咨询热线：
020-88888888
020-88888888
《北大金融评论》杂志是由北京大学汇丰商学院和北大汇丰金融研究院发起创办的学术性刊物，由南方报业传媒集团主管主办，聚焦金融领域理论与实务前沿研究，旨在引领学界与业界互动并打造开放性的金融研究交流平台。
AI大模型的应用一直是行业内的热点话题，快速迭代的AI在商业应用的发展上高歌猛进。新技术不仅能提高用户体验，在内容创作和个性化服务上提升精准度，也能进一步优化企业的生产流程，并且加速催生新的商业机会。
北京大学汇丰商学院管理学教授魏炜及合作者北京大学汇丰商学院MBA马勇斌、西安交通大学物流科创融合发展与研究中心副教授王子阳、华中科技大学管理学院管理学教授张鹏程共同在《北大金融评论》发文表示，拥抱AI浪潮的优秀企业会在未来持续重构自己的商业模式。数字员工和真实员工会建立起长期的共生关系，持续优化企业内外部的交易结构。这些企业会持续引入行业知识、企业知识、岗位知识，构建越来越强大的领域大模型。同时也会按照商业模式与战略发展的需要，灵活组合业务活动，持续创造、改变、消除各种AI智能体角色。
AI原生应用正接连不断地快速涌现。但是从产品的数量和社会公众对其认知程度来看，AI原生应用仍处于早期发展阶段，目前业界对于其明确定义、产品范式以及相关商业模式也还无清晰、完整的论述。但是这并不影响我们的判断，即：当前正处在AI原生应用大规模爆发并将深刻影响各行各业的前夜。
AI原生应用是指一种以AI技术和设计理念为核心，利用AI能力原生创造出的产品或系统。AI原生应用也常被称作“AI+”，与当前常见的“+AI”有着本质区别。AI原生应用来源于采用生成式AI理念对各类应用场景及其解决方案进行重构或创构（创造新的应用架构）。生成式AI的理念如：端到端的任务处理方式，即从输入任务的起始端到产生结果的终端，整个过程是连贯且一体的；在人机交互方面，产品以自然语言交互为基础，生成适应用户的个性化结果；在数据与信息方面，可以直接存储、使用、检索海量非结构化数据，而非高度依赖结构化数据；在设施方面，搭建可满足大模型运行要求的软硬件架构。而“+AI”应用的核心并非人工智能，是采用传统的软件开发逻辑，将AI能力叠加或局部改造嵌入原有应用之中，其AI改造的深度和广度都不及AI原生应用。
以自然语言交互为基础：用户通过语言交互界面（Language User Interface）与后端交互，无需或者少量通过图形界面（Graphical User Interface）与后端交互，最终呈现GUI和LUI混合的交互形式，以实现用户从有限的输入跃迁到无限的输入，既提供高频、固定的功能，也具备对低频、定制化需求的理解与处理能力；
具备自主学习和适应能力：在人机交互过程中，能够集成理解、记忆、适应多模态数据，并进行自我学习，能根据上下文、任务环境、交互对象的变化，对输出结果进行更准确、更个性化的调整；
具备自主完成任务的能力：有能力基于大语言模型和知识库执行精确任务，实现端到端闭环，集获取任务到完成任务全流程于一体。
以游戏行业为例，游戏所涉及的资产类型极为丰富，包含文本、2D图像、3D内容、声音、对话、音乐等。从游戏主机到VR/AR游戏，从PC游戏到手机游戏，硬件载体的迭代升级一直是游戏创新的主要推动力。而这一轮的AI原生驱动的业务创新，事实上是催生了全新的游戏品类和业务活动。
从斯坦福大学和谷歌联合发布的论文《Generative Agents: Interactive Simulacra of Human Behavior》可以看出基于AI原生游戏的雏形，生成式人工智能辅助用户创造内容（MOD）开始有效地提升开放世界游戏的游戏体验。以 Spellbrush 的《Arrowmancer》为例，这是一款利用AIGC的实时内容生成，以AI创建的角色为特色的角色扮演游戏(RPG)，提供了几乎无限的游戏玩法。AI原生游戏将实现千人千面，用户可以玩到根据自身需求创建的游戏，其中包含任务、剧情、地图、关卡等游戏要素，均可以成为AI生成的内容资产。
