过去的通用 Agent 更像是「单次任务交付」。你必须先想清楚自己要干什么，给它下达一个明确的指令。比如「帮我写一段爬虫代码」或者「把这份表格整理成图表」，它帮你很好地完成这次交付，任务就算结束了。
但今天的 Personal Agent 更想要的，是与用户的意图（Intent）做对齐。
在用户自己都还没完全想清楚具体要做什么的时候，Agent 就得捕捉到那个模糊的意图，顺着这个状态去判断和规划给用户的建议。后续一连串的动作拆解和方案判断，是由 Agent 主动完成的，这也是过去的 ChatGPT 或单次任务型 Agent 做不到的事。
如果我们把这个产品形态的变化，放到企业场景里看，恰恰能解释今天很多企业管理者的困惑：为什么公司很早就接了大模型、给员工报销各种 AI 工具，大家却依然觉得「公司好像并没有因为 AI 变得更高效」？
原因其实就在这里。在企业内部，把单个数据处理好、把单份文档润色好，只是用 AI 完成了某一次孤立的任务交付。但把单次任务做好，和「达成企业的业务目标」之间，隔着巨大的鸿沟。
大量企业的 AI 落地，至今仍停留在「给每个人配一个 Copilot」的阶段，本质上只是把问答工具塞进了原有的工作流，流程本身没有任何改变。企业真正缺的不是第 101 个 AI 工具，而是一条类似「企业级 Personal Agent」的演进路线。
当企业需要的不再是一个单次问答的助手，而是一个真正能读懂企业意图、能主动推进业务的超级智能体时，行业正在形成一个新的共识——从单纯的「工具提效」走向 Agentic Transformation（智能体转型）：企业 AI 的下一阶段，不再是买一个更智能的 Copilot，而是让 AI 真正理解企业的意图，进入真实业务现场，参与复杂判断，并主动、长程地推进业务结果。
⬆️关注 Founder Park，最及时最干货的创业分享
我们将通过「AI 产品市集」、内容报道、社群分发等方式，帮你触达早期用户、获得真实反馈，以及建立关键连接。
如果你正在做 AI 相关的事，欢迎和我们聊聊。01
给企业卖个 Agent 很容易，
难的是捕获「企业的意图」
最近我们和不少做 ToB 服务的创业者交流，大家有一个非常一致的体感：今天把 DeepSeek 或任何大模型接进企业内网，或者给企业卖一个现成的 AI App、通用 Agent，这件事本身已经没有任何门槛了。
真正卡住所有人的第一步是：怎么让企业明确自己的业务目标、工作流程和历史数据，并让这些东西跟 Agent 做好对齐，从而让 Agent 能够准确捕获到「企业的意图」？
在个人端，捕获意图只需要理解一个人的生活习惯；但在企业端，意图藏在复杂的组织规则、审批权限、业务流程以及过往无数次试错的经验里。如果 AI 只是个「企业版 ChatGPT」，它永远不会因为你调用得多，就自动「记住」你的业务。100 个员工各自打开对话框向通用模型提问，因为缺乏企业级上下文（Context）的对齐，产出的结果往往是一盘互不兼容的散沙，这轮转型大概率还是会做浅。
面对这个卡点，很多企业容易陷入另一个误区：既然买现成的通用工具行不通，那公司是不是得自己招一支算法团队，从零开始搭建自己的 Agent？
这里其实需要把两件常常被混为一谈的事拆开来看：企业可以不自己建 Agent，但必须自己建智能。
Agent 是执行结构：跑任务、调模型、接系统，这些属于工程层面的基础设施，完全可以采购、可以租用，也可以由外部的专业团队来构建；
智能（Intelligence）则是企业资产：企业在一次次真实业务中积累下来的经验、判断标准与运行机制，必须沉淀在企业自己的系统边界内，由企业自己拥有。
模型迭代的速度极快，今天花大价钱买来的模型能力，明天就可能随着基座升级而贬值，买来的通用能力不会构成任何一家企业的壁垒。但企业自己的业务经验是稀缺的——执行可以外包，积累不能外包。 只有把每一次业务判断和有效方法留在自己的系统里，它才会随着时间复利增长，变成越用越懂这家企业的专有智能。
