先看一组刚出来的数字

易观《2026 年 Q2 中国办公智能体平台市场洞察报告》显示，今年 6 月，17 款办公智能体产品的合计访问量超过 6000 万次。腾讯的 WorkBuddy 以 2097 万次排在第一，字节的 TRAE IDE 国内版 1279 万次，阿里的 QoderWork 788 万次。按厂商体系算，腾讯系 3262 万，字节系约 1441 万，阿里系约 919 万。

同一时间，三家都在整合自己的产品线。腾讯把 QClaw 产品中心的相关业务并进了 WorkBuddy 所在的体系，阿里推出"千问办公"，把 QoderWork、悟空、MuleRun 三款 Agent 产品捏成了一个。

再往前几天，6 月 30 日，美团发布并开源了 LongCat-2.0——总参数 1.6 万亿，是业界第一个在五万卡国产算力集群上完成全流程训练与推理的万亿参数模型，原生支持 100 万超长上下文，在 SWE-bench Pro 上拿到 59.5 分。它的测试预览版从 4 月底匿名接入 OpenRouter，到 6 月底调用量已经进了全球前三。

这些事挤在两个月里发生。放在一起看，热闹是真的热闹。于是很多企业现在都在做同一件事：找一个适合自己的 AI 工具。立项、比选、试用、算 ROI、评估合规、内部推广。这件事该做，而且必须做——没有工具，后面所有的讨论都是空的。

但我想说的是另一件事：这件事的天花板，比大多数人以为的低得多。而且不是因为工具不好，恰恰是因为工具太好了。

一、这一轮的特殊之处：工具在被迫趋同

先看几个信号，它们指向同一个方向。第一个信号：头部玩家在把最贵的东西开源。美团把一个 1.6 万亿参数、用五万卡国产算力训出来的模型开源了。这不是慈善，这是竞争格局的结果——当模型能力本身守不住护城河的时候，开源反而是更划算的选择。

第二个信号：大厂在整合自己的产品线。腾讯并产品，阿里把三款捏成一款。整合是个很朴素的信号：如果单点产品的差异化能守住，没有人会去整合。之所以要合，是因为分开各自打，谁也打不出决定性的差别。

第三个信号：付费体系反而先立起来了。和以往互联网产品先免费圈人的做法不同，WorkBuddy、千问办公一推出就定好了付费档位——WorkBuddy 个人版分限时免费、99 元/月、199 元/月、999 元/月四档。这说明什么？说明大家心里都清楚，靠免费圈来的用户留不住，因为隔壁明天就有一个差不多的。既然产品差异撑不了太久，不如先把商业模式立住。

三个信号合起来是一句话：

这一轮工具竞争的终局，是能力趋同，而且是加速趋同。

市场规模在飞速涨——2025 年中国 AI 智能体市场规模已达 804 亿元，同比增长 123.2%，有预测认为到 2030 年会到 6968 亿元。但市场变大和产品变得不一样，是两件事。恰恰是市场越大、投入越猛、迭代越快，趋同得越快。

对企业来说，这带来一个很别扭的处境：你今天费了很大劲选对了工具。三个月后，隔壁那家没怎么选的，用上了差不多的东西。

而且还有更别扭的一层——中国大企业的立项和采购周期，往往比工具的半衰期还长。一轮完整的比选、测试、合规评审、预算审批走下来，三到六个月是常态，慢的要一年。而这两年 AI 产品的能力翻新周期是两三个月。

等你走完流程，当初选它的那个理由，很可能已经不存在了。这不是谁的失职。采购流程是为"买一台设备用十年"设计的，它本来就没打算处理"每季度换一次前提"这种事。这套流程在过去几十年里非常有效，只是它遇到了一个它没被设计来处理的对象。

二、为什么工具给的优势，攒不下来

到这儿，需要往下挖一层：为什么工具带来的领先，这么容易被抹平？这个号前三篇一直在用同一套底子，这里再简述一遍，没读过前面几篇也不影响。

岗位、层级、流程，都是同三条约束压出来的产物：

第一条，认知装不下。一个人能掌握的知识宽度有限，所以工作必须切窄。这条约束决定了为什么要分工、为什么要有专业岗位、为什么一条流程要串成一段一段。

第二条，切窄了更便宜。把活切开，就不必用大师傅的工钱去买学徒能干的那部分。这条约束决定了为什么流程要精打细算——因为生成本身是贵的。

第三条，必须有人签字。无论怎么切、怎么排，最后得有一个具名的人对结果负责、承担后果。

AI 抽掉了前两条。第三条一动没动，而且因为产出变多，反而更贵了。

现在把工具放进这个框架里看，事情就清楚了。你买的每一个 AI 工具，解决的都是第一条和第二条。一个能读一百份文档的助手，解决的是"认知装不下"；一个十分钟出初稿的功能，解决的是"生成很贵"。所有办公智能体、所有代码助手、所有文档工具，无一例外，都在这两条上做文章。