在游戏企业内部运营与生态运作等方面，AI原生应用也可以显著优化游戏原有业务系统。原资产生成与管理系统中，AIGC可应用于全模态的资产生成，实现全流程的资产管理。针对复杂测试场景，大模型辅助测试可通过模拟玩家、视觉识别等场景提升游戏测试的效率与准确性。针对发行与推广场景，大模型可以提供多语种本地化的能力，辅助企业高效扩展市场。针对用户运营等系统优化，大模型可通过分析玩家反馈和模拟行为，定位目标群体和优化游戏体验，实现游戏的快速与精准迭代。
业界有关“AI+”的讨论属当下热点，但又易与“+AI”混淆。“+”的本质是使用AI对各类应用进行改造，两者主要区别在于改造方式不同。
叠加是指在原应用场景基础上增加一个新的AI技术模块，使其具备新的特性和价值，属于“+AI”的范畴。比如：核保程序叠加AI风险评估能力、语言学习应用叠加AI口语陪练等。或是在已有应用的功能或服务流程上，叠加基于AI技术的决策或调度能力，提升流程效率，实际上是在原应用场景下增加了AI Copilot的能力。
局部重构是指使用AI对某个特定应用重新构建，可以分为使用传统软件开发逻辑的重构和使用生成式AI理念的重构两种细分方式。前者如：使用ASR（自动语音识别）和NLP（自然语言处理）技术改造电话客服平台，属于“+AI”。后者如：苹果手机以生成式AI的理念重构Siri语音助手，属于“AI+”。
创构是采用生成式AI理念，对系统内多个应用进行整体、全新的构建，是一种更具系统性和创造性的AI改造方式。如：端到端的智能座舱系统，以及即将出现的“液态金属型”企业。创构也代表着一种不孤立看待技术进步的视角。回看历史，蒸汽机的发明固然是工业革命的重大技术突破，而创构出工厂大规模生产、铁道运输等新的技术应用系统和商业模式，才真正释放了新技术的价值。而在互联网时代，也是在创构出电子商务、搜索引擎等全新的应用和商业模式之后，信息技术才发挥出其潜力。放眼未来，“AI+”势必会更显著地提升生产力，其先天带有全流程智能化、数据高度集成、可自我进化等优势，创构是释放其生产力的关键手段。
AI改造会产生三种结果：第一种是保持原应用场景不变；第二种是AI改造使应用具备更强能力，能够解决在原应用场景难以解决的问题，比如原有应用的输出质量较差、用户不易使用等；第三种是创造出全新的应用场景，产生新的价值空间。
结合改造方式和改造结果两个维度，可以得到一个清晰易用的应用创新框架，为企业提供一套AI创新的方向盘。企业可以据此把握自身相关的应用场景，识别使用AI技术来提升效率、解决疑难问题的机会。我们更建议企业采用“AI+”的思维，透视分析原有应用场景，探索可能出现的全新应用场景。
当前业界对于AI原生应用的技术架构在持续进行探究，我们认为AI原生应用会基于“生成型大模型+辨识型小模型+Agent（智能体）+数字孪生+用户拥有模型”这五项技术或机制的组合来实现长期演进。
其中，生成型大模型的主要作用是直接进行语义理解和答案的生成，如国外的ChatGPT、Llama3.1、国内的文心一言和通义千问等，用于提供通用知识、语言理解与组织能力。企业可以构建一个高效的 Hub 架构，以灵活、低成本的方式同时接入多个（本地或中心化的）通用大模型，然后在不同场景下调用其中一个或者多个的组合。辨识型小模型是参数量很小、针对特定领域的小模型，其主要功能一是生成特定领域的知识图谱，二是为生成型大模型提供专业领域的内容理解和知识辨别能力，例如文档内表格内容的识别等等。生成型大模型和辨识型小模型两者相结合，再加上领域专有知识就可以构建起领域大模型，既能实现领域专有内容文本理解和专业问答，也可以解决通用大模型在专业领域的幻觉问题、回答不准确的问题。
