先说结论

9 月 23 日下午，杭州国际博览中心，云栖大会「AI原生·重塑企业生产力」分论坛用两个小时把一个分水岭摆上台：模型能力跨过可用线、成本跌破斩杀线这两件事正在同时发生，Agent 真的进了生产环节，但多数企业「装上了 AI，组织与工作流却没有变，红利停留在工具层」——这句官方议程的议题简介，正是全场回答的问题。出品人张亮（阿里云智能集团公共云事业部副总裁、AI 原生业务总经理，头衔经阿里云官方通稿核验）给出的判断是「未来是 token drive everything」：组织的运转、社会的运转背后都由 token 驱动，智能体数量成为衡量企业规模的新度量衡，人的角色从跑流程转向拿结果。但三个客户案例展现的真实路径远比口号坎坷——信永中和跑了一年的结论是「今天远谈不上离不开，只是从不敢用到敢用」；派兹互连点破了工业场景的残酷算术：「完成百分之九十和百分之零没有区别」；圆桌上四位 AI 原生公司创始人则把「AI 原生组织」的定义推向激进——人的决策只剩判断和负责，执行全部切给 agent。拼起来是一条因果链：模型与算力的平价化只是入场券，企业真正的门槛依次是数据打通、经验资产化、组织重构，而中国市场特有的「人力不贵」让最后一步必须靠 3–5 倍的性价比优势才能推得动。

信源与方法：本文依据官方回放转写（227 段、0—9005 秒、约 2.5 小时，全文读完无缺段）；对照官方议程页（agendaId=186，已存档）发现七段环节中回放缺一段——徐栋（阿里巴巴ATH事业群千问大模型业务副总裁）的「2026大模型技术解决方案趋势分享」未出现在转写中，疑被剪辑，下文不涉及。文中公司名与人名以官方议程为准修正了转写错误（如「易象创新/莫志帆」实为益象创新/莫智帆，「张文军/Cygo」实为张文君/PsyGo），厂商自报数字未经第三方核验的均已注明，归属层级随文标注。

一、token drive everything：当智能体数量成为新的度量衡

张亮开场复述并推演了上午吴泳铭的主论坛演讲，两个数字值得记住：机器智能的思考总量相当于人类的一千倍，意味着 99.9% 的思考由机器完成、人只做最关键的 0.1% 决策——而今天机器思考只占 3%，从 3% 到千倍还有约三万倍的增长空间；支撑这个判断的是 2032 年 20GW 的数据中心建设目标，张亮换算：三峡电站设计总容量 22.5GW，实际发电还不按设计容量发，供电侧「大概需要二点五个三峡的量」。（千倍与 20GW 与主论坛转写交叉一致。）这两个数字解释了张亮真正的命题：99.9% 的机器思考背后是巨量算力，算力背后是 token，而 token 将成为组织运转的计量单位。

他的证据来自业务一线。过去一年他看到客户「半年的时间由几个人的小公司，成长到在我们这边的资源投入是九位数、十位数的公司」，他做互联网二十多年没见过这么快的增速，「以至于我的数字看板里没有同比这一项，只有环比，因为看同比太快了没有意义」；他还援引上季度财报披露的 MaaS 业务 ARR 160 亿元、AI 云收入 400 多亿元（自报口径，称中国目前只有阿里披露此数），以及 token 数已经大到「英文单位都不够用」的现状。由此他推出三个组织层面的判断。其一，边界消融：个人开发者、小公司、大公司按人数区分的尺度失效，几个人可能做着很大的事，一个人可以运转以前一个公司做的事。其二，AI 是技术平权——小企业雇不起大厂工程师，但「你也跟大企业一样，用最好的模型、最好的算力」，而模型越强，个体能做的越多，大型组织反而因复杂而吃亏，因为新企业第一天系统就是 AI 可调用的，存量企业还困在数据孤岛里。其三，度量衡变了：中国按四亿工作人口、每人指挥一百个 agent 估算，就是四百亿个 daily active agent——他生造的对称词是「以后不叫 DAU（日活用户），叫 daily active agent」；agent 是数字员工，消耗的 token 不是成本项而是生产力项，「很多公司给员工的餐补都可能比 token 的钱多」。