而这两条约束有一个致命的共同点：

它们是所有人共有的约束。

我的脑子装不下那么宽，你的脑子也装不下；我生成一份报告要三天，你也要三天。这从来就不是谁比谁强的地方，这是全人类共同的天花板。

共有的约束一旦被解除，就是所有人一起被解除。这就是为什么工具带来的优势攒不下来。它不是你争取来的，是这一轮技术顺手送给所有人的。你比别人早三个月拿到，那就领先三个月——三个月之后归零，而且不是被追上，是被抹平。

所以：

工具给的优势，是同质的、瞬时的、不可积累的。

这句话不是说工具不重要。工具是入场券，没有它连牌桌都上不去。但入场券的特点就是：大家手里那张，长得一样。

那什么是不同质、可积累的？只剩第三条了。而第三条有一个前两条完全不具备的性质——它天然是每家公司自己的。你的业务里哪些错误可逆、哪些不可逆，你的行业有哪些红线，你的客户在什么事情上不能容忍失误，你的公司里谁的判断可以信、谁的签字有分量——这些东西没有任何一家大厂能替你解决，因为它们不是能力问题，是你这家公司的具体形状。

也正因为它是你自己的，别人抄不走。这就是这一轮里唯一能拉开差距的地方。

三、几家公司已经摸到了这一层

有意思的是，最先把这件事说出来的，不是咨询公司，是几位在一线做 AI 落地的人。在今年 6 月《财经》的一场对谈里，浪潮信息董事长彭震讲了一个我认为相当重要的判断。他说 AI 落地会遇到两种极端认知：一种瞧不上 AI，觉得它能力有限；一种神话 AI，觉得它能替代一切。

"这两种认知的尽头是同一个结果——AI 无法真正进入组织。"

他给的办法很具体：

"今天企业流程要围绕 Humagent 重新设计。在流程方面，首先要设置很多 Check Point，也就是检查点。这可以避免错误的一层层传递。"

他还把边界划得很清楚：日常、重复、可控的工作交给 AI；重大的决策问题——比如是否能上线、是否能删改系统数据——这些关键动作还是要人来做。

请注意这两个例子的性质。"能不能上线"和"能不能删改系统数据"，都不是 AI 做不到的事。技术上它当然做得到。之所以要人来做，是因为做错了不可逆。

判断依据不是能力，是后果。同一场对谈里，美的集团美云数智副总裁魏晓刚讲了另一半。美的对 AI 投入产出的评估形成了一套统一的衡量方式，由财务、人力资源、业务和 IT 多个部门共同参与制定，可以按场景算清楚人工完成某个任务和 Token 完成任务之间的效率差异到底是多少。多部门坐下来一起定标准，听着像个行政动作。但它的实质是：把"什么算合格"提前写下来，并且让它有主。

腾讯这边给的是第三块。汪晟杰讲了他们的做法：同一个任务由多个模型或智能体同时完成，人来选出更好的那个，未被采纳的成为 Bad Case，回流去继续优化，形成"训练、评测、反馈、再训练"的飞轮。关键在"人来选"这三个字。而且选完之后，选择的理由被记下来了——它不再只是一次判断，而变成了可以积累的东西。

三家公司，三个入口：划边界、定标准、留记录。它们指向同一件事，只是还没有一个统一的名字。

四、这件事叫判断治理

现在可以给它命名了。

判断治理：把"谁来确认、谁来签字、错了算谁的"这件事，从个人习惯变成组织制度。

拆开说是三件事：

第一，划边界。哪些判断可以交给 AI，哪些必须由人做。判断依据不是"AI 能不能做"，而是做错了会怎样——是否可逆、影响多大、是否涉及价值取舍。

一个可以直接用的三分法：低风险、可逆、标准明确的，交给 AI，事后抽检；中等风险、有明确标准可被验证的，AI 生成、人按标准检查；高风险、不可逆、涉及对外承诺或价值取舍的，人签发，而且要有名字。

第二，定标准。每一个需要确认的东西，事先写清楚"什么算合格"和"谁说了算"。第二栏要写人名，不写部门——写"由某某部确认"等于没写，真出了事，部门不会有人站出来。

