2007年，诺基亚仍是全球手机行业的巨头。它拥有成熟的硬件技术、庞大的市场份额，也并非没有触屏手机和应用商店等技术储备。但随着苹果和谷歌推动移动互联网生态发展，诺基亚逐渐失去了竞争优势。

问题不在于它没有技术，而在于它没有及时改变组织、技术与业务流程之间的连接方式。

这正是哈佛商学院课程 Competing in the Age of AI（简称 CAI）所揭示的一个核心命题：

决定企业竞争力的，不只是拥有什么技术，更是如何组织技术、数据、人才与业务，使它们形成一套能够持续创造价值的运营架构。

进入2026年，随着大模型和智能体快速发展，这个命题正在变得更加重要。

AI不再只是帮助员工分析数据、生成报告或提供建议的工具。它开始调用软件、执行任务、连接业务系统，并在限定权限下完成过去需要多人协作的工作。

当竞争的基本单元从产品转向平台、从流程转向智能体，企业需要重新思考三个问题：

• 未来的竞争优势究竟来自哪里？

• 如何把AI从零散的应用变成可持续运行的业务能力？

• 当核心能力越来越依赖外部模型、云服务与算力时，企业如何保留自己的控制权？

诺基亚的案例揭示了一个容易被忽略的事实：企业的优势，有时也会成为企业转型的障碍。

传统企业通常围绕产品、部门和项目建立运营体系。研发、生产、销售和服务各自优化，数据保存在不同系统中，业务流程依赖既有的职责分工与审批机制。

在稳定的市场环境中，这种结构可以发挥作用。它有利于控制成本、明确责任、管理复杂业务。

但当新的竞争者以完全不同的方式组织业务时，原有优势就可能失效。

数字平台企业并不一定拥有更多实体资产，却能够通过统一的数据平台、标准化接口和持续实验，将产品、客户、开发者与服务连接起来。

二者的差异不是某个产品性能高出多少，而是整个系统的运行方式不同。

传统企业每增加一种产品、一个市场或一支团队，往往也会增加相应的管理成本和协调成本。数字化运营体系则有机会通过软件复用、自动化和数据反馈，以较低的边际成本扩大业务范围。

这意味着，竞争优势开始从单项能力转向系统能力。

过去，企业可能依靠更大的产能、更丰富的渠道或更强的研发团队取得优势。现在，这些资源仍然重要，但它们能否通过统一架构被有效组织起来，正在变得同样关键。

技术可以被购买，产品可以被模仿，但一套与战略深度耦合的运营架构，很难在短时间内复制。

这也是为什么企业数字化不能简单等同于采购软件、部署模型或建设数据中心。

如果业务部门仍然各自维护数据，系统之间缺乏有效连接，管理决策依旧依赖层级和经验，那么再先进的AI工具，也可能只是旧体系上的一个新插件。

真正需要改变的，是技术进入业务、业务产生数据、数据推动决策、决策再反馈到运营的完整链条。

CAI课程提出的一个重要框架是“AI工厂”。

它不是一台实体机器，也不是一个单独的AI项目，而是一套持续运行的能力体系：将数据转化为模型可以利用的信息，再通过实验、软件基础设施和业务系统，把模型能力转化为可衡量的经营价值。

传统AI工厂主要围绕四个组件展开：

数据管道、算法开发、实验平台、软件基础设施。

数据管道负责将分散的数据采集、清洗、标准化和整合；算法开发负责建立预测与识别能力；实验平台负责检验模型是否真正有效；软件基础设施则让这些能力能够持续部署、复用和扩展。

