别再给旧软件打 AI 补丁了:企业真正需要的是 AI 原生系统

QUOTE

企业花了几百万建起的数字化系统，可能正在成为 AI 落地最大的障碍。

从桌面 Agent 到 Service Agent，企业 AI 正在从工具叠加走向系统重构。下一代企业软件，或许从设计之初就应该为 AI 而生。

这听起来有些反常识。

过去十几年，企业不断投入资金建设 ERP、CRM、OA、MES，希望通过软件把业务流程标准化，让经营管理更加高效。

但 AI 时代来了，情况却发生了变化。

企业本来希望 AI 能够直接参与生产、销售、库存和经营管理，结果却发现：AI 要想干活，首先得学会操作企业过去为人设计的各种软件。

要连接接口、适配权限、理解数据、熟悉流程。系统越多，改造越复杂；业务越复杂，AI 越难真正深入。

于是，一个尴尬的局面出现了：

「企业花了几十年建设数字化系统，现在却要花更多钱，让 AI 学会使用这些系统。」

腾讯云副总裁吴永坚最近提出，企业级智能体未来有两条长期并行的赛道：对话式桌面办公 Agent，以及服务经营的 Service Agent。

前者让 AI 帮员工操作软件，后者则让 AI 深入企业业务，参与经营。

但这也引出了一个更值得思考的问题：

当 AI 开始从个人助手走向企业经营，我们还应该沿用过去的软件建设方式吗？

这正是 AI 原生系统要解决的问题。

过去，企业习惯给软件增加功能；现在，很多企业开始给软件增加 AI。

但给传统软件装上一个 AI 助手，就意味着企业真正实现了智能化吗？

答案可能并没有那么简单。

目前，市场上已经出现了不少桌面智能体产品，例如豆包工作、WorkBuddy、Codex 等。

它们通过桌面操作、接口调用和工具连接，让 AI 能够操作企业现有的软件系统，帮助员工完成信息整理、数据处理、跨应用协作等任务。

这条路线有一个明显优势：不需要推翻企业现有的软件体系，就能让 AI 快速参与工作。

但当 AI 从个人办公走向企业生产经营时，问题也逐渐显现。

结果是：AI 看起来接入了很多系统，但真正深入业务、稳定执行任务，依然不容易。

问题的关键，可能不在于 AI 还不够聪明，而在于我们一直在用过去为人设计的软件架构，承载面向 AI 的新型业务需求。

腾讯云副总裁吴永坚曾用一句很形象的话描述企业 AI 的规模化交付难题：

「做定制项目像开私房菜馆，厨师再强也开不成连锁——该把菜单标准化了。」

这句话揭示了企业 AI 落地的另一个现实：每个项目都从零开始，每家企业都需要重新开发，AI 就很难真正实现规模化应用。

企业需要的，不只是一个能调用模型的工具，也不只是一个能够操作旧软件的桌面助手，而是一套能够理解业务、承载业务、执行业务的智能业务系统。

这正是 AI 原生系统的设计思路。

与传统软件先构建功能、再增加 AI 不同，AI 原生系统从设计之初，就将 AI 能力融入业务系统内部。

以 JitAI 为例，其核心设计理念是将系统划分为两个相互协同的部分：智能部分 + 功能部分。

两者相互配合：AI 负责理解和处理复杂问题，系统负责承载确定性业务规则与执行。

这样，AI 就不再只是一个悬浮在业务系统之外的对话窗口，而是成为业务系统内部真正能够参与工作的原生能力。

但真正的变化还不止于此。

如果 AI 原生系统仍然需要依赖传统开发模式，投入大量工程师完成建模、编码、测试和维护，那么企业构建智能业务系统的成本依然很高。

因此，JitAI 不仅强调 AI 原生系统，也强调 AI 原生开发。它试图改变的，不只是软件的使用方式，更是软件的生产方式。

传统软件开发需要从需求分析、架构设计到功能编码逐步推进。

JitAI 通过标准化建模和预制件模式，将复杂的软件开发能力进行抽象和沉淀，减少大量重复性设计与开发工作，让业务系统的构建更加简单。

过去，开发一套业务系统，需要 IT 工程师深度参与。

JitAI 将 AI 深度融入开发过程，让 AI 能够参与业务理解、系统构建和功能调整，降低企业对传统编码开发的依赖。

这并不意味着工程师不再重要，而是让业务人员能够更直接地参与系统建设，让工程师将更多精力放在复杂架构和关键工程问题上。

传统开发模式中，开发和运行往往是两个相对独立的环节。开发人员完成系统建设，部署上线后，再通过用户反馈发现问题、修改代码、重新发布。

JitAI 将开发与运行过程直接暴露给 AI，使 AI 能够参与开发、观察运行反馈，并辅助持续调整。

这意味着软件开发不再只是一次性交付，而是可以围绕真实业务运行形成持续迭代的闭环。

企业业务复杂，一个通用 Agent 很难同时处理所有专业任务。

JitAI 将系统中的智能能力以专项智能体的形式组织，让不同智能体承担不同业务职责。例如，客户分析、订单处理、库存管理等场景，可以由不同的专项智能体分别负责。

相比一个通用 Agent 包揽所有任务，这种方式更有利于聚焦业务上下文、提高任务针对性，并减少不必要的 Token 消耗。

回到最初的问题：企业 AI 到底应该怎么落地？

桌面办公 Agent 会继续提升员工效率，Service Agent 会逐渐深入企业经营。

但如果底层业务系统始终停留在传统架构，AI 就得不断适配、连接和操作旧系统。

而 JitAI 构建的 AI 原生系统提供了另一种思路：让 AI 从一开始就参与系统的设计、开发和运行，让智能能力与业务功能共同构成企业软件。

当企业业务发生变化时，系统可以借助 AI 更快地调整；当出现新的业务场景时，可以利用标准化模型和预制件快速构建；当业务运行产生新的反馈时，AI 又可以参与下一轮迭代。

软件不再只是开发完成后交付的一套固定功能，而是能够伴随企业业务持续演进的数字化能力。

「过去，我们给系统增加 AI；未来，我们应该从一开始就用 AI 的方式设计和构建软件。」

这或许才是企业从 AI 工具应用走向 AI 原生经营的真正起点。