2026 年 9 月到10月，个人 Agent 在一个月内由多家公司集中发布。
9 月 8 日，Meta 发布 Muse。
你交代一个目标，它拆成计划，关掉 App 也会继续做。
9 月 22 日，阿里在云栖大会上宣布加速做千问的 Personal Agent。
9 月 28 日，Manus 推出 Cue，给每个 Agent 配了独立的邮箱、电话号码和钱包。
9月29日OpenAI推出dots，10月anthropic推出 claude Duet
各家做法各有不同。
共同点是，AI 开始替人持续办事，不再只是回答问题。
再看企业这边。
不少企业的 AI 还停在给每个员工配一个 Copilot。
问一句，答一段。
业务流程没变，权限没变，分工没变。
这个落差已经有数字。
Gartner 在 2025 年 6 月预测，到 2027 年底，超过 40% 的 Agentic AI 项目会被取消。
它给的原因有三个：成本上升，业务价值不清楚，风险控制不足。
Gartner 的分析师还提到，很多被叫作 agentic 的场景，用不上 agentic 的做法。
三个原因里，没有一条写着模型不够强。
10 月 22 日，特赞科技Tezign发起的一场关于企业智能体转型论坛（WTCC 2026 主题论坛暨 Agentic Transformation 共建计划发布会 ）把这个问题摆到了台面上
从这场论坛释放的信号来看：
企业 AI 正在被迫走出 Copilot 阶段，进入智能体转型（Agentic Transformation）。
AI 要进入真实业务，必须承担复杂判断，必须能够连续几天推进具体任务。
个人 Agent 在个人端行得通，放到企业端就会立刻失效。
企业需要一套和自身的组织、流程、权限及判断逻辑绑定的方案。
如果企业智能体最终依然做成一个大号的内网问答机器人，这轮投入大概率会继续打水漂。
把这套逻辑拆开，核心要过三道关。
一、先把企业自身的运行规则吃透
Muse面对的是独立个体。
它运行在专属的虚拟机里，里面只有这个人的个人数据。
接什么服务，给多大权限，由这个人单独决定。
企业里的任何一件小事，都牵涉极其复杂的协作关系。
哪类员工能调阅哪份敏感数据？
跨部门流程需要谁来节点审批？
三年前否决某个方案的具体考量是什么？
哪些规则写在制度文档里，哪些默契只留在老员工的经验里？
Agent 想在企业里干活，必须先读懂这些隐性信息。
这层能力被称为企业上下文（Enterprise Context）。
千问在云栖大会上提到要把多端上下文积累成统一的 Personal Context。
个人上下文针对单个人，企业上下文则要覆盖整个组织的层级和规则。
回看 Gartner 列出的项目失败原因，业务价值说不清、风控跟不上，根源在于 AI 根本摸不清企业的历史规则。
在论坛现场，特赞把他们正在推进的 Context System 拿出来讨论。
这套机制被 Gartner 报告列入企业级智能体能力观察。
他们的做法是派驻 FDE（前线部署工程师）进场，把业务专家的决策逻辑沉淀进系统。
他们沉淀了上万条专家在多家头部企业在实际业务里的创作与决策轨迹。
这些轨迹不是冷冰冰的代码，而是带商业判断的上下文资产。
项目交付离开后，规则依然留在企业系统里，随着日常业务继续累积复利。
二、让 AI 面对没有标准答案的判断
Gartner 预测，到 2028 年，至少 15% 的日常工作决策将由 Agent 自主做出。2024 年这个比例还是 0。
但商业决策有两种完全不同的性质。
核对一张报销单据，有绝对的对错标准。
挑选哪款商品引进下一季库存，测试哪种设计契合目标人群，没有任何标准答案。
企业的前台业务全由后一种判断构成。
论坛第一场 Panel 讨论的是AI选品的问题。
消费者数据只能解释过去发生的事，未来的货品走势无法套用现成公式。
特赞的看法是，通用模型倾向于收敛到大概率正确的答案。
审美和偏好的问题，需要保留人与人的差异。
所以他们做了主观世界模型（Subjective World Model）
它尝试从人机交互视角切入，利用上百万真实用户数据，分层推演人的表达、叙事、认知与实际动作。
目的只有一个：模拟人类在面对消费选择时的复杂偏好。
这项探索目前还在路上，特赞也建立了研究设计、Benchmark（基准评测）和业务真实反馈来检验 AI，这才是工程落地的严肃态度。
三、让 AI 具备按周推进任务的执行机制
Muse 和 Cue 这类个人工具，已经能够支持后台离线挂机。
用户交代一个事项，它可以连续处理几个小时。
企业的业务周期更长。
推一款新产品，往往需要几周时间，其间要推演多条路径，推翻数个备选方案。
特赞构建的长程智能体（GEA），尝试解决这种长周期的事务。
按现场披露的机制，它保持 7×24 小时后台运转。
它具备跨天持有意图的能力，清楚昨天否决了什么、今天该验证什么。
它表现得像一支常驻的项目小组。
在推理逻辑上，它引入了发散推理（Creative Reasoning）。
大部分 AI 工具倾向于寻找概率最高的安全解。
长程智能体在早期排布方案时，会把低概率但具备潜力的非共识选项推入备选池。
这让企业在常规方案之外，能拿到具有差异化的备选策略。
这也是我们理解 Agent 的另一个切面：
它是一种新的业务执行机制。
它重新切分任务，重新调度推进，重新定义交付。
单点工具只能优化个人工时。
执行机制才能改变一段业务的运转方式。
四、所谓 Agentic Transformation 的真正意图
论坛共建计划给出的表述很简练：企业围绕人与 Agent，重新组织信息、判断、协作和执行，让 AI 变成企业运行能力的一部分。
官方口号是：Agent is the means. Transformation is the product.
