1 read min
达沃斯信号：VUCA（易变、不确定、复杂、模糊）态势加剧，领导者亟需能带来实际成效的“代理式AI”（Agentic AI）
近期，我参与了达沃斯世界经济论坛，观察到各行业领袖的交流对话，核心始终围绕两大核心主题展开。
第一个主题清晰且已成行业共识：易变性、不确定性、复杂性与模糊性（VUCA）的演化速度持续加快，已然超出绝大多数企业组织的适配与消化能力。供应链中断、成本波动冲击、渠道格局迭代、竞争对手策略调整等各类变量，不再是偶发的突发状况，而是常态化的经营常态。
第二个主题则暴露出行业普遍的发展困境，令人深思。当前，代理式AI虽然收获了企业高管的广泛关注与浓厚兴趣，但绝大多数落地试点都止步于“演示效果亮眼”的阶段，无法真正融入业务、实现规模化落地。众多企业管理者都坦诚道出了共性落地壁垒：AI决策可信度不足、审计追溯难度大、实际可操作性有限，且企业层面难以有效管控AI驱动的各类决策。归根结底，行业的发展瓶颈并非缺乏数字化转型的雄心，而是缺少适配AI落地的成熟运营模式。
在VUCA复杂经营环境下，企业价值持续流失的核心症结，往往不在于数据储备不足，而在于内部决策效率低下、经验无法沉淀复用、执行落地偏离初衷。各业务板块的需求计划、供应计划与商业计划，往往依托独立系统搭建，数据粒度不统一、底层假设不一致，形成了信息孤岛。跨职能决策需要反复核对信息、层层对接交接，大幅拖慢整体行动节奏，导致企业错失市场窗口期。同时，团队虽会定期开展绩效评估，但未能将结果偏差系统性追溯至对应的决策逻辑与前置假设，无法形成问题闭环，致使同类经营问题反复出现。
在这样的经营模式下，决策延迟本身就是企业的隐性刚性成本。市场局势瞬息万变，往往企业完成一项决策时，外部环境与内部条件已然发生改变。由此可见，企业真正需要的并非孤立的AI工具，而是能够深度嵌入决策制定、落地执行、迭代优化全业务流程的智能化体系。这也是“敏捷、自适应、自主的计划与执行”（APEX）运营模式的核心价值与应用意义。
APEX：实现横向与纵向整合的运营模式
APEX是“集成业务计划与执行”（IBPE）的最优落地运营模式，核心是打通从长期战略决策（3–5年）、中短期战术决策（年度、季度计划），到短期落地执行决策（数日至数周经营安排）的全链路闭环，确保企业顶层战略与一线执行始终高度统一、同向落地。
APEX将需求计划、供应计划与商业计划全面纳入IBPE一体化流程，同时全程依托企业财务约束框架开展统筹计划，保障所有业务动作贴合企业经营底线。这种横向的业务整合至关重要，企业所有具备实际价值的经营决策，本质上都是跨职能、跨时间维度的综合权衡与动态取舍。
依托核心架构优势，APEX可全面实现跨职能部门、跨数据粒度层级、跨时间跨度（多年战略至周度执行）的全维度横向整合。
这一模式是o9产品套件的核心基石，旗下的需求计划、供应计划、商业计划、集成业务计划等核心功能，均搭建在统一平台与统一决策逻辑之上。APEX的核心价值不仅是提升计划编制效率，更是通过体系化的运营方法，助力企业实现三大核心升级：
- 敏捷性：快速捕捉市场与经营变化，精准诊断问题根源，联动各职能部门开展协同响应、高效处置。
- 适应性：沉淀每一轮经营周期的经验成果、失败教训与前置假设，依托数据持续迭代优化经营策略与落地执行方案。
- 自主性（终极目标）：逐步实现标准化、规范化决策与工作流程的自动化运转，同时坚守人类主导底线，由企业管理层把控战略方向与重大决策判断
为更直观地阐释APEX模式的核心能力，我们将以经典的“库存计划偏差”场景案例贯穿全文，具体拆解企业如何实现敏捷响应、自适应学习，以及如何依托AI智能体实现决策自主化升级。
- 计划（预期目标）：西部地区某产品品类月末库存储备达到4.2周供应量，服务水平目标设定为98%。
- 实际结果（发生情况）：1号配送中心（DC1）库存过剩，储备量达6.8周供应量，3号配送中心（DC3）出现缺货问题，直接造成销量损失，整体实际服务水平仅为93%。
- 业务影响：企业营运资金占用增加X百万美元，加急物流运营成本增加Y美元，产品降价风险对应的潜在损失增加Z美元，同时产生直接的营业收入流失。
