文/魏煒（北京大學匯豐商學院管理學教授） 等

　　AI大模型的應用一直是行業內的熱點話題，快速迭代的AI在商業應用的發展上高歌猛進。新技術不僅能提高用戶體驗，在內容創作和個性化服務上提升精準度，也能進一步優化企業的生產流程，并且加速催生新的商業機會。

　　北京大學匯豐商學院管理學教授魏煒及合作者北京大學匯豐商學院MBA馬勇斌、西安交通大學物流科創融合發展與研究中心副教授王子陽、華中科技大學管理學院管理學教授張鵬程共同在《北大金融評論》發文表示，擁抱AI浪潮的優秀企業會在未來持續重構自己的商業模式。數字員工和真實員工會建立起長期的共生關系，持續優化企業內外部的交易結構。這些企業會持續引入行業知識、企業知識、崗位知識，構建越來越強大的領域大模型。同時也會按照商業模式與戰略發展的需要，靈活組合業務活動，持續創造、改變、消除各種AI智能體角色。

　　本文將刊登于《北大金融評論》第21期。

　　AI原生應用正接連不斷地快速涌現。但是從產品的數量和社會公眾對其認知程度來看，AI原生應用仍處于早期發展階段，目前業界對于其明確定義、產品范式以及相關商業模式也還無清晰、完整的論述。但是這并不影響我們的判斷，即：當前正處在AI原生應用大規模爆發并將深刻影響各行各業的前夜。

　　AI原生應用的定義和特征

　　AI原生應用是指一種以AI技術和設計理念為核心，利用AI能力原生創造出的產品或系統。AI原生應用也常被稱作“AI+”，與當前常見的“+AI”有著本質區別。AI原生應用來源于采用生成式AI理念對各類應用場景及其解決方案進行重構或創構（創造新的應用架構）。生成式AI的理念如：端到端的任務處理方式，即從輸入任務的起始端到產生結果的終端，整個過程是連貫且一體的；在人機交互方面，產品以自然語言交互為基礎，生成適應用戶的個性化結果；在數據與信息方面，可以直接存儲、使用、檢索海量非結構化數據，而非高度依賴結構化數據；在設施方面，搭建可滿足大模型運行要求的軟硬件架構。而“+AI”應用的核心并非人工智能，是采用傳統的軟件開發邏輯，將AI能力疊加或局部改造嵌入原有應用之中，其AI改造的深度和廣度都不及AI原生應用。

　　AI原生應用具備以下典型特征：

　　以自然語言交互為基礎：用戶通過語言交互界面（Language User Interface）與后端交互，無需或者少量通過圖形界面（Graphical User Interface）與后端交互，最終呈現GUI和LUI混合的交互形式，以實現用戶從有限的輸入躍遷到無限的輸入，既提供高頻、固定的功能，也具備對低頻、定制化需求的理解與處理能力；

　　具備自主學習和適應能力：在人機交互過程中，能夠集成理解、記憶、適應多模態數據，并進行自我學習，能根據上下文、任務環境、交互對象的變化，對輸出結果進行更準確、更個性化的調整；

　　具備自主完成任務的能力：有能力基于大語言模型和知識庫執行精確任務，實現端到端閉環，集獲取任務到完成任務全流程于一體。

　　以游戲行業為例，游戲所涉及的資產類型極為豐富，包含文本、2D圖像、3D內容、聲音、對話、音樂等。從游戲主機到VR/AR游戲，從PC游戲到手機游戲，硬件載體的迭代升級一直是游戲創新的主要推動力。而這一輪的AI原生驅動的業務創新，事實上是催生了全新的游戲品類和業務活動。

　　從斯坦福大學和谷歌聯合發布的論文《Generative Agents： Interactive Simulacra of Human Behavior》可以看出基于AI原生游戲的雛形，生成式人工智能輔助用戶創造內容（MOD）開始有效地提升開放世界游戲的游戲體驗。以 Spellbrush 的《Arrowmancer》為例，這是一款利用AIGC的實時內容生成，以AI創建的角色為特色的角色扮演游戲（RPG），提供了幾乎無限的游戲玩法。AI原生游戲將實現千人千面，用戶可以玩到根據自身需求創建的游戲，其中包含任務、劇情、地圖、關卡等游戲要素，均可以成為AI生成的內容資產。