落到组织形态，张亮给出一个三步走模型：第一步人人有个体 agent，彼此不协作，AI 只是工具，「有点像计算器」；第二步 agent 之间协作、与业务流耦合，人从操作者变成协作者；第三步每个人都把专业能力「蒸馏」给 AI，企业决策形成一个超级大脑式的 AI 中枢——他坦承第三阶段「可能有的小的组织逐渐有这个方向，但还没有走到这一天」。他自己的实践是让 agent 每晚把数百万客户的情况分析一遍，告诉他昨天客户说了什么、为什么没选阿里云，还会自动追问销售「你上周五说这周能解决，一周过去了，follow up 了吗」。更生动的样本是阿里云内部的数字员工 Patrick——它是公共云总裁刘伟光（头衔经百度百科与中国日报报道核验）的英文名，这位总裁把自己的会议、谈参、review 方式全部输进 AI，「逐渐我们就发现这个 AI 越来越像他，有时候你都搞不清楚是跟他在说话还是跟 AI 说话」，连头像都换成了同款；员工平时不敢问老板的问题，现在去问「老板的分身」，得到的视角确实不同。

两个客户案例提供了注脚。宁波震裕科技（中国电机铁芯模具重点骨干企业，转写误作「镇域科技」）基于 Qoder 及千问办公做工程采购智能寻源：采购员输入品类、地点、金额，agent 从内部 SRM 系统检索候选供应商、自动完成入围资格审查与多维评分排序、生成含推荐理由和风险提示的结构化报告，把「江苏选供应商」这种过去需要一天的活压到五分钟——张亮特意强调「AI 不是替代采购人员做决定，而是提供更高效、有依据的结构化参考」。方达律师事务所（1993 年成立、900 余名律师、7 个办公室，与官网口径一致）则把律师跨十余个公开站点做网络核查的检索、阅读、归纳、撰写串成一体化流程。两个案例共同指向张亮的一个反直觉判断：工具的门槛没有那么高，真正难迈过的门槛是每个企业自己的私有数据、知识库和系统打通——「给你一个通用的 agent，你的数据没打通，你是没办法到生产里面的」。

二、从不敢用到敢用：一家万人会计师事务所的中间态报告

如果说张亮讲的是愿景，信永中和会计师事务所合伙人黄峥（议程核验；转写误作「黄征」）讲的就是愿景与现实的差值。这家本土大型综合专业服务机构国内约一万人、国际网络约两千多人，业务横跨审计、税务、工程管理和咨询。他们最初的想法很有代表性——分别建设审计 AI、税务 AI、工程 AI、咨询 AI——很快发现不对：原来已经有很多系统入口，「现在又多了一堆 AI 的入口」。最终方案是统一智能入口，在原有工作门户上加 AI 能力层，而不是推倒重来，实现「入口、身份、数据、模型、安全、运营」的六统一。

黄峥的选型框架对专业服务机构都可用：模型能力（决定上限）、Agent 工程能力（Agent Teams 编排与 MCP 不可或缺）、企业级保障（关键数据不能用公共大模型）。而全场最有迁移价值的一个公式出自他：专业智能体 = AI 通用能力 × 行业专业数据 × 业务场景深度融合，「我这里用的是乘号不是加号，三者只要有一个接近于零，专业 agent 的价值就大打折扣」。佐证案例是与广联达合作的工程造价场景：造价师过去登录专业数据库查询价格指标、下载、分析、形成判断，现在把工作提给 AI 平台，平台理解任务、调用广联达专业数据能力、组织产出——「它没有替代广联达的专业数据库，也没有替代我们的审计人员，它改变的是中间查数据和找数据的工作方式」。

