一場從“幫企業?好數據”到“幫企業?好AI”的產品躍遷。

作者｜蘇霍伊

編輯｜王博

發自美國硅谷

美國當地時間4月16日，ThinkingAI（原ThinkingData / 數數科技）在硅谷計算機歷史博物館舉辦全球發布會。

硅谷的科技底色與計算機歷史博物館的特殊屬性，讓這次發布會有了更多意義。

「甲子光年」了解到，這是ThinkingData更名為ThinkingAI的首次亮相，同時也是ThinkingAI首次在海外舉辦發布會。ThingkingAI聯合創始人韓盼介紹，“Data”到“AI”的變化，代表我們從“幫企業?好數據”到“幫企業?好AI”的定位躍遷?！?strong>我們也升級了我們的愿景——希望讓每一家公司都能擁有自己的AI Agent團隊。”他說道。

聯合創始人韓盼宣布ThinkingData正式更名為ThinkingAI，圖片來源：「甲子光年」拍攝

在發布會上，ThinkingAI發布了全新產品Agentic Engine。這是一個可以私有化部署的企業級Agent平臺，平臺中的Agent可實時分析業務數據、?主做出決策、并執?相關的策略動作?從發現問題到解決問題全閉環，?需???預、可全?動交付結果。

另外，ThinkingAI還宣布和Minimax達成戰略合作關系。Agentic Engine私有化部署的大模型（LLM）底座將由 Minimax提供。雙?表示，將在產品層?相互補充，共同為客戶創造最?價值。

ThinkingAI并不是一家新公司。它成立于2015年，是四位工程師帶著改變世界的理想從上海的一間舊工廠改造的孵化器起步。目前已發展成國內大數據服務賽道的頭部公司，十年服務超過1500家客戶，服務的客戶覆蓋了20個國家。

「甲子光年」認為，比起一次品牌更名和產品發布，這場發布會更值得關注的是一個變化：企業軟件正在從“分析數據”，走向“直接執行決策”。

過去十年，以ThinkingData為代表的數據分析工具，解決的是“看清發生了什么”；而在大模型與Agent技術興起之后，一個新的問題開始浮現——當企業已經擁有數據和洞察，為什么依然難以轉化為實際行動？

麥肯錫2025年的全球AI調研顯示，88%的企業已經在至少一個業務場景中使用AI，但約三分之二仍停留在試點或實驗階段，真正實現規?；涞氐钠髽I仍是少數。與此同時，在Agent等更復雜系統上，雖然已有超過六成企業開始嘗試，但能夠在具體業務中實現規模化運行的比例仍然有限。

在這一背景下，ThinkingAI試圖回答的，不只是“如何用好數據”，而是更進一步：如何讓系統替企業完成從發現問題、做出決策，到執行策略的全過程。

ThinkingAI活動現場，圖片來源：ThinkingAI

1.Agentic Engine：從“分析”走向“執行”

從產品形態上看，Agentic Engine更像是一個面向企業業務流程的Agent平臺。

在這一平臺上，企業可以構建和管理不同類型的Agent，這些Agent不再只是提供建議，而是具備直接參與業務流程的能力。

Agentic Engine的產品技術架構圖，圖片來源：「甲子光年」拍攝

ThinkingAI介紹，Agentic Engine的核心能力可以概括為三個關鍵詞：行動閉環（Autonomous Operational Intelligence）、全域感知（Total Contextual Intelligence）、私有化部署（Private On-Premise Agentic Platform）。

首先是“行動閉環”。

“Analytics Agent負責發現洞察，Engagement Agent把這些洞察直接應用到Live Ops中去執行?！表n盼解釋道從“發現問題、做出決策到落地執行”，整個業務閉環都由Agent一口氣完成，“比人類更快、更深和更全面”。

在傳統企業系統中，數據分析、策略制定與執行往往分散在不同角色與系統之中：數據團隊負責發現問題，運營團隊負責制定策略，再由具體崗位完成執行。這一鏈條不僅周期較長，也容易在不同環節中出現偏差。

行動閉環的拆解圖，圖片來源：「甲子光年」拍攝

Agentic Engine試圖將這一流程壓縮為一個連續系統。多個Agent圍繞同一業務目標協同工作，完成從檢測、決策到執行與審計的完整鏈路，并能夠直接作用于活動策略、產品配置乃至運營任務本身。

韓盼把這種能力形容為抓住“原子機會（Atomic Opportunity）”。

“產品運營中藏著無數‘原子機會’，它們加起來可能意味著數十億美元的增長，靠人工手動運營難以捕捉到他們。借助Agent，我們希望讓客戶盡可能多地抓住原子機會?！表n盼說。