四个组件缺一不可。

然而，2026年的关键变化在于：AI的输出正在从“判断和建议”延伸到“行动和执行”。

这就是从AI工厂走向智能体工厂的意义。

例如，传统AI系统可以识别一张岩芯照片中的矿物特征，或者根据设备传感器数据预测故障风险。

智能体则有机会进一步调用图像识别工具、检索历史编录记录、核对化验数据、生成结构化编录草稿，再将结果提交给专家审核。

两者的区别，在于AI是否能够把多个能力连接起来，完成一个有明确目标的任务。

这会改变企业的运营方式。

当智能体可以承担越来越多的标准化任务，人的价值就不再只是完成任务本身，而是定义目标、设计流程、控制风险，并处理机器无法可靠解决的例外情况。

当然，这并不意味着所有业务都能立即实现自主运行。智能体的实际价值仍取决于任务复杂度、数据质量、工具可靠性、权限设计与人工干预成本。

因此，企业需要建设的不是一个“什么都能做”的万能智能体，而是一套可以持续评估、控制和优化智能体工作的生产体系。

在AI应用的讨论中，人们往往首先关注模型能力：参数规模、推理水平、响应速度，以及不同模型之间的性能差异。

但从运营架构的角度看，模型只是整个系统的一部分。

一套智能体系统能否可靠地完成任务，还取决于它能否获取正确的信息、调用正确的工具、遵循正确的流程，并在必要时停下来请求人工判断。

因此，智能体时代的数据建设也发生了变化。

过去，企业主要关心如何将业务数据结构化，形成可供模型训练和预测使用的数据集。

现在，还必须进一步回答：

• 智能体执行每一步任务时，应该看到哪些资料？

• 如何检索企业内部的文档、历史记录和业务规则？

• 哪些信息需要长期保存，哪些信息不应进入上下文？

• 如何判断工具返回的数据是否可信？

• 如何记录执行过程中的错误、修正与最终结果？

这些工作构成了工程的重要部分。

它的本质，是让智能体在具体任务中获得足够、准确且受到约束的信息。

这也解释了为什么“先建设数据管道，再开发模型，最后扩展智能体”是一条更稳健的路径。

如果企业的数据仍然散落在各个部门，历史文档无法检索，关键业务规则只存在于员工经验中，那么即使接入最先进的模型，系统也很难稳定地产生可靠结果。

反过来，一家拥有高质量领域数据、明确业务流程和持续反馈机制的企业，即使采用现成的基础模型，也有机会建立有价值的专业应用。

这背后还有一个更重要的逻辑：

模型能力可以通过采购获得，但企业在业务运行中持续积累的数据、流程知识与纠错记录，才可能形成自己的长期资产。

智能体每次执行任务所产生的过程记录，也可以成为未来改进系统的重要依据。前提是企业能够合法、规范地保存这些记录，并建立有效的质量评估和反馈机制。

因此，AI建设的重点不应只是“用了什么模型”，还应包括“沉淀了什么数据、建立了什么流程，以及系统能否持续从实际运行中改进”。

矿业是一个特别适合观察运营架构变化的行业。

它拥有大量专业知识、复杂的现场条件和长期积累的数据。从勘探、编录到选矿与生产运营，每个环节都涉及不同的数据类型、专业判断和业务流程。

与此同时，许多关键知识仍然分散在历史报告、岩芯照片、编录记录、化验数据、设备档案以及工程师的经验之中。

问题不只是数据量不够，而是这些数据能否被统一组织、检索、关联，并真正进入日常工作流程。

从“勘探—编录—决策”主链条切入，而不是一开始就建设复杂的多智能体系统。

具体而言，可以从以下几个场景逐步展开。0

这些场景有一个共同特点：任务相对明确、使用频率较高，且可以通过人工审核控制风险。

相比一开始就让智能体自主作出重大勘探投资判断，或者直接控制高风险生产环节，这类应用更适合积累可靠的运行经验。

矿业智能体的实施应当循序渐进：先让单个智能体在明确任务中稳定运行，再积累可复用的任务记录和知识资产，最后考虑多智能体之间的协作。

这是一种务实的产业AI路径。

它不以展示技术复杂度为目标，而以业务流程是否得到改善、任务成本是否下降、结果质量是否提高为判断依据。

对矿业企业而言，值得追问的不是“我们有没有AI”，而是：

哪些重复性工作可以被可靠地自动化？哪些专业经验可以转化为可复用的知识？哪些决策能够通过数据和持续反馈得到改善？

当这些问题有了明确答案，AI才真正开始成为生产能力的一部分。

当AI成为业务运营的核心能力，另一个问题也随之出现：企业对外部模型、云服务、算力和数据基础设施的依赖，究竟应该达到什么程度？

过去，企业采购软件或云服务时，通常更关注价格、性能与便利性。

但在智能体时代，外部服务可能逐渐参与企业的知识检索、业务判断、流程执行，甚至接触核心数据与关键系统。

这使得供应商依赖不再只是IT采购问题，也可能影响企业的连续运营、数据安全和长期竞争能力。

这正是提出“主权AI”的原因。

在企业层面，主权AI并不等于所有技术都必须自主研发，也不意味着企业必须完全脱离外部服务。

更重要的是明确边界：哪些能力必须自主可控，哪些能力可以租用，以及在外部条件发生变化时，企业是否拥有替代和退出的能力。

这一思路可以落实到几个层面：

• 数据主权： 核心数据如何存储、访问、使用和跨境流动。

• 模型主权： 核心业务是否过度依赖单一闭源模型或供应商。

• 算力主权： 关键业务是否具备可行的算力替代方案。

• 治理主权： 企业能否自主管理智能体权限、评估体系、审计记录和运行规则。

对于中小企业而言，建立完整的自有技术栈可能既昂贵，也没有必要。

更现实的做法，是从架构设计阶段保留选择权。

例如，避免将业务逻辑直接绑定到某一家模型供应商的专有接口；对核心数据保留自主存储与迁移能力；根据业务风险选择本地部署、可信开源模型或商业API；并定期检验切换供应商所需的时间与成本。