企业级 AI 智能体（Agent）的本质及其试点项目难以落地的原因
o9基于APEX运营模式搭建了专属智能化平台，所采用的代理式AI技术实现了突破性创新，与当前企业市场中普遍应用的AI智能体方案存在本质差异。首先，我们明确企业级AI智能体的核心定义，并深度剖析多数AI智能体试点难以落地、无法规模化商用的核心原因。从业务视角来看，AI智能体相当于企业的数字化员工，能够精准理解经营目标、采集整合全域背景信息、完成专业数据分析、联动业务系统执行操作，达成工作目标后自动终止任务，且全程严格遵循企业治理规范与安全准则。
从技术架构层面拆解，企业级AI智能体主要由五大核心组件构成：
- 大语言模型（LLM）：负责语言类思考、方案计划、工具调用与基础决策，但本身不具备记忆存储、自主调用工具、主动锚定目标的能力，不同操作指令之间处于无状态状态。
- 上下文构建：精准匹配各操作环节所需的企业数据、业务知识与历史经营信息，为AI决策提供完整背景支撑。
- 工具与操作：具备业务系统查询、计划编制与优化、工作流触发与执行的全流程实操能力。
- 控制与认知循环：核心负责目标定义、步骤计划、动态重计划（适配假设变更）、逻辑推理与任务终止判断。
- 安全与评估：包含风险护栏、审批流程、预算管控、全程可追溯机制与运行性能监控体系。
纵观当前行业现状，绝大多数企业AI智能体过度依赖大语言模型（LLM）这单一组件。尽管LLM在语言计划、逻辑推理方面具备突出能力，但无法天然理解企业真实经营场景，对企业决策权限、管理制度、经营约束、审计依据等核心规则缺乏底层认知。结合前文库存偏差案例来看，过度依赖LLM的AI智能体，虽能输出看似合理的问题归因，比如预测偏差、供应商履约问题、促销活动影响等，但无法精准关联对应时段的有效计划版本、前置假设、经营约束与核心决策动作。这也导致企业管理者无法对AI输出结果开展审计核验、落地整改与规模化管控，最终造成所有试点项目仅能实现演示效果，难以落地到真实企业经营场景中。
对此，我们提出差异化落地思路：企业场景下需有限度、审慎化使用LLM，重点依托上下文构建、工具/操作、控制/认知循环、安全/评估四大核心组件实现核心能力落地。基于该架构，AI智能体可标准化、精准化处置“库存偏差”类经营问题，具体流程如下：
- LLM（大语言模型）：将“为何出现库存偏差？”的模糊问题，转化为包含具体SKU、仓储地点、时间窗口、计划版本、核心指标的标准化、结构化企业级问题。
- 上下文构建：精准提取对应场景的计划版本、前置假设、经营约束与决策历史，规避模糊化、无依据的分析结论。
- 工具与行动：落地执行企业级专业分析，包含偏差归因拆解、根本原因溯源、多场景模拟推演，并联动触发对应业务工作流。
- 控制与认知循环：开展迭代式深度分析，精准判定偏差核心诱因，区分需求波动、供应异常、策略偏差等不同成因，并根据新增信息动态优化经营计划
- 安全与评估：严格执行决策权限管控，明确库存释放、加急订单审批、服务目标调整等操作的权责边界，全程留存操作依据与审计记录。
接下来，我们将具体介绍如何依托“神经符号代理式AI架构”，打造适配企业严苛经营要求、具备高稳健性的AI智能体解决方案。
o9 的神经符号代理式 AI：颠覆传统智能体架构的“10–80–10”模型
神经符号AI融合了神经AI与符号AI的互补优势，实现了技术能力的取长补短。其中，以大语言模型为代表的神经AI，擅长解析、整合碎片化、非结构化的复杂信息；符号AI则在运算精准度、约束管控、全程可追溯、贴合企业业务规则方面具备绝对优势。二者深度融合的神经符号AI，同时兼顾了智能适配性与经营可信度。o9基于该技术逻辑，自主研发搭建了企业级神经符号代理式AI平台，在企业计划编制、业务落地、经营优化场景中展现出极强的适配性与专业性。
o9的核心技术创新，是对传统AI智能体架构的颠覆性重构。市面多数智能体系统会将80%的核心工作交由LLM处理，再通过提示工程、检索增强等辅助手段弥补可靠性短板。与之不同，o9创新采用“10-80-10”分层架构，仅将首尾各10%的工作交由神经智能（LLM）处理，中间80%的核心业务推理工作，全部依托企业知识图谱的符号智能实现，彻底解决传统AI落地不可靠、不精准、不可审计的痛点。
