一个反直觉的变化正在发生：大模型让写代码、搭原型、做演示都变得更容易，但企业把 AI 真正用起来，却没有同步变容易。按钮越多，方向反而越难选；方案越快，失败也可能越快。

会议开到第四十分钟，投影幕布上已经换过三版标题。

第一版叫“企业大模型能力中心”，第二版叫“智能体平台”，第三版最稳妥，叫“AI 赋能专项行动”。会议室里坐着业务、信息化、数据和采购部门的人。每个人都觉得 AI 很重要，每个人说的又不是同一件事。

业务部门想要一个能写材料、找制度、查案例的助手；信息化部门担心再来一套孤立系统；数据部门说基础数据还没有理顺；采购部门问，最后到底买软件、买平台，还是买服务。

供应商当然都准备好了。有人带来几十个智能体模板，十分钟能搭出一个；有人展示自己的知识库，上传文件后几秒就能问答；还有人把路线图排得很满，从底座、模型、平台一直画到行业应用，像一座什么都不缺的新城。

领导听完，只问了一句话：

我们第一个到底做什么？

会议室安静下来。

这个场景，正在越来越多企业里发生。大家曾经以为，AI 把软件生产的成本打下来之后，数字化转型会像装修房子一样简单：选一个模型，接一些数据，装几个智能体，开门营业。

现实却像另一回事。工具便宜了，决策更贵了；原型容易了，闭环更难了；“能不能做”的问题正在消失，“该不该做、先做什么、谁来负责、怎样验收”的问题，开始挤到桌面中央。

深城交旗下的城交研究，把这种变化概括成一个新词：

AI 原生咨询。不是给传统咨询贴上 AI 标签，而是把咨询一路推到结果发生的地方。

房地产最热的时候，许多售楼处最擅长的事情，是把尚未建成的生活提前摆在客户面前。灯光、沙盘、香氛、儿童房里的玩具，甚至餐桌上那只没有切开的面包，都在告诉你：未来已经来了。

但买过期房的人都知道，样板间和交付之间，隔着设计、施工、材料、资金、管理以及无数不能写进广告里的细节。

今天很多 AI 演示，也像一套精装修样板间。智能体会对话，会生成周报，会查知识，还能一本正经地提出建议。演示结束时，客户通常很兴奋。回到自己的业务现场，问题才开始出现：系统权限接不上，数据口径对不上，知识过期没人改，生成结论无法追溯，业务人员试用两次就回到原来的工作方式。

做出一个会说话的界面并不难，难的是让它在组织里活下来。

过去的软件项目，价值很大一部分来自“做出来”。开发团队能不能把复杂系统建成，决定了项目成败。现在，大模型、工作流引擎、低代码平台和 AI 编程把实现门槛迅速降低。一个过去需要数月的原型，也许几天就能出现。

问题是，速度不会自动产生方向。汽车跑得更快，不代表司机知道该去哪儿。

企业面前突然出现了太多选择：是自建模型还是调用服务，是先做知识问答还是流程自动化，是建统一平台还是从单点场景切入，是追求降本还是寻找新增收入。每个方向都能找到成功案例，也都能找到一套漂亮方案。

这就是 AI 时代第一个反直觉变化：技术供给越丰富，判断力越稀缺。

客户不是没有方向，而是方向太多。咨询的价值，也就不再是给出更多方向，而是删掉那些暂时不值得做的事情，找到第一个能够跑通、能够验证、能够扩展的闭环。

这听上去像做减法，实际比做加法困难。写出二十个 AI 场景很容易，砍到三个需要判断；把三个场景排出先后，需要理解业务价值、数据条件、流程成熟度、组织意愿和技术风险；最后只押注一个，还要有人为结果负责。

AI 不缺会做样板间的人。它缺的是能把水、电、燃气、物业和住户一起带进房子，最后真的把门打开的人。

传统咨询当然没有失去价值。

当组织对趋势缺乏理解、不同部门需要统一语言、战略方向需要系统梳理时，一份结构严谨的研究报告仍然重要。它像地图，帮助大家看见自己所处的位置，也看见远方可能存在的道路。

