“为什么模型每个月都在变强，但我的企业好像没有一起变强？”

这是很多 CEO 和业务负责人心里的困惑。

过去两年，企业用 AI 的路径高度相似。

先给员工开通大模型账号，再上线 Copilot，再接入知识库，再做几个 Agent 试点。

今年又更进一步：部署 OpenClaw类产品，让 AI 从 “会说” 变成 “会干”。

演示效果很惊艳，发布会也足够热闹。

员工确实写得更快了，会议纪要确实更容易生成了，PPT 和方案也能更快产出了。

但问题在于：

这些使用痕迹有没有沉淀为企业能力？

专家经验有没有变成组织资产？

每一次任务完成后，下一次是否更好？

如果底层模型换掉，企业积累下来的判断还在不在？

如果所有公司都把知识喂给少数几个大模型，最后价值到底留在谁手里？

这可能才是企业 AI 进入深水区后真正的分水岭。

AI 竞争的第一阶段，是模型能力之争。

第二阶段，是 Agent 应用之争。

而接下来，更关键的竞争正在转向：

谁能把 AI 变成企业自己的智能引擎。

通用模型热潮时，有人提出了一个逆势判断

这个问题，在通用大模型热潮最汹涌的时候，就已经有人看到了。

衔远科技创始人周伯文教授，当时提出了一个逆势判断：

AI 发展的正确路径，是在充分泛化的基础上，具备对任何领域深度专业化的能力。

他的核心洞察是：泛化基础上的深度专业化，才是企业竞争力的本质来源。专业化能力的归属，决定了 AI 价值最终留在谁手里。

通用模型解决的是“会做”的问题，但企业竞争力从来不来自“会做”，而来自“比别人做得更准确、更快、更符合自己的业务逻辑”。

一家企业如果只是接入了最好的通用模型，相当于所有人都坐上了同一趟高铁 —— 速度快了，但方向和目的地都一样，竞争优势无从建立。

这个判断，比 “企业需要 AI 工具” 更深一层，也比 “企业要建私有化部署” 更准确。

它指向的是一个更根本的问题：在 AI 时代，企业专业能力的所有权，归谁？

微软 CEO 纳德拉最近的一系列表述，从另一个角度印证了这个方向：

他提出了 Human Capital（人力资本）与Token Capital（词元资本）两个概念。

企业通过 AI 系统沉淀下来的可复用智能能力，是这个时代新的资本形态。

他的判断是：AI 不会让人力资本变得不重要，反而会让真正高质量的人类判断更重要。

真正危险的，是企业把自己的知识、经验和判断全部交给外部模型，却没有形成自己的学习系统。

他用全球化作类比：第一次全球化中，很多产业把制造能力外包出去，产业空心化的代价持续多年。

AI 时代，如果被外包的是认知能力和专家经验，后果可能更严重。

但纳德拉没有回答的问题是：

企业的专业判断、业务规则和专家经验，如果是在使用通用模型的过程中被持续吸入模型底座，那 Token Capital，究竟是在自己手里，还是在模型厂商手里？

周伯文教授的回答是明确的：

专业化能力必须留在企业自己的平台上、自己的 know-how 里，而不是成为通用模型无限膨胀的训练材料。

这不只是技术路线的选择，更是一种商业伦理的表态：企业把数据和经验交给一个平台，这个平台有没有责任让这些资产留在企业自己手里？

而回答这个问题，需要的不只是承诺，而是一套企业自己能验证的评测体系。

真实企业任务，比公开 Benchmark 难得多

在这一背景下，一篇最新企业 Agent 评测论文更显得尤为重要。

在这篇题为 EnterpriseClawBench: Benchmarking Agents from Real Workplace Sessions 的论文中，衔远科技大观研究院团队发布了EnterpriseClawBench。

该成果一经推出便获得行业广泛关注，论文更是登上了 Hugging Face Daily Papers 日榜第二名，意味着全球研究社区当天认为这是最值得关注的论文之一。