更關鍵的是，ThinkingAI將過去十年服務1500余家企業所積累的行業方法論，抽象為可調用的Skill，嵌入到Agent體系之中。這意味著，系統不再只是提供分析結果，而是能夠基于既有經驗，直接參與到業務動作的生成與執行中。

從“提供洞察”到“驅動行動”，是這一能力背后更重要的轉變。

第二是“全域感知”。

在大多數企業中，數據長期處于割裂狀態：結構化數據沉淀在數據倉庫中，而用戶評論、客服記錄、社區反饋等非結構化信息，則散落在不同系統與渠道之中。這種割裂，使得企業往往只能獲得“局部最優”的理解。

“讓Agent看到‘發生了什么’背后的‘為什么’?！?圖片來源：「甲子光年」拍攝

Agentic Engine所強調的“全域感知”，本質上是在重構這一數據視角。平臺將用戶行為、交易、收入等結構化數據，與評論、工單、反饋乃至企業內部隱性知識統一納入同一上下文之中，讓Agent能夠在更完整的業務語境下進行判斷。

“我們一直很擅長結構化數據，但真正能帶來更好洞察的，是把結構化數據和非結構化數據結合起來，比如會議記錄、Discord、Reddit以及內部知識庫?！表n盼表示。

但想真正用好非結構化數據，并不簡單。

他坦言，很多企業過去的做法是把文檔、錄音、筆記一股腦丟給大模型，“一旦內容越來越多，它就會丟失記憶、丟失上下文”。為此ThinkingAI搭建了一套更完整的非結構化數據處理流程，涵蓋收集、歸一化、關鍵點抽取與摘要、信息融合，最后建立索引，讓大模型能夠在更大規模的語料中準確檢索和調用。

這也帶來一個直接變化：系統不再只是回答“發生了什么”，而是開始嘗試解釋“為什么發生”。

從數據整合走向語境理解，是企業AI能力演進中的一個關鍵躍遷。

第三是“私有化部署”。

相比消費級AI對開放能力的強調，企業場景對“可控性”的要求更為嚴格。數據是否出域、系統是否符合合規要求、模型是否穩定可控，往往比模型性能本身更具決定性。

ThinkingAI的私有化部署，圖片來源：「甲子光年」拍攝

Agentic Engine采用整套私有化部署方案，包括底層大模型在內，均運行于企業內部服務器之上，使數據始終留在企業體系內，并滿足GDPR及各地數據合規要求。

與此同時，平臺提供無代碼構建能力，使業務人員也可以參與Agent的創建與配置。這在一定程度上降低了Agent使用門檻，使其不再局限于技術團隊，而是逐步向各類業務崗位擴展。

在現場，韓盼反復提到，ThinkingAI自始至終不持有客戶數據：“從Thinking Engine誕生的第一天起，我們就相信，數據、公司的數據屬于你，屬于你的公司。我們手上沒有任何數據?！?/p>

經常有人問韓盼某個品類的平均7日留存是多少?！拔抑荒芑卮稹恢馈?，我們沒有數據，但我們有最佳實踐，我們知道怎么分析數據。所以一切都跑在你的基礎設施里，你的Agent、你的數據和你的模型，完全在你自己的環境里運行。”

從這個角度看，私有化部署不僅是安全與合規問題，也決定了Agent是否能夠真正嵌入企業日常運營之中。

其實，Agent進入企業真正的挑戰有三個方面：數據是否打通、系統是否可控、執行鏈路是否完整。Agentic Engine的三項核心能力，本質上正是圍繞這三點展開。

正如韓盼在現場所說：“讓大模型理解你的業務、解決增長，并安全地做到這一切，這就是我們構建企業級AI Agent應用真正要解決的問題。”

2.與Minimax合作：企業Agent需要怎樣的大模型

在產品發布之外，ThinkingAI此次還宣布與Minimax達成戰略合作，由后者提供Agentic Engine私有化部署的大模型底座。

韓盼把這次合作定位為"讓自托管方案變得完整"的關鍵一環。

他強調，ThinkingAI的Agentic Engine要真正跑在客戶自己的基礎設施里，就必須配上一個既開放、又足夠強的模型底座，“怎么讓這一切發生？怎么讓自托管方案更完整？這就是我們今天宣布與Minimax戰略合作的原因?！?/p>

