要想提高生产力，企业 AI 不能只靠野蛮生长

作者：于佳卉

过去一年，很多企业盘点内部 AI 落地的情况，往往会得到一个看似乐观的答案，就是几乎每个员工都用上了 AI。

有人用它写邮件、整理材料，有人制作图片、分析数据，也有人开始搭建自己的 Agent。似乎每个人都找到了趁手的“AI 搭子”，一些工作确实变快了。可当管理层试图把这些分散的能力收拢、复制和放大时，却很难找到抓手：工具五花八门，知识留在不同人的对话窗口里，方法各自为政，也没有一条共同的流程将它们串联起来。

“大家都在用”，企业却很难说清，究竟得到了什么。

网易智企也经历过相似的阶段。今年上半年，公司内部全员安装“龙虾”、编写 Skill，开始培养各自的 AI 员工。约 800 人写出了 1000 个 Skill，几个月后，真正进入日常工作、被广泛使用的，只有几十个。

这个数字上的反差直观地说明了一件事：由一个个员工创造出来的能力，并不等于组织层面的生产力。要进入组织，还需要在真实任务中经过反复验证，能够被稳定调用和复用，并嵌入业务流程。

在WAIC 2026 期间，网易旗下一站式企业AI应用服务提供商网易智企带着全新的AI Agent全面亮相，呈现了 AI 从“能用”走向“用好”的完整路径。网易智企副总经理段毓铮在论坛上表示，今天企业对 AI 的意愿已经足够明确。它们真正被卡住的是，当 AI 从员工手里的个人工具走向组织层面，如何能够理解企业，进入真实流程，又如何被授权、被管理，并在一次次工作中变得更好。

人人都在用，组织却并未因此提效

个人提效与组织提效之间，隔着一道常被忽略的断层。

段毓铮举了一个例子。一名开发者借助 Coding 工具把原本需要五天完成的工作，缩短到了两天。余下三天，他会主动再干三天的活吗？“我们不要去怀疑人性。”他半开玩笑地说。

即使企业统一为所有开发采购了 AI 工具，问题也会沿着流程向上下游转移：产品经理供给不了更多需求，QA 和运维也无法同步提速。代码写得再快，最后仍可能堆在待上线的队列里。

几个人跑得快，不等于整条链路提速。当一个环节骤然加速，原本藏在上下游的瓶颈反而会暴露出来，形成新的拥堵。

因此，企业最容易算错一笔账：把每个人节省下来的时间相加，便视作组织新增的生产力。然而组织产出从不是个人效率的简单求和，它取决于不同岗位能否围绕同一个目标协同运转，能否把局部的速度真正传导到整条业务链路。

段毓铮指出，从个人使用到组织落地，企业需要跨越三道鸿沟：AI 能否理解这家企业及其组织语境，能否进入工作流、跑完真实的业务链路，又能否在持续实践中学习，越干越好。

而要让AI理解企业，企业首先要为 AI 建立统一的知识底座、数据底座和组织上下文。否则，不同 Agent 各自掌握一套知识和口径，在个人任务中或许说得通，一旦参与管理和经营决策，提供的信息可能彼此冲突。

理解企业是上岗的起点。在此基础上，企业级 Agent 还要知道自己能调用哪些数据、进入哪些流程、执行哪些动作，以及工作结果如何被评价。知识、流程、权限和评价体系，缺一不可。

这也是个人 Agent 与企业级 Agent 的分水岭：前者可以各自聪明，后者必须作为一支 AI队伍协同工作。

底座隐于水下，场景立于水面

一支队伍要拧成一股绳，不能只靠给每个人配发武器，还需要统一的调度、情报、安全边界，以及一套能看清全局的指挥系统。

网易智企今年4月推出的企业级AI Agent平台——帝王蟹，瞄准的就是这件事。

从产品结构看，帝王蟹由下至上分为四层。

最底层，是模型。模型可以视作 AI 生产力的“供应链”：没有稳定的模型供给，上层的生产活动便无从谈起。在这一层，网易智企根据真实生产任务建立测试集，让不同模型或模型组合分别完成市场情报搜集、销售方案生成、报价等工作，再综合效果、成本、速度和稳定性进行选择。模型并非接入得越多越好，关键是为不同任务找到性价比更合适的供给，使用网易智企AI网关，可以帮助企业完成任务与模型的适配。

第二层，是知识、数据和安全底座。知识和数据让 Agent 理解企业做什么、岗位如何分工、业务怎样运转。安全底座则划定它能够获取哪些信息、调用哪些权限，可以执行哪些操作。

第三层，是 Agent 管理。这里管理的不只是单个 Agent，还包括不同 Agent 之间如何协作、谁调用谁，以及 API、连接器、Skill 等能力资产如何被统一供给和复用。企业需要知道，哪些 Agent 正在工作，调用了什么能力，消耗了多少成本，也要判断哪些 Skill 被频繁使用，任务成功率如何，是否值得复制给其他员工。