这个案例还牵出一个正在发生的商业模式变化：专业数据的采购从买 seat（账户）转向买 capability（能力）。过去事务所买十 个、一百个专业数据库账户，「谁有账户谁能用」；现在高频数据通过 MCP 接入让全员可用，需留存的数据通过 API 导入分析，传统分析场景保留账户——三层混合结构正在取代席位订阅。数据厂商若不 MCP 化，可能会在新一轮采购谈判中失去位置。

运营侧的变化同样具体：过去看网络、应用、服务器指标，现在每天要看活跃会话、对话总量、活跃 agent、AI 应用数、token 消耗——「智能体成了新的运营对象」，AI 平台「不是一个项目，是需要持续运营的产品」。黄峥把企业 AI 落地分为三阶段：问答交互（Chat）、Agent 能力调用、Workflow 深度嵌入全链路，最高境界是业务人员只关心「我今天要做什么工作」，调哪些数据用哪个系统全部交给 AI。但全场最值得记录的是他的坦诚：**「说到这个题目（从不敢用到离不开），说实话我们到今天还远远谈不上离不开。我们现在也就是从不敢用到敢用，从敢用努力想把它往好用去发展。」**他把落地归因于四方合力——管理层共识、IT 搭台并持续运营、业务深度参与、生态环境（阿里云基座加数据厂商）——并给出了一个朴素的自检标准：当员工不再问「这事儿能不能用 AI」，而是发现「这事儿没有 AI 我还真做不了」，才算真正跑通最后一公里。

第一条机制链：AI 能力平价化 → 通用模型的边际价值趋零，企业私有数据与知识库成为新的稀缺资源（张亮：数据没打通就无法进生产；黄峥：乘法公式里行业专业数据接近零则价值大打折扣）→ 二阶影响：专业数据厂商的交付形态被迫从席位订阅转向 MCP/API 能力接入，企业 IT 部门的角色从建系统转向运营智能体 → 读者启发：评估自家 AI 落地程度，先别看买了什么模型，先盘点三个乘数里哪一个接近零——多数企业卡在数据打通而非模型能力，这决定了预算应该流向数据治理而不是再换一个模型。（机制为两位讲者观点的综合，推断部分已标注）

三、五块钱一套详情页与「百分之九十等于零」：两个行业的极限测试

张亮之后的两场客户演讲，恰好是 AI 重塑生产力在两个极端条件下的压力测试：一个发生在容错率极高、速度就是一切的电商内容行业，一个发生在容错率为零、错误代价以投板计的电子设计行业。

电商侧是深圳益象创新科技（2025 年 1 月才成立，企查查核验；转写误作「易象创新」）CEO 莫智帆，产品是飞象 Agent，自称全球首款一键生成电商详情页的智能体（官网 flyelep.cn 核验存在）。他引述的行业背景数字包括：中国卖家数量接近 3500 万、67% 的卖家已在做多平台多国内容生产、亚马逊 A+ 基础版内容可提升销售额约 8%、高级 A+ 最高约 20%——他本人特意加了限定：「这不是每一家卖家能够复制的结果」。传统链路里做一张主图、一套详情页、一条视频，需要文案、模特、拍摄、设计、排版、沟通，快则两三天慢则一周；飞象的做法是用户上传一张白底图，即可批量产出整套详情页，风格、光影、排版、文案保持一致性，一分钟出图，价格锚点非常直接：一套十张图的详情页成本约五元，单图几毛钱，视频三十多元。底层是自研 SUN-X 垂直行业模型（转写讹为「三S的垂直行业模型算法」，经深圳新闻网报道核验为 SUN-X，配套 SeeDance2.0，一分钟可生成 15 张详情页）——对平台爆款商品做卖点、场景、人群、地区维度的训练，配合数据标注平台与阿里云音视频图文原子工具层的自适应调度。这个 2023 年还只做 AI 数字员工平台的团队「没有一个人做过跨境设计、做过电商」，从年初开始已服务 15 万电商卖家（自报），并上线了中东迪拜国际版。视频能力演示了种草、品牌 TVC、口播、剧情带货四种形态（含与贵旅集团合作的金刺梨原汁案例），下一步是「一键成剧」——把商品叙事做得更长。

