ARTICLE · 1066786
工具换了流程没换,AI效率不会自己涨
工具换了流程没换,AI效率不会自己涨先讲三个场景，你看看眼熟不眼熟。 场景一： 风控部门要一个智能体，帮分析师整理企业征信数据。从需求调研到模型调优到接口对接，三个月，跑起来了。 场景二： 法务也要一个，帮律师审合同。又是需求调研、模型调优、接口对接，又三个月。 场景三： 客服要一个帮坐席回复常见问题的。还是从零开始，还是几个月。 风控、法务、客服各做完了一套，回头一看，风控的智能体不能帮法务审合同，法务的不能帮客服回问题，数据不互通，权限各管各的。 像一座座孤岛。岛上都有人在干活，岛和岛之间没有桥。 更麻烦的是维护。模型更新了，三个分别升级；数据规范变了，三个分别改；出了问题，三个分别排查。 我自己在汽车金融做产品，这套流程我太熟了。每个智能体都是“一个师傅带几个徒弟，一件一件打”。打出来的每件都是定制的，精细但昂贵，而且没法量产。 说白了，大部分企业造智能体的方式，还停留在手工作坊阶段。 蚂蚁数科CTO闫莺在2026 WAIC上有十六个字，我觉得戳中了整个行业的要害：“模型很强，落不了地；工具很多，接不上最后一公里。” 大模型的能力已经不是瓶颈，API和SDK满天飞，瓶颈在哪？ 一、140年前的电动机，早就演过这一集 1880年代，电动机进工厂。大家都觉得电力比蒸汽高效太多，未来一定属于电力。结果呢？到1900年，电动机在美国工厂的占比低得可怜。 不是电动机不好用。是工厂干了一件“看起来特别合理”的事：把蒸汽机拆了，装上电动机，其他啥也没改。布局没动，还是围绕中央动力源；分工没动，管理没动。 工人轻松了一点，产量就那样。 经济史学家Paul David研究过这个现象，用电气化历史解释了一个更早被提出的“生产力悖论”：技术明明到了，生产力就是不涨。 直到有人想明白：电动机不需要围着中央动力源转。小型电机可以单独驱动每台机器，工厂可以重新设计布局，按流程排产线，不用再迁就那根传动轴。 流程变了，效率才爆发。 今天的AI一模一样。企业给每个岗位发AI工具，就像当年把蒸汽机换成电机。代码写得快了，文案出得快了，PPT做得快了。但组织的工作方式没变，流程没变，部门之间的协作方式没变。 工具换了，流程没变，效率不会自己涨。 ⚡ 二、蚂蚁数科的答案：把智能体放上流水线 2026年外滩大会上，蚂蚁数科抛了个东西出来：智能体超级工厂。 名字唬人，思路一句话：把AI智能体的生产，从手工作坊变成工业流水线。 福特造T型车之前，汽车也是老师傅带学徒一件件手工敲的。从底盘到车身到引擎全靠手工，产量低、成本高、坏了没零件换。福特干了一件事：把生产拆成一道道标准化工序，零件统一规格，流水线一转，每分钟下线一台车。 蚂蚁数科想干的，本质上跟福特一样。只不过流水线上跑的不是汽车，换成了AI智能体。 但要让这条流水线真的转起来，光有口号不行，得有三根柱子撑着。 三、三根柱子，根根打在痛点上 第一根：Agentar平台，智能体的“装配车间” 传统造智能体，每个场景从零搭：写需求、选模型、调提示词、接接口、测效果，一来几个月。Agentar做的事，是把这些重复步骤标准化、模块化：内置近200个岗位模板，金融分析师、法务顾问、合规专员都是现成的。选模板、填数据、配规则，就能组装出一个能干活的智能体。按外滩大会公布的数据，交付周期从“几个月”压到“小时级”。 跟作坊的区别在哪？作坊里每件都得从头打，流水线上换模具就行。同一个法务模板，给银行用是审信贷合同，给保险用是审保单条款，底子一样，配置不同。 第二根：LingDT企业大模型，刻意不做通用问答 这根柱子有点反直觉。