Agent（智能体）是一种能够感知环境、自主决策和采取行动的系统。面对任务时，它具备独立思考的能力，可以根据记忆数据和调用领域大模型，建立思维链和行动规划。Agent也具备使用工具的能力，包括使用内置工具、代码编辑器、API接口、模型等，以此去按步骤完成给定目标，是任务单元的执行者。用户数字孪生是指构建一个高度个性化的虚拟个体，它对齐真人用户的个性化信息，如人口学特征、行为模式和偏好、知识深度、对话风格、价值观等，以此来响应个性化的需求和情景。数字孪生的实质是用户的一系列数据集，包括：1）基于前置提问，了解到的用户画像、使用意图；2）使用者与大模型的对话反馈数据，使用者在对话中给出标准答案、修改意见或回答思路等反馈，会形成对应领域的强化学习数据集；3）基于持续对话的数据，深入理解使用者的画像和偏好，包括行业背景、语言风格、对线）使用者提供的特定领域概念、文档数据集，例如学术文献、商业案例、访谈记录等。Agent与数字孪生的结合，能够使得应用程序在与使用者交互过程中，持续加深个性化理解、持续试错和自我学习，达到增强决策、优化执行效果、实现输出内容的可控性的目的。
用户拥有模型（UOM，User Own Model）是一种将各类模型及相关参数、训练数据集等内容归属于使用者一方的机制。采用该机制是由于大模型的数据产权存在难以界定的问题，尤其是在特定专业领域，大模型会采用高价值的企业内部数据和用户生成数据进行训练。如果私有数据和新生成数据能够经由大模型流向其他主体，使用者的积极性、上传数据的质量势必会显著降低，造成模式不可持续。而用户拥有模型机制可以解决这一问题，此机制包括四个方面：1）将各类大模型文件进行私有化部署；2）将用于大模型微调和RAG的使用者（企业或个人）的私有数据进行独立存储；3）将使用私有数据微调后的用户个人模型参数和大模型参数独立存储，用户使用大模型时再对参数进行合并操作；4）将用户私有数据及根据用户数据微调的个人大模型的所有权归属于用户。可以采用加密技术进行加密，未经授权就无法获取到模型内部的结构、参数和数据，阻断私有数据和能力外泄的通路。后续也可结合区块链技术来进行确权，明确各类数据的来源、创造时间和所有权，来为数据贡献者提供奖励，最终形成用户数据与大模型之间的正反馈。
我们认为采用上述五项技术构建AI原生应用的方案能够有效解决大模型幻觉（包括数据溯源不准确）、输出结果不可控、产权难以保护等影响大模型企业级应用的问题，也是AI原生应用长期发展的必然选择。
“传统应用+AI”仅是在现有的产品或服务中引入AI技术，并没有重构产品或服务本身。因此对于研发组织，实现AI功能几乎可以像传统软件需求一样适配现有的项目管理方法，企业管理者无需针对此类需求来对当前的研发体系进行重度改造。以照片编辑App的“AI修图”为例，在该App引入AI之前，用户需要根据自己想要达成的效果，在App界面上手动操作，以调整图片的色温、对比度、亮度等参数。进入AI时代之后，该App的开发商决定新增“AI修图”功能，因此在其本身已有的“修图”功能之上，叠加了AI能力，使之实现自动化修图。此AI需求迭代并未改变这一传统应用本身已有的产品功能，更不涉及应用架构的改造，仅是将其中一个功能点与AI相结合，实现能力增强的效果。因此，在短期内各行各业很多AI的应用落地仍会大规模地集中在“传统应用的能力增强”上。
