随着AI产业的发展,企业级应用的新分水岭正在显现:业内的关注点开始转向AI能否像一个生产单元那样进入流程、调用工具、完成任务并接受结果考核。

Gartner预计,到2026年底,40%的企业级应用将集成任务型AI智能体,而2025年这一比例还不足5%。微软发布的2025年工作趋势指数则显示,46%的受访领导者表示所在组织已使用智能体实现工作流或业务流程的完全自动化,82%的领导者预计未来12至18个月将借助“数字劳动力”扩充团队。

在国内市场,企业级AI科技公司百融智能已部署超过20万名硅基员工,覆盖客户服务、营销、运营、财务等业务环节。这些“员工”已经在不同的岗位上开始承接具体岗位任务,为企业的成本结构、收费模式和组织边界带来根本性变革。

当“硅基员工”开始进入企业组织

业内通常把能够围绕目标自主规划、调用工具并执行任务的软件称为智能体,当这些智能体进一步拥有明确岗位、业务权限、知识边界和考核指标时,便具备了“硅基员工”的属性。与传统自动化不同,硅基员工处理的不只是结构化指令,还包括自然语言交互、文档和音视频等非结构化信息,并能根据多轮反馈持续调整行动。

微软的调查显示,客服、市场和产品开发是企业加速AI投入的前三类场景;未来五年,41%的领导者预计团队将承担训练智能体的工作,36%预计员工需要管理智能体。这意味着,组织能力的衡量正在从有多少人使用AI转向一名员工能够训练和管理多少数字劳动力。

百融智能将前一个维度概括为“硅碳比”。这一指标并非人员替代率,而是衡量人机协作效率和管理半径的一种方式。目前在百融智能内部,一名碳基员工对应管理的硅基员工数量已超过150名。

对于企业而言,真正值得关注的不是部署了多少AI,而是这些硅基员工是否承担了稳定的工作量,并能否在人机协同下持续交付。这也改变了AI转型的实施顺序,越来越多企业选择从边界清晰、结果可量化、人工成本较高的岗位尝试切入。编程和客户服务率先获得规模化应用,原因正在于任务记录完整、反馈周期较短,产出质量和成本都相对容易衡量。

以结果交付标记AI应用落地成效

当AI开始能够完成任务,交付KPI,企业软件市场沿用多年的收费模式也开始松动。因硅基员工能够记录工作过程、评价服务质量并衡量结果,这使得技术服务商按任务完成情况实施收费成为可能。

在海外市场,Intercom对其Fin智能体按“成功解决问题”计费,每次0.99美元,未解决则不收费;Sierra把解决一次对话、挽回一次取消或完成一次增购作为可计价的结果;Zendesk也把自动解决量纳入AI智能体定价。

国内市场方面,百融智能将类似模式概括为RaaS,即“结果即服务”。以智能客服场景为例,可以在质量达到约定标准的前提下,按成功完成且无需转人工的有效通话或工单收费,也可以按岗位和部署规模收费;在能够促成交易的场景中,还可根据实际业务结果分润。

如果说结果计价改变的是AI应用的收入方式,AI Roll-Up试图改变的则是产业组织方式。所谓AI Roll-Up,是以并购或深度运营切入会计、法律、客服、物业等传统服务业,再将垂直模型、智能体和工程能力嵌入日常流程,以技术提升交付效率、利润率和扩张速度。其投资逻辑不是单纯出售技术,而是直接参与行业价值创造。

这一模式正在美国专业服务领域升温。路透社今年8月报道,由Thrive Capital支持的Crete Professionals Alliance计划未来两年投入超过5亿美元收购美国会计师事务所,并把Open AI工具用于审计和日常运营。该集团已整合20多家会计业务、拥有约900名员工,通过AI审计工具每月可节省数百小时。

AI Roll-Up受到关注,是因为大量传统服务业仍以人力和线下网络为核心,市场分散、数字化程度不一。通过AI Roll-Up模式收购客户、场景和数据,AI则提供标准化与规模复制的可能。对技术公司而言,这意味着企业边界可能从单纯的服务商延伸到服务运营商,对投资机构而言,估值依据可能从传统模式转向被改造行业的现金流与经营效率。

RaaS与AI Roll-Up共同提出的核心问题是:当技术服务商开始对结果负责,它是否具备足够深的行业理解、工程能力和风险承担能力,而不只是把通用模型包装成行业解决方案。

从大模型到智能体还有很长链条

商业模式的变化,最终仍要回到技术与工程。大模型能够理解和生成内容,却不等于可以直接承担岗位。一个生产级智能体还需要任务拆解与记忆、企业知识库、工具和系统调用、权限控制、质量评估、运行监测与人工接管等能力。任何一层出现问题,都可能让“能回答”与“能办事”之间产生巨大落差。

Gartner今年6月预测,到2027年底,超过40%的智能体AI项目可能因成本上升、商业价值不清或风险控制不足而被取消。市场早期的“智能体洗牌”也会加剧:一些被包装为智能体的产品只是聊天机器人、流程脚本或单一功能,并没有持续规划和完成复杂目标的能力。企业真正需要验证的,是系统在真实负载下的准确率、稳定性和单位经济性。

客户服务因结果可测量、岗位数量大,成为检验这条工程链的典型场景。传统机器人主要解决回答什么,生产级AICC还要解决事情怎么办:识别意图后查询订单、判断状态、调用业务系统,并把服务推进到问题闭环。电话场景还叠加8kHz窄带音频、噪声、口音、实时打断和多轮对话等困难,远非接入一个通用模型即可完成。

百融智能在某头部物流企业的实践提供了一个中国样本。其硅基客服上线不足一个月,单日处理量已超过1.5万通,最长通话超过20分钟。为支撑真实业务,公司将自研语音多模态模型、主动引导式对话模型和文档理解模型,与通信软交换、高并发调度、录音质检、企业知识库及业务系统对接组合起来,并由工程团队进入现场梳理规则。

数字劳动力需要新的治理体系

当智能体开始长期承担客服、营销、运营和财务任务,企业也需要像管理员工一样管理硅基员工。2025年,Workday发布面向AI智能体的统一管理系统,试图集中管理不同供应商智能体的角色、访问权限、影响、成本与合规。这一动作折射出新的企业软件需求:智能体越多,身份、权限、审计和责任归属越不能分散在各个应用里。

百融智能现已部署超过20万名硅基员工,在公司内部建设有“硅基员工之家”,相当于为这些数字员工建立了全生命周期制度,将岗位、身份、培训、考核、调度、审计和退出纳入统一管理。

治理并非创新的对立面。相反,只有风险等级与自主程度相匹配,企业才敢让智能体从外围问答进入核心流程。未来的企业管理层需要同时理解两张组织图:一张是传统的部门与人员结构,另一张是由模型、智能体、数据、权限和业务流程组成的数字生产网络。

企业级AI正在越过“工具增效”的阶段,进入组织与产业重构。下一阶段的胜负将取决于谁能把模型能力变成稳定的任务结果,建立可持续的单位经济模型,并形成一套可信的人机协作与治理体系,而人类历史的答卷也由此被重新抒写。