更重要的是，衔远同步开放了评测协议和构造方法。这意味着任何企业、研究团队都可以用同样的方法，在自己的数据上构建私有评测集。衔远在做的，更大价值在于尝试建立一套行业标准。

EnterpriseClawBench并不是用传统问答题测试模型，也不是让模型在标准化题库里刷分，而是从真实企业工作会话中构建 Agent 评测任务。

衔远科技 Frontis 团队从真实工作场景中，抽取 2026 年 3 月到 5 月的内部 Agent 使用记录，经过过滤、分类、评分标准生成等一系列自动化处理，最终构建出 852 个可复现任务，并人工审计出 120 个 Lite 任务子集。

这些任务覆盖产品、研发、HR、行政、销售、市场、财务、运营、管理层等真实岗位。

任务形态完全来源于企业日常工作：

有人上传会议录音和项目群进展，让 Agent 写日报；

有人上传 Excel，让 Agent 校准收入、成本、毛利和现金流；

有人上传 PDF 和模板，让 Agent 生成案例展示；

有人要求生成 HTML 页面、PPT、表格、报告、代码或图片；

还有人让 Agent 分析周报、修改 OKR、整理客户拜访计划、生成解决方案。

这和传统问答 benchmark 完全不是一类问题。

传统评测经常考的是模型能不能答对。而EnterpriseClawBench 考的是：Agent 能不能在企业工作空间里，读取异构文件、恢复上下文、调用工具、生成可用交付物，并且在成本、耗时、格式、视觉质量和证据准确性上都过关。

这就像把 AI 从“考试环境”拉进了“真实办公室”。

在构造方式上，EnterpriseClawBench 也做了几层关键设计：

首先，它来自真实工作会话，而不是人工想象出来的任务。

其次，它同时评估文本和视觉交付物，不只看回答内容，也看文件是否真的可用。

第三，它采用硬规则和语义评分结合的方式：文件类型、文件数量、是否为空、能否打开，是硬规则；准确性、相关性、深度、实用性、表达质量，是语义评分。

第四，它把成本和耗时也纳入报告，因为企业部署 AI 不可能只看效果，不看 ROI。

第五，由于源数据包含企业内部内容，它不释放数据本身，而是开放构造与评测协议。

这最后一点非常关键。

这恰好回答了纳德拉提出但没有解决的问题：企业需要评测系统，但不能为了评测牺牲自己的内部数据和知识资产。

这也只是衔远大观研究院正在做的工作之一。

7月17日，在WAIC上，衔远将发布更多AI评测与AI4AI方向的研究成果——如何让AI系统更可靠地评估自身能力边界，以及实现Agent的递归自我进化（即 AI for AI），将是接下来值得关注的话题。

