當模型成為公共基礎設施，特贊如何架構企業級 Agentic AI？

過去兩年，大模型能力的躍遷速度遠遠快于企業組織結構變化的速度。文本生成、圖像生成、數據分析、代碼編寫等能力迅速成為可以調用的資源，但企業真正的工作方式卻沒有發生對應級別的變化。原因并不復雜：企業的核心活動從來不是完成單次任務，而是在不斷變化的環境中持續進行判斷。理解市場、識別機會、定義產品、構建品牌、推動增長，這些活動構成的是連續運行的決策鏈條，而不是一次性的推理過程。

這正是為什么，大模型并沒有直接改變企業。

如果從更長的技術史視角來看，過去二十年的企業軟件大致經歷了三次結構性遷移。

最早的企業系統，例如 ERP 和 CRM，本質上是流程系統，它們通過標準化流程重新組織企業資源，使企業能夠規模化運行。隨后出現的數據系統，例如推薦系統與商業分析系統，則開始將算法引入企業決策過程，使數據成為新的生產要素。但即便如此，算法仍然只是輔助決策工具，而不是參與決策結構本身。

大模型的出現第一次改變了這一點。但真正重要的變化，并不是生成能力的提升，而是模型開始成為一種公共基礎設施。企業真正需要構建的，不再是單一模型應用，而是圍繞自身業務結構組織智能能力的系統架構。

這意味著，Agentic AI 的競爭正在從模型能力競爭，轉向上下文結構競爭。

這一變化也正在改變企業軟件的交付方式。紅杉合伙人Julien Bek 在其文章“Service is the new software”中提出：下一個萬億美元公司，將是“偽裝成服務商的軟件企業”，因為它們不再僅僅提供工具，而是直接參與企業結果的產生過程。軟件的價值，不再體現在功能列表，而體現在是否能夠持續影響業務 outcome。

這一判斷正在 Agentic AI 體系中成為現實。當智能體開始圍繞業務目標持續運行時，企業部署的就不再只是一個系統，而是一種可以參與經營過程的能力結構。

也正是在這一背景下，特贊提出了 Generative Enterprise Agent（GEA）這一企業級智能體架構體系。

GEA 并不是圍繞單一模型能力構建，而是圍繞企業真實業務運行結構設計的一套系統范式。它試圖回答的不是“模型可以做什么”，而是“模型如何進入企業流程”。這一問題看似技術問題，本質上卻是組織問題。

從 DAM 到 Context System：特贊進入 Agentic AI 的歷史路徑

理解 GEA 為什么由特贊提出，需要回到特贊過去十年的技術路徑。

與多數從模型能力出發進入企業智能體領域的公司不同，特贊最早構建的是企業內容資產管理系統（DAM）。這一系統最初解決的是品牌資產、設計資產和營銷資產的統一管理問題，但在長期實踐過程中，團隊逐漸發現，企業真正缺失的并不是文件管理能力，而是上下文結構能力。

企業的大量決策依據并不存在于結構化數據庫之中，而沉淀在設計稿、傳播素材、用戶研究報告、品牌規范、活動復盤記錄和項目過程之中。這些信息構成企業真實的判斷依據，卻長期無法被系統調用。因此，DAM 在特贊體系中的演化方向，并不是傳統意義上的內容管理平臺，而逐步發展成為企業上下文系統（Context System）。

這一系統的核心能力不是存儲文件，而是持續構建企業上下文圖譜，使品牌資產、項目經驗、用戶認知與策略路徑成為可以被機器理解和調用的結構化知識網絡。這一變化為企業級智能體系統提供了一個關鍵前提：模型第一次可以基于企業自身知識運行，而不是僅僅基于互聯網知識運行。