| 阶段 | 智能体的工作内容 | 重要意义 |
| 第一阶段（约 10%）- 神经智能（LLM） | 精准识别用户业务场景与核心诉求，将其转换为符号人工智能可解析的标准化结构化问题。 | 兼顾方案原有业务逻辑与落地适用边界，打造自然流畅的对话交互体验。 |
| 中间阶段（约 80%）- 符号智能为主 | 依托高可靠底层模型开展企业级深度推理，覆盖方案规划、业务约束、智能决策、场景仿真与多方案利弊权衡全环节。 | 保障跨部门、全周期输出结果具备高精准度、完整可追溯审计链路与落地可执行能力。 |
| 最终阶段（约 10%）- 神经智能（LLM） | 以通俗业务话术解读符号 AI 产出的分析结论，同步输出附带推导依据的分析陈述、标准化报告与可落地行动方案。 | 构建数据与逻辑双重信任底座，支撑企业管理层高效快速制定经营决策。 |
综上，o9神经符号智能体仅将20%的工作交由神经智能完成，剩余80%的核心业务工作均由高精准、可追溯的符号智能承载。通过将传统智能体“80%神经、20%符号”的能力配比逆向优化为“10-80-10”的科学架构，成功打造出适配企业严苛场景、高稳健性的AI智能体体系。
我们依旧以“库存状况偏差”场景为例，对比传统“80-20”智能体架构与o9“10-80-10”神经符号架构的运行差异。
传统“80-20”智能体架构的运作流程：
- 用户提问：“为什么西部地区会出现部分仓储库存过剩、部分仓储库存短缺的失衡情况？”
- 传统引导型智能体：将用户问题及少量导出数据、仪表盘信息同步至LLM，由LLM输出现象描述、原因推测及模糊的整改思路。
- 核心能力短板：无法联动多版本计划数据、无法精准验证因果关系、无法匹配企业决策权限、无法在合规约束下输出可直接落地的决策方案。
- 落地结果：分析结论仅具备参考价值，置信度低、可操作性弱，最终导致AI试点项目难以推进、停滞不前。
而o9“10-80-10”神经符号智能体架构，可高效、精准处置同类场景，完整流程如下：
- 第一阶段（约10%，神经LLM）：解析高管自然语言问题，梳理形成标准化结构化需求，明确核心SKU、仓储节点、时间窗口、计划基准与核心考核KPI。
- 中间阶段（约80%，符号AI）：基于企业真实计划、经营约束、决策背景与业务权衡逻辑，开展扎实严谨的专业化推理，按照“问题诊断-趋势预测-方案建议”的标准化逻辑，输出高精度、结构化的分析成果。
- 最后阶段（约10%，神经LLM）：将专业分析数据转化为高管可直接使用的经营简报，包含按影响优先级排序的核心驱动因素、落地整改方案，以及商业化、通俗化的决策依据说明。
符号 AI 负责智能体流程的中间核心环节，对应每个 AI 智能体的四大后置模块：场景上下文搭建、工具与执行动作、认知调控循环、安全校验与效果评估； 神经 AI 覆盖智能体的首尾两端流程，对应智能体最基础的核心组件 —— 大语言模型 LLM。
需要重点说明的是，中间阶段的符号AI核心技术，是o9深耕15年持续研发迭代的核心成果。过往这类高精度技术门槛极高，仅专业技术人员可操作应用，无法普及至业务端。而LLM技术的成熟，让我们实现了技术突破：将符号AI的精准严谨、可审计、可管控优势，与神经AI的灵活交互、易操作优势深度结合，让一线业务人员与企业高管都能轻松调用顶尖的企业级AI技术能力。
企业知识图谱（EKG）：o9 如何让智能体（Agents）立足于您的业务实际
企业知识图谱（EKG）是o9符号AI的核心中间层，也是支撑AI智能体实现企业级落地能力的核心支柱。其核心价值并非简单的数据陈列，而是完整还原企业价值流转、计划编制、决策形成、规则迭代、算力联动的全链路逻辑，实现各类经营要素的互联互通、协同运转。
o9企业知识图谱（EKG）采用四层递进式架构，各层级为企业管理者提供的核心能力如下：
| 层级 | 为管理者实现的功能 |
| 1) 价值链图谱（价值流与计划的数字孪生） | 搭建产品、客户、供应网络、财务约束的全域统一视图，覆盖精细化时序计划与偏差分析能力，实现经营现状可视化。 |
