告别“小助手”！乐享、擎天再升级，联想让AI“下场干活”

作者：毛烁

大模型在企业中的应用，正在进入价值验证阶段。

MIT NANDA发布的《The GenAI Divide》报告显示，在被调查的企业级生成式AI项目中，、约95%的企业级GenAI试点尚未形成可衡量的损益影响，只有约5%的集成式AI试点跨过试点阶段，并产生了可衡量的业务价值。

MIT NANDA-《The GenAI Divide》

麦肯锡同年发布的全球调查《The State of AI in 2025》也指出，虽然AI使用率持续提升，但多数企业仍停留在试点或有限部署阶段，距离规模化释放商业价值仍有较大距离。

《The State of AI in 2025》：在企业整体部署阶段上，接近三分之二仍处于实验或试点阶段，约三分之一开始规模化推广

事实上，从实际落地情况来看，许多企业投入数百万元乃至数千万元，甚至启动了覆盖集团范围的AI部署项目，但最终效果并未达到预期。

原因在于，大多是大模型的只是被嵌入原有业务流程，成为提升单点效率的工具，应用仍集中在文案生成、会议纪要整理等辅助场景，或智能客服等相对独立的业务环节。对于涉及多个系统、多个角色以及复杂决策过程的核心业务，AI仍然难以真正参与其中。

而企业AI应用的价值释放，却更多取决于AI是否能够进入业务流程并承担实际任务。

相比简单调用模型接口，企业需要重新设计业务流程，让AI具备连接系统、调用工具和持续执行任务的能力，从而将模型能力转化为可衡量、可管理、可复制的业务成果。

联想乐享企业超级智能体的实践，正体现了这种变化。

截至2026年6月底，联想披露，乐享企业超级智能体月活用户达到700万，日均支持超过100万次交互请求，累计拉动销售额突破50亿元。在上一财年，乐享联合46个垂直场景智能体组成“智能体军团”，推动联想中国区客户直营营业额同比增长33%。

一系列业务结果的背后，是联想对企业级智能体基础设施和组织体系的系统性建设。

围绕智能体规模化应用，联想在技术层建立了运行与治理体系，保障不同场景下的智能体协同运行。同时，在业务层重新梳理了数百个工作流，并推动人才能力、绩效评价和组织协作方式同步调整，使智能体从单一应用走向覆盖销售、零售、服务、研发和内部管理等多类业务场景。

01 联想的AI“进化论”

从结果来看，企业级AI并非只是增加一两新个应用入口这么简单。

更多的，是取决于AI能否从辅助工具进一步深入业务流程。随着AI能力不断演进，企业关注的重点也正在从提升单点效率，转向让AI理解业务目标、执行复杂任务，并参与完整业务链路的运行。

联想中国区智能化转型总监周铄将企业AI的发展概括为三个阶段。

联想中国区智能化转型总监 周铄

第一阶段是判别式AI，主要承担风控、识别、推荐等局部任务，通过模型判断帮助企业优化单一环节。

第二阶段是生成式AI，能够完成文案生成、代码编写等内容生产任务，提高特定环节的工作效率，但应用范围仍主要集中在辅助场景。

第三阶段则进入了智能体阶段，AI开始具备理解用户意图、拆解复杂任务、制定执行计划以及调用外部工具的能力，能够参与一条完整业务链路的执行。

联想乐享企业超级智能体在OMO线上线下融合零售场景中的应用，展示了智能体如何进入具体业务流程。以拯救者Y900平板销售场景为例，乐享智能体通过连接用户咨询、产品推荐、权益匹配、库存查询、订单履约，以及售后服务等多个环节，推动原了本分散的业务流程形成连续链路

以往，商品信息、库存状态、优惠政策、用户权益以及履约信息往往分散在不同系统中，许多步骤依赖人工查询、判断和传递。对于用户而言，较长的等待过程可能影响购买决策，甚至造成用户流失。

智能体介入后，这条业务链路开始被重新组织。基于企业内部已经沉淀并经过合规使用的数据，智能体能够理解用户需求和偏好，并能提供更有针对性的产品建议；同时，其还可以判断用户是否享受国补、学生认证等相关权益，并主动提醒用户完成领取或认证流程。

截取自：联想乐享

在成交阶段，智能体还能够连接库存系统、物流系统以及线下门店网络，根据实时状态帮助用户选择更合适的履约方式，例如选择附近门店提货。订单完成后，系统还可以结合产品生命周期，持续推送适用的服务内容和售后信息。

在这一过程中，智能体承担的任务已经超越了传统问答，不仅可以理解用户意图，访问多个业务系统，还能根据实时条件进行判断，并推动订单、服务等流程持续向前。

联想公开披露的数据显示，过去，客服团队约60%的时间用于回答优惠、分期、库存、配送时间等重复性问题。乐享上线后，重复问题回答准确率超过95%，转人工率降低了33%。

