北京
每次企业AI助手回答一个内部问题，都像从零开始认识这家公司。它不知道昨天销售团队刚签下哪个客户，不清楚产品部门上周调整了什么方向，更不了解管理层在会议里拍板了哪些决策。为了让AI"想起来"，企业被迫反复做同一件事：抓取成千上万份文档、翻遍Slack聊天记录、导出CRM数据，然后一股脑塞进提示窗口。
这种暴力检索方式正在吞噬企业预算。据估算，超过50%的企业AI Token预算消耗在重复构建上下文这件事上。换句话说，你花了一半的钱，让AI反复学习它本该已经知道的东西。
把公司知识"预计算"成一张网
Coworker.ai今天发布的OM2，想解决的就是这个问题。这是一个统一的企业记忆层，它不再每次从零搭建上下文，而是持续从50多个企业平台摄取数据，把它们提炼成一张"活"的、带权限感知的神经图谱。
这套机制的核心思路是：把信息变成预先计算好的事实。当一条新信息流经公司——比如Salesforce里一个赢单、Slack里一次产品转向、会议记录里一项战略决策——OM2会把它提取成独立的结构化事实，标注清楚谁参与了、决定了什么、影响了哪些客户。这些事实只计算一次，之后所有查询都能复用，AI不需要在每次提问时重新推导一遍背景。
据Coworker.ai介绍，仅这一层结构优化，就能带来9倍的Token消耗缩减，响应速度提升64%。更值得注意的是，用户对回答质量的偏好度达到84.5%——也就是说，省了钱，答案反而更好了。
打破模型绑定，让每类任务用对的模型
OM2还顺手解决了一个被忽视的成本黑洞：模型滥用。很多企业不管任务难易，一律调用最贵的旗舰模型，账单自然水涨船高。Coworker在OM2里集成了优化路由引擎，动态分流任务——简单的数据检索交给便宜快速的模型，复杂的深度推理才动用前沿模型。
预计算上下文加上智能路由，两个机制叠加，Coworker声称总成本节省可以达到惊人的51倍。这个数字听起来夸张，但逻辑上说得通：省掉重复计算，再加上按需分配算力，双重压缩自然产生乘数效应。
数据主权：不把公司记忆锁进任何一家厂商
这套架构还有一个关键设计：它不绑定任何单一AI供应商。OM2通过Model Context Protocol（MCP）或原生应用，直接接入团队已经在用的工具——Claude、ChatGPT、Gemini、Perplexity，或者企业自建的内部Agent。公司的机构知识不再被锁在某一家厂商的封闭生态里，而是沉淀在一个中立的智能层中。
对企业来说，这意味着选择权。今天用Claude，明天想换Gemini，记忆层不用迁移，数据不用搬家。AI工具可以随时换，但公司积累的知识资产始终在自己手里。
Token成本失控，企业AI的隐形天花板
Token成本正在成为企业AI落地的隐形天花板。很多公司不是不想用AI，而是用不起——每次查询都要重新喂一遍上下文，规模一大，账单就失控。OM2的思路是把"每次重新学习"变成"一次学习，反复使用"，从根上改变了成本结构。
这个方向如果成立，企业AI的采用门槛会显著降低。当Token消耗降到原来的九分之一，很多原本算不过账来的场景就变得可行了。而51倍的综合成本优化，意味着AI可以从"试点项目"变成"全公司基础设施"。
当然，这些数字目前都是Coworker.ai自己的说法，实际效果还需要真实部署验证。但从架构逻辑来看，预计算上下文加智能路由的组合，确实直击了企业AI成本的两个核心痛点。如果OM2真能做到它宣称的效果，企业AI的算账方式可能要重新写了。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