| 2) 决策上下文图谱（关于决策及其背景的企业记忆） | 完整记录各项决策的内容、时间、负责人、前置假设与最终落地结果，实现决策可追溯、责任可界定、经验可沉淀。 |
| 3) 学习规则图谱（制度化策略与习得规则） | 将各类场景下的优质落地经验、有效解决方案，固化为企业标准化策略、操作指南与经营约束，持续优化后续决策质量。 |
| 4) 互联计算图谱（计算引擎） | 可根据经营事件、异常问题自动触发分析推演、趋势预测、方案优化与场景模拟，仅对变更数据与环节进行重计算，保障系统响应的高效性。 |
这套四层核心架构，助力o9实现了跨职能横向整合、跨层级纵向贯通，同时通过标准化治理关卡，实现计划编制与一线执行的深度绑定、无缝衔接。我们继续结合“库存状况偏差”案例，具体拆解EKG四层架构的落地作用：
- 1) 价值链图谱（“当前实际情况如何？”）：搭建产品、仓储地点、时间多维度的计划与实绩统一视图，同步联动核心财务约束与经营限制条件，清晰呈现库存偏差的整体现状。
- 2) 决策上下文图谱（“导致当前局面的决策是什么？”）：完整记录库存分配、补货调度、促销投放等相关决策信息，包含决策时间、负责人、前置假设及后续落地结果，精准定位偏差溯源核心。
- 3) 规则学习图谱（“我们学到了什么以避免问题重演？”）：将反复出现的库存偏差模式，沉淀为企业标准化策略与操作规范，例如针对预测波动率超标场景，自动优化安全库存阈值、重订货规则与促销管控参数，从制度层面规避同类问题复发。
- 4) 互联计算图谱（“如何仅在必要时快速重新计算？”）：系统检测到库存偏差后，自动触发专项诊断、方案优化与场景模拟，仅更新受影响的业务计算环节，大幅降低响应延迟。依托事件驱动机制，实现计划实绩偏差的自动预警，同时形成“问题诊断-趋势预测-整改补救-经验复盘”的完整推理闭环。
o9深耕企业知识图谱领域已超15年，但早期技术专业性极强，仅技术专家可深度运用，普通业务用户难以发挥其核心价值。随着LLM技术迭代成熟，我们可高效解析邮件、会议纪要、竞品情报、一线隐性经验等各类非结构化信息，将其转化为有效数据，丰富完善EKG数据库。
LLM可精准解读各类碎片化信息，将其作为有效业务凭证，关联匹配至企业产品、客户、决策、策略等核心经营对象，让零散的场景信息转化为可复用、可追溯的企业长效知识资产。同时，神经AI的技术升级可通过代码生成、软件迭代优化互联计算图谱的算力与效率，与符号AI形成互补共生的协同关系：神经AI拓宽了EKG的信息来源与交互能力，符号AI则为企业精准决策、合规治理、风险管控筑牢底层根基。
“4W”：通过诊断、补救和学习挽回价值流失
o9神经符号代理式AI框架的核心竞争力，是精准解答企业管理者最关注的四大经营问题，我们将其定义为核心“4W”能力，全方位助力企业止损增效、迭代升级：
- 发生了什么，以及原因何在？（偏差归因与根本原因分析）
- 当前状况如何？（运营与财务态势的可信实时研判）
- 接下来可能发生什么？（基于多维度假设与约束的前瞻性趋势预测）
- 我们该采取什么行动？（提供包含利弊权衡、可落地的决策备选方案）
企业计划与执行全流程的4W核心问题，均由神经符号智能体统一闭环解答，保障从问题诊断、趋势研判、方案输出到落地整改的全流程高度协同，为企业提供高效、精准、可自主迭代的决策支撑。前文提及的库存诊断、偏差补救、趋势预判场景，正是4W能力的典型落地案例，其中最核心的环节，是精准解答“问题发生及核心成因”。我们将该能力定义为复盘分析（Post-Game Analysis，PGA），依托因果AI智能体，精准实现经营结果与决策动作、驱动因素的高置信度归因溯源。
PGA核心通过两大维度，为企业创造持续性经营价值：