随着大量重复问题由智能体处理，人工客服能够将更多精力投入复杂问题解决、客诉处理，以及用户情绪沟通，从而承担更加偏向关系维护和服务体验提升的角色。

02 从“会说”到“会干”的背后

从业务流程中的单点应用走向规模化运行，企业智能体还需要解决一系列工程问题。企业级智能体需要处理更长的任务链路，连接更多业务系统，并在复杂环境中保持执行的准确性和稳定性。

联想研究院AI实验室Agentic AI研发总监何明指出，企业智能体需要处理大量“长程任务”。这类任务持续时间更长，需要连接更多系统，中间任何一个步骤出现错误，都可能影响最终结果。

联想研究院AI实验室Agentic AI研发总监 何明

比如，智能体需要用MCP接入街景地图，搜索目标区域，判断行进方向和观察角度；遇到遮挡或分辨率不足时，还要调整位置、裁剪图片并调用视觉工具，最后识别招牌上的信息。对人来说，可以凭借常识自然完成这些动作，但智能体则必须把每一个动作转换成明确的工具调用和状态判断。

企业内部的任务链路则更加复杂，智能体需要连接客户系统、库存系统、订单系统、财务系统，以及知识库等多类业务。但系统调用范围扩大后，对准确性、安全性和权限控制的要求也随之提高。一旦出现模型幻觉、权限越界或错误操作，影响范围就会涉及客户体验、品牌声誉、资金安全，以及数据合规。

面对这类问题，联想在乐享4.0中引入了自研Harness运行层，并进一步提出Agent OS体系，用于统一组织、调度、治理和评测分散的智能体能力。联想中国区B2C销售体系技术交付总监潘雷将其概括为“业务+IT双轮驱动”的智能体运行与治理底座。

联想中国区B2C销售体系技术交付总监 潘雷

这套全面更新后的智能体架构，可以从业务应用、智能体运行以及基础设施三个层次理解：

最上层是乐享4.0，负责连接业务场景，是智能体能力进入企业流程的入口。

面向客户、员工和合作伙伴，乐享4.0承接真实业务需求，并通过智能体完成交互。在客户侧，其覆盖咨询、产品推荐、交易转化和售后服务等环节；在员工侧，连接企业知识、业务系统和专业技能，帮助员工完成信息查询、流程办理和任务执行；在合作伙伴侧，则提供业务协同支持。

通过这一层，智能体得以进入销售、零售、服务，以及内部管理等实际业务流程。

中间层是Agent OS，是智能体体系的运行和治理中枢。

企业内部不同业务需要不同专业能力，销售需要产品推荐和权益判断，服务需要故障诊断和知识检索，供应链需要库存和履约协同。Agent OS负责将不同领域的Agent、Skill、工具以及业务流程统一组织，并完成调度、治理和评测。

面对复杂任务，总控Agent可以识别用户意图，将目标拆解为多个可执行子任务，再调用对应专业Agent完成执行。

例如，用户上传设备故障图片后，总控Agent可以同时启动故障识别、保修政策查询，以及替代产品推荐等任务。不同专业Agent分别连接售后知识库、服务系统和商品系统，完成对应工作，最终由总控Agent汇总结果并推动下一步操作。

基础层则是擎天5.0引擎，为这套企业级智能体架构提供算力、模型和数据能力支撑。

其实，在联想擎天的架构演进过程中，1.0以云原生和中台化为主要特征，2.0嵌入AI功能，3.0引入生成式AI，4.0加入智能体AI。到了5.0阶段，擎天进一步升级为AI原生技术平台，为算力调度、模型编排、数据与知识治理以及智能体开发运行提供支撑。

周铄表示，过去的架构更多解决的是局部业务需求，而擎天5.0希望打通算力、模型以及知识、数据之间的连接。

从底层能力来看，擎天5.0依托xCloud联想智能云提供混合算力和资源调度能力；在AI开发与运营层，AI Foundry负责模型编排、数据与知识治理以及智能体开发运行。

其中，Token Hub（词元中枢）是擎天5.0支撑企业AI规模化应用的重要组件。随着企业内部大模型调用规模增加，推理成本成为影响智能体普及的重要因素。Token Hub通过“模算一体”架构，适配复杂的异构GPU生态，对模型和计算资源进行统一管理，并通过模型路由、资源调度和成本优化，为不同任务匹配合适的模型。

目前，Token Hub将模型接入效率提升80%，私有化部署场景下Token成本最低可降至0.5元/百万Token。

除了算力和成本优化，擎天5.0也改变了企业AI应用开发方式。不同于传统“需求—设计—开发—测试验收—上线”的软件开发流程，而在AI原生架构下，业务专家可以先提出业务Ideal（构想），系统进行业务仿真和验证，当场景价值确认后，再进入工程化开发和落地。

此外，为了让智能体具备持续优化能力，联想还引入了记忆检索和Skill演化机制。

QueryLink负责从历史数据和知识中检索与当前任务最相关的信息；Lemon Agent则通过任务轨迹、执行结果以及反馈信息，提取可复用经验，并沉淀为新的Skill。