前文提到，AI原生应用将会基于“生成型大模型+辨识型小模型+Agent（智能体）+数字孪生+用户拥有模型”这五项技术或机制的组合来进行长期演进。此技术架构的全面落地绝非一蹴而就，需要在技术、工具、方法层面积累量变。
在技术方面，AI原生应用的软件架构是以大模型为底座的生成式架构，而传统软件则是具备确定性构成式架构。底座架构的变化会带来工程层面的变化，AI原生应用的开发是以数据为本的一种生成式开发，与传统软件的协同式开发完全不同，并不要求开发流程、工具和开发者之间的高度协同。这一系列变化，也就意味着传统软件的研发体系不再适用于AI原生应用，企业管理者需要改造现有技术体系以匹配其开发要求，这对于大多数公司来说是一项重大改变。
在工具方面，AI原生应用的发展需要各类工具应用的产品化，如：部署和管理大模型的Hub平台、产品化的大模型自动化微调工具、高精确度低成本的知识图谱生成管理工具、Agent高效编程的集成开发环境等等。大规模普及AI原生应用以解决各种问题的前提是具备完善的工具和框架体系，而非任一场景下都需要全流程自研。所谓“磨刀不误砍柴工”，产品化工具和框架的积累将是AI原生应用快速普及的关键成功因素。
在方法层面，目前实现AI原生的方法仍然处在探索期，这使得行业仍处在智力密集阶段，富集顶尖智力人才投身其中，像美国的AI顶尖公司就聚集了来自斯坦福、麻省理工等知名院校的员工【美国VC公司Lightspeed近期针对生成式AI的8家顶尖公司（包括OpenAI、Midjourney等）的技术人才背景做了调查，有12.5%的员工来自斯坦福大学，11.4%的员工来自加州伯克利大学，7%的员工来自麻省理工学院，其余的员工来自哈佛大学、牛津大学等，可以说几乎全部员工都是来自知名学府】。而随着探索的加深，方法必定持续积累和传播，包括AI原生应用开发思维、AI原生应用开发方法、AI原生应用的商业模式成熟等，其结果是创新方法渐成显学，开发AI原生应用所需的人才快速普及、开发门槛也将大幅度降低，这也为其质变创造了前提。
我们认为，AI原生应用的技术架构、工具产品以及方法论会在1~2年内不断演进，积累量变因素，最终达到成熟、可大规模复用的程度，之后AI原生应用将全面爆发。而在短期内，“AI原生应用”与“传统应用+AI”仍将共存。
目前企业内部业务活动和管理活动是基于功能进行构建，如文件管理、报销、制图等，每个功能都会输出对应活动的结果。企业内部的工作流程首先是进行专业化分工，将产出不同业务结果的员工进行分类，再按照员工分类匹配使用不同功能。企业内部会形成多种形态的工作流，面向不同任务时，企业对相关功能组件进行串行或并行的组合，通过分工与协作来交付各类成果。然而随着任务复杂程度提升，调用功能组件数量会急剧增多，组合形式也相应复杂化，这给组织管理带来了很大的挑战。
AI原生应用的引入有机会为企业内部协作形式带来突破性的转变，工作流将以角色为中心进行重构。面对具体的任务时，Agent会对任务所处的场景、领域、服务对象进行识别，再调用企业的领域大模型对相关的知识、数据、功能组件进行组合使用，然后作为一种角色，端到端地交付任务结果。
电视桌面通常会展示电视剧、电影、短视频等内容的海报，为吸引用户点击观看，海报的设计和管理工作极为重要，要求出品素质高、更新时效快、备选素材多、能个性化展示。而过去此项工作流程非常繁琐，每上架一张新海报都要经历确定主题、选取片源、制图、审核等一系列操作，需要运营、设计、审核岗位的人员开展长链条的协作。
而在引入AI智能体后，此任务的实现过程被根本性重构。AI智能体首先获取到内容片源，然后引用企业内部的设计及运营知识，自动执行图像分析理解、合成海报图像、多图像混合编排、个性化推荐给用户的全流程任务，实现任务端到端集成。而运营和设计人员在此过程中扮演的是知识贡献者角色，原有的链式协作机制被彻底打破，取代它的是“选取内容展示给用户”这一独立任务单元，AI在此过程中实际上扮演了“内容遴选官”的角色。
