AI 坐上主驾驶位之后，企业真正要补的是什么？
这个男人来自千祥约 9 分钟最近看 Muse 这类 Personal Agent 的进展，再看看企业里正在发生的事情，我越来越有一个感觉：界面看上去变化不大，工作的底层逻辑却已经开始变了。
界面看上去变化不大，工作的底层逻辑却已经开始变了。
屏幕上可能还是一个对话框。我们输入一句话，AI 给出一个结果。但以前，我们问它怎么做，然后自己去做；现在，在越来越多边界明确的任务里，我们开始把目标交给它，让它查资料、拆任务、调用工具、推进工作，再把结果和需要确认的地方交回来。比如，Meta对Muse 的官方介绍里，就已经把持续推进任务、跨应用工作，以及在需要批准时找人确认，作为产品的重要设计。
这让我想起前两周去深圳的一些交流。我听了华为专家关于荔枝种植本体应用的分享，也和一些处于技术前沿团队的老朋友们聊了不少实际进展。回来以后，一个判断变得更清楚了：
企业AI正在经历一条分水岭。差距，已经开始出现在企业怎样组织知识、表达业务、让AI承接工作这几件事上。
01｜从“AI 帮我干”，到“我让 AI 去干”
过去，我们熟悉的工作方式是这样的：
人找资料，人判断下一步，人打开系统操作。AI帮忙写一段文字、总结一份报告，或者回答一个问题。
工作仍然是人一环一环往前推。
现在，一部分任务开始换一种组织方式：人先给目标，AI 自己组织执行过程。遇到信息缺失、规则冲突或者需要授权的动作，再回来找人。
拿银行的一笔业务申请来说。
过去，员工可能先问AI：“这项业务需要哪些材料？”得到答案以后，再自己逐项核对、查制度、找审核人。
再往前走一步，我们希望交给AI的任务会变成：“看一下这笔申请现在能不能受理，还缺什么，依据是什么，接下来应该交给谁。”
这时，AI要做的事情就多了：找到当前有效的制度，识别产品和客户类型，核对材料，发现缺口，整理受理建议，并说明判断依据。
人则更多负责确定目标、准备可信知识和规则、审核关键结果、处理例外。正式业务决定仍然遵循组织的授权与审批流程。
人越来越重要的工作，变成了让知识ready，让业务规则ready，让审核机制ready。
当然，人还要承担责任，也要持续改进这套工作方式，但我们介入工作的时间点和方式，确实在变。
从通用助手，到企业知识服务，再到业务任务协作，AI 对企业自身知识和业务定义的依赖不断增加。
02｜我理解的 AI 原生，是工作开始围绕 AI 重新组织
“AI原生”这个词，最近被说得很多。
我的理解很朴素：当企业设计一项工作时，已经会先考虑哪些部分可以交给AI持续完成，再安排人的审核、授权和例外处理，这才开始接近AI原生。
AI从副驾驶走向主驾驶，驾驶路线、通行规则和必要的刹车机制，也要一起准备好。
这件事刚开始时，优势可能没有那么显眼。
也许只是某项材料核对少花了一些时间，某份服务建议少返工一次，某个新人少问了几次老员工。
但如果每次业务处理，都能留下经过确认的知识、明确的规则、可复用的业务关系和评测样本，下一次任务就有机会做得更稳。
一个场景积累的能力，还可能被另一个Agent使用。人员更替以后，经验也能继续留在组织里。
我认为，AI原生企业的优势会在这个过程中逐渐放大。前提是这些资产有人维护、经过验证，而且确实能在业务中复用。
时间拉长，两家都在使用相近模型的企业，可能会表现出完全不同的业务能力。
03｜企业 AI 的阿喀琉斯之踵：它缺少你的上下文
不过，有了大模型，有了Agent，企业就能自动进入快车道吗？
还差很重要的一步。
通用模型可以知道很多行业知识，但它不会天然知道：你们公司的哪份制度已经废止，这个产品适用于哪类客户，这份材料由谁负责，出现例外应该怎么处理。
它更不会天然知道，眼前这笔业务现在处于什么状态，以及当前身份究竟允许它做到哪一步。
这些，都是企业上下文。
所以，AI越能干，我们越需要认真回答一个问题：我们到底给了它怎样的工作依据？
如果知识相互冲突，规则散落在多个部门，关键经验只存在于几个人脑子里，再强的Agent 也要不断猜、不断问，或者在人没有发现的地方走偏。
企业已有资料，是起点；加工、治理和业务建模，决定了这些资料能否成为当前任务可用的上下文。
在TorchV，我们把这项建设分成相互配合的两部分：知识上下文和业务上下文。
知识上下文，让 AI拿到可信、有效、有出处的依据。
业务上下文，让 AI理解业务对象怎样关联，什么条件适用，下一步应该怎样推进，哪里必须停下来确认。
两者都可以服务人，也都可以服务Agent。到了复杂任务里，它们往往需要一起工作。
AIS KB 关注可信知识供给，AIS Ontology 面向业务语义建设。任务、身份、时间和权限，决定本次实际使用哪些上下文。
04｜让知识 ready，是一件很繁琐、也很技术的活
做企业AI，最容易低估的，就是“把资料准备好”。
很多时候，大家觉得把文件上传，能够搜索问答，事情就差不多了。
但进到真实企业，你会发现：同一项制度有好几个版本，扫描件里的表格解析不完整，页眉页脚混进正文，不同部门对同一个术语有不同理解。还有权限、生效日期、敏感信息，以及长期没人维护的旧文档。
这些问题，会一路传递到AI的结果里。
所以，知识上下文的建设需要一整条持续运转的链路。