從表面看，這是一項典型的“模型+應用”合作；但放在企業Agent的語境下，這一合作的意義更偏向于基礎設施層的補齊。

在消費級AI中，大模型能力往往被視為核心競爭力，但在企業場景中，情況略有不同，企業更關注的是模型是否可控、可部署、可持續運行在自身體系內。

「甲子光年」在過往的調研中發現，這背后涉及幾個更現實的問題：數據是否能夠留在企業內部、系統是否符合不同地區的合規要求、模型成本是否可預測，以及在長期使用中是否具備穩定性。

也正因如此，私有化部署逐漸成為企業AI落地的重要路徑之一。相比調用公有云API，私有化模型意味著企業可以在自身數據與系統環境中，構建完整的Agent執行鏈路。這也是Agent能夠真正參與核心業務流程的前提。

在這一邏輯下，僅僅把Minimax作為模型提供方就有些低估這次合作了，Minimax的模型其實是讓Agentic Engine能夠實現“閉環執行”的基礎條件之一。

為什么ThinkingAI和MiniMax會形成合作？

MiniMax全球業務總經理Linda Sheng也在現場給出了回應。她介紹，MiniMax可以說是目前唯一獨立的基礎模型實驗室，能夠從前沿研究到預訓練、后訓練、強化學習全鏈路自研，不僅覆蓋編程和Agentic方向，還延伸到多模態領域，包括視頻大模型海螺（Hailuo）和全球使用量領先的TTS語音模型。

MiniMax全球業務總經理Linda Sheng與主持人、福布斯撰稿人Dasha Shunina，圖片來源：ThinkingAI

Linda Sheng在ThinkingData還沒變成ThinkingAI之前就已經認識這家公司，“我其實以前是投資人，做了將近十年的科技投資。當時整個游戲運營行業，就是建立在對運營數據的深度分析洞察之上的。游戲行業可能是數據最豐富的行業之一，很容易把數據洞察轉化成更高的利潤率、更高的收入、更高的運營效率?！?/p>

在她看來，今天判斷“哪些行業最容易被AI顛覆、最容易從AI中受益”，一個核心標準就是數據就緒度——而游戲行業恰好是這個維度上最靠前的行業之一。而ThinkingAI的獨特之處在于，它已經在這個最前沿的行業里扎根多年。

Linda Sheng直言：“ThinkingAI深度滲透到了你能想到的幾乎所有主要游戲公司。他們有點低調，但從我的投資人圈子里我一直都知道他們，這是一個有非常扎實業績記錄的團隊?！?/p>

她把這次合作概括為“三件事的疊加”：一個正在被AI顛覆的行業、一支在這個行業深耕多年的團隊、以及一個開源權重的前沿基礎模型。“當你把這三樣東西拼在一起，就是物品今天在這里的原因?！?/p>

進一步來看，這類合作也反映出當前企業AI生態的一種分工趨勢：一端是提供通用模型能力的廠商，另一端是將模型嵌入具體業務流程的應用平臺。兩者更接近一種“共同定義場景”的協同關系。

Linda Sheng在現場把這種協同稱為“共同演化（co-evolve）”。

“任何做應用、對使用場景有深入理解的人，都需要跟基礎模型實驗室共同演化?！彼嘎?，接下來MiniMax會跟ThinkingAI一起，從游戲行業開始，把行業特定的使用場景沉淀下來，反哺到下一代基礎模型的預訓練之中，“不是用誰的數據訓練模型，而是真正理解這些洞察、理解使用場景、理解模型在某些場景下為什么會失敗，然后我們自己回過頭去構造數據、構造理解，讓下一版模型能真正解決開發者和運營專家日常工作中遇到的實際問題?！?/p>

對于ThinkingAI而言，引入Minimax，也意味著其產品形態不再局限于數據平臺，而是進一步向“AI基礎設施+業務執行系統”的組合演進。而ThinkingAI也不只是MiniMax的一個“客戶”或“渠道”，而是能夠幫助MiniMax定義下一代模型該解決什么問題的行業伙伴。

這次硅谷發布會是ThinkingAI的首秀，4月22日ThinkingAI將在上海舉辦“From Data To Al——Build Your Real Agent Team”大會。這場大會將直擊Agent技術底座，深度解構數據基建如何升級為Agent執行引擎。從架構設計到技術選型，再到踩坑實錄，為開發者提供一份可落地的“避坑指南”。在Agent生態圖譜和0-1實戰方法論方面，也將會有行業大咖帶來精彩的觀點分享。

當企業軟件正在從“分析數據”，走向“直接執行決策”，一場變革開始了。

（封面圖來源：ThinkingAI）

4月22日13:30

上海漕河涇會議中心

ThinkingAI將提供

實機演示和1v1場景診斷

Build Your Real Agent Team