大家好，我是肆〇柒，AI 的蓬勃發展正以前所未有的速度滲透到人類生活的各方面。而在商業領域，AI 的影響力更是不容小覷，尤其在企業決策這一關鍵環節。企業各職能、任務和運營都離不開高效的決策，而 AI 正展現出助力企業提升決策效能的巨大潛力。

然而 AI 在 2B 落地的領域，當下廣泛存在的 AI-Centric User（以 AI 為中心的用戶）范式卻暴露出諸多問題。一方面，用戶往往需要費盡心思去適應 AI 的固定模式，例如必須按照特定的方式發送查詢請求（提示詞門檻），才能從 AI 那里獲得相對有用且準確的回應。另一方面，現有的 AI 模型多是基于大眾用戶的通用偏好進行設計與優化，這無疑忽視了特定場景、特定流程以及專業人士和經驗豐富的用戶群體的多樣化需求（通用偏好錯位）。

企業目前的開發重心大多集中在 AI 技術本身，卻相對輕視了用戶的真實期望，這種失衡嚴重制約了 AI 在企業領域的深度應用與價值釋放。當企業把 AI 當成“萬能答案機”，卻發現提示詞越寫越長、結果仍難貼合業務；當通用大模型面對專業流程頻頻“掉鏈子”，此刻才意識到：真正需要轉變的不是人，而是 AI 本身。所以，要想改變，我們就必須先回答一個更底層的問題：企業究竟需要怎樣的 AI？

而在當下，人工智能的落地就在一個范式轉變的臨界點——從“人圍著機器轉”到“機器圍著人轉”。這一轉變不再是簡單的技術升級，它變成了一場關于決策權、隱私權與價值創造權的重新分配。下面將以企業決策這一高壓場景為切口，分析如何讓 AI 像資深顧問一樣，不僅懂業務，更懂人。

企業決策與智能體的關聯

企業長期投入與回報現狀

當下，企業的長期 viability（可行性與持續性）在很大程度上依賴于對 AI 的資本支出。據相關數據顯示，僅有 1% 的公司高管認為其生成式人工智能（GenAI）部署已經達到了成熟階段。與此同時，更多的企業雖然頻繁對外宣稱積極引入 AI 技術以優化運營，但深入調查后會發現，真正利用 AI 進行嚴肅、核心工作的案例少之又少。

企業 AI 使用的期望與收益模式與個人領域存在顯著差異。在企業環境中，用戶通常需要對他人負責，這使得他們的行為模式與個人情境下的行為大相徑庭。例如，在企業任務中，常常會有多個用戶共同參與完成一項復雜任務；任務的解決方案往往具有高度可定制性；工具的價值更多地由其重復使用的頻率和效果來判定；而且工具的需求還會依據企業內部其他用戶所使用的工具而呈現出特定的依賴關系（多用戶參與、任務定制、重復價值、工具依賴等）這些錯綜復雜的因素無疑大幅增加了開發適配企業場景的 AI 技術的難度，但與此同時，也蘊含著巨大的發展機遇。智能體正是在這樣的背景下，被視為助力企業決策、提升企業智能化水平的關鍵力量。

智能體助力企業決策緣由

對于企業而言，要充分釋放 AI 的潛力，關鍵在于通過高效且有效的組織方式，利用任務特定的智能體來滿足企業的多樣化需求。企業決策，因其普遍存在性、固有的模糊與不確定性、耗時費力的特性，以及更易于受到 AI 技術的深遠影響，成為了智能體應用的核心焦點。

當 AI 能夠深入理解企業決策的復雜邏輯與內在規律時，它便能夠成功實現從低附加值的 AI 助手向高附加值智能體的轉型升級。這不僅能顯著提升企業決策的科學性與精準性，還能為企業帶來更為可觀的效益與競爭優勢，進而推動智能體在企業領域的大規模應用與持續發展。而接下來，下面將重點闡述智能體得以在企業決策中可發揮重大價值的六項核心原則，展示它們如何為 AI 與智能體的有效組織架構搭建起堅實的基石。

