ARTICLE · 1274880

周鸿祎:AI 不是外挂工具,而是企业的新生产力系统|AI 百人谈

发布时间：2026-10-29 16:12:24 最近访问：2026-10-29 16:12:25

这一轮智能体浪潮席卷产业，大量企业的 AI 改造，停留在一种表层的数字化装饰里：采购模型接口，搭建问答机器人，给市场、行政、研发各配一个独立 AI 助手。在360 集团创始人、董事长周鸿祎的观察中，这种做法本质上是把 AI 当成附着在原有业务之上的外挂。它可以优化单点工作、压缩局部工时，却很难撼动企业根深蒂固的信息流转方式、决策链条与组织分工。而真正的变革，不在于给旧流程增加效率插件，而是用 AI 重构一套全新的生产力系统，最终催生他反复提及的 “超级组织”。

很多企业管理者的误区，是将 AI 等同于又一款 SaaS 工具。传统软件是被动等待指令、按固定逻辑执行；但智能体具备自主规划、多工具串联、分步完成复杂任务的能力，二者底层属性完全不同。当企业仅仅把 AI 交给个别岗位、个别部门试用，业务主干、权限体系、数据资产依旧维持原样，最后得到的往往是一堆高成本、低产出的 Demo，甚至陷入 Token 消耗居高不下，业务回报寥寥的尴尬局面。这也是为什么大量企业 AI 项目热闹上线，半年之后归于沉寂。模型决定 AI 有多聪明，智能体决定 AI 能不能真正干活，而一套生产力系统，决定它能不能嵌入企业的血脉。

01/

外挂式 AI 陷阱

“很多企业做 AI，从一开始就把定位搞错了。” 周鸿祎说。外挂式 AI 的典型特征，是和主营业务流程相互隔绝。销售在 CRM 之外打开 AI 写话术，财务单独调用模型整理报表，研发脱离代码管理平台用 AI 生成片段。AI 产出的内容无法自动回流业务系统，无法沉淀到企业知识库，任务结果没有闭环反馈，更不会反向优化模型能力。它是游离于主流程之外的附加层，和早年企业采购的各类独立数字化工具并无本质差别。

更深层的代价，是组织认知的惰性。一旦企业默认 AI 只是工具，就会把 AI 转型简化成 IT 部门的项目，业务负责人、高管层置身事外。而智能体时代的改造，第一件事需要老板下场，重新审视业务：哪些是标准化、可蒸馏的重复工作？哪些是依赖隐性经验的判断节点？跨部门的协作卡点能不能交由智能体承接？没有管理层对业务架构的梳理，再好的基座、再强的智能体平台，最后都只能悬浮在业务表面。

周鸿祎把这种反差总结为两条路线：一条是工具化路线，AI 适配企业；另一条是系统化路线，企业适配 AI。前者只改工具，不改组织；后者围绕智能体的能力边界，重新切割任务、打通数据、定义权责。360 推出纳米 Work 企业智能体平台，底层逻辑正是后者 —— 它不是交付一堆独立的对话窗口，而是搭建一套可以在企业内部流转任务、沉淀技能、协同分工的运行框架。

02/

把隐性知识蒸馏成可调用的 Skill

企业真正稀缺的资产，从来不是公开文献、行业白皮书，而是散落在员工身上的隐性知识。老销售识别客户风险的直觉、运维工程师排查故障的经验、业务负责人处理突发异常的潜规则，这些内容很少被写成规范文档，藏在长期沟通、会议、复盘与口头传递之中，是组织最容易流失的资产。

传统数字化的局限，是只能沉淀显性、结构化信息；而 AI 生产力系统的核心能力，就是把这类隐性业务经验，蒸馏封装成标准化的 Skill 技能单元，交给智能体持续调用。这个过程不是简单上传聊天记录、合同文本，而是业务专家和智能体持续对练：拆解任务、设定判断标准、标注异常分支、划定风险红线。