现在做大模型的都在卷参数、卷榜单、卷通用能力，蚂蚁反着来：LingDT不跟ChatGPT比谁聊天好，它做企业的**“私有大脑”**。 为啥？因为企业不需要一个会写诗的AI，需要一个懂业务的AI。LingDT的核心竞争力不是参数量，是奖励函数。说人话就是，它衡量“什么算好答案”的标准来自行业评价体系，不是通用benchmark。 举个例子。同样问“这笔贷款能不能批”，通用大模型背一遍信贷原则，正确，但没用。LingDT依据的是这家银行自己的风控评分卡、监管红线、历史不良率数据，能给出一个带审批编号的结论。 这根柱子解决的是作坊时代最头疼的事：每个智能体都得从头教业务知识。有了企业级大模型打底，新智能体一上线就带着业务常识。 第三根：区块链+AI，给每个智能体发“身份证” 这根看着最技术，解决的是最要命的问题：信任。 想象一下，一家银行内部跑着几十上百个智能体，风控的要调法务数据，客服的要触发理赔流程，跨部门、跨系统协作每天都在发生。问题来了：谁授权的？数据流到哪了？出了错谁负责？ 作坊时代，这些问题靠人盯。几十个智能体还行，上百个就盯不住了。 蚂蚁的方案叫KYA（Know Your Agent），给每个智能体发一个链上身份。调数据自动留痕，出了问题秒级追溯到是哪个智能体在什么时间做了什么。 这层东西不到位，流水线上跑的智能体越多，越悬。 四、真正拉开差距的，不是技术，是商业模式 微软有Copilot Studio和Semantic Kernel，谷歌有Vertex AI Agent Builder，甲骨文有OCI GenAI Agents。大厂的基本盘是卖工具、卖平台、卖算力，企业买回去自己用。 蚂蚁数科的路子不一样：做重。不卖工具，交付业务结果。 什么意思？不是给你一个平台让你自己搭，是帮你把智能体搭好、跑起来、验证效果，甚至谈ROI分润。卖的不是生产线，是下线的车。 这条路更重、更慢，但更贴企业客户的真实需求。大部分企业缺的从来不是工具，是用工具把业务跑通的能力。蚂蚁赌的是：这个缺口足够大，大到值得做重。 赵闻飙还有句话值得单独琢磨：“工厂造的是生产线，不是垄断零件。”千问、智谱、豆包的智能体都能接进蚂蚁的工厂，这跟其他大厂“收进自家生态”的策略截然不同。 别人建生态是画圈，蚂蚁建工厂是修路。 五、别只看到一个产品，看拐点 “智能体超级工厂”这个概念火起来，说明行业走到了一个拐点：大家开始意识到，模型已经不是瓶颈了，瓶颈在生产方式。 这也是我2026年的一个判断：智能体的生产，会从“一个场景一个场景地手搓”，走向“标准化、模块化、可复用地批量生产”。蚂蚁的“超级工厂”是不是最终答案，不好说，但有人已经趟出了一条路。 回到电动机的故事。电动机真正改变工厂的，不是替换了蒸汽机，是催生了重新设计工厂的念头。流程变了，效率才爆发。 现在也一样。谁先开始琢磨“AI在组织里到底怎么流转”，谁就先吃到效率的红利。 六、一个产品经理的自测清单：你的组织在哪一层？ 判断一家组织的AI成熟度，不看买了多少工具，看三件事。 第一，不同部门造的智能体，能不能共享同一个底座？ 风控的和法务的底层模型、数据规范、权限体系完全不通，说明你们还在各打各的铁。 第二，智能体之间能不能自动协作，而不是靠人传话？ 风控要法务数据，还得人去发邮件、拉群、等回复，说明你们的“流水线”还是断的。 第三，出了问题能不能追溯到是哪个智能体的责任？ 谁调了什么、谁改了什么查不出来，说明你们还没有“身份证”体系。 三件事都做不到，你的组织还在“手工作坊”阶段。 这不是焦虑，是机会。电动机普及用了几十年，AI留给我们的窗口没那么长。谁先动手重新设计流程，谁先吃到红利。 工具换了，流程也得换。这一步，才刚开始。 你们的智能体，现在是“作坊”还是“工厂”？评论区聊聊。