GEA 正是在這一基礎設施之上提出的。

當模型趨同之后，Context 成為新的企業權力結構

在模型能力快速趨同之后，一個新的問題開始出現：企業如何建立自己的機器決策能力。

如果模型成為公共資源，那么企業之間真正的差異來源只能來自兩個方面：上下文密度，以及上下文結構方式。

特贊提出 Context System 的意義，正在于將原本分散在組織內部的隱性知識轉化為統一的上下文來源，使智能體系統能夠基于企業歷史決策邏輯運行，而不是基于通用知識運行。在這一體系中，上下文不僅包含品牌規范和素材資產，也包括項目軌跡、用戶畫像、商品結構以及策略經驗等多層級信息，它們共同構成企業可以持續積累的認知基礎設施。

這意味著，企業級智能體系統第一次擁有了可以繼承組織經驗的能力。GEA本質上是圍繞這一能力展開的架構設計。

類似的結構變化，其實已經在另一類企業軟件體系中出現過。例如 Palantir 所構建的數據操作系統，本質上并不是傳統意義上的分析工具，而是一種能夠參與決策流程運行的數據基礎設施。它通過組織企業內部的數據關系，使算法能夠圍繞真實業務目標持續工作，而不是圍繞單次查詢響應輸入。

Agentic AI 正在將這種能力進一步擴展。從數據上下文擴展到業務上下文，從分析結構擴展到執行結構，使智能體第一次可以參與企業連續運行的判斷過程。

GEA 正是在這一技術路徑上的進一步演化，它將上下文能力從數據層推進到品牌、產品與增長結構之中，使智能體系統能夠進入企業最復雜的業務決策環節。

從 Prompt 到 Intent：企業智能體系統的真正入口發生改變

傳統生成式 AI 系統的運行方式依賴 prompt，而企業工作的運行方式依賴目標。這兩者之間的差異決定了為什么 Copilot 體系很難直接進入復雜業務流程。

GEA 架構將業務意圖作為系統運行的起點，通過 Intent Layer 將增長判斷、產品探索或傳播策略等高層目標轉換為可執行路徑，使智能體系統能夠圍繞真實業務結構展開推理，而不是圍繞語言輸入展開生成。

這一變化看似細微，卻意味著企業級智能體系統第一次能夠理解組織語言，而不是僅僅理解用戶語言。

也正是在這一層之上，特贊進一步提出 Creative Reasoning Model，使系統能夠在收斂之前展開可能路徑空間，從而參與創新判斷與策略制定過程，而不僅僅提供答案生成能力。

多模型編排能力，正在成為企業智能體系統的核心結構能力

隨著基礎模型數量持續增加，不同模型開始在視覺理解、推理能力和數據處理方面形成明顯分工。單模型系統越來越難以覆蓋完整業務鏈條，而多模型協同成為新的系統能力要求。

GEA 的 Orchestration Layer 正是在這一背景下提出，通過編排不同模型能力，使企業用戶無需理解模型差異即可獲得穩定輸出結構。這種能力的意義，并不僅僅在于提升效率，而在于讓模型能力第一次能夠以系統形式進入企業流程。

模型不再作為工具被調用，而作為資源被調度。

這正是企業級智能體系統與傳統生成式 AI 系統之間最重要的區別之一。

Proactive Agent：企業第一次擁有持續運行的智能執行結構

GEA 架構進一步引入主動型智能體，使系統能夠持續監測環境變化并自動推進業務流程。例如在新品上市準備階段，系統可以提前完成素材一致性檢查，在傳播階段可以持續跟蹤競品動作，在復盤階段可以自動生成策略總結報告，而這些任務并不依賴人工觸發，而是在既定目標結構下持續運行。

這意味著企業第一次擁有一種可以持續運行的智能執行結構，而不是一次次被調用的生成工具。

對品牌型與產品型企業而言，GEA 改變的不是效率，而是判斷結構

如果說 Agentic AI 的出現標志著企業軟件進入新的架構階段，那么它首先改變的，并不是所有行業，而是那些長期依賴復雜判斷鏈條運行的組織類型。

特贊所服務的企業，大多屬于這一類：品牌驅動型企業、產品創新型企業，以及高度依賴市場響應速度的增長型組織。這些企業的核心競爭力并不來自流程標準化，而來自持續判斷能力。