User-Centric AI 的六項原則闡述

原則一 AI 的流程導向優先原則

在企業場景中，用戶從 AI 技術中所獲取的價值主要分為結果價值與流程價值兩大類別。鑒于用戶代理觀念、期望值以及技能水平等方面的顯著差異，AI 實際上很難完全滿足所有用戶對于結果質量的高標準、嚴要求。相比之下，流程導向的 AI 則能夠依據用戶獨特的工作流程，在不同的任務節點靈活介入，為用戶提供更契合其實際需求的輔助支持。

比如，流程導向 AI 允許用戶根據自身的工作習慣與任務特點，自行組裝各類工具，構建個性化的全流程工作模式。這就要求 AI 系統必須深入理解用戶的工作流程細節，并持續學習如何進一步優化流程效率。通過這種方式，AI 將結果質量的責任合理地轉移給用戶自身，充分保留了用戶的自主代理權。以數據準備、模型選擇、結果評估及展示這一典型工作流程為例，一位經驗豐富的用戶往往僅需要在模型選擇與運行環節借助 AI 的力量，而無需額外的輔助來完成數據準備或結果展示工作。憑借流程導向 AI 的優勢，該用戶能夠精準地在工作流程的特定環節插入 AI 工具，同時 AI 還能憑借對后續展示需求的了解，為用戶在模型選擇階段提供極具前瞻性的建議與指導，助力用戶更高效、精準地達成整體工作目標。

原則二 前瞻性 AI 原則

企業用戶所面臨的任務往往具有復雜多樣的期望與目標，其中不乏涉及長期戰略規劃以及多步驟的復雜工作流程。在這樣的背景下，僅僅只能響應當前用戶輸入的被動式 AI 平臺，由于缺乏必要的前瞻性，很難為企業智能化轉型提供更深層次、更具戰略意義的支持。前瞻性 AI 則能夠主動預測用戶潛在需求，在問題出現之前提前預警可能存在的錯誤與風險，并且引導用戶沿著更優的路徑前行。這樣的特性使得企業用戶能夠基于更全面、更前瞻的信息支持，做出更明智的決策，進而更好地實現其長遠目標。例如，在工作流程中的模型選擇任務場景下，前瞻性 AI 不僅能針對用戶的當前詢問給出最佳回應，還能主動預判用戶后續可能提出的相關問題，并據此提供備選模型及其詳細利弊分析。與此同時，AI 還會充分考量用戶在結果展示方面的特定需求，提前做好規劃與準備，全方位提升用戶的工作體驗與成效。

原則三 本地隱私保護智能體學習原則

當前，不少 AI 平臺采用對用戶數據 “一刀切” 的處理模式，過度依賴通用智能體學習，這種做法難以精準匹配用戶在不同任務中的技能水平與期望差異。對于專家型用戶而言，他們渴望將自身深厚的專業知識整合進 AI 系統中，以此提升參與度并推動智能體的持續改進與優化。然而，這一過程中涉及的隱私與競爭風險不容小覷。本地隱私保護智能體學習原則強調，平臺應根據用戶專長以及隱私偏好，對數據和反饋進行精細化區分與個性化處理。如此一來，既能夠實現 AI 的個性化適配，滿足不同用戶的獨特需求，又充分尊重了用戶的自主代理權。

以數據準備流程中的特征選擇步驟為例，專家用戶往往憑借豐富的實踐經驗和專業判斷力，深知哪些特征不僅對模型準確性至關重要，還兼具可操作性與管理學意義（actionability & managerial meaningfulness）。通過本地隱私保護機制，確保這些寶貴的經驗與見解不被泄露給企業內部的其他用戶，從而有效維護了專家用戶的知識資產與競爭優勢。這一舉措不僅促進了專家用戶更積極地與 AI 系統互動，也為智能體學習注入了更高質量、更具深度的知識資源，推動整個系統的良性發展。

原則四 智能體與用戶的市場機制平臺原則

鑒于企業用戶在偏好、風險承受能力等方面呈現出高度多樣性，加之 AI 以及智能體質量與用戶實際需求之間存在著一定程度的不確定性，構建一個基于市場機制的智能體與用戶交互平臺顯得尤為重要且迫切。