先接进来。 文档在协同平台、文件服务器、业务系统里，要能按实际需要接入和同步，更新之后也能跟得上。
再加工好。 解析复杂文档，清理噪声，保留表格语义，做分类、标注、字段抽取和规范化，再按要求完成校验与准入。
还要管得住。 谁是责任人，什么版本有效，适用范围是什么，谁能使用，什么时候复核，发现冲突由谁处理，都要有安排。
最后供得准。 面对当前任务，找到相关知识，带回来源、有效版本和必要的适用条件。信息不够时，也要能把缺口说清楚。
听起来很琐碎，对吧？
但当 AI 开始真正承接工作，这些琐碎就成了基础设施。尤其在银行和大型企业里，错误的有效日期、遗漏的适用条件，都可能让后面的判断失去依据。
而且这项工作需要业务部门参与。科技团队可以提供平台和机制，知识的业务含义、有效性和责任归属，还得由真正懂业务的人确认。
05｜业务也要 ready：让 AI 看懂企业怎样运转
知识准备好以后，复杂任务还会遇到另一层问题。
AI能找到一段制度，不代表它已经掌握这笔业务应该怎样处理。
比如，“客户”“申请”“产品”“材料”“审核角色”分别是什么，它们怎样关联？某种客户申请某项产品，需要满足什么条件？材料不足时，应当补充、退回，还是转交特定角色？
这些关系和判断逻辑，需要被明确表达出来。
这就是我们重视Ontology，也就是业务本体的原因。
可以先把它理解成：为企业业务建立一套人与AI 可以共同理解、持续维护的表达方式。
把对象、属性、关系表达清楚，再把适用条件、规则、流程和允许的动作关联起来，Agent才有更明确的业务依据。
图中是一个简化的业务对象实例。完整业务能力还需要规则、数据连接、验证和受控执行机制配合。（仅为示例）
用“企业业务的数字孪生”来理解，会更直观一些：把真实企业中的对象、关系、状态和运转逻辑，在数字世界中对应起来。
Palantir 的官方本体文档也采用了类似思路：连接真实业务与数字资产，并将对象、属性、关系以及动作等纳入其中。
但本体与完整数字孪生之间，还有工程工作要完成。模型里的定义要与真实业务数据对应，状态要从授权系统获取，操作要通过受控接口执行，关键约束也要有可验证的机制。
对我来说，这项建设最有价值的地方，是让企业的业务经验开始成为可以审核、更新、验证和复用的资产。
落地也可以从一项明确任务开始。先让一组对象、一套规则和一条处理路径跑起来，再逐步扩展。
06｜深圳的荔枝案例，让这件事变得很具体
前两周在深圳，华为的田教授分享的荔枝病虫害防治案例，让我印象很深。
按我现场看到的材料，它把荔枝品种、物候期、天气、土壤状态和病虫害等信息，与农业专家的判断逻辑、后续防治安排联系起来，展示了“事实—事理—行动”的组织方式。
这和“问AI 一句荔枝怎么种”，已经是很不一样的任务了。
我从这个案例里看到的是：先把当前情况说清楚，再把专家判断依赖的条件表达清楚，最后才有依据讨论该采取什么行动。
这也解释了，为什么企业AI会走向业务本体。
拿我们熟悉的制造业售后场景来说，道理也很接近。一台设备报了故障，AI 需要知道具体型号、配置、组件关系、已知症状，以及某种处理方法成立的前提。
一段维修手册，是知识依据；型号、组件、故障、处理方法之间的关系，以及适用条件，则构成了业务上下文的重要部分。
TorchV 与某高端制造大厂“L”已有的合作，覆盖产品和售后知识库及应用。这样的知识基础，也让我们更清楚下一步要验证什么：怎样把技术依据与产品关系结合起来，支撑更完整的售后任务。
这是我从有限案例中看到的变化，还不能据此给整个行业排位。但它足够说明，企业AI的竞争已经开始向更深的业务基础延伸。
Personal Agent的进展很容易被看见；企业里的变化，很多发生在制度、数据、接口和日常操作之间，看起来没那么热闹。
一旦这些能力能够持续复用，差距就会慢慢显现。
07｜TorchV 想做的，是把这段基础工作做好
这也是TorchV持续推进AIS的原因。
我们的方向是：通过知识工程、知识治理和业务本体建设，为企业Agent提供可信知识与明确业务逻辑，共同形成可用的企业上下文。
这条链路从企业分散的文档、数据和专家经验开始，经过接入、加工、准入、治理和业务建模，最终面向具体任务供应上下文。
上面的Agent，可以由TorchV提供，也可以是客户自己建设的，或者来自第三方。企业投入建设的知识和业务资产，应当能够持续服务自己的业务。
TorchV AIS的整体建设方向。图中包含目标架构与持续演进的能力，具体范围以实际版本和场景交付为准。
这件事需要产品，也需要和客户一起做。
选出真正值得做的任务，找到业务责任人，把知识和规则梳理清楚，接入必要的数据与工具，用相同任务建立评测基线，再通过实际结果改进。
先把一个场景做扎实，企业才知道知识缺在哪里、业务定义哪里有歧义、哪些环节可以交给AI、哪些环节需要人确认。陪跑和运营，要把这些问题一项项解决。
我相信，AI原生企业的竞争优势，会越来越多地体现在这种持续积累上。
模型还会继续进步，Agent也会越来越能干。与此同时，企业自己的知识、规则和业务经验，值得从现在开始认真准备。
当AI 坐上主驾驶位，企业需要为它准备一张可信的业务地图，也需要有能力不断更新这张地图。
TorchV｜企业知识与业务上下文
以往文章：