2026年的最后两个月，企业级 AI 和 个人 AI 之间的差距似乎越来越大。
一方面，围绕着个人生活的需求，Personal Agent 进展飞速。
而另一方面，企业级 AI 的进展，却有点微妙。
最近一份来自麦肯锡的报告显示，有 80% 调研中的人认为自己的工作效率提高了，却只有 37% 认为 AI 给公司利润带来了贡献。换句话说，就是企业给员工配了 AI 工具，整个公司却没有因此变高效。
这种现象听起来不合常理，但只要了解企业内部的 AI 落地状况，就会明白 —— 大部分公司还停在"给每个人配一个 Copilot"。
这套体系只是多了工具，并没有提供让企业级 Agent 进入业务的土壤。
要让 Agent 真正给企业带来效益，要走一条比 Personal Agent 复杂许多的落地路线。
企业Agent落不了地，本质上是组织问题
可能很多打工人都有这样的感受：
这两年模型一直在变强，从只能干对话、查询，一路升级到操控各种软件，甚至浏览器和电脑。很多公司也给员工配上了至少能干点小活的 AI 搭子。
但如果问企业的CIO、CTO，AI 的这些能力究竟给公司带来了多少收益？答案却很难评。
为什么只给员工配上 AI 工具，还不够？
即使每个人都拥有了自己的 AI 工作搭子，如果它们的作用主要停在生成代码、制作 PPT、查找资料这些单独的工作环节，又缺少共享业务背景、协调任务和对齐组织目标的机制，个人省下来的时间，就很难自动变成整个公司的收益。
今年 3 月，香港大学 AI、管理与组织研究中心就发布过一个这样的案例。
法国体育用品零售商迪卡侬的中国团队，在引入代码生成、自动化测试等 AI 工具后，编码与测试效率提升了 20%—40%。但管理层检查实际交付情况时发现，整体交付速度只提升了 10%—15%，项目依然需要数周，延期也没有消失。
他们进一步分析才发现，工程师的大量时间花在澄清需求、跨团队协调、同步依赖和等待发布上。
也就是说，AI 帮员工更快地完成了手上的任务，但任务之间的沟通和等待却依然存在。这些环节，限制了局部提效向整体交付收益的转化。
这就可能带来一种现象：员工个人的某个工作节点变得更轻松了，但企业完成核心工作目标的速度，并没有同步提升。
再加上企业还要承担工具订阅、培训和维护等成本，如果局部节省的时间，无法进一步转化为业务产出或运营成本的下降，AI 投入的回报就可能低于预期。
从这类案例再往深思考一层，会发现企业内的 Agent 能否真正发挥价值，本质上是个组织问题。
理想状况下，Agent 需要和现在的人类员工一样，承担更多能沉淀、能形成复利的工作。同时，它们也需要尽量降低团队之间的摩擦，让任务交付整体更快速可靠。
如果业务背景始终只存在于员工脑中，每个细小决策、每次任务交接都要等人来处理，Agent 就很难深入业务。员工即使同时带着几个 AI 搭子，也可能变成更忙的中间人，不断向它们和其他同事重复解释背景、传递信息、检查结果。
比较先进的案例也不是没有。
Anthropic 最近分享了一次内部实践：团队用两周时间，把 Claude 网页和桌面端的核心使用体验提速至原来的约三倍。
他们为 Claude 设定了持续的职责：监测性能、发现瓶颈、提出改进，并跟踪上线后的效果。
工程师和 Claude 在同一个 Slack 频道里协作。一个问题解决之后，Claude 还会继续寻找下一个优化机会。
这些工作也留下了可以复用的成果。Claude 在优化过程中建立的测试、监测指标和自动检查，被保留下来，防止后续改动让性能倒退。其他团队也开始把自己的修改带到频道里做性能检查。一次改进，由此变成了后续开发可以继续使用的工具和标准。
这个案例给出的启发是，企业需要为 Agent 安排明确、重要的职责，让它能持续执行、验证结果、留下可复用的成果，并让 Agent 和 人类能够丝滑协作，人类据此把精力更多放在目标和判断上。
但 Agent 和员工的关系也并非互相取代。
目前比较理想的状态，是 Agent 能够相对自主、长期地完成具备一定业务价值的工作，人类能借此释放自己，思考更高维度的问题，做更有价值的决策。
组织问题，需要合适的技术和产品设计解决
前面 Anthropic 的案例，其实已经给出了一个很具体的变化：
人负责做最核心的事，判断取舍，Agent 则围绕目标持续发现问题、尝试解决，并把验证有效的方法留下来。
但这种分工要在更多企业里成立，还需要产品本身接得住。
这就引出了接下来的问题：怎样的产品设计，才能支撑企业内的 Agent 相对自主地完成有业务价值的工作？
答案的核心是，Agent 要能长程推进任务。
企业 AI 项目的一个典型失效模式是演示效果很好，部署到生产后逐渐被搁置。
导致这种现象的一个原因，是大多数 AI 系统被设计成「单次对话」的形态：一个问题，一个回答，会话结束。这种形态能处理简单任务，但无法承载现实中的业务任务跨天、跨流程、跨部门，结果会影响下一步行动，中间有等待有变化的情况。
Anthropic 在 2025 年 11 月公开过一组长程任务实验。研究人员发现，即使给模型增加上下文压缩，把它放进反复执行的循环里，它仍然会留下做了一半的功能，或者看到已有进展，就过早宣布任务完成。
那么，该如何设计这种长程智能体？
我看到特赞的 GEA，是一个比较完善的案例。
沿着前面的业务问题看，它的产品设计里有三项能力尤其相关：企业上下文、长程智能体运行时，以及贯穿执行过程的生产级治理。