电子设计侧是成都派兹互连电子技术有限公司（官网核验：2023 年 7 月成立，注册资本 2.1 亿元，独家收购西门子 EDA 的 PADS Standard 系列软件；转写误作「派兹互联/派姿」）副总裁兼 AI 技术研发总监蒲东。他先讲清行业结构：优秀电子产品的设计能力与人数、规模强正相关，巨头的壁垒不只是优秀工程师，更是多年积累的数据资产、规则库和仿真引擎；中小企业面对的是「贵（席位制 EDA 和仿真工具昂贵）、挖不动（资深工程师贵）、试错（一次投板失败既有经济损失更有时间损失）、经验不流通」的行业悖论——「经验越需要越不会流通，一强一天比一天强」。而工业场景对 AI 的要求苛刻到反常规：「完成百分之九十或者准确率到百分之九十、九十二，其实跟百分之零没有区别」，因为一处错误带来的后果是一样的。派兹的解法是一套多智能体协调器加电路设计、BOM 分析、后端制造 DFX 检查、生产工艺、评审等专家 agent，插拔式管理，「AI 提议、AI 干活、人审核」；再加一条数据资产化流水线：工程师正常画板（示范）→自动抽取→入库→人工审核→复用，第五步「智能自动创新」还在攻关。自报实测数字包括：智能建库准确率 95% 以上（丢入器件手册直接生成符号库、封装库、3D 库）、PCB 层识别与属性识别 98% 以上、非结构化文档工艺参数识别 95% 以上、分组速度 100 倍以上、DRC 符合率 100%（工业场景无论人做还是 AI 做都必须 100%）。产品形态上把桌面 EDA 搬上无影云电脑，浏览器即可访问、按需付费；选阿里云的关键一条是千问模型开源、可私有化——「我们面临很多军工场景、央国企的场景，都涉及私有化部署」。蒲东给出的时间表是：全流程深度拉通还需半年到一年，计划 2027 年 7 月实现电子产品设计全流程（原理图、布局布线、后端制造）AI 打通。

把两个案例并置，能看到同一个「垂直 + 数据」策略在两种约束下的形态差异：电商侧用垂直模型压榨边际成本，把人从设计流程里挤出去；工业侧用多智能体和资产化流水线守住零容错底线，把人的经验留下来变成规则。而两家公司共同印证了张亮那个判断——他们买走的都不是模型本身，而是模型与自己行业数据、工作流的耦合能力。

第二条机制链：垂直行业模型 + 数据资产化 → 能力与人数解绑（飞象：无电商背景团队一年服务 15 万卖家；派兹：轻量团队一年完成上千人公司量级的全流程 EDA 软件改造，「增长来自资产复利而不是人力」）→ 二阶影响：行业经验从「藏在工程师脑子里、随离职流失」变为可复用的组织资产，中小组织第一次能租到过去只属于巨头的规则库与仿真引擎，行业壁垒的构成从人力规模转向数据沉淀速度 → 读者启发：判断自己行业的 AI 化深度，先问容错率——容错率高的行业（内容、营销）比拼的是垂直模型的成本曲线，容错率为零的行业（制造、合规）比拼的是经验沉淀流水线（示范—抽取—入库—审核—复用）是否闭环；两者都轮不到「先买通用模型」这个选项。（案例数字均为企业自报）

