允中 發自 凹非寺
量子位 | 公眾號 QbitAI

“為什么模型每個月都在變強，但我的企業好像沒有一起變強？”

這是很多 CEO 和業務負責人心里的困惑。

過去兩年，企業用 AI 的路徑高度相似。

先給員工開通大模型賬號，再上線 Copilot，再接入知識庫，再做幾個 Agent 試點。

今年又更進一步：部署 OpenClaw類產品，讓 AI 從 “會說” 變成 “會干”。

演示效果很驚艷，發布會也足夠熱鬧。

員工確實寫得更快了，會議紀要確實更容易生成了，PPT 和方案也能更快產出了。

但問題在于：

• 這些使用痕跡有沒有沉淀為企業能力？
• 專家經驗有沒有變成組織資產？
• 每一次任務完成后，下一次是否更好？
• 如果底層模型換掉，企業積累下來的判斷還在不在？
• 如果所有公司都把知識喂給少數幾個大模型，最后價值到底留在誰手里？

這可能才是企業 AI 進入深水區后真正的分水嶺。

AI 競爭的第一階段，是模型能力之爭。

第二階段，是 Agent 應用之爭。

而接下來，更關鍵的競爭正在轉向：

誰能把 AI 變成企業自己的智能引擎。

通用模型熱潮時，有人提出了一個逆勢判斷

這個問題，在通用大模型熱潮最洶涌的時候，就已經有人看到了。

銜遠科技創始人周伯文教授，當時提出了一個逆勢判斷：

AI 發展的正確路徑，是在充分泛化的基礎上，具備對任何領域深度專業化的能力。

他的核心洞察是：泛化基礎上的深度專業化，才是企業競爭力的本質來源。專業化能力的歸屬，決定了 AI 價值最終留在誰手里。

通用模型解決的是“會做”的問題，但企業競爭力從來不來自“會做”，而來自“比別人做得更準確、更快、更符合自己的業務邏輯”。
一家企業如果只是接入了最好的通用模型，相當于所有人都坐上了同一趟高鐵 —— 速度快了，但方向和目的地都一樣，競爭優勢無從建立。

這個判斷，比 “企業需要 AI 工具” 更深一層，也比 “企業要建私有化部署” 更準確。

它指向的是一個更根本的問題：在 AI 時代，企業專業能力的所有權，歸誰？

微軟 CEO 納德拉最近的一系列表述，從另一個角度印證了這個方向：

他提出了Human Capital（人力資本）與Token Capital（詞元資本）兩個概念。

企業通過 AI 系統沉淀下來的可復用智能能力，是這個時代新的資本形態。

他的判斷是：AI 不會讓人力資本變得不重要，反而會讓真正高質量的人類判斷更重要。

真正危險的，是企業把自己的知識、經驗和判斷全部交給外部模型，卻沒有形成自己的學習系統。

他用全球化作類比：第一次全球化中，很多產業把制造能力外包出去，產業空心化的代價持續多年。

AI 時代，如果被外包的是認知能力和專家經驗，后果可能更嚴重。

但納德拉沒有回答的問題是：

企業的專業判斷、業務規則和專家經驗，如果是在使用通用模型的過程中被持續吸入模型底座，那 Token Capital，究竟是在自己手里，還是在模型廠商手里？

周伯文教授的回答是明確的：

專業化能力必須留在企業自己的平臺上、自己的 know-how 里，而不是成為通用模型無限膨脹的訓練材料。

這不只是技術路線的選擇，更是一種商業倫理的表態：企業把數據和經驗交給一個平臺，這個平臺有沒有責任讓這些資產留在企業自己手里？

而回答這個問題，需要的不只是承諾，而是一套企業自己能驗證的評測體系。

真實企業任務，比公開 Benchmark 難得多

在這一背景下，一篇最新企業 Agent 評測論文更顯得尤為重要。

在這篇題為 EnterpriseClawBench: Benchmarking Agents from Real Workplace Sessions 的論文中，銜遠科技大觀研究院團隊發布了EnterpriseClawBench。

該成果一經推出便獲得行業廣泛關注，論文更是登上了 Hugging Face Daily Papers 日榜第二名，意味著全球研究社區當天認為這是最值得關注的論文之一。