第三，留记录。判断发生过之后，理由要能被留下来。谁在什么情况下做了什么判断、依据是什么、后来对不对。留下来，它才是资产；不留，它就只是某个人脑子里的经验，人走了就没了。

为什么这三件事必须是"制度"，不能是"习惯"？因为在生成很贵的年代，判断这件事是附赠的。一份报告要人写三天，写的人一定想过；一个方案要开五次会，一定被质疑过；一张图纸画一周，画的人自己就是第一道检查。过程的昂贵，顺带完成了判断。你不需要建制度，因为它自动发生。

现在生成变便宜了，这道附赠的工序无声地消失了。没有任何一次会议决定"我们从今天起取消判断"，它只是随着生成成本的下降自己没了，而所有的流程文件、审批表单、责任矩阵，一个字都没改。

判断治理要做的，就是把这件原来免费附赠的事，重新变成一件有人负责、有标准、有记录的事。

它听起来不性感，远不如换一个更强的模型令人兴奋。但它是这一轮里，唯一一件别人抄不走的事。

五、几处边界

有几点必须说清楚，否则容易被当成"别买工具"，那不是我的意思。

第一，工具必须买，而且要尽早买。判断治理不是工具的替代品，是工具的下一步。没有工具，就没有大规模的产出，也就不存在"来不及确认"这个问题。彭震说的两种极端认知里，"瞧不上 AI"那一种同样是死路。

顺序是：先让工具进来，产生真实的用法，再回过头把确认这件事建起来。跳过第一步直接谈治理，会变成纸上谈兵。

第二，不是所有工作都能事先写出验收标准。有相当一部分工作，做得好不好只能事后感觉到——创意、探索性研究、关系维护、危机中的临场判断。对这类工作硬套标准，会把它做死。

不必硬写。承认它属于"人做、人签字"那一档就可以了。分不清好坏的工作，恰恰是最不该交给 AI 的工作。

第三，别一次做全公司。美的的路径值得注意：先让一线自己长出上万个智能体，2025 年之后才开始自上而下端到端地识别环节。结构性的重排是有前提的，前提是先有足够多的真实用法。

挑一条流程做完整闭环，标准三条：业务价值高、边界清楚、结果可验证。第三条最重要——一条本身就说不清好坏的流程，做完了也证明不了什么。

第四，成本这一关是真实的。汪晟杰讲过一句很直白的话：现在模型成本已经远高于人了，有时候开玩笑说，雇个大学生比买 Token 还便宜。所以复杂决策、任务拆解这类高价值场景优先用强模型；规则明确、结果可验证甚至可穷举的问题，传统算法同样高效，不必大炮打蚊子。

判断治理本身也有成本——每一个检查点都要花人的注意力。这里最容易犯的错，是加了复核环节，却没给复核的人减掉任何别的工作。结果就是复核变成走过场，因为他确实没时间。

没有配时间的检查点，等于没有。

六、下周可以做的一件事

不需要立项，不需要预算，不需要等工具选完。把公司里已经在跑的 AI 应用列一张表，只填三栏。

这张表的用处，全在填的过程里。

第二栏大概率会有空格。因为 AI 应用通常是按项目立的，项目结束就没人管了。一个没有具名负责人的 AI 应用，意味着它产出的东西没有人为它签字——它在系统里，但不在责任体系里。

第三栏的空格更值得警惕。如果一个应用的产出没有人在看，而它又在持续产出，那说明它的输出已经默认成了结论。

这就是最隐蔽的那种情况：很多组织里 AI 获得的权力，不是被授予的，是被遗弃的。没有人决定过"这个判断交给 AI"，只是因为没人有空看，它就自己接管了。这种事不会触发任何审批流程，也不会出现在任何一张组织架构图上。

第四栏填完，就知道哪几行必须马上补人。

三栏填完，你手里就有了判断治理的第一版底稿。它不完整，但它是真的。

结尾

回到开头那件事。大家都在找"适合自己的 AI 工具"。可工具是通用品。它对所有人都一样适合——这正是它的价值，也正是它的天花板。

真正"适合自己"的那样东西，没有人卖，也没有人能替你选。你的红线在哪、你的哪些错误赔不起、你的哪个人签的字算数——这些只能自己长出来。

找工具是向外求。这件事只能向内建。

瀚博元哲，二十年组织发展与头部企业服务经验，现专注于 AI 时代的工作重做与组织重构。

如果你的企业正在推进 AI 转型，欢迎交流。

附录：本文引用来源