夜雨聆风我和威尔·申克刚从英伟达全球技术大会 (NVIDIA GTC) 回来。大会举办了超过 1000 场研讨会，汇聚了众多人工智能领域的领军人物，从很多方面来看，它都可以作为检验人工智能行业现状的试金石。我将我的分析方法与威尔在 TheFocus.AI 帮助企业更有效地运用人工智能方面的实践经验相结合 ，希望与大家分享我们在大会上看到的宏观景象。
在今天的节目中，我们将讨论以下内容：
企业中的人工智能与企业中的人工智能
为什么代理版本的冷启动具有政治性
影子组织，官方组织无法触及。
官方路径若想获胜必须具备哪些条件
为什么衡量货币会失效？
改造，而非附属
真正的鸿沟
为什么人工智能的发展速度超过了组织的准备速度
过去两年，人工智能的核心问题是技术性的：这些模型的能力有多强？
这仍然是一个重要的问题。但对许多公司而言，它已不再是决定性因素。
这些能力的出现速度远超企业吸收的速度。 模型能够更好地推理、搜索、编码、总结，并能处理日益增长的任务链。在 GTC 2026 大会上，这一点随处可见。 黄仁勋将英伟达重新定义为“代币工厂”。一场又一场的会议从不同角度传递着相同的信息：智能正在成为一种运营资源，企业将大规模地生产、分配、管理和使用它。然而，在大多数公司内部， 实际的工作结构仍然难以揭示、难以验证，也难以转化为机器能够可靠执行的形式。
这正是许多关于人工智能的讨论误入歧途的地方。 企业口口声声说想要人工智能，但实际上他们通常只是因为人工智能被过度炒作，害怕落后于时代。 然而，他们往往缺乏对自身工作实际运作方式的清晰理解。 他们没有清晰的流程图、明确例外情况、可靠的负责人、有效的反馈机制，甚至连机器能够理解的“良好执行”的定义都缺乏统一标准。 他们拥有的只是习惯、隐性知识、局部判断、未记录的变通方案，以及一些资深人士——他们能立即发现问题，但却很难解释自己是如何判断的。
知识是存在的，只是它储存在人身上，而不是系统中。
因此，目前企业内部最重要的 AI 工作并非模型选择，而是组织转化 。这项工作是将混乱的机构记忆转化为具体的语境，将语境转化为可控的行动，并将人为的纠正转化为学习循环。
如果运用得当，历史类比在这里很有帮助。电动机在19世纪80年代就已进入工厂，但生产力的大幅提升直到20世纪20年代才显现出来。这中间相隔四十年。早期采用者往往保留了蒸汽时代的旧布局，只是简单地更换了动力源。真正的生产力提升是在之后，工厂围绕分布式电力系统进行重新设计，采用了新的平面布局、工作流程以及关于协调和自动化的理念之后才实现的。
人工智能正推动企业迈向类似的门槛。如果我们认为只需将一项新功能生硬地塞进原有的组织架构中就能获得收益，那无异于痴人说梦。 真正的益处在于围绕这项新功能所带来的可能性重新设计系统。 抛开演示和部署案例不谈，这正是 GTC 大会最清晰的启示之一。
企业人工智能采用过程中隐藏的瓶颈
大多数公司对机器来说都难以辨认。
这听起来很抽象，但在实践中却无比具体。公司内部的工作依赖于不完整的文档、不成文的惯例、模糊不清的责任归属以及持续不断的异常处理。团队声称他们有一套流程，但实际上他们拥有的往往只是一套稳定的即兴发挥模式。人类之所以能在这种环境下运作，是因为他们能够从社会环境中吸收信息。他们知道该问谁，哪些捷径可以接受，哪些仪表盘数据是假的，哪些指标重要，以及哪些异常情况可以忽略不计。而一个模型如果进入同样的环境，看到的只是零碎的信息。