但地图不是旅程。

很多企业已经不缺地图。它们的硬盘里躺着数字化规划、数据治理方案、平台建设蓝图和 AI 场景清单。每一份都逻辑完整，装订精美。项目汇报那天，大家达成过共识；几个月后再问进展，常见答案是：还在进一步论证。

这不是顾问不聪明，也不是客户不努力，而是传统咨询的职责边界决定的。顾问负责分析和建议，建设由另一支团队完成，产品由供应商提供，运营留给客户自己。每一次交接都可能损失信息，每一道边界都可能制造断点。

AI 项目偏偏最怕断点。因为它不是装完就能稳定运行的机器。知识会更新，规则会变化，模型会犯错，用户会提出新的使用方式。它必须在真实流程中被观察、修正和训练。

城交研究对 AI 原生咨询的定义，最关键的不是“AI”，而是“原生”。它不是在原来的咨询报告里多加几页大模型内容，而是重新安排咨询工作的终点。

传统咨询把“建议交付”视为终点；AI 原生咨询把那一刻视为系统开始接受现实检验的起点。

客户带来的是痛点、零散诉求和模糊目标。咨询团队要把它们转成价值明确的场景，梳理数据与知识，设计平台承接方式，定义智能体角色，组织最小试点，还要把运营责任和迭代机制一起放进去。

这不是先咨询、后实施的接力赛，更像一支队伍边勘探、边修路、边试车。路况不对就调整，数据不足就补，用户不用就回到流程里找原因。

图 2 / 两种服务的终点不同

传统咨询

调研 → 分析 → 规划 → 报告

核心成果是清晰认知与行动建议。

AI 原生咨询

诊断 ↔ 场景 ↔ 数据 ↔ 试点 ↔ 运营

核心成果是可运行、可验证、可迭代的闭环。

于是，咨询团队的责任也被拉长了。过去顾问可以说“我们已经告诉你应该怎么做”；现在需要继续问：“它进流程了吗？谁每天使用？结果准确吗？错误能追溯吗？下个月由谁更新知识？”

前一句是建议，后面这些才是能力。

企业客户很少走进会议室，准确地说：“我需要一个由某种模型驱动、连接某类数据、具备特定编排能力的智能体。”

他们说的是另一套语言。

审批太慢。规范太多。老师傅快退休了。系统建了十几个，数据还是要手工导。事故发生后找不到相似案例。领导临时要分析，团队熬夜拼表。一个新人要花半年，才能知道资料藏在哪里。

这些句子里没有产品参数，却藏着真实预算。

深城交拥有 TransPaaS 数字孪生交通 OS、多模式 AI 调控引擎、低空数字管理平台、交能一张网等能力。技术人员很容易从产品出发，介绍平台能做什么；客户却只关心，自己每天重复发生的问题能不能少一点。

AI 原生咨询处在两种语言之间。它先把客户的“疼”翻译成场景：问题发生在哪条价值流，影响什么结果，涉及哪些岗位，要调用哪些知识，当前损失如何计算。然后再把场景翻译成产品、平台和智能体的进入方式。

这种翻译不是销售话术，而是一种项目孵化能力。

许多大项目一开始都不像项目。它可能只是某个处室的一句抱怨，某位负责人对未来的模糊判断，或者几张散落在不同电脑里的统计表。传统销售等待客户提出明确需求；AI 原生咨询则要帮助需求“长出来”。

它会逐步长成问题诊断图、场景优先级、数据与知识清单、能力组合、试点计划、预算边界和验收口径。等这些东西完整出现时，一个模糊愿望才真正变成可以立项、可以管理、可以交付的项目。

中国房地产曾经有一个朴素经验：城市不是画在规划图上就会出现。道路先通到哪里，学校和商业何时进入，第一批居民为什么愿意留下，决定了新区究竟成为城市，还是停留在沙盘。

AI 项目也是如此。平台像土地，模型像基础设施，智能体像建筑。真正让一切运转的，是业务流、数据流和人流。

市场喜欢把复杂问题变成选择题：买标准产品，还是做定制平台？做统一底座，还是做个性化智能体？

真实答案通常是：都要，但进入时间和承担职责不同。

标准化工具的优势是快。它适合在项目初期快速制造一个可感知的结果，让客户看见 AI 不是遥远概念。一次可靠的制度问答，一份自动生成且可追溯的分析，可能比五十页路线图更能建立信心。