在這個平臺上，具備不同技能、行為模式以及風險 - 報酬特征的專用智能體可供用戶自由選擇。這樣一來，用戶便能夠精準匹配到最契合自身需求的智能體，從而顯著提升對 AI 輸出結果的自主掌控程度以及工作靈活性。從平臺運營者的角度來看，采用分散式的智能體組織架構能夠有效降低因單一智能體表現不佳而引發的聲譽風險，同時激發智能體之間的良性競爭與合作，進而推動持續的創新與優化。例如，在市場機制下，每個任務智能體都需要對外公開自身的能力范圍與特點，并且在任務完成后接收用戶的反饋評價。這種透明化的機制為智能體開發者提供了強有力的激勵，促使他們不斷改進與完善智能體的性能與功能，以贏得用戶的認可與信賴，進而在市場競爭中脫穎而出。

這讓我想起了 ANP（Agent Network Protocol） 中的 DID 機制和 Agent Card 設計，這個目的就是展示智能體的身份和能力。而由于智能體要形成一個市場機制平臺，就需要連接，連接產生價值，而連接在技術層面上就需要協議，比如 ANP。

原則五 智能體風險-報酬多樣性 和 質量-價格多樣性原則

為了有效應對企業用戶任務類型的廣泛多樣性，智能體供應市場必須具備充足的多樣性。基于用戶追求效用最大化的天然傾向，AI 平臺應當賦予智能體自主選擇行為風格以及風險 - 報酬檔案的權利與自由。這樣一來，不同風險偏好的用戶群體便能夠精準匹配到與之適配的智能體類型。

偏好高風險高回報的用戶可以選擇更具探索精神的智能體，而那些傾向于穩健保守策略的用戶則可以挑選經過充分驗證、表現穩定的成熟智能體。這種靈活性不僅充分保留了用戶的自主決策權，還為創新提供了肥沃的土壤。與此同時，平臺需要對多樣化智能體進行科學管理與協調，以確保能夠充分滿足不同用戶的多樣化需求，從而構建起一個充滿活力與動態平衡的智能體生態系統。以模型選擇任務為例，部分用戶熱衷于嘗試最新的模型技術，期望借助前沿成果為企業帶來創新展示與競爭優勢。然而，這種選擇也可能面臨在成果評估環節與歷史基準對比困難等風險。相對地，另一些用戶則更愿意依賴經過長期實踐檢驗的經典成熟模型，以確保任務的穩定性和可靠性。在這樣的場景下，智能體的風險 - 報酬多樣性和質量 - 價格多樣性原則能夠充分滿足兩類用戶的不同訴求，實現智能體市場的精準供需匹配。

原則六 智能體低進入、退出壁壘原則

降低智能體進入市場的壁壘，能夠有效激發智能體的開發活力與創新動力。與此同時，簡化表現不佳智能體的退出流程，有助于維持整個智能體生態的卓越性能表現，進而持續提升用戶所獲得的效用價值。在智能體進入市場階段，平臺規劃者發揮著關鍵的守門人角色，對新進入智能體進行必要的審核與評估。這是因為與現有智能體的退出流程相比，在缺乏全面客觀信息的情況下，對于新智能體的性能、功能以及適配性等方面需要進行更為謹慎細致的考察與驗證。

此外，低進入、退出壁壘原則還對智能體多樣性的提升起到了積極的催化作用，進一步強化了原則五的實施效果。當然，這一切都需要在充分考慮企業數據信息的安全性與保密性、用戶轉換成本以及智能體開發者可能存在的過度承諾等限制條件的前提下，尋求智能體進入退出機制的合理平衡。例如，在市場機制下，當某個智能體在模型選擇任務中的表現持續低于設定的績效閾值時，平臺將啟動退出流程，促使該智能體有序退出市場。而低進入壁壘則確保了有足夠數量的合格智能體能夠及時進入市場，接替空缺位置，保障用戶始終能夠獲得高質量的智能體服務。

在明確了“以用戶為中心的 AI”六項原則之后，下一個關鍵問題是：這些原則應當作用于企業內部的哪類決策，才能真正釋放價值？

面向 User-Centric AI 的智能體企業決策

在企業中，日常決策并非同質化的，而是呈現明顯的“分層”特征：一端是數據充分、可重復的戰術決策（如庫存補貨、動態定價）；另一端是信息稀缺、高度主觀的戰略決策（如技術路線、并購標的）。兩類決策對自動化的容忍度、對智能體的能力要求以及對人類介入的依賴程度均截然不同。

