ThinkingAI 联合创始人兼CTO 周津
文 | Joe
过去一年，企业级AI发布会的核心议题已从简单的文案生成转向深入业务流程的Agent（智能体）应用。尽管共识升温，但落地层面存在显著断层。Gartner预测，到2027年底，超40%的Agentic AI项目将因成本、价值不明或风控不足被取消；McKinsey数据显示，能将5%以上EBIT归因于AI的企业比例连续两年停滞在6%左右。
针对这一现象，Morketing在Agentic Engine发布会后专访了ThinkingAI联合创始人兼CTO周津。对话聚焦于组织、经验、判断与责任，探讨Agent进入企业的核心卡点及解决路径。
效率起飞后，组织为何反而更慢？
横向协同缺失导致信息摩擦
Morketing：年初个人使用AI工具效率显著提升，但回归公司层面，整体效率并未同步增长，瓶颈何在？
周津：瓶颈在于横向未打通。员工各自使用不同工具（如WorkBuddy、豆包等），虽提升了单点效率，但信息未拉通。大量时间耗费在文档对齐和目标沟通上，信息流动与协同成为流程中的最大阻碍。
目标定义与决策流转是关键阻力
Morketing：当前支撑“Agent进入组织”的市场成熟度条件有哪些？
周津：目前具备两个成熟条件：一是认知拉齐，从管理层到一线已普遍接受Agent；二是大模型能力增强，尤其在Coding和多模态领域，且全球进度基本同步。然而，工具顺手不等于组织就绪。若目标定义不清、关键人判断力无法快速流转，个人提效只会增加组织内部摩擦。
真正的阻力在于效率提升后，对问题解决目标的清晰度以及关键节点的决策力。例如游戏开发，最终考验的是发行买量能力及审美品味，而非仅仅是代码实现。许多项目因缺乏清晰的商业化目标和快速决策机制而中途夭折。
构建Agent-ready的组织基建
周津指出，让Agent高效运行需搭建两方面基建：
- 组织力变革：思维模式需从需求实现转向业务结果导向。以研发为例，不应仅关注代码框架，而应思考如何利用Agent达成业务目标。
- 信息协同机制：通过Agentic Engine实现数据同源。所有成员基于同一套数据、口径和工作空间协作，分析结论、修改记录及验证过程全程留痕，接手者可追溯完整背景，消除层层转述的信息损耗。
从Data到AI：隐性经验的产品化
数据体系是核心基石
Morketing：从ThinkingData转型为ThinkingAI，最深刻的变化是什么？
周津：核心在于From Data to AI。做好企业AI的前提是建立完善的数据体系，否则无法进行客观判断。
人守出入口，中间交给Agent
Morketing：何种企业才算真正具备Agent能力？
周津：AI放大了人的内在能力，同时也暴露短板。具备Agent能力的企业，关键在于善用人才，明确关键岗位人员及其业务能力。Agent进入组织更考验企业如何配置人力，让具备业务责任感的人处于关键位置。
隐性经验的数字化沉淀
Morketing：如何将业务高手的隐性经验转化为可复用的Agent能力？
周津：隐性经验存在于日常工作的每个环节。关键在于全流程信息采集与蒸馏。通过记录交互Trace、上下文及会议观点，并在复盘后以知识库或Skill形式沉淀，使经验系统化。Agentic Engine通过将分析方法、渠道对比逻辑等封装为可调用的Skills，并统一口径至知识库，实现经验的继承与复用。
人机分工新范式
Morketing：人与AI的良性分工原则是什么？
周津：
- 角色定位：人负责判断与决策，Agent负责执行。
- 工作流重构：由人定义工作流，Agent驱动人进行决策。例如在采访中，Agent提供实时辅助建议，但最终回答由人基于业务语境筛选。
- 边界控制：人守住入口（需求定义）和出口（结果判断）。入口需拆解抽象需求，出口需具备审美与价值判断力。中间执行过程由Agent折叠缩短。
Agent自主执行的前提：权限与信任
衡量ROI的多维指标
Morketing：如何衡量Agent业务的回报率？
周津：需分阶段度量。初期关注研发效率、迭代速度、Bug率及Token消耗等过程指标；长期则需映射至北极星指标及经营成果。这是一个动态修正的过程，而非单一的KPI考核。
私有化部署建立可信边界
Morketing：为何强调私有化部署？企业信任Agent的前提是什么？
周津：建立信任需满足三点：
- 人工确认：核心业务路径需人为介入。
- 可信边界：通过沙箱机制限制权限，确保风险可控。
- 证据可追溯：执行过程与结果数据需透明、可验证，避免黑箱操作。
私有化部署确保核心数据不出环境，权限管理与版本控制落地，是企业敢于让Agent自主执行的基础。
责任归属明确化
Morketing：Agent出错谁负责？
周津：责任主体始终是人。业务系统负责人承担最终结果，具体模块由对应人员负责。新时代的员工考核是多维度的，既包括利用Agent提效，也包括做出正确判断并为结果负责。
游戏行业经验：从包袱到武器
游戏行业的四大启示
Morketing：深耕游戏行业带来了哪些优势？
周津：
- 回归业务本质：数据分析旨在解决具体业务问题，而非单纯展示仪表盘。
- 快速迭代适应力：应对高波动数据，系统需具备弹性扩缩容能力。
- 云原生与AI原生：注重解决实际痛点，如智能投放、客服降本及体验优化。
- 非线性业务特征：玩家行为多样，要求极高的洞察复杂度与个性化满足能力。
游戏行业作为虚拟世界的缩影，其复杂系统构建经验可延展至其他行业，是宝贵的资产而非包袱。
Agent落地的差异化
Morketing：Agent在不同行业的落地有何不同？
周津：
- 工具适应性：不同场景需匹配特定工具，避免过拟合。
- 施工图纸（Skills）：需配合具体的操作流程与技能组合。
- 审美具象化：人的审美偏好通过交互沉淀至Agent知识库，使其输出符合预期。这是极难标准化但至关重要的部分。
展望：AI原生组织的形态
小规模、高协同、数据驱动
Morketing：理想的AI原生组织是怎样的？
周津：
- 组织精简：企业规模可大，但组织结构必须小而精，以降低沟通成本，释放Agent潜力。
- Agent驱动协作：工作范式中，Agent驱动人去判断。团队成员基于对齐的目标和业务上下文协作，需求背景完全透明。
- 高质量决策：依托透明、共享且对齐的高质量信息，提升最终决策效率。
未来，ThinkingAI致力于将数据与增长能力赋予产品、运营及开发者，助力每个Agent成为业务增长的引擎。
