乐于分享
好东西不私藏

企业级AI的困境与发展——政企软件行业的AI升级之路

企业级AI的困境与发展——政企软件行业的AI升级之路

企业级AI的困境与发展

政企软件行业的AI升级之路

应软联邀请 · 软件行业峰会分享整理

过去一年,AI的发展速度可以用”狂飙”来形容。

从编码助手(Copilot/通义),到AI-IDE(Cursor/Windsurf),再到多Agent协作的”龙虾时代”,直至Kimi 2.6、GLM 5.1这些具备深度工程能力的模型涌现——整个行业在以月为单位迭代。

Kimi 2.6号称可以达到300个并行Agent协同,MOE架构正在成为大模型的主流方向。

但大多数企业,特别是软件企业,有点措手不及。

不是不想跟,是跟不动。


企业AI升级,到底难在哪?

企业AI升级的两大困境困境一:启动难1产品化程度低代码管理混乱,缺乏标准化接口和文档2多平台代码管理源码分散,编译混淆普遍,难以统一接入3冷启动困难代码质量参差不齐,AI重构无从下手困境二:深入难1强行业特点核心组件与工具链、实施流程深度绑定2跨项目跨部门维护流程中跨组织协作困难重重3认知差异与抵触不同团队AI认知不同,未达共识前相互抵触VS

图2:企业AI升级的两大困境 —— 启动难 vs 深入难

困境一:启动难

企业软件有一个普遍的现实——产品化程度低,代码管理混乱。

多数企业软件项目存在以下问题:

  • 代码分散在多个平台和渠道管理,源码编译混淆普遍存在
  • 缺乏标准化接口和文档,功能模块之间的边界模糊
  • 现有代码质量参差不齐,缺乏足够的上下文信息

这意味着什么?意味着当你想把AI工具接入现有代码体系时,连”喂给AI什么”都搞不清楚,更别提让AI帮你重构了。冷启动困难重重。

困境二:深入难

假设你解决了启动问题,接下来会面临更深层的阻力。

企业应用大多有很强的行业特点,积累了大量核心组件。这些组件往往和自有的工具链深度绑定,和项目实施流程深度绑定,跨项目、跨部门地交织在一起。

更棘手的是人的问题

不同团队对AI的认知和选择完全不同——有人觉得AI无所不能,有人觉得AI就是噱头。在没有达到新的共识和平衡之前,团队之间甚至会产生相互抵触。

技术问题可以攻坚,认知问题才是真正的深水区。


解题思路:SuperAgent(CTO数字员工)

面对这些困境,我们提出了一条路径:SuperAgent

核心思路是把企业的能力体系重新梳理,分为三个层次:

第一层:Capacity(能力)

“需求拿来吧,3天出活!”

Capacity是企业产品功能的原子化表达

把产品的每一个功能点拆解为独立、可描述、可调用的能力单元。每个能力单元有清晰的输入输出定义,支持独立测试和版本管理。

关键动作:在模块化、组件化的基础上,进行能力化改造。

第二层:Skill(技能)

“这个事交给我来吧!”

Skill是将多个Capacity组合成开箱即用的技能包

它定义了”能干什么”和”怎么干”的完整流程。一个Skill = 标准支撑 + 算法支撑,通过CLI等方式标准化交付,甚至可以被行业内其他Agent直接采用。

关键动作:将零散的功能点模块组合成标准化的技能。

第三层:Agent(代理)

“有什么事交给我吧。”

Agent是最终面向用户的完整IT服务形态,也就是我们说的”数字员工”。

它具备自主理解业务需求、拆解任务、调用合适Skill组合完成任务的能力。SuperAgent,就是CTO级的数字员工。

关键动作:为最终用户提供完整的、智能化的IT服务。


反向链路:如何做技术规划?

理解了三层概念之后,关键问题是:怎么落地?

SuperAgent 反向链路:技术规划四步法关键前提:把业务搞清楚,根据企业业务组织机构特点进行规划01理清业务根据企业业务和组织机构(团队)特点,理清业务全貌基础前提02能力化改造在模块化组件化基础上将功能点拆解为可独立调用的能力单元Capacity层03技能组合将零散的能力单元组合成开箱即用的技能定义标准化执行流程Skill层04Agent交付为最终用户提供完整的IT服务Agent自主理解并执行Agent层

图4:SuperAgent 反向链路 —— 技术规划四步法

我们的建议是走”反向链路”——

第一步:把业务搞清楚。根据企业业务和组织机构(团队)特点,理清业务全貌。

第二步:能力化改造。在模块化组件化基础上,将功能点拆解为可独立调用的能力单元。

第三步:技能组合。将零散的能力单元组合成开箱即用的技能,定义标准化的执行流程。

第四步:Agent交付。为最终用户提供完整的IT服务,Agent自主理解需求并调用技能完成任务。

注意,这一切的前提是——先把业务搞清楚。脱离业务谈AI升级,都是空中楼阁。


两个值得深思的问题

问题一:企业是不是需要更强的大模型?

回答这个问题的核心,其实是——AGI有没有上限?是能力论还是方法论?

有一个现实:企业开发中90%的工作量,是在解决那10%的难题。

从现在大模型的发展方向来看,让大模型感知更多维度是关键趋势:

  • 程序调用链路
    :程序本身的调用链路结构和具体实现算法
  • 业务元数据
    :业务元数据本身的结构和关联关系
  • 用户行为触发
    :用户特定行为的触发点和交互模式

每个维度都有不同的工具链和数据链支撑。大模型现在更普遍的做法依然是MOE架构——把不同领域的专家模型组合起来,让模型在更多维度上具备感知能力。

所以问题不是”要不要更强的大模型”,而是“如何让大模型感知到企业独有的维度”

问题二:软件企业的未来核心价值在哪?

软件企业的未来核心价值三层价值模型:从”写代码”到”交付Agent”第一层基础层MOE 业务专家将行业知识标准化,成为大模型的”内置专家”标准支撑 + 算法支撑 → 被大模型直接采纳第二层能力层技能专家(CLI)打造可复用的技能包,成为行业标准工具可被行业内其他Agent采用 → 生态级影响力第三层价值层Agent 业务定制化面向特定行业的深度定制化Agent解决10%的难题 → 真正的”干活高手”价值递增

图5:软件企业未来核心价值 —— 三层价值模型

我们认为,软件企业的核心价值将重构为三个层次:

第一层:MOE业务专家。将行业知识标准化,成为大模型的”内置专家”。你的行业经验被大模型直接采纳——这是最高级别的价值认可。

第二层:技能专家(CLI)。打造可复用的技能包,成为行业标准工具。你的技能被行业内其他Agent采用——这是生态级的影响力。

第三层:Agent业务定制化。面向特定行业的深度定制化Agent,解决那10%的难题。成为真正的”干活高手”——这是最接地气的商业价值。

软件企业的核心价值,正在从”写代码”转向”定义能力、封装技能、交付Agent”。


写在最后

企业级AI升级,启动难、深入难,这些都是真实存在的困境,不能回避。

但路径是清晰的:Capacity → Skill → Agent,将企业能力逐步抽象、组合、智能化,最终实现数字员工。

AI不会取代企业,但善用AI的企业会取代不善用AI的企业。

与其焦虑,不如行动。

本文整理自软件行业峰会分享,欢迎交流探讨。