
2026年11月2日,Palantir CTO Shyam Sankar 在财报电话会上说:企业的基本单位是 Workflow(工作流)。他还补了一句:你完全可以让一群员工的生产力大幅提高,却没有创造出任何实际的投资回报。
这句话点出了企业AI建设中一个很现实的问题。我们习惯用 Agent 完成了多少任务、节省了多少工时、文档和代码生成快了多少,来衡量AI项目。这些数字是真的,但它们回答的是“执行快了多少”,而不是“企业得到了什么”。
借这个判断,我们想从百型一直坚持的二阶控制论视角谈谈:企业AI要持续变好,除了改进执行,还必须有机制去修正判断。

先把执行改进到位:以Workflow为单位
以海外客户开发为例。团队要理解产品适合哪些应用场景、梳理买家画像、寻找潜在企业、判断业务匹配程度,再获取联系方式、准备触达内容,并根据客户回复继续确认需求。
用AI把原本需要半天的客户资料搜集缩短到几分钟,当然是提效。但客户开发这件事远没有完成:对方是否真的适合我们的产品?联系人是否合适?沟通内容有没有业务依据?客户回复后,业务人员能否接住需求?如果这些环节仍靠人工重新查资料、反复传递信息,找客户快十倍,也不意味着有效询盘增加十倍。
这是一阶思路:设定标准,检查偏差,纠正偏差。以Workflow为单位,就是把优化对象从“某个步骤”提升到“整项业务工作”。
AI带来的真正变化,是重新分工的空间。过去软件提供功能,人负责把功能串起来。在百型的实践中,企业大脑先理解产品、客户和业务经验,再为不同智能体的协作提供共同依据。客户寻找、筛选和触达围绕业务目标展开,业务人员参与匹配校准,并在需求确认和商机推进中发挥专业判断。
信息如何接续、判断由谁完成、哪些工作交给AI、什么情况下需要人介入,都需要重新设计。前面形成的买家判断,要能帮助后面的沟通;后面获得的客户反馈,也要为下一步行动提供依据。
Sankar 提出的 Enterprise Harness 指向同一个问题:企业里的AI要进入真实业务系统,与数据、权限、人员和组织责任一起工作。

执行改进的盲区:标准本身对不对?
假设海外客户开发流程已经跑得很好:资料搜集更快,人工筛选减少,触达任务按计划完成,各项执行指标都达标。
再追问几句:找到的企业是否真有采购可能?联系的人能否推进业务沟通?客户回复之后,有多少形成了明确需求?
企业可以把客户开发要求转化为 Rubric(评价标准),再用 Eval(评测)检查AI是否执行到位,例如目标企业是否经营相关产品、是否具备采购或分销角色、触达内容是否有事实依据。这些检查是必要的,但有一层局限:
按既定标准通过评测,并不能证明标准本身合理。
比如,企业原本认为某类经销商是目标买家,AI也准确找到了符合条件的公司。但实际沟通后发现,这类公司的产品组合、采购方式或合作条件,与自身业务并不匹配。此时继续提高筛选速度、扩大触达数量,未必改善结果,需要重新审视的是买家画像和匹配依据。
反过来,一类过去没被重点关注的客户,如果持续提出相关产品需求,也值得核实:原有画像是否遗漏了新的应用场景和买家类型?
在百型的客户开发实践中,业务人员的点赞、点踩,是业务判断进入系统的具体入口,可以帮助校准客户匹配。但判断标准是否要调整,还要结合实际沟通、需求反馈和人的专业判断:一次没有回复,不能直接说明画像错误;一次积极回复,也不足以证明方向成立。
组织上还有一层。负责AI工具的团队,看的是线索数量、任务完成率和触达效率;业务团队关心的,是有效询盘、商机推进和客户合作。两边各有各的口径,数字都可能没错,但对不上号。AI项目于是容易朝着最先被量化、最先能交付的目标一路优化。
这正是二阶控制论带来的提醒:一阶是按标准纠偏,二阶是连标准和观察方式一起检验。观察者不在系统之外。谁被定义为目标买家,什么算有效询盘,哪些反馈值得据此调整策略,这些判断本身就是系统的一部分,也需要被观察、被检验和修正。

这不只是客户开发的问题
同样的问题出现在很多业务里。Palantir 公开的一个化工行业定价用例,展示了业务结果如何回到判断者手里。
原来的流程中,销售经理通过邮件或电话询价,市场经理再到多个系统查历史价格、成本和毛利数据。报价发出后,市场经理甚至不一定知道有没有成交。Palantir 用 Foundry 把环节连起来:销售在 CRM 提交请求,市场经理基于完整信息定价并写回,成交或丢单的结果再同步回来。
它衡量价值的方式也值得注意:经营表现、业务产出和流程效率三类指标放在一起看,而不只看流程快了多少。项目启动时,先明确改善谁的工作、创造什么价值、如何衡量成功,责任也分到具体角色:有人对项目ROI和用户采用负责,有人对业务领域的ROI负责。
需要说明的是,这是公开的衡量方案和实施方法,并不代表所有指标都已实现预期改善。但它说明,业务价值可以前置到项目目标和责任分工里。放回客户开发,对应的就是:询盘和商机的结果,应该回到买家画像的校准中。

让AI持续进化:两层回路缺一不可
企业AI要持续进化,至少需要两层回路:
执行回路:把事做对
检查AI与系统是否按既定标准执行,发现偏差并及时纠正。回答的是:既定的工作,是否被准确、有效地完成?
判断回路:做对的事
让有效询盘、商机推进、成交等真实业务结果回流,检验目标、方向和判断标准是否合理,并据此调整工作重点。回答的是:正在做的事,是否真正有助于业务目标?
只有执行回路,AI会越来越熟练地执行既定规则;加上判断回路,企业才能根据业务反馈持续校准方向。把事做对,也做对的事,才是百型所强调的持续进化。

执行与判断共同构成反馈回路

结语
局部提效很容易,把局部改善变成企业价值,需要继续追问:
• AI改变了哪一项完整的业务工作?
• 最终交付了什么?
• 结果用什么衡量,这个衡量标准由谁、凭什么来校验?
• 谁对结果负责?
学 Palantir,比记住一个新概念更有意义的,是理解它为什么把 Workflow 当作基本单位:只有在完整的业务工作里,执行和判断才能进入同一个回路,一起被改进。
百型智能所做的,就是让企业大脑、智能体和业务人员在同一条工作流里协作:AI负责执行,业务人员负责判断,业务结果再回到下一轮判断中。


