如何成为 AI 原生的超级组织？

品胜的 AI 团队进入业务部门时，第一件事是把工位搬过去，和业务同事一起办公。

这家有着 20 多年历史的企业，最初并不缺对 AI 的怀疑。在一些资深业务负责人看来，年轻人拿来的工具不懂业务，做出的东西显得“很塑料”。直到团队花上一两周观察工作，把那些最耗时、最重复的步骤找出来，配置成可以实际使用的工具，态度才开始变化。后来，研发、验证、法务、财务等部门的需求陆续找上门，排期到了三四个月之后。

从不愿意用，到排队等着用，中间发生的变化，也是“AI 原生组织”需要回答的问题：模型能力如何变成企业自身的能力？一个人的效率提升，又如何沉淀为整个组织的积累？

9 月 17 日下午，2026 ITValue Summit 数字价值年会“如何成为一个 AI 原生的超级组织”闭门会在三亚举行。StartLux 联合创始人兼 CTO、语生科学首席科学家郭权玮，百望股份联席总经理王强宇，品胜 AI 产品中心总监丛泽龙，分别从智能基础设施、企业数据与模型、硬件研发实践出发，讨论这场变化如何发生。

三位嘉宾给出了不同的切入点，讨论也留下了尚未解决的分歧：企业是否都需要自己的模型？拥有真实数据，能否解决业务对准确性的要求？当需求越来越多，一个小规模 AI 团队又该如何带动整个组织？

这些问题，把“AI 原生”从一个概念带回了企业每天的工作。

工作做完以后，组织留下了什么

郭权玮对 AI 原生超级组织的定义，落在一个朴素的标准上：“你的每一次工作，都能带来下一次的改进。”

在他的理解中，一次任务结束之后，成功的路径、失败的经验、业务的上下文，能不能成为下一次工作的基础，决定了智能能否持续积累。

这也是他反复谈到 Memory（记忆）的原因。换一个模型或工具，往往就要重新解释自己的身份、业务背景和工作要求。对于企业里的长期任务，这意味着工作状态和业务关系可能中断。任务推进到了哪一步，涉及哪些人和资源，之前做过什么判断，这些信息需要持续保留。

因此，郭权玮把 StartLux 的方向放在一套完整的本地智能基础设施上：模型之外，还包括推理运行系统、支撑 AI 智能体执行任务的框架，以及记忆系统。模型和框架可以迭代，企业已经积累的知识、流程和上下文，则应当能够延续、迁移。

模型能回答问题，与系统能稳定完成工作之间，仍有距离。进入真实业务后，一项任务往往需要多轮执行、调用工具、维持上下文，企业最终关心的是，整个过程能不能可靠地把事情做完。

当问及企业的行为和经验究竟如何进入 Memory 时，郭权玮强调的是一种产品化的路径，提供基础设施，让企业自行导入数据和流程，建立自己的工作系统，由企业掌握自己的数据边界。

品胜的实践，让这个问题有了更具体的样子。丛泽龙提到，硬件研发工程师的经验往往存在个人脑中，人员一旦离开，经验也可能跟着流失，而品胜多年积累的物料数据、设计规范和风险记录，此前更多是供人查阅的资料。

让这些资料参与选型、校验和评审，组织记忆才开始进入工作过程，团队能够在下一次研发时，用上过去已经付出成本获得的经验。

企业要不要有自己的模型

如果说郭权玮关心的是智能如何持续积累，王强宇则把问题推向了积累的基础，企业是否掌握自己的数据，以及能否把这些数据转化为适合自身业务的模型能力。

他给出的判断相当鲜明，一个 AI 原生企业，应当拥有自己的模型，有一个让员工与 AI 智能体共同工作的协作平台，并且能够在业务运行中产生新数据，推动模型继续迭代。这三者形成循环，才构成他所理解的 AI 原生企业。