四、FDE 与「性价比公式」：交付瓶颈与中国约束

一个容易被快进的环节其实回答了「AI 原生能力如何规模化」的现实问题。阿里云智能集团公共云事业部 AI 原生业务生态政策与运营总经理陈之若与千问办公联合发布了「公共云生态伙伴 FDE 认证体系」：让伙伴从偏销售型升级为包揽售前、售中、售后的 FDE 交付型服务商，配套六维度能力模型（「六边形战士」）与 L1 到 L3 等级认证——通用 agent 与行业 agent 门槛不同，等级分层让不同能力伙伴各取所需。政策工具包括专属激励、商机分发、市场 MDF 经费共同持有。随后张亮、陈宇森（千问办公 CEO）、张锐、陈传科启动发布仪式，21 家伙伴分四组签约，既有软通动力、神州数码云计算、德勤、江苏润和等大集成商，也有大量区域服务商（个别公司名转写存疑，如「中点金信」疑为中电金信，已标注）。其实质是承认：Agent 落地是需要行业知识、实施与持续运营的服务，不是可自助完成的软件采购——这也解释了为什么「装上了 AI、组织没变」会成为普遍状态。

圆桌环节（嘉宾经议程核验：千问办公 CEO 陈宇森、高帆破浪 CTO 李斌、或宇连接 CTO 林维聪、PsyGo 联合创始人张文君；主持人为红杉中国范永林）把「什么才算 AI 原生组织」的定义推向了光谱两端。林维聪（自称 Bobby）的定义最简洁：「人的决策原来是判断、执行、负责三个环节，现在变成了只有判断和负责，执行这一侧全部切给了 agent——没有了 AI，这个组织就没有了执行。」张文君更激进：「执行和判断两块全都交给 AI，人只做愿景设计、目标设计和最后的验收。」作为对照，负责千问办公与钉钉（月活两亿多、日活近一亿，自报）的李斌给了个大组织视角：AI 原生组织与「AI 附加」组织的区别在于企业里多少工作量由 AI 完成，「本质上大家在描述一件事，角度不一样」；但大组织践行 AI native 挑战更大——钉钉任何功能都要经过 10%、30%、50% 的灰度发布，不可能像小团队那样打破所有流程。他开出的路径是数据先行：用硬件在不录音的前提下收集每一次客户拜访与内部会议，「只要有足够多的数据，我们才可以去讲 AI native 转型」，再把以周、月为单位的流程压到当天完成。林维聪则从硬件公司视角补了一个组织结构判断：过去金字塔层级存在是因为「人是最小的执行单元」，执行 agent 化之后人变成「负责节点」——「一条产品线一个负责人，带一堆执行节点，从 PRD 到供应链到市场全干完」，这被他用来呼应上午张亮讲的一人公司（OPC）指数级增长。

圆桌上最有含金量的是两套可操作的框架。一套是李斌的中国约束与性价比公式：中国人力不贵，导致中国 SaaS 不像美国那样是大行业，AI 面临同样问题——「一定要识别出高价值的场景，AI 相比同等人力投入至少要高效三到五倍才可能推动企业转型，因为任何任务从以人为主转到以 agent 为主都有转型成本」；他将其表述为「新体验减旧体验再减替换成本要大于零」，同时模型侧单 token 成本「在几大 flash 模型的围剿之下已经非常便宜，干一天活儿花不到一块钱人民币」——技术被大规模应用的前提才出现。另一套是林维聪的 ROI 三层：第一层单任务成效（如 SRM 寻源从一天到五分钟）；第二层 workflow handoff 时间（人工介入次数与时长显著下降，释放的是人的时间）；第三层组织成效——「我们十五个人的团队没有专职市场，但同时开了日本和北美市场，原来不可能的事情变成了可能」，这层 ROI 最高，也是初创公司广泛尝试各种 agent 的原动力。张文君则贡献了一个激进的激励设计：把 agent 当新物种、当新人，「被公司内部调用的次数越多，说明产出效果越好」，员工因此乐于把技能沉淀进 agent，形成新的价值分配机制，让市场直接验证 agent 的好坏。数据方面他透露 PsyGo（转写讹为 Cygo）C 端已有 6500 个用户生成两万多个 agent，B 端覆盖金融、财务、法律及国企央企的水利电力场景（自报）。