这就是为什么许多人工智能试点项目在演示中看起来令人印象深刻，但在实际应用中却表现糟糕。模型可以处理通用任务，但实际工作流程中却充满了隐藏的依赖关系、不成文的规则以及从未内置于系统中的质量标准。 该公司原本以为自己购买的是智能，但最终却发现自己有多少工作从未被清晰定义过。
这是一个表征问题。
如果工作内容没有以系统可以访问、检查、验证和处理的形式进行描述，那么即使模型再好，其作用也远不如人们想象的那样大。你可以提升推理能力、速度和多模态处理能力，但这些都无法解决根本问题：机器无法可靠地处理仅存在于人脑中的知识。
GTC 提供了一个非常清晰的例子。NVIDIA 的芯片设计团队表示，他们在 2023 年首次尝试打造一个经过精细调校的领域专家模型，结果彻底失败。这并非因为模型本身糟糕，而是因为硬件工程领域对正确性要求极高，任何无法追溯的答案都毫无用处。如果一个系统无法展示答案的来源，工程师就不会信任它。
自那以后，一些事情发生了变化——没错，模型确实改进了——但真正需要改变的是模型与公司知识之间的关系。工程师们开始自行整理文档。回复内容可以追溯到源头。可验证性不再是事后考虑的因素，而是成为了系统的一部分。
现在我们解决了可追溯性和可验证性问题，这意味着工程师们可以信任他们的反馈。而这正是推动产品普及的关键。
Shraddha Sridhar，NVIDIA 产品负责人，人工智能芯片设计
为什么人工智能副驾驶和飞行员经常令人失望
第一波企业人工智能浪潮主要以辅助功能为主：聊天界面、摘要工具、代码辅助、检索和轻度自动化。目标很简单：节省时间、提高效率、减少摩擦。
大多数公司仍然以节省时间来评估人工智能。这很自然，因为时间是最容易衡量的指标，也能让投资回报率一目了然。但这同时也限制了公司对这项技术的理解。 如果他们所能想象的最好结果仅仅是把同样的工作速度提高 30%，那么他们最终构建的基础设施虽然足以加速，却远远不足以实现那些能够创造真正价值的深层次变革。
这就是为什么很多辅助工具令人失望的原因。它们通常能带来局部收益，但很少能从根本上改变工作模式。企业添加工具却不重新设计工作流程，这意味着他们只能获得零星的生产力提升，而无法构建随着时间推移不断累积效益的系统。
更重要的问题不在于人工智能是否能节省时间。有时确实如此，有时一开始反而会花费更多时间。更重要的是，它是否会从根本上改变组织开展工作的时间安排、范围和结构。
在许多工作流程中，问题不仅在于人们需要完成多少工作，更在于正确的信息往往来得太晚、传递太慢，或者难以协调。人工智能改变这一切时，其价值不仅体现在速度上，更在于它能让公司在恰当的时机完成以前无法完成的工作。
这种区别改变了企业需要构建的内容。如果将人工智能视为加速层，那么聊天机器人可能就足够了。但如果它改变了企业实际能够完成的工作，那么企业就需要新的数据流、验证系统、编排逻辑和反馈回路。 因此，如果你认为人工智能仅仅是一个聊天机器人——那只是购买软件而已。但如果你深入思考，并期望它带来结构性变革，那么它就需要重新设计工作流程。
Shraddha Sridhar 对此思考得非常透彻，她描述了部署的三个层次：
个人生产力 ，其中一名工程师使用代理来加快工作速度。
团队层面采用相同模式进行扩展。
能力扩展 ，这才是更有趣的地方。她举的例子是一个强大的洞察代理，它不仅仅是加快了现有任务的速度。它会在重要信息出现时自动调整。以前到达得太晚而无法影响芯片的数据，现在提前几个月就出现了，工程师们还有时间采取行动。这是一种不同的工作流程，也带来了不同的结果。