Agent 只是推进转型的抓手。
企业真正要拿到的结果，是一套全新的运行形态和持续进化的机制。
特赞发起的这项 Agentic Transformation 共建计划，定位是面向全行业的产学研长程项目。
它聚焦在三个长期命题上：
Understanding（理解）：Agent 如何看懂真实的人、行业经验与企业情境。
Judgment（判断）：Agent 怎样进入没有标准答案的复杂决策，如何建立人机协同的审计机制。
Action & Evolution（行动与进化）：Agent 怎样持续推进业务，怎样借助真实反馈完成自我迭代。
对应的产出形式包括联合研究、行业 Benchmark、技术原型试错与公开挑战赛。
共建计划里有一句话点出了实质：先有值得共同回答的问题，再围绕问题组织合适的人。
这是一家企业把自己的技术假设公开拿出来，拉着学界和客户一起做对照实验。
它行不行得通，现阶段没人敢打包票。
论坛主持人在收尾时也坦言，这些命题在一个上午不可能讨论出最终答案。
五、现场被记录下来的三组真实细节
第一件事，两个世界模型的判断。
特赞CEO范凌提到了一个普遍现象：很多企业年初给员工配齐了各类 Agent 软件，员工自我感觉效率翻倍，但年底一查报表，公司业绩并没有产生实质性波动。
他援引了经济学上的索洛悖论（Solow Paradox）：当年所有人都在谈论计算机，企业财务报表上却看不到生产率的提升。
电动机替代蒸汽机的过程同样残酷。工厂采购电动机很快，但围绕电动机的特征把整座流水线和车间重新排布，人类花了整整 30 年。
AI 既是算法问题，也是组织架构的重塑问题。
他给出的工程解法是搭建两套世界模型：
一套是主观世界模型，用来理解外部客户那套自相矛盾的选择逻辑；
一套是企业世界模型，用来沉淀公司内部的资源边界、历史教训和业务规则。
两套模型跑在企业上下文系统之上，由长程智能体嵌入日常系统。
他强调，企业不能永远停留在租用智能的阶段，必须逐步把外部模型沉淀为能自主掌控、能追溯解释的主权资产。
第二件事，创新来自均值之外。
论坛上嘉宾提到，大语言模型充当的是均值平衡器，前台商业决策偏偏需要押注平均线以外的亮点。
特赞尝试的反收敛推理模型，切入的正是这个空白点。
褚荣伟给出的实操建议：不要让 AI 直接给买手下结论，让 AI 去做压力测试。
买手提出假设，AI 负责罗列消费者拒绝买单的挑剔理由，把 5 个发散想法压缩到 2 个，再交由真人做小规模验证。
真人与 AI 互为审计，各司其职。
第三件事，人和Agent重新设计分工。
Atypica 负责人丁鑫栋提到了一个很有意思的测试：
他们问市面上所有主流大模型，一瓶标价 49 元的高端矿泉水会不会有人买？
几乎所有模型的推论都指向否定，认为价格违背了参数性价比。
现实世界里，这类高定价商品每天都在产生成交。
通用模型在面对这类非理性消费时经常失灵。
他们为车企搭建的用户营销模拟器，正是为了在仿真环境里还原这种非理性推演。
他把人在企业里的核心职责归结为两点：教会 AI 执行规则，教会 AI 审美取向。
这才是企业在智能化改造中应该沉淀下来的底层资产。
个人 Agent 正在消费端加速铺开，给每个人配齐了执行工具。
企业级 Agent 面对的则是另一道考题：
吃透复杂的组织规则，参与没有标准答案的前台判断，在后台稳定推进长周期任务。
这场在上海西岸举办的论坛没有给出打包票的结论。
它把尚未解决的真问题摆在了行业面前，并公布了一套基于产学研的验证机制。
这轮转型的成败，不取决于大家买了多少套对话软件，取决于企业能否把自身的经验转化为独有的智能资产。
#agentictransformation #主观世界模型 #企业转型 #特赞 #复旦 #WTCC2026 #范凌 #设计人工智能 #GEA #atypica
--end--
最后记得⭐️我，每天都在更新：如果觉得文章还不错的话可以点赞转发推荐评论
/...@作者：心兰
