數據條件的普通機構，未必需要選擇同一條路線。數據授權同樣被擺上桌面。

面對關於百望如何使用企業數據的追問，王強宇明確表示，進入具體企業時需要取得授權，並在私有化部署環境中運行，再接入企業的Agent體系。擁有數據服務經驗，並不意味著可以直接跨過客戶數據的使用邊界。而真實數據與可靠業務結果之間，還有一道沒有被討論繞開的難題：幻覺。企業擁有自己的模型，並不自動意味著它已經具備進入核心業務的可靠性。數據的真實性、使用授權、結果依據，以及遇到無法判斷的問題時如何處理，仍然需要在落地過程中逐項解決。把工位搬進業務部門，讓改變從具體工作發生叢澤龍面對的問題，來自兩種不同的速度。品勝一款AI硬件產品從研發到量產出貨，通常需要六到八個月；AI能力卻在持續快速迭代。

團隊因此要同時做兩件事：利用企業已有資產改進研發流程，並持續更新自己的工作方式。第一個案例，是硬件方案的信息對齊。從產品需求到可驗證的方案，工程師、採購和供應鏈需要反覆核對選型、供貨風險與成本，過去把這些信息拉通，至少需要一個月。品勝自2015年上線的PLM系統，積累了物料、設計規範和風險記錄，團隊又搭建元器件庫，接入原廠及第三方平臺的信息。AI由此可以依據產品用途檢索元器件，檢查匹配關係和成本約束，把發現的問題交給工程師處理。據叢澤龍介紹，原本需要一個月對齊的信息，現在一週左右可以完成，減少了進入評審前反覆溝通的成本。另一個案例是專利相關圖紙製作。

過去，專利工程師與結構工程師需要反覆核對零件、編號及對應關係。現在輸入3D模型後，Agent可以生成帶批註的拆解圖，單次生成可以做到66秒，專業判斷仍交給工程師。這些工具能夠落地，與團隊進入業務的方式直接相關。他們把工位搬到業務部門，觀察最耗時的步驟，再評估改造的優先級、風險和AI能力。具體工作得到改善之後，業務部門從排斥轉向主動提需求。叢澤龍直接向CEO彙報，團隊獲得了試錯空間，舊系統缺少接口時，則由IT團隊配合拓展。但需求排到幾個月之後，一個二十多人的團隊，也無法承擔全公司的每一項改造。對此，團隊把重點放在提升整企業AI的認知上，而不只是交付更多工具。

他們通過內部交流，讓受益部門分享工作流如何改變，帶動其他同事嘗試。在叢澤龍看來，如果只是給每個崗位配上AI工具，得到的只是"崗位增強"，組織本身並沒有改變。只有從管理層到一線，都理解AI能力邊界、該放在流程的哪個節點、責任和權限如何劃分，AI才會從少數人的工具，變成整個組織的工作方式。"系統負責沉澱，認知負責進化。"過去的經驗進入系統，新的能力進入流程；而企業整體對AI的認知，以及‘一號位’轉型的決心，決定了組織能進化到哪一步。AI原生組織的形成，就發生在這一輪輪具體的工作之中。（本文首發於APP，文 | TechPulse，作者 | 張帥，編輯 | 楊林）