那么，企业的经验到底该怎么留在系统里，变成 Agent 能听懂的「上下文」？
过去两年，很多团队把企业的上下文简单等同于做个知识库检索（RAG），把公司的规章制度和历史文档塞进向量数据库里。但在真实业务中，死板的静态文档并不能代表企业的判断逻辑。
真正走在前面的行业实践者已经意识到，企业需要构建的是一套动态的 Context System（企业上下文系统），而其中最核心、也是通用模型厂商拿不到的数据壁垒，是业务流转中产生的 Creative Trajectory（创作与决策轨迹）。
这套系统记录的不只是最终交付的那张海报、那条视频或那份企划案，而是整个产出过程背后的商业语境：这个素材是在什么业务目标下发起的？中间为什么推翻了前三个版本？每一次修改背后遵循了什么样的品牌规范、合规权限或审美判断？最终投放到市场后，哪一个版本的真实转化效果最好？
为了让这些原本散落在业务专家脑子里的隐性经验真正沉淀下来，ToB 领域的交付方式也在发生变化——越来越多前沿团队开始采用 FDE（Forward Deployed Engineer，前线部署工程师）驻场交付机制。在深入业务现场构建智能体的过程中，专家的判断逻辑与工作路径被一步步结构化、机制化地编码进系统里。
当项目交付结束时，这套上下文系统全部留在企业自己的边界内。这不仅让 Agent 真正对齐了企业的规则、权限与历史意图，这些沉淀下来的行业 know-how 同时也是模型进行 post-training 最稀缺的高质量语料来源。企业的智能不再是一次性搭建的静态工程，而是开始随着每一天的业务运转，自动完成复利累积。
02
工作方式的重写：
从「人用 AI」到「AI 用人」
当 Agent 真正与企业的业务目标、数据上下文完成了对齐，能够听懂「企业的意图」之后，组织内部会发生什么变化？
在真实落地的企业里，一个最直观的体感变化是：人和 AI 的协作关系正在发生倒转——从过去的「人用 AI」，变成了「AI 用人」。
回顾过去两年的 Copilot 模式，或者大多数人习惯的跟 Agent 协作的方式，底层逻辑依然是「人用 AI」。人在主导整个工作流：人去拆解任务，人去写提示词调用 AI，生成出一段文案或一张图之后，再把它复制粘贴到下一个软件里去走流程。在这个过程里，AI 只是给某个员工单点提效的工具；一旦员工合上电脑，任务也就停摆了。
但在 Agentic Transformation 的运行形态下，这段工作方式被彻底重写了：
企业只需要给出一个商业意图（Intent），接下来的事情不再是员工一步步推着 AI 走，而是 AI 自己在后台跑任务、自己拆解目标、自己做规划并推进落地执行；只有在执行过程中遇到了关键节点——比如需要人的主观判断介入、需要审美取舍或风险拍板时，AI 才会主动去「调用」人。
这种从「人用 AI」到「AI 用人」的关系重构，改变的不是某一个人的打字速度，而是整个组织的执行结构，任务如何被拆解、如何跨部门推进、如何最终交付，都有了全新的运行形态。
要撑起「AI 用人」的协作模式，靠单次问答式的助手显然是做不到的，它背后依赖的是特赞构建的长程智能体运行机制（GEA / Proactive Agent），更主动（Proactive）的 Agent。
在这套机制下，Agent 不再像一个问一句才动一下的员工，而是像一支 7×24 小时在后台持续运转的团队。它具备跨天持有意图的能力：在长达数天甚至数周的业务周期里，它清楚地记得最初锁定的业务目标是什么，记得昨天已经试过了哪几条路径、哪几个方案因为什么原因被否掉了，并在此基础上主动规划下一步动作，在恰当的时机呼叫对应的人类专家介入确认。
人类从执行层退出来，留在判断节点上。
让 AI 在后台自己跑规划，也会带来一个顾虑：最后出来的会不会都是平庸的均值方案？