最上层，是业务应用。这一层面向具体岗位和业务目标，将水下的模型、数据、知识与调度能力，组合成企业能够直接使用和衡量的场景。客户最终看到的，不是底层调用了哪个模型、经过了怎样的编排，而是一个 AI 员工能否真正把工作完成。

能力越强，安全边界也越重要。平台提示词注入和恶意 Skill 在运行前接受审核，执行过程由沙箱约束，输出环节再进行内容安全和敏感信息判断。涉及高风险操作或信息外发时，最终决定权仍然交还给人。

换句话说，企业不是给 AI 一张无限通行证，而是给它工牌、岗位和门禁。

先帮销售开单，再把经验留下来

在最上层的业务应用中，网易智企选择先将销售作为典型场景做深。原因并不复杂，销售处在离企业收入最近的位置，杠杆高、需求普遍，且结果容易衡量。

帝王蟹推出的销售宝功能，将销售日常拆分为日报、画像、作战卡、方案、对练和复盘六个环节。信息在不同环节之间自动流动，背后再连接 CRM、BI、IM 和审批流。销售不必再反复搬运和录入信息，系统也能在工作过程中留下记录。

拜访前，销售 Agent 可以从公开信息、企业内部产品矩阵、解决方案和客户案例中完成客户调研，在几分钟内形成一份客户画像，并进一步生成方案和作战卡。对比过去销售自己调研，效率极大提升。即使面对服务多年的老客户，也可能由此发现新的机会。

同时，Agent 补足了过去成本较高的售前方案支持。它会在理解客户的基础上，将其与企业已有的产品、方案和案例做匹配。以往销售总是问客户“有什么需求”，而对方往往无法准确描述。现在，销售能够带着初步判断和方案进入对话。

沟通后，销售宝也不只是生成一份纪要，而是结合客户多轮跟进中的变化，判断客户为何仍停留在当前阶段，是对价格敏感，还是方案没有击中真实需求？随后给出下一步建议，并在后续动作完成后复盘此前的判断是否有效。

在此过程中，优秀销售的经验也自然而然地留下。通过复盘每一次拜访、商机推进、赢单与战败，让有效的方法在真实工作中得到验证。对销售而言，更好地完成了业务目标。对组织而言，经验在不增加额外填报负担的情况下进入系统。根据目前数据，销售 Agent 可将新人首单周期缩短 40%。

“过去销售一两个季度开出第一单是正常现象。现在，我们内部给新人的口号是，三天上岗、七天开单。”段毓铮说。

跑通一个岗位，沿业务链路延伸

在 AI Agent 落地路径上，网易智企认为，企业应该先找到一个高价值场景，比如常见的销售、运营场景，然后把岗位的工作流梳理清楚。明确每个环节的目标是什么、痛点在哪里，需要哪些知识和数据，是否需要对接内部系统等。

流程跑起来后，再逐步补齐系统连接、权限和治理。相比一开始铺开庞大的技术工程，这种路径更容易让企业尽快看到结果。

当一个场景跑通，新的需求也会沿着业务的脉络自然发生。以销售为例，客户成交之后，到店提醒、服务注意事项、后续跟进和老客运营都会依次出现。

对于不同规模的企业，难点又落在不同地方。

中小企业通常由“一号位”直接推动，决策链短，组织执行更快。但文档、知识和岗位流程基础往往相对薄弱，最先需要补的是业务底子。大型企业的信息系统、知识文档和流程体系通常更完整，真正的难点，则是能否让业务部门持续投入，而不是把 AI 落地变成一项纯技术建设。

也因此，段毓铮给出了一条建议：AI 落地初期，不要让 IT 部门成为唯一的主导者。否则，可能会回到过去系统建设的路径，先做技术验证、接系统、谈架构，业务目标反而被忽略。更有效的方式，是先选择一个业务部门共建，把岗位场景做透，业务价值验证后，再由 IT 团队介入，完成系统化建设。

AI 员工上岗，也要算清绩效

更长远的变化，可能发生在组织管理本身。当企业开始用业务结果衡量 Agent，问题就来到了组织管理的维度：AI 员工是否也需要一套绩效制度？

在网易智企的设想里，未来 Agent 可能会像真实员工一样经历入职培训、上岗和绩效考核；表现不佳时，甚至也会有被“解聘”的一天。

人的绩效可以与薪资、奖金和晋升挂钩，那么 Agent 的绩效又应该关联什么？是使用它的员工、采购它的企业，还是提供 Agent 的服务商？目前，行业还没有统一答案。

但这个问题本身，已经说明企业对 AI 的理解正在发生变化。

当一个 Agent 拥有自己的身份、权限、岗位目标和绩效指标，它便不再只是一个等待被调用的软件功能，而开始成为新的组织管理对象。

“大家都在用”，只是工具普及的起点。更深层的变化，是这些 Agent 开始围绕共同目标协作，也能在一次次评价和调整中，把工作越做越好。到那时，AI 员工才算真正上岗。