企业落地AI陷入停滞？特赞提议构建两个世界模型

一个有些反直觉的现实正在发生：AI已经在企业中广泛普及，但大多数公司的生产力并未因此实现质的飞跃。

麻省理工NANDA发布的2025年企业生成式AI报告显示，在受访企业中，高达95%的生成式AI试点项目未能带来可衡量的损益回报；与此同时，超过90%的企业员工已在借助个人AI工具办公，真正采购官方企业订阅的公司仅占40%。

这表明AI的应用大多仍停留在员工个体层面。企业面临的核心挑战，已从“是否接入AI”转变为“接入之后该沉淀什么核心资产，才能让AI真正释放生产力”。在WTCC论坛上，特赞创始人范凌提出：企业最终需要的不是一套更通用的底层模型，而是两个相互配合的世界模型。

理解客户与理解公司并重

世界模型的核心能力，在于预测系统行为：“如果采取某种动作，接下来会发生什么。”在企业语境下，这一推演主要包含两个维度：

1. 向外理解客户（主观世界模型）：解析客户的偏好动机、决策变化原因以及对特定产品与表达的接受度，依赖外部用户数据建立预测。
2. 向内理解公司（企业世界模型）：刻画决策在企业内部推进时的审批流程、资源分配、制度约束及组织默契，依赖企业内部长期沉淀的上下文。

两套模型的数据来源、迭代节奏与责任主体截然不同，无法粗暴合一。两者缺一不可：

• 若仅有企业世界模型，AI 智能体熟谙内部执行细节，却缺乏外部价值判断，可能高效产出错误目标；
• 若仅有主观世界模型，AI 智能体洞察用户需求，却因不理解内部协作流程而无法落地交付。

最核心的内部知识往往缺乏文档记录

企业知识通常分为两类：一类是能固化在手册与流程中的显性知识；另一类则是经验、品味、风险直觉与边界感等默会知识。默会知识只能在具体协作中显现，这也解释了为何单纯把文档输入给模型，并不等于模型理解了企业业务。

AI 智能体调用的本质是上下文而非原始数据。企业需要的上下文系统，应当作为桥梁连接已有的数据湖与业务资产，将隐性流程沉淀为智能体可调用的结构化关系，并在每次任务复盘中留下可追溯的推演依据。

将业务专家的判断逻辑沉淀为训练信号

除了构建上下文，企业正在将专家的决策链路转化为专有数据。特赞通过引入各领域专家，采集真实业务场景中的决策路径（Creative Trajectory），目前相关判断路径的数据规模已积累至万条级别。

组织内部最关键的取舍逻辑和风险敏感度并不存在于公开互联网中。将这些高价值的专家直觉结构化，意味着企业正在从单纯的“租用智能”迈向拥有独立知识壁垒的“主权智能”。

垂直评测：不仅要算对，还要符合企业风格

在通用基准评测之外，企业AI面临更严格的校准难题：不仅是给出标准答案，更是“动作是否符合本企业的调性与风险边界”。

业务垂直基准能够将组织的判断规则转化为可回归测试的数据集。特赞在Atypica场景中，通过真人与AI角色同步完成经济学实验，利用行为差异来校准模拟系统。数据显示，主观世界模型在行为模拟层面的准确率已达85%，为企业前置验证业务策略提供了定量工具。

迈向长程自主推进的企业智能体

区别于单次调用的Copilot工具，企业级 AI 智能体需要进入完整业务闭环：Signal（信号感知）、Plan（规划）、Create（执行创作）、Evals（评测）。

• Signal 与 Evals：依托主观世界模型，监测用户真实诉求与成效反馈；
• Plan 与 Create：依托企业世界模型，在组织规则和资源限制下推进行动方案。

这种架构带来了人和智能体的新型分工：智能体依托长程记忆处理大量可被Token化的工作流，将任务推进到80分；专家则专注于最后的审阅与高密度决策，将最终成果提升至120分。针对这一路径，特赞已联合产学研生态启动Agentic Transformation共建计划，探索企业将组织判断力资产化的实施标准。