最近听到一份关于 AI 发展趋势的总结,讲了四个方向:
- 价值创造:AI 从解决数字世界的问题,进化到解决物理世界的问题;
- 自进化能力:模型能够自我成长、持续在线学习;
- 工程范式:
Agent = Model + Harness; - 多模态:不仅语言模型,各种多模态模型也在变强。
四个趋势听完,我琢磨了很久。最后得出一个判断——这四条里,只有一条企业能真正抓住,其他三条只能跟随。
能抓住的那条,就是第三个:工程范式。
为什么?我一层一层讲。
前三个趋势,企业只能跟随
先说为什么前三个企业抓不住。
第一个趋势——AI 从数字世界进入物理世界。 这是个巨大的方向判断,但它解决的是"AI 到底能干什么"的问题,而不是"你的企业该怎么做"。这是技术演进的轨迹,企业只能等。
第二个趋势——模型自进化、在线学习。 这是模型能力的突破,但突破发生在 OpenAI、Anthropic、DeepSeek 这些实验室里。你公司再大,也做不出下一代自进化模型——这是基础研究,不是企业能做的事。
第四个趋势——多模态变强。 同样是模型层面的演进,企业只能用,不能造。
所以前三个趋势的本质是:它们都是"上游"的演进,企业在"下游"只能跟随。 你跟随得快一点,可能领先同行半年;跟随得慢,就落后半年。但这都不是真正的护城河。
第三个趋势,才是企业的真正机会
第三个趋势不一样。
Agent = Model + Harness 这个公式翻译过来就是:智能体等于模型加上工程线束。
这个公式之所以重要,因为它揭示了 AI 产业的一个根本转变——模型本身已经商品化了。
你看今天的市场:DeepSeek、Qwen、GPT、Claude、豆包、Kimi——这些模型的能力差距正在快速收敛。一个企业用哪个模型,越来越不重要。真正决定 Agent 能不能干活、能不能解决业务问题、能不能落地的,是 "Harness"——也就是工程能力。
Harness 是什么?它包括:
- 工具调用编排;
- 上下文管理;
- 任务拆解逻辑;
- 知识调用机制;
- 错误处理与重试;
- 业务流程对接;
- 权限与安全;
- 可观测与监控。
这些事情,模型给不了你,任何一家大模型公司也给不了你。 它们只能靠企业自己的工程团队,一项一项搭出来。
这就是为什么我说,前三个趋势企业只能跟随,只有第三个企业能真正抓住——因为工程能力,是企业独有的、可积累的、别人复制不了的资产。
上半场比"聪明",下半场比"交付"
那位分享者还有一句话,我特别认同:
模型产业竞争,上半场比拼模型本身是否变得更聪明,下半场一定比拼行业的部署能力和交付能力。
那位分享者
这句话对企业意味着什么?
意味着——别再花太多时间纠结"选哪个模型"了。 这是上半场的问题,马上就要过去。
下半场的问题是:你的企业,能不能把模型变成业务里能跑的 Agent?能不能把 Agent 部署到真实业务场景?能不能持续交付可量化的业务价值?
这三件事,每一件都是工程问题,不是模型问题。
举个最具体的例子。同样是"AI 售后工程师"这个智能体:
- A 公司把它做出来,能回答基础问题,但偶尔会幻觉,业务一推就倒;
- B 公司把它做出来,接入了 ERP 工单系统、能调取设备档案、能匹配历史案例、有兜底机制、有持续反馈闭环——它真的能在车间用。
A 和 B 用的可能是同一个底层模型。差别在哪?在 Harness,在工程能力。
下半场的真相
同模型,不同命运。命运由工程决定。
AI 进入物理世界,制造业的真正机会
回到第一个趋势——AI 从数字世界进入物理世界。这一条虽然企业抓不住"演进本身",但它对制造业意味着一个真正的机会窗口。
为什么?因为过去十年,大部分 AI 应用都在数字世界——聊天、写作、画画、写代码、做营销文案。这些场景,互联网公司和软件公司天然占优。
但 AI 进入物理世界之后,游戏规则变了。
- 互联网公司不懂车间;
- 软件公司不懂工艺;
- 大模型公司不懂设备。
制造业几十年的物理世界积累——工艺经验、设备知识、故障案例、老师傅 Know-How——突然变成了 AI 时代最稀缺的资产。 因为这些东西,是数字原生公司怎么也复制不出来的。
所以这一波 AI 进入物理世界,制造业企业第一次站在了和互联网公司、AI 公司平等的起跑线上——甚至在某些场景下,制造业领先。
但前提是:你得有工程能力,把这些物理世界的资产翻译成 AI 能用的形式。 这就回到了第三个趋势——Agent = Model + Harness。
真正的难题:AI Native 组织
最后说一句我自己的判断。
这位分享者提到一个观点我非常认同——AI 不能解决上一代数字化没解决好的问题,根源在两个:缺乏高质量数据,和模型幻觉。
但我得补一句:还有第三个根源,而且是最难的——组织。
AI 真正进入物理世界、真正进入业务流程,需要的不只是数据和模型,需要的是一个能消化 AI 的组织架构。
今天很多企业的组织架构,是为"人 + 软件"设计的。员工查系统、做判断、写报告、走流程——这套架构运转了几十年。现在要把 AI 加进来,变成"人 + AI + 软件",原来的组织架构立刻处处卡壳。
谁该用 AI?谁有权限调?AI 出错谁负责?AI 省下来的时间归谁?AI 做出来的成果算谁的?——这些问题,没有一个是技术问题,全都是组织问题。
所以我说,真正的 AI Native,不是技术 Native,是组织 Native。 谁先把组织架构改造成 AI 友好,谁就先赢下半场。
写在最后
回到开头——AI 四大趋势,企业能真正抓住的只有一条:工程范式。
为什么?因为:
- 模型演进企业只能跟随;
- 多模态能力企业只能使用;
- AI 进入物理世界是大势所趋,但能抓住多少要看企业自己的工程能力;
- 只有
Agent = Model + Harness里的那个 Harness,是企业自己一砖一瓦能垒出来的。
所以,如果你的企业今天还在花大把时间研究"用哪个模型",我得说一句不太讨喜的话——你还在上半场,而下半场已经开始了。
下半场的问题不是模型,是工程,是组织,是 AI 真正进入业务的最后一公里。
谁先把这一公里走完,谁就拿到 AI 时代的入场券。这趟列车的发车时间,比你想象的早。