当AI进入企业核心流程，明略科技(2718.HK)正在构建怎样的竞争力？

大模型能力仍在快速进步，但企业AI市场的竞争标准已经悄然改变。

过去，模型参数规模、推理能力和基准测试成绩，是衡量AI公司的重要指标。随着通用模型能力逐步普及，企业客户开始发现：模型越来越聪明，并不意味着AI项目就一定能够产生价值。

企业真正面对的困难，往往不在模型本身。

数据分散在不同系统中，业务流程跨越多个部门，权限和合规要求复杂，许多关键经验只存在于员工的头脑和日常沟通中。即使模型能够理解一份文档、生成一段代码，也不代表它能够独立完成一个跨系统、跨角色的真实业务任务。

这决定了企业AI的下一场竞争，不会只发生在模型参数上，而会发生在业务流程中。

企业需要的不是一个更聪明的聊天框

许多企业的第一阶段AI应用，都是从知识问答、文案生成和会议总结开始的。

这些工具能够帮助员工节省时间，却通常位于业务流程的外围。它们给出建议，但不会真正调用企业系统；可以生成内容，却不负责将内容发布、投放并评估效果；能够分析数据，却未必能够根据分析结果继续执行任务。

对企业而言，真正有价值的AI必须从“回答问题”走向“完成工作”。

例如，在财务共享场景中，AI不能只解释报销制度，还需要识别单据、核验信息、匹配规则、发现异常，并将需要人工判断的问题提交给相应负责人。

在司库管理中，AI不能只生成资金分析报告，还要连接账户、交易、预算和风险数据，在权限范围内持续监测异常并推动后续处理。

在营销场景中，AI也不能止步于写出一条广告文案，而需要参与市场洞察、创意生成、内容测试、渠道投放和效果优化。

这些任务的共同特征是：它们并不是一次问答，而是一条由多个步骤、多个系统和多个决策节点构成的业务链路。

模型能力只是起点，业务上下文才决定结果

通用模型掌握了大量公共知识，却不了解一家具体企业如何运行。

每家企业都有自己的客户分类、审批机制、品牌标准、风险偏好和业务评价体系。同样一句“优化营销效果”，对不同企业可能意味着完全不同的目标；同样一笔财务异常，在不同组织中也可能对应不同的处理流程。

这些信息被称为业务上下文。

上下文不仅存在于数据库和文档中，也存在于员工的判断、历史项目的修改记录，以及一次次业务决策所形成的隐性经验中。

如果缺少上下文，AI只能给出看似合理的通用答案；只有能够持续理解并调用企业上下文，Agent才可能作出符合组织真实标准的行动。

这也是企业AI与消费级AI的重要区别。消费级产品追求广泛适用，企业级AI则必须深入具体组织，理解“谁能够做什么”“在什么条件下执行”“什么样的结果才算合格”。

因此，企业AI的技术竞争正在从单一模型能力，转向数据连接、上下文管理、任务编排、权限控制和结果验证等系统能力。

从单个Agent到一支数字团队

复杂业务通常无法由一个Agent独立完成。

一个营销项目可能同时需要消费者洞察、创意策划、内容生成、投放执行和效果分析；一个软件开发项目则涉及需求拆解、代码编写、测试、审查和部署。

如果将所有任务交给单一Agent，不仅上下文容易混乱，也难以确定每一步的责任边界。

更可行的方式，是让不同Agent分别承担专门任务，再由一个协作网络完成任务分配、进度同步、结果汇总和人类验收。

明略科技开源的Octo正是基于这一思路。Octo将人和不同类型的Agent放入同一个协作环境中，让Agent可以认领任务、相互接力，并在关键环节接受人类判断。与此同时，平台支持私有化部署，使业务数据和协作上下文能够保留在企业控制范围内。

在这一模式下，企业部署的不再是一个孤立的AI助手，而是一套数字劳动力组织方式。

人类员工负责提出目标、判断优先级和验收结果，Agent则承担数据处理、内容生成、系统操作和流程执行。企业管理的对象也由单纯的人员，逐步扩展为人类与Agent共同组成的团队。

AI落地为什么重新需要FDE

企业流程具有高度复杂性，这也是FDE，即前沿部署工程模式重新受到关注的重要原因。

FDE既不是传统意义上的售前顾问，也不是完成系统安装后便退出的实施人员。其核心任务，是深入客户业务现场，识别哪些流程适合交给Agent，连接企业原有系统和数据，并在实际运行中不断调整人机分工。

换句话说，FDE负责把通用AI能力翻译成企业能够使用的生产流程。

企业AI项目经常失败，并不是因为模型完全没有能力，而是因为技术团队不了解业务，业务团队又无法准确描述技术需求。数据、流程和权限之间存在大量衔接工作，无法通过一个标准化接口自动解决。

FDE的价值就在于补上这段距离。

在拟收购普联软件的交易中，明略科技提出，将自身以Octo、端侧模型和AI部署服务为基础的技术能力，与普联软件在集团财务、财务共享、司库管理、全面预算及业财融合领域的产品和交付经验结合，并计划引入FDE模式，探索AI原生企业管理应用。

这一组合反映出企业AI落地的一条现实路径：AI公司提供Agent、模型和协作平台，行业软件公司提供客户场景、业务系统和行业知识，FDE则负责将二者真正连接起来。

进入核心流程，意味着更高的责任

AI越深入企业流程，所承担的责任也越大。

生成一段不准确的营销文案，可能只需要重新修改；但如果AI在财务、采购或风险管理流程中作出错误操作，影响可能更加严重。

因此，进入核心业务流程不仅要求AI“更智能”，还要求系统能够被控制、被审计和被追溯。

企业需要知道Agent调用了哪些数据、执行了哪些动作、为何得出相应结论，以及哪个环节经过了人类确认。对于涉及敏感数据的场景，还需要支持私有化部署、权限隔离和数据不出域。

这意味着，可信能力并不是企业AI商业化之后才需要补充的附加功能，而是进入核心流程之前必须具备的基础条件。

从这一角度看，企业AI的竞争门槛反而在不断提高。调用一个通用模型越来越容易，但要让AI安全、稳定地进入一家大型组织的核心系统，仍需要长期的数据积累、行业理解、工程能力和客户信任。

企业AI最终比拼的是产业结果

模型能力仍然重要，它决定了Agent可以完成多复杂的任务。但对于企业客户而言，模型只是整个系统中的一个组成部分。

客户最终关心的是，一项工作能否从三天缩短到十分钟，一个项目能否用更少人力完成，一笔营销投入能否获得更高回报，一项风险能否被更早发现。

只有当这些变化真正发生，AI才完成了从技术能力到产业价值的转化。

因此，企业AI的下一场竞争，不会简单地以参数大小决定胜负。

真正的差异将来自谁更理解业务，谁能连接更多系统，谁能把隐性经验沉淀为组织知识，以及谁能够对最终结果负责。

当AI开始进入财务、营销、软件开发和企业运营等核心流程，它便不再只是一个提高效率的工具，而开始成为企业生产体系的一部分。

这或许才是企业AI真正走向规模化落地的开始。