招聘是一项繁重任务，特别是劳动密集型企业，员工数量多且人员变动频繁，招聘工作就更加艰巨。传统的招聘流程是：负责招聘的HR员工需要先沟通收集各岗位招聘需求，然后对外发布招聘信息，再与各招聘网站对接筛选简历。后续还要经历一系列繁琐流程，包括多轮联系面试官、与候选人预约面试时间、收集面试反馈、办理员工入职等。即使在数字化系统的加持下，招聘工作也只是在某些局部环节得以提效，流程本身仍旧冗长。
而行业中的新型AI招聘应用提供了更加高效的解决方案，并且在过去一年取得了快速增长。
AI招聘应用会先引入招聘单位的岗位信息与市场公开信息形成不同行业的岗位胜任知识库，并将知识库微调到专用的“招聘领域大模型”中，使之具备专业化的内容辨别、理解和生成能力。Agent会驱动领域大模型，在面试过程中以数字分身的方式与候选人开展深度对话、追问、解析，识别候选人是否符合岗位要求和任职资格要求，最终向招聘单位交付评估报告，并与企业对齐是否招聘的结论。更为关键的是，Agent具备从候选人和招聘企业获得反馈的能力，可以沉淀知识和自我学习。
此类服务于招聘领域的AI原生应用在企业招聘方面提供了一种可以随时随地使用且边际成本几乎为零的服务能力，后续企业提升招聘能力的方式也不再是提升面试官的规模和技能，而是优化知识库和大模型、优化与候选人的交互方式、优化评估报告的质量。这种“以AI招聘官为中心”的协作机制可以显著提升企业招聘活动的效率和效能。
由此可见，引入AI原生应用到组织内部会形成不同类型的新角色，其中任何一个角色都可以独立完成一类任务，也可以由多个角色进行协同，完成更为复杂的任务，内部利益相关者的交易结构也会因此重塑。任务从目标输入到结果输出都可以闭环在一个AI原生应用或多个AI原生应用构成的网络中，并且极大简化了中间环节，这有助于提升整体效率。此类协作方式的改变还将带来一个重要影响：未来企业内部的关键能力将更依托于企业知识库包括领域大模型知识的丰富性、AI原生应用的个体能力和AI原生应用的群体协作能力。原有“人-人”交互形成的组织能力将会被重新定义，组织内耗将会极大程度降低，原有管理活动也会大幅度减少并带来管理成本的大幅度降低。
AI原生应用在改造企业内部活动的同时，会伴生改进企业内外利益相关者的交易关系，形成新的商业模式。此类改进的外在现象即是出现一系列新产品或新服务，例如：企业发布对客户服务的数字人（AI Worker），或者创造不同任务场景下的智能体，其实质都是企业内外部主体之间交易关系的变化。
如在上述AI招聘应用的案例中，招聘官数字分身和招聘报告都是具象化的产品，其本质是AI招聘应用的开发商与企业客户之间形成了一种新的交易关系，即：由企业客户采购AI服务，并提供岗位知识和招聘需求，再由AI招聘应用交付适岗候选人。这种新交易关系的价值是使企业内招聘交付标准一致、招聘成本降低、招聘效率提升。
（1）显著增强使用者的能力。高度智能化、个性化的Agent功能，能够为使用者端到端地完成一项任务，降低其工作成本，甚至使其具备曾经无法获得的能力。
（2）大幅提升服务效率。AI原生应用能够让使用者可以随时随地获得服务，并且面对大量使用者的场景不存在等待时长。
（3）提升个性化和标准化的程度。AI原生应用能够理解使用者的个性化需求，并且能根据记忆灵活响应。同时由于Agent能根据使用者预设的要求来执行任务，不存在人为因素带来的主观差异，其最终交付的结果则是高度标准化的，这有利于优化督查、审核、采购、质检等需重点关注人因风险的任务。