平台解决的是长期承接。复杂场景需要连接多个系统，管理权限和数据，编排流程，记录反馈，让能力能够扩展。没有平台，十个智能体可能变成十座新的信息孤岛。

个性化智能体则进入具体岗位。它面对审批人员、运维工程师、经营分析人员，理解他们的语言，调用他们需要的知识，在流程最需要判断的地方提供帮助。它是 AI 最直接的前台。

图 3 / 三类能力的协同结构

标准工具快速启动验证价值

定制平台连接数据沉淀能力

个性智能体进入岗位持续进化

三者如果各卖各的，只是产品清单；被同一个场景和同一套运营逻辑组织起来，才形成能力。

AI 原生咨询在其中扮演总装车间。它不一定生产每个零件，却要知道零件如何组合，先装什么，怎样测试，最后由谁驾驶。它必须同时理解业务痛点、技术边界和运营条件。

这也解释了为什么未来最稀缺的，不会只是会写提示词的人，也不会只是懂战略框架的人，而是能在业务、技术与运营之间来回穿行的复合型团队。

他们要能听懂领导说的增长与风险，也能和工程师讨论知识切分、权限与接口；既知道一个场景为什么值得做，也知道什么情况下模型不应该替人做决定。

某能源客户最初的要求听起来很完整：用 AI 提升管理效率，沉淀知识经验，加强运维辅助和经营分析。

这句话的每个词都正确，也几乎无法直接执行。

“提升效率”可以对应无数流程，“沉淀知识”可以购买很多系统。如果顺着这句话做规划，团队很容易列出几十个场景，再画一条三年路线。客户看完会觉得什么都应该做，却依然不知道明天从哪里开始。

团队没有先讲平台，而是去看知识和工作究竟怎样流动。

他们发现，制度在文件系统里，维修手册在另一处，故障经验留在老员工脑中，项目资料分散在不同部门，经营分析依赖少数人的个人口径。多个条线都提出 AI 需求，却没有统一入口，也没有统一的知识组织方式。

表面上缺平台，底层缺的是被组织过的知识与经验。

于是项目被重新定义。目标不再是建一个无所不能的 AI 平台，而是形成一张组织级智能体矩阵：制度问答助手负责政策与规则，设备运维助手连接手册与实时信息，故障经验助手调用历史工单，项目资料助手寻找档案，经营分析助手解释指标，培训陪练助手帮助新人学习。

角色被确定以后，数据整理才有边界。哪些文件可以直接进入知识库，哪些表格需要结构化治理，哪些经验必须先由专家确认，哪些判断涉及安全责任、只能向人提供依据，逐一变得清楚。

这一步很像整理一座多年没有编目的仓库。仓库并非没有东西，而是找不到、拿不准、用不上。买一扇更智能的大门，解决不了货架里的混乱。

咨询团队同时设计了试点顺序。高频、低风险、知识基础较好的场景先进入；涉及复杂系统连接的能力交给平台长期承接；需要适应具体岗位的部分再做定制。客户第一次看到的，不再是一幅宏大的 AI 蓝图，而是一条可以从本月开始走的路。

这个案例的意义，不在于智能体数量。六个也好，十个也好，都只是阶段结果。真正重要的是，原来散落在系统和个人手里的经验，开始被组织为公司可以反复调用的资产。

方案不等于能力。只有当知识被调用、结果被使用、错误被修正，方案才开始变成组织能力。

另一个客户的问题更具体：设计审批太慢。

材料多，规范检索耗时，历史案例难找，审查口径依赖个人经验，跨处室修改来回往返。传统流程咨询遇到这种问题，会分析环节、压缩时限、统一模板、明确责任。这些动作有用，却可能没有碰到最深的矛盾。

团队继续追问：审查人员的时间，到底花在了哪里？

答案不是等待盖章，而是反复进行知识劳动。他们要确认材料是否完整，查找适用规范，回忆过去怎么处理类似问题，组织审查意见，再追踪修改是否回应。每一单都像从头做一次研究。