三个反直觉结论

回到 EnterpriseClawBench ，它最值得关注的，不是榜单本身，而是它揭示出的三个反直觉事实。

第一个事实：真实企业任务远未被 Agent 解决。

在人工审计的 120 个 Lite 任务上，最强组合 Codex / GPT-5.5 的得分也只有 0.663。

这不是说模型不强，而是说明真实企业任务比公开 benchmark 难得多。

企业任务往往不是单点问题，而是复合问题：要读文件，要理解上下文，要遵守格式，要生成交付物，要保留证据，要满足业务目标，还要能被人直接使用。

任何一个环节出错，业务结果都可能不可用。

第二个事实：Harness 和模型一样重要。

论文发现，同一个 Claude 模型，在不同 Agent 框架下表现差异很大。

有的组合可以保持 0.62 到 0.64 的区间，有的框架下却掉到 0.458。

这说明，Agent 不是模型的简单外壳。

工具调用、权限控制、运行环境、文件写入路径、多步修复能力、执行链路长度，都会影响最终交付。

所以企业不能只问“你用了哪个模型”。

更应该问：你的 Agent 如何执行？如何读文件？如何调用工具？如何生成交付物？如何保存证据？如何失败重试？如何被评估和优化？

第三个事实：Skill 注入是 AI for AI 的雏形，但必须被评测。

EnterpriseClawBench 做了一个很有意思的实验：从同类任务中蒸馏 Skill，再注入 Agent，测试它在留出任务上的表现。

结果发现，好的 Skill 确实可以提升 Agent 表现，但效果高度依赖“谁来生成 Skill”和“哪个 Agent 来消费 Skill”。

有些 Skill 带来正迁移，有些 Skill 反而造成负迁移。

这非常重要。

这恰恰说明，“让 Agent 自我进化”在今天远不是自动成立的——放任沉淀经验,很可能让 Agent 变笨。正因如此,进化必须被评测约束。

经验要进入系统，必须经过评估。Skill 要进入生产，必须经过验证。Agent 要自我进化，必须有一套能判断进化方向是否正确的私有化评测体系。

真正的模型能力评测不能只看外部榜单

这三个发现，共同指向同一个缺口：企业真正需要的，不只是 model eval（模型评估），而是 private eval（私有化评估）。

什么叫一次好的销售机会诊断？
什么叫一个可被复用的专家判断？
什么叫 Agent 真的改善了业务结果，而不是只生成了一份看起来漂亮的文档？

这些问题，通用模型公司无法替每家企业回答。

答案藏在企业自己的业务目标、组织经验、隐性规则和管理判断里。

外部 benchmark 告诉你模型的通用能力，private eval 才能告诉你 AI 是否真的在你的业务里创造价值。

正如纳德拉所说的”控制权测试”：如果明天换掉底层模型，企业积累的专家经验还在不在？如果不在，买到的只是外部能力；如果还在，才算真正沉淀了自己的智能资产。

这也是衔远大观 MA 进化引擎背后的设计逻辑：不是让 Agent 自己随便变，而是让 Agent 在评估、反馈、归因、沉淀和再训练中受控进化。

衔远大观：自主进化的智能资产引擎平台

沿着这个逻辑，衔远科技 Frontis 正在做的 衔远大观 Frontis Horizon ，就可以被更准确地定义为：自主进化的企业级智能资产引擎平台。

它不是传统的Agent 编排工具，不是通用Agent平台工具，也不是简单的企业级龙虾（OpenClaw）。

它真正要解决的是企业 AI 的更底层问题：

如何把通用模型能力，转化为企业自己的专业能力？

如何把专家经验，沉淀成可复用的 Skill 和 Agent？

如何把工作流、业务规则、组织记忆和评测标准沉淀为企业自有知识产权？

如何让企业在替换底层模型时，仍然保留自己的 DNA、Memory 和 Process？

如何让每一次使用，不只是完成任务，而是反哺下一次能力提升？

一句话：衔远大观要做的不是帮企业“使用 AI”，而是帮企业拥有一套可持续进化的自有智能系统。

在衔远大观的架构里，这套系统可以理解为三层：

第一层是 ME，人的组织代理。

ME 不是聊天机器人，也不是静态个人知识库，而是在企业语境中代表人持续推进工作的受治理代理。

它理解人的目标、偏好、职责、权限、风险边界和历史上下文，可以帮助人过滤信息、生成判断、推进任务，并在关键节点请求确认。