当黄仁勋谈到 OpenClaw，并强调每个人都应该制定“OpenClaw 战略”时——这正是其核心所在。关键不在于每家公司都需要在原有系统之上再添加一个助手，而在于一旦人工智能真正成为运营层面的一部分，工作流程本身就成为了设计问题。
人工智能工作流程重构的实际样貌是什么样的？
在各个领域，成功的 AI 系统的架构终于开始变得不再神秘，而是更加一致。让我们仔细看看→
首先，优秀的系统不会把所有信息都一股脑地塞进提示框。 它们会缩小上下文范围，选择合适的文档、历史记录和信号，并在恰当的时机引入这些信息。上下文信息越多并不总是越好，很多时候反而会使输出结果更糟。
在 GTC 大会上，CodeRabbit 的人工智能副总裁 David Loker 表示，他们的代码审查系统之所以有效，并非因为一个庞大的模型能够查看整个代码库，而是因为一个较小的模型将大部分精力投入到提取正确的上下文信息上：跨仓库的历史记录、旧的拉取请求、编码规则和团队惯例。正如他所说，过多的上下文信息会扼杀质量。问题不在于给模型提供多少信息，而在于提供哪些真正重要的东西。
其次，优秀的系统能够确保答案可追溯。 专业人士不会仅仅相信精心包装的结果。他们想知道答案的来源、所依据的证据以及所做的假设。在高风险领域，这一点至关重要。英伟达的芯片设计案例就充分说明了这一点：他们的系统只有在工程师能够检查和验证答案，而不仅仅是接收答案时，才能真正发挥作用。
第三，最好的系统会确保领域专家参与其中。 最了解工作的人员通常知道哪些文档重要，哪些知识已经过时，以及哪些极端情况会导致系统崩溃。如果将他们排除在外，整个系统很快就会变得脆弱不堪。工程师不能只是被动的用户——他们必须参与构建知识层。最终结果仍然取决于工程师的判断。
第四，强大的系统能够以结构化的方式收集反馈。 这正是实用工具与能够随着时间推移不断改进的系统之间的区别。如果用户只能说“错了”，那就没什么意义。但如果他们能够解释哪里错了、缺少了什么以及系统应该如何运作，那么这些反馈就能改进检索、策略或培训。从这个意义上讲，这是一个非常古老的理念。诺伯特·维纳围绕反馈、控制和沟通构建了控制论。如今，企业也需要这样做。他们应该不断地对系统进行训练。
这正是企业人工智能讨论中缺失的中间环节。 人们一方面谈论前沿模型，另一方面谈论终端用户应用。但真正的价值往往蕴藏在两者之间：上下文选择、验证、编排和反馈循环。GTC 大会上的“自编码代理”环节也从更广泛的层面指出了同样的转变。 我们已经从响应式工程转向上下文工程，现在又越来越多地转向驾驭式工程，也就是围绕模型构建的整个结构，它决定了模型是否能在现实世界中真正发挥作用。
为什么人工智能工作流程中的中间层不可或缺
许多公司仍然想直接跳到完全自主化阶段。他们从零散的个人应用场景直接跳到构建庞大的多智能体系统，这些系统能够在极少的人工干预下运行复杂的工作流程。这种雄心壮志——在炒作的推动下——固然可以理解，但他们中的大多数并没有充分意识到，我们刚才描述的中间阶段是绝对不能跳过的。
而实际的顺序比许多成熟度框架所描述的要简单得多。
首先，系统必须值得信赖。
然后就可以在实际工作流程中使用。
只有这样，它才能承担更多责任。
许多公司尤其倾向于跳过第一阶段，因为这部分进展缓慢、操作繁琐，而且不太便于演示。但如果没有第一阶段，就没有真正的良性循环。剩下的只有试点项目、零散的解决方案和满篇的未来计划。
Shraddha Sridhar 提出了三个比大多数到期图表更有用的问题：