更重要的是，銜遠同步開放了評測協議和構造方法。這意味著任何企業、研究團隊都可以用同樣的方法，在自己的數據上構建私有評測集。銜遠在做的，更大價值在于嘗試建立一套行業標準。

EnterpriseClawBench并不是用傳統問答題測試模型，也不是讓模型在標準化題庫里刷分，而是從真實企業工作會話中構建 Agent 評測任務。

銜遠科技 Frontis 團隊從真實工作場景中，抽取 2026 年 3 月到 5 月的內部 Agent 使用記錄，經過過濾、分類、評分標準生成等一系列自動化處理，最終構建出 852 個可復現任務，并人工審計出 120 個 Lite 任務子集。

這些任務覆蓋產品、研發、HR、行政、銷售、市場、財務、運營、管理層等真實崗位。

任務形態完全來源于企業日常工作：

• 有人上傳會議錄音和項目群進展，讓 Agent 寫日報；
• 有人上傳 Excel，讓 Agent 校準收入、成本、毛利和現金流；
• 有人上傳 PDF 和模板，讓 Agent 生成案例展示；
• 有人要求生成 HTML 頁面、PPT、表格、報告、代碼或圖片；
• 還有人讓 Agent 分析周報、修改 OKR、整理客戶拜訪計劃、生成解決方案。

這和傳統問答 benchmark 完全不是一類問題。

傳統評測經常考的是模型能不能答對。而EnterpriseClawBench 考的是：Agent 能不能在企業工作空間里，讀取異構文件、恢復上下文、調用工具、生成可用交付物，并且在成本、耗時、格式、視覺質量和證據準確性上都過關。

這就像把 AI 從“考試環境”拉進了“真實辦公室”。

在構造方式上，EnterpriseClawBench 也做了幾層關鍵設計：

• 首先，它來自真實工作會話，而不是人工想象出來的任務。
• 其次，它同時評估文本和視覺交付物，不只看回答內容，也看文件是否真的可用。
• 第三，它采用硬規則和語義評分結合的方式：文件類型、文件數量、是否為空、能否打開，是硬規則；準確性、相關性、深度、實用性、表達質量，是語義評分。
• 第四，它把成本和耗時也納入報告，因為企業部署 AI 不可能只看效果，不看 ROI。
• 第五，由于源數據包含企業內部內容，它不釋放數據本身，而是開放構造與評測協議。

這最后一點非常關鍵。

這恰好回答了納德拉提出但沒有解決的問題：企業需要評測系統，但不能為了評測犧牲自己的內部數據和知識資產。

這也只是銜遠大觀研究院正在做的工作之一。

7月17日，在WAIC上，銜遠將發布更多AI評測與AI4AI方向的研究成果——如何讓AI系統更可靠地評估自身能力邊界，以及實現Agent的遞歸自我進化（即 AI for AI），將是接下來值得關注的話題。