这里藏着产业里容易忽略的悖论：Skill 不是一次性工程。同一个业务技能，客户需求、外部政策、内部流程一变，原有逻辑立刻失效。如果企业以为一次蒸馏就能一劳永逸，智能体很快就会输出脱离现实的结论。一套可持续运转的生产力系统，自带持续反馈闭环：智能体执行任务，业务人员复核结果，错误案例回流训练 Skill，形成循环迭代。

在周鸿祎看来，这才是企业独有的护城河。基座模型可以采购、开源模型可以下载、平台可以租用，但一家企业沉淀多年的业务知识、协作习惯、场景规则，无法直接复制。模型能力会持续收敛，企业之间拉开差距的地方，在于能不能把自己独有的业务认知，稳定交付给智能体网络。

03/

AI 承接任务，人守住判断与责任

市场舆论长期困在 “AI 会不会替代员工” 的二元讨论中。周鸿祎并不认同这种非此即彼的叙事。AI 生产力系统带来的不是裁员清单，而是岗位价值的重新分配。标准化信息归集、素材整理、多轮资料检索、基础方案推演、重复报表生成，这些低决策权重、高消耗时间的工作，会持续交给智能体承接；而理解复杂业务矛盾、权衡多方利益、承担最终责任、处理非标准化突发状况，依然是人的权责领地。

他有一个形象的类比：看待智能体，应当像看待一名新来的实习生。它可以不知疲倦地执行分配的任务，会犯错、会出现逻辑偏差，需要持续校验、辅导、划定边界。企业搭建这套系统，本质是打造一套人机协同的分工网络，而不是用硅基角色替换全部员工。未来企业最稀缺的人才，不是会用 AI 写文案的执行者，而是懂得拆解业务、定义 Skill、设置校验节点、持续审计智能体输出的业务驯化者。

与此同时，权限分级是这套系统不可缺少的骨架。智能体可以自主流转低风险任务，但涉及资金审批、客户核心资料导出、生产参数调整、对外合同定稿等高风险动作，必须设置强制人工卡点。智能体负责枚举可能性、整理证据链、给出备选方案，人掌握最终的放行权。能力可以下放，责任链条不能模糊。

04/

企业 AI 长期博弈的两条暗线

当企业把生产力交给智能体系统，随之而来的是两个绕不开的现实约束：数据主权与可控成本。

不少企业图落地速度，直接把内部经营数据、客户资料、合同文档送入公有模型。短期上线很快，但企业丧失了数据、记忆、技能的控制权，也就是周鸿祎持续强调的主权 AI。企业 AI 主权，不代表每家公司都要从零训练大基座；它意味着私有数据、业务 Skill、智能体运行日志，部署在企业可控环境之内，调用权限、审计规则、熔断策略，由企业自主定义。一旦智能体成为企业生产力主干，把核心知识资产托管在外部黑盒之中，会形成难以挣脱的依赖。

另一条暗线是成本。智能体自主链式调用工具，Token 消耗会呈指数级上涨。很多演示场景里流畅的自动化任务，放到常态化业务里，会变成难以承受的账单。所以企业级智能体的落地标准，除了能力，还必须包含成本可控、稳定可追溯。生产力系统不是追求无限制的自动化，而是在收益、风险、算力成本三者之间找到长期均衡。

周鸿祎没有渲染一个全自动化、无人参与的企业终局。在他的框架里，AI 是新一代生产力的基础设施，是重塑组织的变量，而不是取代组织的答案。外挂工具只能解决单点效率，而一套完整的生产力系统，会改变企业如何沉淀知识、分配任务、传递决策、组织协作。

但变革本身天然伴随阻力。旧流程、旧权责、旧考核体系，都会和新的人机协同模式发生碰撞。技术门槛相对容易跨越，组织观念、利益格局、考核机制的改造，才是企业 AI 化真正漫长的考验。技术给了企业重构生产力的机会，能不能接住这个机会，决定权永远在企业自己手上。

·END·