傳統企業軟件擅長解決流程問題，例如庫存管理、客戶記錄或財務核算，但品牌表達、產品方向與增長策略這些工作長期依賴團隊經驗運行。企業并不是缺乏數據，而是缺乏可以組織這些數據的認知結構。用戶評論、競品動作、傳播反饋、歷史項目經驗、品牌資產規范，這些信息往往同時存在，卻很少進入同一決策體系之中。因此，大量關鍵業務判斷仍然停留在“碎片信息 + 經驗直覺”的狀態。

GEA 架構試圖改變的正是這一點。

通過 Context System，將品牌資產、用戶理解結構、項目軌跡與策略路徑組織為統一上下文來源，使這些原本分散在組織不同角落的信息第一次成為可以被智能體調用的連續知識結構。進入系統的素材不再只是文件，而成為企業認知網絡中的節點，并隨著使用過程持續更新其語義關系，這意味著企業判斷能力開始具備可積累性。

這種能力最直接改變的，是產品創新方式。在傳統流程中，創新通常依賴單次調研或階段性分析完成，而在智能體系統參與之后，行業變化信號、用戶反饋結構與競品策略路徑可以持續交叉驗證，使產品方向不再依賴階段性判斷，而成為持續運行的探索過程。企業第一次可以在方向形成之前驗證路徑，而不是在投入資源之后修正錯誤。

類似的變化也出現在品牌表達體系之中。過去品牌規范通常以文檔形式存在，它可以約束設計結果，卻無法參與設計過程。而當品牌基因被結構化進入上下文系統之后，品牌不再只是風格指南，而成為可以被調用的認知結構，使不同團隊在不同場景中的表達保持一致，同時又能夠持續演化。

在增長運營領域，這種變化則體現為策略生成方式的改變。傳播路徑不再依賴一次次 campaign 設計，而可以基于歷史傳播效果、用戶響應模式與平臺變化信號持續調整執行結構，使增長從項目制推進轉變為系統性運行。

這些變化共同指向一個更深層的問題：企業長期缺乏的并不是數據，而是能夠組織數據的結構；缺乏的也不是模型能力，而是能夠調用模型能力的路徑。

GEA 的價值正在于提供這樣一種路徑，使智能體第一次可以圍繞真實業務目標持續運行，而不是圍繞單次任務響應輸入。

Generative Enterprise Agent，標志著企業軟件進入架構競爭階段

如果從更宏觀的技術史視角來看，ERP 解決的是資源如何被組織的問題，CRM 解決的是客戶如何被理解的問題，BI 解決的是數據如何被解釋的問題，而 Agentic AI 正在開始解決一個更深層的問題——企業如何形成判斷。

這也是為什么，今天企業部署智能體系統的意義，并不在于替代多少崗位，也不在于自動化多少流程，而在于是否能夠建立屬于自己的機器決策能力。當模型成為公共基礎設施之后，真正決定企業差異的，不再是模型規模，而是上下文結構；不再是生成速度，而是判斷質量；不再是單點能力，而是系統如何持續運行。

從這個角度看，Generative Enterprise Agent 的提出，并不是一次產品升級，而是一次企業軟件范式的轉移。它意味著企業第一次可以圍繞業務意圖組織智能能力，圍繞上下文沉淀認知結構，并通過持續運行的智能體系統推動真實業務結果。

過去十年，企業采購的是軟件系統；過去三年，企業嘗試的是模型能力；而正在到來的十年，企業真正部署的，將是一套能夠參與經營判斷的智能系統。

當智能開始進入企業的決策結構本身時，AI 就不再只是工具，而成為企業新的認知基礎設施。

這正是 Generative Enterprise Agent 出現的歷史位置。

官網預約GEA 免費體驗，為您的企業做一次系統診斷：

雷峰網(公眾號：雷峰網)