三個反直覺結論

回到 EnterpriseClawBench ，它最值得關注的，不是榜單本身，而是它揭示出的三個反直覺事實。

第一個事實：真實企業任務遠未被 Agent 解決。

在人工審計的 120 個 Lite 任務上，最強組合 Codex / GPT-5.5 的得分也只有 0.663。

這不是說模型不強，而是說明真實企業任務比公開 benchmark 難得多。

企業任務往往不是單點問題，而是復合問題：要讀文件，要理解上下文，要遵守格式，要生成交付物，要保留證據，要滿足業務目標，還要能被人直接使用。

任何一個環節出錯，業務結果都可能不可用。

第二個事實：Harness 和模型一樣重要。

論文發現，同一個 Claude 模型，在不同 Agent 框架下表現差異很大。

有的組合可以保持 0.62 到 0.64 的區間，有的框架下卻掉到 0.458。

這說明，Agent 不是模型的簡單外殼。

工具調用、權限控制、運行環境、文件寫入路徑、多步修復能力、執行鏈路長度，都會影響最終交付。

所以企業不能只問“你用了哪個模型”。

更應該問：你的 Agent 如何執行？如何讀文件？如何調用工具？如何生成交付物？如何保存證據？如何失敗重試？如何被評估和優化？

第三個事實：Skill 注入是 AI for AI 的雛形，但必須被評測。

EnterpriseClawBench 做了一個很有意思的實驗：從同類任務中蒸餾 Skill，再注入 Agent，測試它在留出任務上的表現。

結果發現，好的 Skill 確實可以提升 Agent 表現，但效果高度依賴“誰來生成 Skill”和“哪個 Agent 來消費 Skill”。

有些 Skill 帶來正遷移，有些 Skill 反而造成負遷移。

這非常重要。

這恰恰說明，“讓 Agent 自我進化”在今天遠不是自動成立的——放任沉淀經驗,很可能讓 Agent 變笨。正因如此,進化必須被評測約束。

經驗要進入系統，必須經過評估。Skill 要進入生產，必須經過驗證。Agent 要自我進化，必須有一套能判斷進化方向是否正確的私有化評測體系。

真正的模型能力評測不能只看外部榜單

這三個發現，共同指向同一個缺口：企業真正需要的，不只是 model eval（模型評估），而是 private eval（私有化評估）。

什么叫一次好的銷售機會診斷？
什么叫一個可被復用的專家判斷？
什么叫 Agent 真的改善了業務結果，而不是只生成了一份看起來漂亮的文檔？

這些問題，通用模型公司無法替每家企業回答。

答案藏在企業自己的業務目標、組織經驗、隱性規則和管理判斷里。

外部 benchmark 告訴你模型的通用能力，private eval 才能告訴你 AI 是否真的在你的業務里創造價值。

正如納德拉所說的”控制權測試”：如果明天換掉底層模型，企業積累的專家經驗還在不在？如果不在，買到的只是外部能力；如果還在，才算真正沉淀了自己的智能資產。

這也是銜遠大觀 MA 進化引擎背后的設計邏輯：不是讓 Agent 自己隨便變，而是讓 Agent 在評估、反饋、歸因、沉淀和再訓練中受控進化。

銜遠大觀：自主進化的智能資產引擎平臺

沿著這個邏輯，銜遠科技 Frontis 正在做的 銜遠大觀 Frontis Horizon ，就可以被更準確地定義為：自主進化的企業級智能資產引擎平臺。

它不是傳統的Agent 編排工具，不是通用Agent平臺工具，也不是簡單的企業級龍蝦（OpenClaw）。

它真正要解決的是企業 AI 的更底層問題：

• 如何把通用模型能力，轉化為企業自己的專業能力？
• 如何把專家經驗，沉淀成可復用的 Skill 和 Agent？
• 如何把工作流、業務規則、組織記憶和評測標準沉淀為企業自有知識產權？
• 如何讓企業在替換底層模型時，仍然保留自己的 DNA、Memory 和 Process？
• 如何讓每一次使用，不只是完成任務，而是反哺下一次能力提升？

