企业AI落地困境：为何需要构建“主观”与“企业”双世界模型

事件概述

在WTCC论坛上，特赞创始人范凌指出，尽管AI在企业中广泛使用，但生产力提升不明显。根本原因在于企业缺乏让AI真正融入业务流的能力架构。为此，企业需要构建两个互补的“世界模型”，以实现从通用工具到长程智能体的转变。

核心信息

1. 现状与痛点

根据麻省理工NANDA发布的2025年企业生成式AI报告：

• ROI缺失：95%的企业生成式AI试点未能产生可衡量的财务回报。
• 应用层级错位：超过90%的员工在使用个人AI工具，而购买官方企业订阅的比例仅为40%。
• 核心问题：AI目前主要服务于个人效率，尚未深入企业核心业务流程。

2. “两个世界模型”架构

企业智能体需要同时具备对外部环境和内部组织的理解能力，这两者本质不同，难以合并为一个单一模型。

• 主观世界模型（向外：理解客户）

  • 定义：处理客户的主观偏好、动机和选择逻辑。
  • 数据来源：外部用户数据。
  • 作用：回答“客户为什么做这个选择”，确保智能体知道“做什么事是有价值的”。
  • 风险：若缺失此模型，智能体可能高效地执行一个错误的商业目标。

• 企业世界模型（向内：理解公司）

  • 定义：处理企业内部流程、资源约束、规则及协作关系。
  • 数据来源：组织内部长期积累的上下文，包括显性知识（文档、制度）和默会知识（经验、判断力、边界感）。
  • 作用：回答“这件事在组织内能否落地”，确保智能体知道“怎么做才能交付”。
  • 风险：若缺失此模型，智能体虽能理解需求，但无法转化为实际的组织交付成果。

3. 关键实施路径

• 构建上下文系统：
  • 不是简单地将文档喂给AI，而是连接现有数据湖和业务系统。
  • 将非结构化的默会知识转化为智能体可调用的结构化对象和关系。
  • 实现每次判断后的复盘依据积累，避免同类问题重复从零开始。
• 专家判断数据化：
  • 采集真实业务场景中的专家判断过程（Creative Trajectory），将其作为训练信号。
  • 目前相关合作机构已积累万条量级的判断路径数据。
  • 目的：将互联网上不存在、通用模型中也没有的“取舍逻辑”和“风险敏感度”转化为可积累的资产。
• 垂直基准测试（Benchmark）：
  • 传统Benchmark衡量标准答案的正确性，而企业场景更关注“是否符合该公司的做事方式”。
  • 通过建立包含品牌边界、选品逻辑等特有标准的测试集，持续校准和优化模型。
  • 例如：在Atypica场景中，通过对比真人和AI Persona在经济学行为实验中的差异来量化校准效果。

4. 智能体工作闭环：Signal, Plan, Create, Evals

企业级智能体需运行在一个完整的长程闭环中，区别于一次性调用的Copilot：

• Signal & Evals（依赖主观世界模型）：捕捉用户意图，评估产出是否符合客户预期。
• Plan & Create（依赖企业世界模型）：规划执行路径，评估资源、流程和约束下的可行性。
• 人机分工重构：智能体负责将工作推进至80分（处理可Token化的大量工作），人类专家负责最后的高密度判断，将结果提升至120分。

值得关注

• 从“租用智能”到“主权智能”：企业AI进化的方向是将自身的判断标准转化为可积累的私有资产，而非依赖通用模型的默认价值观。
• Agentic Transformation共建计划：特赞联合高校、研究机构及企业伙伴，共同探索这一尚未完全验证的路径，重点解决如何将企业判断转化为可积累资产的第一步。