所以“审批慢”的背后，不只是流程绕，而是专业知识主要靠人工检索，历史经验主要靠个人记忆，判断过程没有被稳定地组织起来。

问题定义改变，解决方案也随之改变。项目不再只做流程优化，而是建设设计审批智能体，把受理、依据匹配、案例调用、意见形成、修改闭环和归档留痕串起来。

图 4 / 六节点审批闭环

材料校核受理

规范检索依据

案例调用判断

意见生成修改

追踪归档沉淀

这里最容易产生一个误会：有了智能体，是否就让机器代替专家审批？

恰恰相反。专业审批中的责任、裁量和复杂判断仍然属于人。智能体首先接管的是低价值、重复性的认知劳动：找资料、对条款、汇总差异、提示遗漏、生成可修改的初稿。它把专家从搬运知识的工作中释放出来，让人把时间用在真正需要经验的判断上。

更重要的是，每次审批不再只产生一份结果，也产生新的组织记忆。引用了什么规范，参考了哪个案例，意见如何修改，最终为什么通过，都能留下痕迹。下一次遇到类似问题，系统不是从零开始。

从“把一次审批做快”到“让每次审批都使下一次更聪明”，两者之间隔着的，就是能力闭环。

企业购买传统软件，往往期待安装完成后稳定运行。菜单不会突然忘记自己的功能，数据库也不会因为换了负责人就改变含义。

智能体更像新员工。

它刚上岗时需要岗位说明，需要资料，需要权限边界，需要有人检查结果。它可能把过期制度当成现行规则，也可能面对模糊问题时自信地给出错误答案。没有反馈和训练，它不会因为部署时间变长就自动变好。

因此，智能体不是一个交付完就结束的产品，而是一个持续服务入口。它背后必须有人维护知识、更新规则、观察使用、纠正偏差、决定能力扩展。

这让 AI 项目的重心从“建设”转向“运营”。项目立项时就要回答：谁是场景负责人，谁维护知识，谁确认高风险答案，准确率怎样衡量，用户为什么愿意改变习惯，失败结果如何回流。

许多试点没有规模化，并不是模型能力不够，而是这些问题从来没人负责。演示会上人人鼓掌，上线后没有一个人的绩效与它有关。知识库半年不更新，业务人员遇到两次错误，便悄悄回到微信群和 Excel。

AI 原生咨询把运营提前，不是项目结束后再附赠一段陪跑，而是从立项那天就设计系统如何活下去。

这也改变了验收方式。过去验收常看功能有没有、接口通不通；未来更应该看一个闭环是否跑起来：使用频率、节省时间、答案引用率、人工修订率、问题解决周期、知识更新速度。这些数字不如“建成某某平台”气派，却更接近价值。

软件被做出来，只能证明技术完成了一次交付。软件进入组织、产生结果，并在反馈里继续变化，才证明企业获得了一种新能力。

过去两年，市场最容易卖的是想象力。模型参数、炫酷演示、智能体数量和宏大路线图，共同制造了一个热闹的入口。

接下来，问题会从“有没有”转向“为什么没用起来”。

项目启动了，知识库建了，智能体也上线了，但使用者很少；试点取得过成绩，却无法复制到第二个部门；平台功能很多，业务仍然在原来的流程里工作。“做不成”会成为 AI 咨询市场最普遍、也最昂贵的问题。

模型继续进步，并不会自动解决它。模型可以提升回答质量，却不能替企业决定哪个部门先改变；可以生成流程，却不能让互不隶属的团队承担共同目标；可以读取文件，却不能判断哪一版制度有效；可以写代码，却不能创造预算、责任和信任。

这些恰恰是咨询需要进入的地方。

咨询和技术的边界也会越来越模糊。只懂业务、不理解技术限制，容易承诺一个不存在的未来；只懂技术、不理解组织运行，容易做出没人使用的工具；只负责上线、不管运营，容易把试点变成一次性展览。

真正的 AI 原生团队，要同时站在三张图上：业务价值图、技术能力图和组织运行图。三张图重叠的地方，才是值得做的场景。

率先跑通闭环的企业会形成一种复利。知识越用越完整，智能体越跑越准确，团队越协作越熟练。后来者可以买到同样的模型，却买不到前者在一千次真实使用里积累的规则、反馈与信任。

最后的壁垒，可能既不是算法，也不是算力，而是一家公司究竟用 AI 跑通过多少真实闭环。

经过多场线下 Lean-FDE 训战营验证

线上Lean-FDE 

训战营开班了！