決策層級與自動化關聯

從決策的性質與復雜程度出發，可以將決策大致劃分為戰術決策和戰略決策兩類。自動化決策涵蓋了從完全自動化到有人參與的多種自動化形式。當前，企業在推動決策自動化進程中呈現出明顯的傾向性，即當決策的效益顯著優于人工決策時，企業便會積極促使決策向自動化方向轉變。

在戰術決策領域，如證券交易、酒店收益管理、在線推薦系統以及廣告競價等方面，基于數據的自動化決策已經取得了令人矚目的成功。這些應用案例充分證明了自動化技術在提升決策效率、降低成本以及優化資源分配等方面的巨大優勢。然而，值得注意的是，部分涉及用戶意圖判斷的戰術決策，由于用戶意圖本身是一個難以單純依據數據準確推斷的復雜心理構造，目前仍然需要人工的深度介入與輔助判斷。例如，在分析用戶的點擊行為序列時，很難精準判斷該用戶僅處于信息瀏覽階段，還是已經具備明確的購買意圖，這就凸顯了人工判斷在特定場景下的不可替代性。

戰略決策智能體應用挑戰與機遇

企業戰略決策往往面臨著更為復雜的挑戰與機遇。以三個典型的企業決策問題為例，每個宏觀決策問題背后都關聯著一系列具體的原子問題。雖然大型語言模型（LLM）能夠在一定程度上回答部分原子問題，但由于受到 AI - Centric User 范式的限制，它很難完全滿足復雜戰略決策的全方位需求。

如上圖所示，用 8 個觀察點總結了當前 AI 在企業戰略決策中的真實處境：① 用戶意圖難以僅憑數據推斷，仍需人工介入；② 在股票交易、酒店收益管理、在線推薦、廣告競價等戰術決策上，自動化已取得顯著成功；③ 對于典型的宏觀戰略決策，現有 AI 幾乎束手無策；④ 業務人員必須先將戰略問題拆解成若干“原子級”子問題；⑤ 這些子問題往往伴隨關鍵信息缺口；⑥ 業界最新模型嘗試用分解-規劃-推理（DPR）思路去填補缺口；⑦ 但 LLM 只是機械模仿 DPR，并未達到可落地水準；⑧ 真正要讓 AI 勝任戰略決策，還需跨越巨大的概念鴻溝。

在判定技術成熟度這一問題上，LLM 可以憑借其在全球范圍內收集的網絡報告與評論等信息資源，提供相對全面且通用的回應。但在預測下月買家以及確定虧損商品等具體問題時，LLM 的通用全球知識就顯得捉襟見肘。在傳統業務流程中，企業通常會遵循類似于前文提及的工作流程來探尋答案。而在 LLM 應用場景下，企業需要向模型輸入精準的客戶細分信息、過往購買行為數據以及細分定義規則等詳細資料，LLM 才能基于這些信息進行分析并給出建議，盡管這些建議可能并非完美無缺。

即便借助了分解、規劃以及推理等多種先進操作（例如思維鏈、思維樹等），LLM 也只能部分解決這些關鍵問題，其響應結果往往受限于 AI - Centric User 范式的天然局限。這為我們敲響了警鐘，凸顯了現有技術在應對復雜戰略決策時的不足。而在更為宏觀的戰略決策層面，LLM 面臨的挑戰更為嚴峻。例如，在判定技術成熟度這一大問題時，企業內部對于該技術的研發實力評估、人力資本儲備、技術資源與數據資源的配置情況、內部研發周期與成本核算等關鍵信息，往往是 LLM 無法獲取的。此外，企業的戰略決策還深受其內部目標（如防御性目標是為了維系現有客戶群體，進攻性目標則聚焦于吸引新客戶拓展市場份額）、主觀判斷與決策環境（包括內部技術與新舊技術的兼容性匹配度、企業對市場競爭態勢的宏觀認知以及從高層管理會議到與其他企業技術開發者交流過程中所形成的內部研究與保密性見解等）的綜合影響。