这一思路概括为“可退出架构”。

它背后的原则很清楚：

企业不一定要拥有所有技术，但必须知道自己依赖什么，并保留在必要时更换技术的能力。

尤其对跨境经营的矿业企业而言，勘探数据、地质知识、模型能力和本地合作伙伴之间的关系，不只是技术部署问题，还涉及资源国的数据要求、合作协议、知识积累与长期运营安排。

如果企业在系统建设之初就考虑数据边界、访问权限和退出机制，主权能力就可以成为架构的一部分，而不是系统建成之后才追加的合规补丁。

企业AI转型最容易出现的误区之一，是用技术指标代替经营结果。

模型准确率提高了，不代表企业利润一定增加；智能体完成的任务更多，也不代表整体成本一定下降。

一个系统可能自动生成大量内容，却仍然需要员工逐条检查和返工。另一个系统可能完成率很高，却因为调用成本、权限风险或维护投入过大而不具备经济价值。

因此，智能体的评估必须回到完整任务链和实际经营结果。

评估维度包括：

• 任务： 端到端任务完成率，而不只是单一步骤的正确率。

• 效率： 人工干预率、平均任务耗时和单任务成本。

• 质量： 人工修正率、返工率和结果可靠性。

• 安全： 越权尝试、风险测试结果与审计情况。

• 学习： 系统能否从人工修正中积累经验并持续改进。

• 经营价值： 相比原有流程，实际节省了多少工时、成本或风险。

这意味着，企业在启动AI项目之前，就应该明确目标任务、原有成本、可接受的错误率以及人工审核要求。

然后通过小规模试点验证效果，再决定是否扩大应用。

在这一过程中，人工审核不是技术落后的表现，而是风险管理和质量控制的一部分。只有当系统在明确的业务边界内表现稳定，企业才有理由逐步扩大其自主执行权限。

AI转型也因此不再是一次性的软件采购，而是一项持续的运营建设。

真正值得投资的，不只是某个智能体，而是能够让新场景更快上线、让错误更容易被发现、让经验不断沉淀，并且能够用经营数据验证成效的整套体系。

如果把上述框架转化为行动，企业不必一开始就进行大规模的组织重构，也不必同时部署多个智能体。

更合理的起点，是先建立清晰的判断和实施顺序。

这五步最终指向同一个目标：让AI从孤立的工具，转变为企业可以持续运营、持续学习、持续创造价值的能力。

回到诺基亚的故事。

它真正值得今天的企业警惕的，并不是某项技术没有及时跟进，而是一个组织可能在拥有优秀产品、人才和资源的同时，仍然无法改变自己创造价值的方式。

智能体时代让这个问题更加紧迫。

当模型能力越来越容易获得，企业之间的差异就可能更多地体现在数据质量、专业知识、业务流程、系统连接方式以及持续学习能力上。

当智能体开始执行任务，企业还必须进一步掌握权限管理、风险控制和技术依赖边界。

因此，未来的竞争不只是“谁拥有更强的AI”，而是：

谁能将AI嵌入真正重要的业务流程；谁能把每一次运行转化为可积累的经验；谁能在扩大自动化规模的同时控制成本与风险；谁又能在外部技术环境变化时，继续掌握自己的核心能力。

AI可以是企业购买的一项技术，但真正的竞争优势，必须在企业自己的运营体系中建立。

这或许是《主权智能体操作系统》最值得带走的启示：从AI工厂到智能体工厂，从数字化运营到主权AI，技术形态不断变化，但核心问题始终相同——企业如何组织资源、创造价值，并掌握自身发展的主动权。

对于正在规划AI转型的企业而言，现在最值得做的，不一定是立即部署更多智能体，而是重新检查自己的运营架构。

因为下一轮竞争中，最先拉开差距的，可能不是谁最早用上AI，而是谁最早学会了用AI重新组织整个业务。