一句話：銜遠大觀要做的不是幫企業“使用 AI”，而是幫企業擁有一套可持續進化的自有智能系統。

在銜遠大觀的架構里，這套系統可以理解為三層：

第一層是 ME，人的組織代理。

ME 不是聊天機器人，也不是靜態個人知識庫，而是在企業語境中代表人持續推進工作的受治理代理。

它理解人的目標、偏好、職責、權限、風險邊界和歷史上下文，可以幫助人過濾信息、生成判斷、推進任務，并在關鍵節點請求確認。

ME 的價值不是“像不像我”，而是“能不能代表我把工作推向前”。

某客戶的銷售總監反饋，接入 ME 之后，他每周整理跟進計劃的時間大幅壓縮。

但更重要的變化發生在三個月之后 —— 他的 ME 已經積累了大量高質量銷售判斷案例，這些判斷模式開始被復用于團隊的新人培訓。

ME不是概念。銜遠已經把ME的核心能力產品化為Leadeep AI 領銜者——一款面向職場人的AI錄音與洞察產品。

上述銷售總監使用的，正是Leadeep AI 領銜者——ME能力的移動端產品化形態。

它做的事情，正是ME層設計的微縮版：記錄人在真實工作場景中的判斷和決策，提煉關鍵信息，在下一次同類場景中更快給出建議。

618期間，Leadeep在社交媒體上引發自發傳播，背后不是靠營銷，而是因為很多用戶第一次感受到“AI真的在幫我積累判斷，而不只是幫我整理文字”。

第二層是 WE，企業的硅基組織。

企業不是只有一個 Agent，而是需要由多個角色化專家 Agent 組成的協同網絡。

比如，在世界500強大宗商品貿易企業的大豆采購場景中：

大宗市場分析專家、海運物流專家、合規風控專家以及財務成本專家等，組成供應鏈agent專家團，協同完成大豆采購交易，降低交易風險的同時，將行業研究周期從天縮短到小時，物流規劃周期從周縮短到天。

而 WE 的關鍵不僅在于專家數量，更在于組織上下文。

沒有目標、權限、證據、接口、語義標準和治理邊界，再多 Agent 只是噪聲。

有了組織上下文，一群 Agent 才能變成真正的硅基組織。

第三層是 MA，組織級學習與控制系統。

沒有 MA，ME 和 WE 只是一套執行系統。

有了 MA，組織才會在每一次執行中變得更聰明。

MA 要記錄行動、評估結果、追蹤證據、分析偏差、沉淀經驗、更新規則，把錯誤變成材料，把反饋變成訓練信號，把一次次任務變成企業能力復利。

這也是從雙環學習走向三環學習：不僅復盤動作對不對，也復盤策略對不對，還復盤組織結構、能力結構和流程規則是否應該被重構。

正如上述大豆采購 agent 專家團案例，通過持續反饋和使用沉淀專家經驗到 skill 和 agent，從而構建私有化評估和持續進化的組織能力，大宗貿易企業得以更好地應對急劇變化的宏觀形勢和國際市場。

結語：AI 原生能力的核心在于持續進化

行業里有一個常見誤區：企業里有很多 AI 工具、很多 Agent、很多自動化工作流，就算 AI 原生了。

但這仍是舊時代的理解方式 —— 組織本體不變，只是多裝了幾個智能體；管理方式不變，只是流程跑得更快一點。

真正的 AI 原生，不是 “原來的企業 + AI 工具”，而是企業本身開始被重新定義。

過去的數字化系統，大多解決的是記錄問題：ERP 記錄交易，CRM 記錄客戶，OA 記錄流程，BI 展示指標。

它們讓企業變得更透明，但并沒有改變一個底層事實：人仍然是唯一行動主體。

AI 原生系統改變的正是這個前提。

AI 不再只是記錄和展示，而是開始理解目標、調用工具、推進任務、生成交付、接收評價，并在反饋中持續學習。
企業系統正在從System of Record，走向System of Learning。

從 “記錄企業”，走向 “進化企業”。

回到文章開頭的問題：模型不是企業的護城河，那什么才是？

答案已經清晰：私有化評估 + 可持續進化能力。

私有化評估，讓企業能判斷 AI 是否真的在自己的業務里創造價值，而不是只看外部榜單選模型。

可持續進化能力，讓每一次任務執行、每一次專家反饋、每一次經營復盤，都能轉化為可復用的知識、Skill 和 Agent。

同一個大模型，所有人都可以買。同一種 Agent 框架，所有企業都能接。

但每家企業在長期經營中形成的客戶理解、專家判斷、流程細節和決策偏好，不會自動存在于通用模型里。

如果企業不能把這些東西沉淀下來，AI 用得越多，越可能只是替外部模型訓練了世界，而沒有訓練自己的組織。

這正是銜遠科技 Frontis 正在做的事 ——銜遠大觀 Frontis Horizon，不是幫企業 “使用 AI”，而是幫企業擁有一套私有化評測體系與可持續進化的自有智能系統。

當底層模型明天被換掉，企業積累的 DNA、Memory 和 Process 還在 —— 那才是真正意義上的 Token Capital，也才是這個時代企業真正的護城河。

銜遠官網：https://frontis.cn/
產品鏈接：https://ai.frontis.cn/
論文鏈接：
https://huggingface.co/papers/2606.23654
代碼鏈接：
https://github.com/FrontisAI/EnterpriseClawBench