收尾的三年畅想里有两个趋势判断和一个金句。林维聪：语音交互会走向前台，因为人的注意力带宽有限，执行不用人做之后，人只需专注决策，语音对注意力的侵占最少；硬件会极大增强 context 输入，always on 的设备（绿灯亮时录音、转文字后删录音以降低冒犯感）会包圆工作和生活的上下文。张文君：交互会变成三层——人与人、人与 AI、AI 与 AI，「不到三年就会到来」；且「所有的互联网都将为 AI 而生，不是人的 friendly，AI 去服务人，架构会发生天翻地覆的变化」。最后一个发言的是陈宇森（转写音译「雨森」），他顺着千倍机器智能推演：人每天只能吃三顿饭睡一张床，但 agent 可以同时用十万台电脑，内存涨价等现象都是信号，「三年之后最大的变化是这个世界的一切几乎都将以服务机器为核心，但机器会服务我们人类，让我们过得更开心」——最后是那句**「我认为未来工作是一种娱乐方式。就像现在你不需要钓鱼就可以买到很多鱼——钓鱼不再是一种生产方式，它是种娱乐方式。」**（归属陈宇森个人畅想）

第三条机制链：Agent 进入生产 → 落地从自助软件采购变为需要行业知识、实施与持续运营的服务（FDE 体系本质；李斌：任何任务转向 agent 都有转型成本）→ 二阶影响：在「人力不贵」的中国约束下，agent 采纳的门槛被量化为 3–5 倍效率优势与「新体验−旧体验−替换成本>0」，低于这条线的高谈阔论都推不动组织；渠道生态（伙伴认证、交付分层）成为云厂商新的竞争维度 → 读者启发：企业选型时把「谁来交付、交付后谁运营」当成与模型能力同权重的问题；评估内部 agent 项目时按三层 ROI 分层立项——单任务提效、流程人时释放、组织能力增量，只满足第一层的项目很难活过预算周期。（框架归属李斌与林维聪；FDE 政策细节为发布方陈述）

结语：分水岭两侧

这场论坛的真正价值不在任何单句金句，而在它把「AI 原生」从一个形容词拆解成了一组可检验的阶段：个体用工具（人人有 agent）→ 系统间协作（agent 与业务流耦合）→ 中枢化沉淀（个人能力蒸馏为组织大脑），张亮的三步、黄峥的 Chat→Agent→Workflow、李斌的「多少工作量由 AI 完成」，是同一件事的三个刻度。而论坛自身也坦白了这套叙事的边界：信永中和还在「敢用」往「好用」的路上，派兹的全流程拉通要等到 2027 年 7 月，张亮承认第三阶段组织「还没有走到这一天」——AI 原生组织的样本今天几乎全在初创端（PsyGo、或宇连接、高帆破浪），存量大组织能拿出的最好案例仍是「老板的分身」这个管理杠杆。主持人勾思佳的闭幕词把官方答案说得很满：「用得起、接得上、跑得稳、交付得出去，Agent 时代阿里云已全栈就绪」——这是平台方的立场，读者不妨用黄峥的标准去校准它：当你的员工开始说「这事儿没有 AI 我真做不了」，最后一公里才算通；在那之前，所有「离不开」都还是「敢用」。

（说明：文中「三S的垂直行业模型算法」经核验为 SUN-X 垂直模型；「万三系列模型」为万相系列；「易懂」据语境校正为易董（IPO 及监管数据服务）；「致以致用」按大会官方主题校正为「智以致用」；个别签约伙伴名转写存疑已随文标注；除标注外部核验者外，数字均为讲者自报。）