AI 原生组织,需要怎样的系统架构?

（配图拍摄 by 保罗）

当我们讨论一家企业如何成为 AI 原生组织时，有一个问题需要被同步被认真思考，那就是企业正在使用的这些数字化系统究竟能不能支撑 AI 按照真实的业务需要开展工作？

我之前写过一篇《AI 转型，不必等数字化完成》，其中我判断一家公司完全可以从某个具体场景开始让 AI 直接处理对话、文档和零散记录，在工作的过程中逐渐沉淀数据。但当我们把场景从单一业务扩大到企业全局，希望 AI 能够跨越多个业务场景持续参与企业运行时，这个问题就变了。此时我们需要考虑的是这些局部的能力如何被连接起来，以及承载它们的系统应该长成什么样子？

当下，一个共识正在逐渐形成，未来的办公入口会逐渐从一个个独立的应用转向聚合性 agent。但在这个转变背后也会把过去隐藏在不同系统之间的问题重新暴露出来。

要理解其中埋藏的暗沟，我们就要先回到企业数字化转型阶段的那些最佳实现里。无论 CRM、SRM，还是人力资源系统，商业化产品都需要寻找一个能够覆盖足够多客户的“最大公约数”。它们围绕特定的业务领域建立自己的流程、字段、权限和操作方式，再不断向这个领域深耕。这种做法有它的商业合理性，却也决定了产品很难完整承接任何一家企业的经营实务。更何况，不同产品之间还有各自的商业边界，就如同几乎任何一家标榜自己的优势是“一体化”的产品公司总是希望用户留在自己的体系里而限制接口和信息流的推拉策略。

所以，我们一直在诟病的信息孤岛，既有企业内部管理的问题，也有产品本身的形成逻辑。过去，这些系统之间的断点很大程度上是由人来连接的。这个过程虽然低效，但人可以依靠经验把它消化掉。但当执行操作交给 agent 后，这些原本被人为填补上的间隙就需要成为系统本身能够提供的稳定能力。办公入口可以被聚合，但入口背后的业务关系不会因此自动打通。

我认为企业在面临这个问题时，自然会形成两条不同的建设路径。

• 一条路是在现有系统之上做深度的数据治理。通过接口把散落在不同工具里的数据调取出来，放入数仓，再按照统一规则进行清洗、关联和标准化。这延续了企业数字化转型时代建设 BI 的部分思路。对于已经积累了大量系统的传统企业，这是一条现实的路径，但它也意味着企业必须具备很强的数据治理和系统整合能力，以及与庞大的历史数据包袱斗智斗勇。

• 另一条路则是通过自研企业内部的业务工具，让业务和数据从进入系统的之初就按照统一逻辑被组织起来。这是我当下更看好的方向，因为在这个方向上企业有机会从源头定义人与业务、业务与结果之间的关系，让数据在生成的过程中就具备被关联、被调用的条件，而不必等到需要使用时，再回头把散落在不同系统里的信息重新拼接一遍。更重要的是，AI 工具的成熟已经将自研企业业务系统的难度和成本降到非常低的水平。

这让我想起曾经面试过的一位 HR 候选人。他讲述了一个自己很满意的成果是通过内部系统自研打通了人员的业绩结果的评价，提高了对员工工作结果的评价时效性。追问之后发现，之所以能走到这一步的关键恰恰在于他们同时自研了人力资源、绩效和项目系统，这使得人员主数据、项目进展和绩效结果就能够形成连续的关联。一个人参与过什么项目，承担过什么工作以及产生的结果都可以持续积累到他的个人档案里。此时，我们再去复盘某个人的能力和成长，就不需要每一次从头收集材料。这种随着业务运行持续积累的能力，恰恰是我认为 AI 原生环境需要具备的基础。

当然，自研本身不会自动解决数据治理问题，它只是把定义和管理这些关系的主动权交还给企业。而且自研也不必覆盖每一个系统。像 ERP 这类有清晰的行业规则相对成熟的产品依然可以通过接口保留在整体架构里。重要的是企业能否按照自己的业务逻辑组织系统，并掌握数据和业务能力如何被调用。

到这里，我们所理解的 AI 原生系统架构就逐渐清晰了。它的底层是一套能够贯通业务的数据、系统和接口，上层是能够理解任务、组合能力并参与执行的企业级 agent，再通过严格设计的运行框架，也就是企业级 Harness 约束它如何使用工具、调取数据和执行操作。企业希望 AI 深入经营管理，同时也需要知道哪些数据能够被使用、哪些操作可以被执行，以及边界应该在哪里。

最后，其实还有一个问题没有被定义和回答：谁来把真实业务转化为这套系统能够承接的工作？我在之前文章中反复出现一个角色叫做场景工程师，以及现在逐渐流行起来的 FDE，它们都是在回答这个问题，或许不久的将来，更多组织中即将出现另一个新的角色 AIBP。无论这个角色叫什么名字，它的核心职责是一致的，就是必须深入具体的业务，理解这份工作究竟在解决什么问题，甚至需要先亲自做一遍才能判断哪些知识可以沉淀，哪些动作可以交给 agent，哪些判断仍然需要人来完成。它需要把业务问题当作自己的问题，再用技术能力把它解决，而不只是等业务部门提交需求，然后按照需求开发工具。

回到前面提到的两条路径，前者是在既有数字化架构上为 AI 建立跨系统工作的数据条件；后者则有机会从业务系统的源头，就把 AI 作为参与工作的一部分来设计。这是我为什么认为后者更接近 AI 原生形态的原因。它当然不会适合所有企业，但对有条件的企业而言，值得从现在开始积累这样的原生型的架构意识和内部产品。

其实无论我们选择哪种方式去实现真正的企业 AI 系统架构，核心脉络始终是不变的，那就是 AI 时代下真正需要被连接起来的是业务、数据、知识，以及它们在实际工作中的关系。