（4）可持续改进产品和服务。使用AI原生应用过程中，用户会产生新的数据反馈，这些数据能够改进大模型和智能体的能力。同时，能力提升又为吸引更多用户使用产生可能。用户在使用AI原生应用时也是参与到了产品改进当中，最终会形成一种正反馈循环。
我们判断，拥抱AI浪潮的优秀企业会在未来持续重构自己的商业模式。其外在体现是企业中会有越来越多的数字助理、数字分身、数字员工出现，这些数字人会调用AI原生应用类型的岗位智能体来承担一些新的职能，以此来服务用户和外部交易对象。同时企业也会开发出更多服务于内部员工的服务智能体，以增强员工能力。数字员工和真实员工会建立起长期的共生关系，持续优化企业内外部的交易结构。这些企业会持续引入行业知识、企业知识、岗位知识，构建越来越强大的领域大模型。同时也会按照商业模式与战略发展的需要，灵活组合业务活动，持续创造、改变、消除各种AI智能体角色。
企业按照上述路径发展的最终形态是“液态金属型”组织，是企业重构的最高层次。在此形态下，企业已经变成完全的流体，可以任意进行变革和适应，各种资源的流动和组合不再有阻力。企业可以按照价值链、产品组合、管理职能、业务流程等维度，无限地细分和重新聚合业务活动和管理活动。
AI原生应用的普及最终也会带来企业产生和运营范式的革命，将工业时代的分工范式转变为智能经济时代的智慧体范式。分工范式下，经济社会的主体由人组成。而人因为能力有限，因此专业化、重复性工作可以提高效率。而大规模的生产则需要标准化流程，因此诞生出工作分析、目标分解等工作方法以及组织结构图、工作说明书等工具。在智慧体范式下，经济社会的主体由人变成了智慧体，即人机协同互动的碳基+硅基主体。智慧体内部能够持续互动，也能与外部智慧体互动，持续创造出新的知识，持续增强提出问题、给出架构解决方案、选择解决方案和实施的能力。企业内的智慧体可以随时细分为更专门或专业的智能体，也可以通过非叠加形式随时聚合为拥有更多角色能力的新智能体。企业管理者或商业模式构建者也会以“人机智慧体”的形式存在，由一系列有关的真人和智能体组成，形成人类与智能系统(企业)、企业产品（即企业也是一个产品）的共生关系。智慧体还可通过创造新的智慧体、调整内外部角色的交易结构来相机重构商业模式，组织里资源的流动能力最大程度被释放，企业选择转变商业模式将不存在变革成本。
我们认为AI原生应用的产品创新正在走进快车道，层出不穷的新产品、新形态纵然“乱花渐欲迷人眼”，但必然围绕以下四种价值定位方法进行商业模式设计和价值延伸。
第一是构建能创造新价值的业务场景，为用户或客户提供前所未有的新体验或新能力。超级个人助理就是典型案例，例如苹果公司正在打造高度智能化的Siri语音助理，正试图突破现有“App孤岛化”现状。当用户输入打车、点餐、订票类的指令时，Siri可以端到端执行对应任务，用户无需打开诸多分门别类的专用App，而且可结合用户偏好进行个性化的选择，降低用户的筛选成本。在这种新的业务场景下，苹果完全可以构架出一套全新的服务分发商业模式，伴随创造巨大的新价值空间。
第二是能够降低交易成本。交易成本会发生于交易搜寻、交易议价、决策评估、交易监督、违约处理等环节中。比如交易房产需要以支付中介费的方式寻找买家或卖家，并存在繁冗的交易流程。又如制造业公司采购元器件，需经由采购寻源、样品配送与试用、效果评估等多项环节才可最终确定采购方案，时间成本巨大。这些都是长期存在的交易成本，而AI原生应用将为降低上述交易成本提供可能。交易双方可以事先构建属于自己的数字分身，将自有商品知识库、需求数据、个性化的偏好和行为数据等融入到领域大模型或RAG中。在交易发生前，双方数字分身根据即时的交易需求进行双边交互，以获取更加适配的交易方案，进而减少交易前的各项环节、降低成本。