毕竟，传统大模型的本质是概率收敛。举个最典型的商业场景：当一个消费品牌的 CMO 要做新品上市的传播策略时，常规推理模型会基于历史数据和最佳实践给出一个「最优方案」——合理、安全，但大概率平庸。
为了打破这种均值陷阱，前沿的技术演进方向是引入发散推理模型（Creative Reasoning Model）。在面对复杂商业课题时，这类模型会先把可能性铺开：如果不做传统广告呢？如果目标人群不是你以为的那群人呢？如果竞品的策略建立在一个错误的假设上呢？铺开之后，再收敛到最有价值的那条路径。
发散推理模型在任务编排的初期，会主动把「小概率事件」纳入方案空间——先像顶尖创意团队脑暴一样，将非共识的选项发散出来，探索多条不同寻常的可能性，然后再结合企业的 Context System 进行可行性评估与收敛。
这也意味着，这类模型的训练方式必须和常规做法拉开差距。它不能只靠普通的通用标注，而是需要找来真正做过商业决策的策略顾问、创意总监、品牌专家和市场研究员做深度标注——他们标的不只是答案本身的对错，更是「思考路径的价值」：哪些方向值得探索，哪些可能性最容易被忽略，哪些假设本身需要被质疑。其核心目标，就是帮企业跑出人类团队因为精力有限而漏掉的非共识方向。
03
中大型企业的「最小闭环」，
在前台业务
想清楚如何「对齐企业意图」和「员工如何和 AI 协作」之后，企业决策者要考虑的下一个问题是：在企业内落地 Agent，哪个场景或者业务是做适合的，还是上来就全盘接入？
和 Personal AI 今天所面临的问题很类似。
不管是大厂还是创业公司，大家给 Personal Agent 画的愿景都非常宏大，希望能全面接管一个人的生活和工作；但在今天实际推向市场时，各家几乎都不约而同地选择了像「帮你订机票、排差旅」这样极其具体、极其高频闭环的场景来打第一枪。
企业的 Agent 转型也是完全一样的道理。
每个 CEO 最终想要的，肯定都是让 Agent 理解整个公司在做什么，帮全公司实现全面的提效与业务加速。但问题在于，今天没有任何一家中大型企业能够一步到位，让所有的部门和所有的员工同步完成 AI 落地。
过去两年，不少中大型企业的 AI 项目之所以迟迟见不到效果，甚至半途而废，往往不是因为技术不行，而是「第一枪打错了地方」，一上来就想搞大而全的改造，或者直接去动公司最复杂、最沉重的后台核心系统。结果陷入漫长的工程泥潭，周期极长、反馈极慢，还没等跑出业务结果，组织内部的信心和预算就已经耗光了。
从中大型企业目前跑出来的实战经验看，最聪明的切入方式，是先找一个最典型、能最快见效的「最小闭环（MVP）」。
什么样的业务场景，才算得上中大型企业理想的「最小闭环」？核心可以用三个标准来衡量：
Context 最好收集、最容易沉淀：这个场景每天都在产生高频的业务动作与结果反馈，能够最快把零散的数据与判断轨迹收集起来，成为企业 Context System 生长的起点；
技术与场景已经高度契合，离业务目标最近、见效最快：不需要推翻重来底层的老旧基建，Agent 的能力已经能在这个场景里丝滑落地，并且能迅速拿出可衡量的业务结果，帮团队赢得组织内部继续投入的信心；
部门员工能最快达成「人和 AI 协作」的新状态：这个业务条线的团队对新工具、新工作方式的接受度高，能够迅速跑通前文所说的「AI 长程推进 + 人在关键节点判断」的配合默契。
用这三个标准去企业内部做一次筛选，答案就会非常清晰：企业 AI 最先跑出结果的，往往不是后台那些最标准化的流程自动化，而是偏前台的业务场景——核心就是「营销」与「产品创新」。
为什么是偏前台的场景？
一方面，典型的前台场景，不管是用户洞察、新品选品立项、电商内容生产还是品牌传播，离消费者最近、市场反馈最快、业务结果最容易被直接感知；但更关键的原因在于，营销、内容、用户洞察、新品创新这些前台环节，并不是单纯的机械劳动，而是「判断密度最高」的地方。