这些能力，能解决 Agent 在企业内部持续工作的大部分问题。
企业上下文，解决的是 Agent 依据什么做判断。
以一个新品立项任务为例。Agent 需要知道品牌面向谁、已有产品如何定位，也要知道某个方案为什么被否决。是消费者不喜欢，研发做不出来，还是成本超出了目标区间？只有最终版方案，往往解释不了这些区别。
按特赞的产品设计，Context System 会把内容、数据、关系、规则和人的判断组织起来，保留来源、版本和适用范围，并将经过确认的结果写回。这样，后续任务可以继承有效经验，也能识别已经过期的结论。
OpenAI 在今年 1 月介绍的内部数据 Agent，也遇到过类似问题。
面对大量名称相近的数据表，AI 只读字段和历史查询，仍然容易误解业务口径。所以，团队给它补上了专家注释、生成数据的代码逻辑和内部业务知识。用户纠正过的特殊筛选条件，也可以经确认保存为记忆，供后续分析复用。
这个例子里，员工提供的一次纠正，成为下一次工作的起点。企业积累的知识，也因此有了进入后续任务的路径 —— 和特赞的思路不谋而合。
长程智能体运行时，解决的是工作怎样继续。
企业知识和任务进度，是两类不同的信息。在一个任务中，品牌规范和某个任务当前的状态都需要保存，但更新方式和使用范围不同。
特赞 GEA 的长程运行时设计，能管理目标、计划与状态，让工作在变化中不断向结果推进。
在具体的任务里，系统会明白保存等待谁、等待什么，以及哪些工作仍可并行推进。研发反馈到来后，Agent 需要把它放回原来的目标和约束中，更新方案，再请求下一步判断。
遇到工具报错，还要确认哪些动作可以重试，避免把已经提交的操作重复执行。
“长程”也不意味着模型始终在后台思考。等待一份反馈时，系统可以暂停计算，有新信号到来再带着正确的状态恢复。企业需要持续被推进的任务，也需要控制为此付出的成本。
生产级治理，能将评测、权限、审计、人工监督与灵活部署嵌入每一次行动。
这部分决定了企业敢把多少工作交出去。
像 Agent 能读取哪些资料、调用哪些系统，什么情况下必须找人确认，都要在执行前有明确边界。生成一份内部方案、修改业务记录和动用预算，涉及的权限与后果并不相同。
这些能支撑长程任务的设计，也让前文我们讨论的人机关系变得更清楚。
员工设计系统定义目标、判断标准和责任边界，Agent 承担其中适合持续执行的部分。遇到必须由人决定的节点，Agent 应当带着证据、当前进度和待选方案来请求判断，让员工能够直接做决定。
让Agent在业务里证明价值
有了能支撑长程任务的技术设计，Agent 就可以在实实在在的业务里证明自己的价值。
对很多企业来说，理解自己的用户和消费者，是最有价值的岗位之一。
而且这个方向是主流大语言模型难以通过对话解决的 —— 它得了解用户消费、使用产品的行为和深层动机，需要 Agent 结合企业内部的经验实现。
特赞的模式是，推出自己的主观世界模型（SWM, Subjective World Model） ，来模拟人在具体情境下的感知、思考与选择。
这个模型，会通过四层异构数据的协同训练，建模出用户的表达、叙事、认知与行为。
也就是让企业了解自己的消费者说自己喜欢什么，又怎样解释自己的经历，做选择时在意什么，以及最终采取了什么行动。
在这些数据里，特赞特地使用了十年积累成的数万小时真实深度访谈语料，用来帮 Agent 解读“人为什么这么想”。
这种模拟的价值，能帮助企业在消费者研究中更早地发现差异、筛选假设，再把有限的真人消费者资源，用到关键问题的调研上。
在这两天的 WTCC2026 论坛现场，特赞创始人范凌还分享了一个更细致的快消行业实践。
食品饮料的新品研发与营销创意，几乎是最依赖人类直觉和经验的领域，也是之前被认为 AI 最不可能介入的场景。
但在与某全球头部食品饮料集团的联合实践中，特赞把搭载了主观世界模型与行业上下文的 AI 放进真实业务，将 AI 的消费者偏好预判，与真人资深专家的判断进行了对照验证。
结果证明，当 AI 在新品筛选、包装偏好、创意效果预判等多个环节，都体现出了与人类专家高度对齐的判断力。
*Gamelab中AI persona和人类进行行为经济学游戏，验证AI模拟的效果
从这些案例看，企业里的 Agent 要持续创造价值，需要把对业务的理解、任务的推进和结果的验证连接起来。
特赞长期服务企业积累的行业经验，也在这个过程中有了新的用处：那些曾经依赖专家反复解释、靠团队来回协调的工作，开始有机会被整理成 Agent 可以调用、执行和继续改进的方法。
最近的 WTCC 论坛上，特赞也发起了长期的「Agentic Transformation 共建计划」，邀请企业、高校、研究机构和技术伙伴，围绕企业智能体转型中的真实问题开展研究与实践验证，让这些方法在更多业务里接受检验。
这类实践也让 Agent 下一阶段的发展方向变得更具体。
它要在多轮执行中记住目标，接续中断的任务，根据新证据调整计划；也要知道自己的权限到哪里，遇到什么情况该请人判断。
随着这些能力逐渐成熟，人和 Agent 的协作也会进一步变化。员工可以把一段目标明确、结果可检查的工作交出去，再根据进展介入关键判断。同时人类员工还能和 Agent，以及其他带着 Agent 工作的同事一起高速协作。
接下来，衡量 Agent 发展的一个重要尺度，就是它能否在越来越多的真实业务中稳定做到这些。