第三是创造或优化业务活动和管理活动，做到以前想做但做不好的事。构建此类商业模式时，应采用聚焦镜的思维，识别在原有业务系统中能够通过引入AI原生应用而显著优化的环节。比如零售业引入AI来总结海量用户评论、形成摘要，辅助进行产品改进；又如AI制药领域应用大模型技术，加速分子模型构建和药物性质预测，大大提升研发流程的效率。然后再利用AI原生的理念，引入新的角色，对原有业务活动进行重构。随着AI技术和商业模式的加速发展，面对长期低效、做不好的业务活动，AI原生应用或许能另辟蹊径，提供突破性的解法。
第四是用于降低交易风险。可以利用AI原生应用学习并理解特定领域的交易数据，结合公开数据和私有数据，包括交易记录、信用评分、市场案例等，对新交易进行风险探测和预警。尤其是在金融行业，金融机构可以利用AI原生应用对大量财务数据、征信数据进行分析，以及可以端到端打通业务活动。诸如此类，AI在数据密集、决策变量多的领域具备广阔的发展空间。
在AI原生应用将迎来爆发式发展的前夜，我们对即将到来的全新图景充满希冀。面对无数可能性，当前时代的优秀企业家应开放心态、举目眺望、拥抱变化，通过AI原生的视角发掘在行业和企业内创造价值的机会。我们为参与其中的企业提供以下建议：
AI时代不仅需要顶尖的技术专家，更需要兼通技术、业务、管理的复合型人才。企业内部应该组建起一套全新的人才梯队：既包括AI技术专家，用以把控整体技术方向与架构；也需要大量具备技术视野的业务人才，他们能识别和捕捉业务活动中使用AI进行改造的机会；还需要兼备技术理解能力的管理人才，负责推动基于AI的组织变革与流程再造。AI原生应用的发展也必定伴随组织AI化转型或AI原生组织的发展，企业应为此培养必要的人才团队，赋予不同层级、不同职能相应的AI能力，以此提升整体组织能力。
企业应开始着手构建适应自身的AI技术能力，选择合适的工程平台、数据管理工具、大模型、云服务设施等技术要件来落地。公有云和开源技术的发展已使得当前无需付出过高的建设成本，关键工作变成了企业能否找到正确解决问题的技术方案，而非成本。我们认为生成型大模型、辨识型小模型、Agent（智能体）、数字孪生、用户拥有模型五项技术相结合是发展AI原生的必然选择，可以作为一种通用的技术架构供企业作为建设依据。同时，企业也应考虑自身实际来选择合适的要件，将一整套能力部署并植根于企业经营中，长期使用迭代。企业应尽早筹划相关技术储备，以尽早获取到累积数据和智能带来的复利。
“AI+”不仅是一场技术领域变革，更是针对公司治理、业务流程、上下游供应等各领域的变革。需要公司制定严谨的AI升级战略，来面对未来的行业变化以及AI所带来的挑战。例如：AI辅助工具对工作方式的变革、AI对于生产成本和效率的变革、生成内容所带来的法律问题等。这些都需要在公司内进行系统性梳理。
虽然当前生成式AI的创新赛道已显得十分拥挤，例如通用的语音、对话等产品，但其会催生新的AI原生应用品类与新赛道。我们建议创业公司专注在仍未被开发的细分领域、聚焦于业务需求的端到端方案，创造在没有生成式AI的时代难以出现的AI原生应用。
实践AI原生应用开发绝非开发一款孤立的应用程序这么简单，而应与重塑组织内外部利益相关者交易关系相结合。历次重大技术革命所带来的价值，往往并非在技术诞生之初就能完全显现。只有当这些重大技术与商业模式创新深入结合之后，其真正的价值才会充分释放。在当前AI 时代，AI 原生应用也面临着同样的情况。仅开发AI原生应用，如果没有与之相匹配的商业模式创新、仅停留在当前已有的商业模式，那么其价值也将受到很大的限制。只有将两者相结合、共同创新发展才是时代正解！AG旗舰厅官方网站