ME 的价值不是“像不像我”，而是“能不能代表我把工作推向前”。

某客户的销售总监反馈，接入 ME 之后，他每周整理跟进计划的时间大幅压缩。

但更重要的变化发生在三个月之后 —— 他的 ME 已经积累了大量高质量销售判断案例，这些判断模式开始被复用于团队的新人培训。

ME不是概念。衔远已经把ME的核心能力产品化为Leadeep AI 领衔者——一款面向职场人的AI录音与洞察产品。

上述销售总监使用的，正是Leadeep AI 领衔者——ME能力的移动端产品化形态。

它做的事情，正是ME层设计的微缩版：记录人在真实工作场景中的判断和决策，提炼关键信息，在下一次同类场景中更快给出建议。

618期间，Leadeep在社交媒体上引发自发传播，背后不是靠营销，而是因为很多用户第一次感受到“AI真的在帮我积累判断，而不只是帮我整理文字”。

第二层是 WE，企业的硅基组织。

企业不是只有一个 Agent，而是需要由多个角色化专家 Agent 组成的协同网络。

比如，在世界500强大宗商品贸易企业的大豆采购场景中：

大宗市场分析专家、海运物流专家、合规风控专家以及财务成本专家等，组成供应链agent专家团，协同完成大豆采购交易，降低交易风险的同时，将行业研究周期从天缩短到小时，物流规划周期从周缩短到天。

而 WE 的关键不仅在于专家数量，更在于组织上下文。

没有目标、权限、证据、接口、语义标准和治理边界，再多 Agent 只是噪声。

有了组织上下文，一群 Agent 才能变成真正的硅基组织。

第三层是 MA，组织级学习与控制系统。

没有 MA，ME 和 WE 只是一套执行系统。

有了 MA，组织才会在每一次执行中变得更聪明。

MA 要记录行动、评估结果、追踪证据、分析偏差、沉淀经验、更新规则，把错误变成材料，把反馈变成训练信号，把一次次任务变成企业能力复利。

这也是从双环学习走向三环学习：不仅复盘动作对不对，也复盘策略对不对，还复盘组织结构、能力结构和流程规则是否应该被重构。

正如上述大豆采购 agent 专家团案例，通过持续反馈和使用沉淀专家经验到 skill 和 agent，从而构建私有化评估和持续进化的组织能力，大宗贸易企业得以更好地应对急剧变化的宏观形势和国际市场。

结语：AI 原生能力的核心在于持续进化

行业里有一个常见误区：企业里有很多 AI 工具、很多 Agent、很多自动化工作流，就算 AI 原生了。

但这仍是旧时代的理解方式 —— 组织本体不变，只是多装了几个智能体；管理方式不变，只是流程跑得更快一点。

真正的 AI 原生，不是 “原来的企业 + AI 工具”，而是企业本身开始被重新定义。

过去的数字化系统，大多解决的是记录问题：ERP 记录交易，CRM 记录客户，OA 记录流程，BI 展示指标。

它们让企业变得更透明，但并没有改变一个底层事实：人仍然是唯一行动主体。

AI 原生系统改变的正是这个前提。

AI 不再只是记录和展示，而是开始理解目标、调用工具、推进任务、生成交付、接收评价，并在反馈中持续学习。
企业系统正在从 System of Record，走向System of Learning。

从 “记录企业”，走向 “进化企业”。

回到文章开头的问题：模型不是企业的护城河，那什么才是？

答案已经清晰：私有化评估 + 可持续进化能力。

私有化评估，让企业能判断 AI 是否真的在自己的业务里创造价值，而不是只看外部榜单选模型。

可持续进化能力，让每一次任务执行、每一次专家反馈、每一次经营复盘，都能转化为可复用的知识、Skill 和 Agent。

同一个大模型，所有人都可以买。同一种 Agent 框架，所有企业都能接。

但每家企业在长期经营中形成的客户理解、专家判断、流程细节和决策偏好，不会自动存在于通用模型里。

如果企业不能把这些东西沉淀下来，AI 用得越多，越可能只是替外部模型训练了世界，而没有训练自己的组织。

这正是衔远科技 Frontis 正在做的事 ——衔远大观 Frontis Horizon，不是帮企业 “使用 AI”，而是帮企业拥有一套私有化评测体系与可持续进化的自有智能系统。

当底层模型明天被换掉，企业积累的 DNA、Memory 和 Process 还在 —— 那才是真正意义上的 Token Capital，也才是这个时代企业真正的护城河。

（来源：量子位）