你是如何建立用户信任的？
你如何准备接受反馈，特别是那些仍然停留在人们脑海中的专家反馈？
你们是如何收集和利用这些反馈的？
如果一家公司无法回答这些问题，它就没有通往自主的道路。至少现在还没有。
为什么人工智能工作流程重构是一个管理问题
这也是为什么当前人工智能转型的影响远远超出了工程领域，甚至延伸到了管理领域的原因。
随着系统执行的例行任务越来越多，稀缺资源也随之转移。瓶颈不再是单纯的任务完成，而是规范制定、边界设定、异常处理、评估和决策。当执行能力更加充裕时，定义“应该发生什么”的能力就显得更加重要。
这会对企业如何组织权力产生影响。
最接近实际业务问题的人往往会变得更具战略意义， 因为他们能够明确哪些因素至关重要，识别极端情况，并评估系统是否解决了正确的问题。 产品判断、运营判断和领域判断的重要性与日俱增 ，而非降低。工程仍然必不可少，但其作用日益包括构建基础架构，使这些判断能够安全、反复地得到应用。
这就是模糊思维代价高昂之处。人类组织历来容忍模糊性，因为人类善于填补空白。管理者给出大致指示，熟练的员工解读意图，工作最终得以完成。机器系统则远没有那么宽容。模糊性在机器系统中不会消失，而是会转化为故障、幻觉、偏差，工作流程依然脆弱不堪。
因此，组织面临的挑战不仅仅是部署人工智能，更重要的是要更明确地阐明公司的运作方式、质量的定义、权力归属、哪些例外情况至关重要，以及纠正措施如何反馈到系统中。
这是一项令人痛苦的工作，因为它揭示了公司有多少部分从一开始就从未正式化。
GTC 的一些举动暗示了这种更广泛的角色重组。
在一段时间内，我们将失去代理商的真正自主权，即决定应该建造什么……决定建造哪些对世界有意义的正确事物才是最重要的。
Cursor 联合创始人 Aman Sanger
这一观察远不止于软件领域。随着执行成本的降低，决定哪些内容真正重要就变得更加关键。米拉·穆拉蒂从另一个角度阐述了同样的经济观点：智能的单位成本正在下降，但对智能的需求却持续增长。一旦智能变得更加普及，瓶颈就会向上游转移到规范制定阶段。廉价的智能并不能消除管理问题，反而会暴露这些问题。
结论：企业人工智能的真正鸿沟
一段时间以来，人工智能领域的主要分歧似乎在于技术层面：谁拥有最好的模型、最强大的计算能力、最强大的研究团队或最好的数据。
这一点仍然很重要。但另一个分歧正在显现，对许多公司而言，它可能更为重要。真正的分歧在于，有些公司能够让机器识别自身，而有些公司则不能。
那种将人工智能视为提升现有工作效率工具的旧模式正逐渐站不住脚。这就像工厂只在地下室安装一台新电机，而对系统的其他部分置之不理一样。这种做法或许能带来局部效益，但却错失了许多更大的发展机遇。
更有效的框架将人工智能视为基础设施。 一旦这样看待它，问题就发生了变化。问题不再仅仅是人工智能能在哪些方面发挥作用，而更难的问题是，组织需要采取怎样的形态才能有效地利用人工智能。
那些能够脱颖而出的公司将会做三件事：
将隐性知识转化为结构化的背景知识。
将这种背景转化为有界限、可验证的行动。
他们将构建工作流程，使输出结果能够被检查、追踪，并具有足够的可信度，从而支持真正的决策和实际工作。将人工纠正转化为反馈循环。
他们会以系统可以学习的形式收集专家反馈，以便日常使用能够随着时间的推移改进系统。
下一个胜利将属于那些在竞争对手之前学会如何描述、构建和重新设计自身业务的公司。
来自图灵邮报的资源
AI 101：Hermes 与 OpenClaw：本地 AI 代理的比较