如果 AI 只是在后台帮财务或行政做个流程自动化，它向公司证明的只是「AI 能替人干苦力（效率）」；但如果 AI 能在直面消费者的前台场景先跑通最小闭环，它向整个组织证明的就是「AI 能够参与真实的商业判断（判断质量）」。一旦判断质量在前台得到了验证，管理层对 Agent 的想象空间和投入信心会被彻底打开。
这些场景，考验的是 AI「到底懂不懂人」。
消费者喜欢什么样的视觉审美？什么样的叙事能打动特定圈层？今年秋冬哪种设计元素会在社交平台上跑出来？这些问题没有冷冰冰的标准答案，背后全是关乎审美、偏好、品味与专业经验的复杂主观判断。
要跨过这道门槛，只靠通用大模型的客观知识远远不够，必须补齐对人类主观世界的建模。特赞的解决方案，是从人机交互角度出发，基于百万级真实用户数据，训练出的的主观世界模型（Subjective World Model），对人的表达、叙事、认知与行为进行分层建模，让 AI 具备了模拟和理解消费者审美、偏好与复杂判断的能力，这是 AI 从「会干活」走向「懂人」、进而有资格进入企业前台参与商业判断的关键一步。
从前文所拆解的企业上下文系统（Context System）、长程与发散推理机制，到底层对「人」的理解，特赞在长期的商业实践中完成了全栈布局。
在今天的 WTCC2026 论坛现场，特赞创始人范凌分享了一个场景，分享了一个快消行业的实践案例。
食品饮料的新品研发与营销创意，几乎是最依赖人类「直觉、审美与消费者洞察经验」的领域，也是过去人们认为 AI 最不可能介入的黑盒场景。在与某全球头部食品饮料集团的联合实践中，团队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。
当 AI 在新品筛选、包装偏好、创意效果预判等多个环节，都展现出与人类专家高度对齐的判断力时，前台最小闭环的价值就很明显了。
04
Agentic Transformation：
把企业 Agent 转型往前推进一步
这样看来，企业级 AI 的发展路线其实已经很清晰了：
从最初给员工配 Copilot 做单点提效，走向真正的 Agentic Transformation（智能体转型）：先让系统跟企业的目标、流程与 Context 对齐以捕获企业意图，再通过长程智能体实现从「人用 AI」到「AI 用人」的工作方式重构，并从营销与创新等高判断密度的前台最小闭环切入，把每一次业务实践沉淀为企业自己的智能资产。
但要让这套转型在更多行业和企业里发生，不是一家公司闭门造车就能推得动的。它是一条长期的演进线，需要把生态上下游里的不同角色都拉进来，用各自的方式一起往前推。
基于这样的想法，特赞希望在生态中扮演「连接者」的角色，发起了长期的「Agentic Transformation 共建计划」，基于 agentic transformation 的共建路径，搭建理解商业，理解人，理解企业，再让这种理解真正进入行动与学习的能力，让企业真正「拥有智能」。
企业 Agent 转型，目前依然处在早期探索与形成共识的窗口期。不管你是已经在前台跑出第一个闭环的先行者，还是在企业落地过程中遇到了具体卡点的实践者，抑或是对企业级 Agent 路线有自己独立理解的同行，都欢迎加入共建计划中，大家一起把这个事情往前推得更快。
注：Agentic Transformation 共建计划将持续发布进展，欢迎关注官方公众号、官网等渠道获取最新动态。感谢首批共建计划支持伙伴：复旦大学管理 AI Lab、天猫、极客公园、量子位、36kr、虎嗅智库、Datawhale、中欧国际工商学院人工智能与商业创新研究基金、MuseOn、Atypica 等。
IDG、腾讯、红杉参投，融资超2亿美元：上线一个月，和Today聊聊Personal AI的新观察
万字复盘 Codex：一个在模型公司如何做产品的「典型」故事