其中，他最强调的是数据主权。以百望关注的财税场景为例，王强宇认为，真实交易数据和企业自身的业务数据，是模型理解专业问题的重要基础。围绕具体企业进行部署，再结合其财务数据和税务业务持续迭代，才能让模型更贴近实际工作。

另一项理由是成本，在他看来，企业里的大量任务有清晰的领域边界，未必需要每一次都调用规模庞大的通用模型。能够完成具体任务的行业模型、企业模型和小模型，会有自己的应用空间，应当私有化部署与通用模型、专用小模型结合使用。

问题也随之而来，随着通用模型能力增强，行业知识会不会很快被吸收？企业自建模型的门槛，究竟在哪里？也有观点认为，应当区分企业是否拥有独特、不可替代的数据，以及这些数据能否支撑实际的商业价值。拥有长期专业积累的机构，与缺乏相应数据条件的普通机构，未必需要选择同一条路线。

数据授权同样被摆上桌面。面对关于百望如何使用企业数据的追问，王强宇明确表示，进入具体企业时需要取得授权，并在私有化部署环境中运行，再接入企业的 AI 智能体体系。拥有数据服务经验，并不意味着可以直接跨过客户数据的使用边界。

而真实数据与可靠业务结果之间，还有一道没有被讨论绕开的难题：幻觉。

企业拥有自己的模型，并不自动意味着它已经具备进入核心业务的可靠性。数据的真实性、使用授权、结果依据，以及遇到无法判断的问题时如何处理，仍然需要在落地过程中逐项解决。

把工位搬进业务部门，让改变从具体工作发生

丛泽龙面对的问题，来自两种不同的速度。

品胜一款 AI 硬件产品从研发到量产出货，通常需要六到八个月；AI 能力却在持续快速迭代。团队因此要同时做两件事：利用企业已有资产改进研发流程，并持续更新自己的工作方式。

第一个案例，是硬件方案的信息对齐。从产品需求到可验证的方案，工程师、采购和供应链需要反复核对选型、供货风险与成本，过去把这些信息拉通，至少需要一个月。

品胜自 2015 年上线的 PLM 系统，积累了物料、设计规范和风险记录，团队又搭建元器件库，接入原厂及第三方平台的信息。AI 由此可以依据产品用途检索元器件，检查匹配关系和成本约束，把发现的问题交给工程师处理。

据丛泽龙介绍，原本需要一个月对齐的信息，现在一周左右可以完成，减少了进入评审前反复沟通的成本。

另一个案例是专利相关图纸制作。过去，专利工程师与结构工程师需要反复核对零件、编号及对应关系。现在输入 3D 模型后，AI 智能体可以生成带批注的拆解图，单次生成可以做到 66 秒，专业判断仍交给工程师。

这些工具能够落地，与团队进入业务的方式直接相关。他们把工位搬到业务部门，观察最耗时的步骤，再评估改造的优先级、风险和 AI 能力。具体工作得到改善之后，业务部门从排斥转向主动提需求。

丛泽龙直接向 CEO 汇报，团队获得了试错空间，旧系统缺少接口时，则由 IT 团队配合拓展。但需求排到几个月之后，一个二十多人的团队，也无法承担全公司的每一项改造。

对此，团队把重点放在提升整企业 AI 的认知上，而不只是交付更多工具。他们通过内部交流，让受益部门分享工作流如何改变，带动其他同事尝试。

在丛泽龙看来，如果只是给每个岗位配上 AI 工具，得到的只是“岗位增强”，组织本身并没有改变。只有从管理层到一线，都理解 AI 能力边界、该放在流程的哪个节点、责任和权限如何划分，AI 才会从少数人的工具，变成整个组织的工作方式。

“系统负责沉淀，认知负责进化。”过去的经验进入系统，新的能力进入流程；而企业整体对 AI 的认知，以及‘一号位’转型的决心，决定了组织能进化到哪一步。

AI 原生组织的形成，就发生在这一轮轮具体的工作之中。