- 敏捷性 (Agility)：提速诊断整改，快速止损增效。团队可快速锁定经营目标未达成的核心诱因，在市场窗口期内及时响应、落地整改。以库存失衡场景为例，当系统识别出1号配送中心库存过剩、3号配送中心缺货的问题时，PGA可精准区分问题成因，精准定位是需求波动、供应商履约延误、库存分配策略偏差还是执行落地失误，随即触发对应整改动作，包括库存重新平衡、在途货物路径调整、补货计划优化、促销活动暂停或调整等，且所有操作均可在当月经营周期内完成。这一能力彻底改变企业“仅复盘问题、不落地整改”的被动局面，形成“溯源-整改-止损”的高效闭环，有效盘活过剩库存占用的营运资金、减少缺货带来的营收流失、降低加急物流与被动救火的经营成本。
- 适应性 (Adaptivity)：沉淀组织经验，实现能力制度化迭代。长期运行过程中，PGA可持续挖掘反复出现的经营偏差、常态化故障问题，将零散的整改经验沉淀为标准化规则、风险护栏与操作手册，推动企业经营能力持续迭代升级。原本依赖核心员工、精英团队专项攻坚的疑难问题，逐步转化为企业标准化作业流程，有效减少目标偏差、经营波动，实现企业绩效的长期稳步提升，将个人经验转化为组织核心能力。
实际应用场景
示例 1：供应商中断与价格及利润率决策的交织
企业采购团队监测到，受区域政策与供应链环境影响，核心原材料成本将在两个月内上涨5%–15%，引发全链条经营决策联动。商务团队需要权衡：是否向下游客户转嫁成本、是否调整促销策略、是否被动压缩利润空间；供应链团队需要研判最优库存储备策略，保障产品服务水平稳定；财务团队则需要测算各类方案对企业营运资金、息税折旧摊销前利润（EBITDA）的影响。
依托o9“10–80–10”神经符号AI架构，智能体可将多部门的复杂经营问题转化为标准化结构化分析模型，基于企业知识图谱开展多场景模拟推演，输出利弊清晰、贴合企业合规要求、可直接落地的决策方案，高效解决跨部门、多维度的经营权衡难题。
示例 2：促销表现不佳与库存风险
企业落地市场促销活动后，早期经营数据显示，销量提升效果未达预期，同时持续的折扣活动不断侵蚀企业利润率；同时库存结构出现严重失衡，部分区域库存积压滞销，部分门店缺货断货，双重风险叠加。
o9 PGA复盘系统可精准将各类经营偏差，关联至当期生效的计划版本、前置假设与决策动作，建立“决策-执行-结果”的精准因果链路。长期落地后，企业可精准识别不同市场环境、不同经营条件下的促销失效模式，搭建完善的风险管控体系，有效规避利润损耗、资产核销等常态化经营问题。当市场增长机遇与企业产能约束、财务管控要求产生冲突时，同样可依托IBPE集成业务计划与执行模式，平衡营收增长、利润水平、服务质量与现金流安全的核心关系，保障所有经营方案贴合企业实际、可落地、可长效运行。
领导者应期待的是实际成效，而非流于形式的“AI秀”
企业AI转型的核心目标，并非落地轻量化的聊天工具，而是搭建一套可切实减少价值流失、提速决策效率、优化经营质量的核心运营能力。落地层面，企业管理者可切实感知的核心成效主要包含五大维度：
- 全流程提速：缩短市场信号捕捉、决策研判、落地执行的全周期，保障企业精准把握市场关键窗口期，快速响应市场变化。
- 经营绩效优化：依托高精度场景分析、全链路执行协同，全面提升计划落地质量，优化服务水平、营业收入、利润率、库存周转等核心经营指标。
- 学习闭环落地：建立可量化、可追溯的经营复盘体系，全程追踪决策动作与前置假设，精准归因经营结果，持续迭代优化经营策略与管控规则。
- 组织效能升级：提升全员自主决策能力，各岗位可独立获取精准的决策智能支撑，减少对专业分析师团队的依赖，大幅提升整体运营效率。
企业落地AI智能化转型，可优先选取高价值决策场景作为试点切口，包括促销计划与绩效复盘、稀缺资源分配、服务定价与成本管控、库存布局优化等高频痛点场景。若企业希望快速解决长期存在的“计划与实绩偏差”问题，可从以上场景优先切入。所有试点项目均以真实业务指标为成功判定标准，依托企业共享知识图谱，实现试点经验的快速复制、跨领域规模化落地。
本次达沃斯论坛充分印证，行业领袖对AI的诉求已彻底转变，不再追求花哨的功能演示，而是聚焦AI能否稳定输出真实、可落地、可增值的经营成效。APEX运营模式结合神经符号AI技术，为企业VUCA时代转型提供了完整解决方案：立足企业真实经营场景开展精准决策，搭建闭环学习迭代体系，将复杂多变的市场挑战，转化为企业可持续的核心竞争优势。