在這樣的復雜局面下，智能體要想在戰略決策領域大顯身手，就必須具備一系列關鍵特性。它需要敏銳地捕捉企業用戶的學習偏好，深入理解用戶動機類型（是側重于預防風險的保守型動機，還是追求創新突破的進取型動機），精準把握企業內部不同部門與成員之間的合作與競爭關系，全面洞察企業與合作伙伴及競爭對手之間的協同與博弈態勢。同時，智能體還應具備檢測并緩解管理者在判斷與決策過程中可能出現的認知偏差的能力，為企業提供更為科學、客觀、全面的決策支持。

適合企業的智能體平臺構想

基于上述分析，可提出一種圍墻花園式平臺構想，以實現平衡智能體自主性與市場機制的有效治理。

企業作為數據與知識資源的擁有者，必然需要防火墻技術來嚴密保護其珍貴的數據資產與知識庫免遭泄露與侵害。然而，過度集中化的規劃管理模式卻可能引發一系列問題，例如：

• 高溝通成本
• 錯誤分配代理
• 誤歸因反饋等

而圍墻花園式平臺，則是一種在企業內部或受控環境中運行的多智能體平臺架構。它通過企業級防火墻把內部數據、知識庫與外部網絡隔離，確保敏感信息不會外泄；同時，在內部仍然保留一個類似市場的機制，讓不同任務-專業智能體可以被用戶自由發現、雇傭或替換。

在這種架構里：

• 用戶與智能體之間可以直接通信，減少中心化“規劃者”帶來的高溝通成本和誤分配問題；
• 規劃者/平臺僅負責宏觀監督和激勵分配（根據智能體自報性能、客觀監控結果、用戶反饋綜合計酬），而不直接干預每一次任務執行；
• 所有智能體及用戶活動都在企業可控的“圍墻”之內完成，既滿足合規、保密需求，又保留了市場機制的競爭與創新活力。

簡言之，“圍墻花園”= 企業級安全隔離 + 內部市場化協作，既防止數據外泄，又避免過度集中化帶來的效率損失。

圍墻花園式平臺巧妙地規避了潛在風險，它允許企業用戶與智能體之間進行直接溝通交流，同時由規劃者對智能體進行監督與管理，智能體則依據自身的性能表現聲明、規劃者對其表現的客觀觀察以及用戶反饋評價等多種因素綜合獲得相應的報酬。

這種創新的平臺模式不僅充分保障了企業數據的安全性與保密性，還極大地提升了用戶與智能體之間的協作效率與互動質量，為智能體在企業決策中的深度應用開辟了新的道路。

總結

人與 AI 協同完成復雜任務，正從美好冤枉變為日常實踐；智能體則是把這一愿景落地的核心載體。但落地并不容易——它要求我們先把“人類如何與智能體共生”這一抽象命題，拆解成可落地的技術方案與業務流程。本文提出的“六項原則”正是這樣一份路線圖：以用戶代理（agency）與價值為核心，把 AI 嵌入企業決策、流程優化、戰略規劃的真實場景，而非反過來讓用戶適應 AI 的局限。

但，盡管文中已在 User-Centric AI 方面做了一些論述，還仍有許多關鍵的遺漏問題需要深入探索與解決：

1. 如何在聯邦 or 分布式學習基礎上，再向前一步，讓用戶對“哪一條數據、被哪一次訓練、用于哪一類模型”擁有更細粒度的控制權？（企業級個人專家Agent RL？）

2. 如何設計市場機制，使智能體在“風險-回報”與“質量-價格”兩個維度上形成連續檔位，從而覆蓋從保守到激進、從免費到高溢價的所有用戶偏好？（連續偏好撮合引擎？多策略集？結算RWA代幣化？）

3. 如何構建高保真沙箱，既能模擬不同智能體組織架構，又能生成海量真實用戶畫像，以便持續驗證平臺性能與體驗？（擬真數據工程？）

我在括號了備注了可能的研發方向，希望能激發你的思考（我也期望與你交流）。上述問題的突破，將決定企業能否真正完成從 AI-Centric User（用戶圍著 AI 轉）到 User-Centric AI（AI 圍著用戶轉）的轉變。屆時，AI 不再只是“更聰明的工具”，而成為“懂流程、懂目標、懂邊界”的同事；企業也不再為技術而技術，而是以更低成本、更高勝率做出每一次戰術乃至戰略決策。