为了验证智能体持续学习和能力演进机制的有效性，联想也通过内部测试和公开基准对其性能进行了评估。

QueryLink在联想内部测试中，语义相似度提升15.4%，推理准确率提升7%；Lemon Agent相关技术使任务成功率提升30%，泛化能力提升20%。

在公开基准测试中，Lemon Agent的长链路任务处理能力也得到进一步验证。截至2026年2月6日，Lemon Agent在GAIA基准测试中的总体准确率达到91.36%，Terminal-Bench 2.0当前公开榜单显示，联想研究院AI实验室提交的LemonHarness以84.5%的准确率位列第二。

这些测试结果能够反映智能体在复杂任务拆解、工具调用、持续执行以及能力泛化方面的工程能力。

03 “硅碳共生”的内生变革

技术体系的变化最终会传导到组织内部。随着越来越多业务环节由智能体参与执行，企业需要审视几个问题：哪些任务应该交由机器完成？哪些判断必须由人承担？员工价值应该如何重新衡量？

事实上，AI对企业组织的影响会逐步深入运行机制。北京大学国家发展研究院管理创新实验室副主任朱丽认为，早期阶段，AI主要体现为单点效率提升；随着部分判断和执行任务由AI承担，人与机器之间的职责边界开始调整；当AI进一步参与企业核心价值链后，组织制度和协作方式也需要随之变化。

北京大学国家发展研究院管理创新实验室副主任 朱丽

这样的变革，往往从企业最基层、最具体的业务环节开始。

面对智能体进入组织流程，联想对内部业务流程进行了系统性重构，将692 个L4及以上的业务流程全部拆解、梳理，逐一识别其中哪些环节适合由 AI 承担，哪些环节仍需要人工决策。

所谓L4 流程，指的是已经拆解到具体业务执行步骤的颗粒度。以退货场景为例，一个完整的“退货处理流程”会进一步拆分为“核验订单信息”“判断退货条件”“生成退款工单”“通知客户处理结果”等可被系统识别和执行的环节。

为什么要拆到 L4 级别？

因为智能体并不能直接理解“提升客户满意度”“优化供应链效率”这样的宏观目标，其需要被嵌入到明确的任务节点中。

因此，企业必须重新定义每一个流程节点中的人机边界：哪些数据可以开放给智能体访问？智能体能够自主执行到哪一步？哪些异常情况必须触发人工审核？执行结果由谁确认？出现错误后，责任如何追溯？

联想中国人力资源战略设计总监孙海宁，将这种全新的人机分工逻辑概括为“碳硅各展所长”：硅基系统（AI）承担高并发、重复性、标准化的数据处理和流程执行；而碳基员工（人类）则从传统执行环节中释放出来，将更多精力投入复杂决策、战略规划以及需要情感判断和协作能力的工作。

联想中国人力资源战略设计总监 孙海宁

在联想内部，这一变化首先体现在人才标准上。

在招聘环节，联想系统性吸纳具备AI能力的人才。联想中国市场推广人力资源总监张书透露，过去一年，联想中国区市场部招聘的AI专家岗位占比已接近40%，同时几乎所有岗位面试都会考察候选人的AI思维和“AI力”。

联想中国市场推广人力资源总监 张书

与此同时，联想的绩效评价体系也进行了调整。

联想设置了“AI先锋”激励机制，对能够借助AI提升团队效率、改善业务结果的员工给予激励。让员工的工作重点更侧重目标定义、资源配置、结果判断和责任承担。

当人才标准和评价体系发生变化后，企业的运行方式也将随之调整。

在智能体逐步参与业务执行后，部分工作可以由AI在不同系统和流程之间完成连接，组织协作就需要围绕具体任务进行重新组合。

这意味着，未来企业需要更多能够连接业务与技术的复合型人才。他们不仅需要理解业务目标，还需要知道如何拆解任务、配置智能体能力，并推动不同角色协同交付结果。

与此同时，个人在企业中长期积累的经验和方法论，也将转变为组织资产。这些经验可以通过知识库、流程模板和 Skill机制进行沉淀，并被智能体调用。

当然，这并不意味着人的功能会消失。专业的员工仍然需要承担治理、风险控制、专业判断和责任界定等职责。

04 写在最后：联想“内生外化”的路径

重构算力底座、搭建 Agent OS、重塑业务流程、将“AI力”纳入人才体系，这背后是联想“内生外化”的路径。

所谓“内生”，是让变革首先发生在企业自身。联想将其多年积累的经验、供应链能力和行业理解，与AI结合起来，让技术融入企业的肌理。

而“外化”，则是在内部实践基础上，将这些能力进一步开放出去。通过天禧、擎天等应用和底座，将内部验证过的能力交付给更多个人用户和企业客户。

从内部变革，到能力外化，再到产业服务，联想跑通了“闭环”