　　在游戲企業內部運營與生態運作等方面，AI原生應用也可以顯著優化游戲原有業務系統。原資產生成與管理系統中，AIGC可應用于全模態的資產生成，實現全流程的資產管理。針對復雜測試場景，大模型輔助測試可通過模擬玩家、視覺識別等場景提升游戲測試的效率與準確性。針對發行與推廣場景，大模型可以提供多語種本地化的能力，輔助企業高效擴展市場。針對用戶運營等系統優化，大模型可通過分析玩家反饋和模擬行為，定位目標群體和優化游戲體驗，實現游戲的快速與精準迭代。

　　AI改造應用的方式與結果

　　業界有關“AI+”的討論屬當下熱點，但又易與“+AI”混淆。“+”的本質是使用AI對各類應用進行改造，兩者主要區別在于改造方式不同。

　　AI有三類改造應用的方式：疊加、局部重構和創構。

　　疊加是指在原應用場景基礎上增加一個新的AI技術模塊，使其具備新的特性和價值，屬于“+AI”的范疇。比如：核保程序疊加AI風險評估能力、語言學習應用疊加AI口語陪練等。或是在已有應用的功能或服務流程上，疊加基于AI技術的決策或調度能力，提升流程效率，實際上是在原應用場景下增加了AI Copilot的能力。

　　局部重構是指使用AI對某個特定應用重新構建，可以分為使用傳統軟件開發邏輯的重構和使用生成式AI理念的重構兩種細分方式。前者如：使用ASR（自動語音識別）和NLP（自然語言處理）技術改造電話客服平臺，屬于“+AI”。后者如：蘋果手機以生成式AI的理念重構Siri語音助手，屬于“AI+”。

　　創構是采用生成式AI理念，對系統內多個應用進行整體、全新的構建，是一種更具系統性和創造性的AI改造方式。如：端到端的智能座艙系統，以及即將出現的“液態金屬型”企業。創構也代表著一種不孤立看待技術進步的視角。回看歷史，蒸汽機的發明固然是工業革命的重大技術突破，而創構出工廠大規模生產、鐵道運輸等新的技術應用系統和商業模式，才真正釋放了新技術的價值。而在互聯網時代，也是在創構出電子商務、搜索引擎等全新的應用和商業模式之后，信息技術才發揮出其潛力。放眼未來，“AI+”勢必會更顯著地提升生產力，其先天帶有全流程智能化、數據高度集成、可自我進化等優勢，創構是釋放其生產力的關鍵手段。

　　AI改造會產生三種結果：第一種是保持原應用場景不變；第二種是AI改造使應用具備更強能力，能夠解決在原應用場景難以解決的問題，比如原有應用的輸出質量較差、用戶不易使用等；第三種是創造出全新的應用場景，產生新的價值空間。

　　結合改造方式和改造結果兩個維度，可以得到一個清晰易用的應用創新框架，為企業提供一套AI創新的方向盤。企業可以據此把握自身相關的應用場景，識別使用AI技術來提升效率、解決疑難問題的機會。我們更建議企業采用“AI+”的思維，透視分析原有應用場景，探索可能出現的全新應用場景。

　　AI原生應用的技術架構

　　當前業界對于AI原生應用的技術架構在持續進行探究，我們認為AI原生應用會基于“生成型大模型+辨識型小模型+Agent（智能體）+數字孿生+用戶擁有模型”這五項技術或機制的組合來實現長期演進。

　　其中，生成型大模型的主要作用是直接進行語義理解和答案的生成，如國外的ChatGPT、Llama3.1、國內的文心一言和通義千問等，用于提供通用知識、語言理解與組織能力。企業可以構建一個高效的 Hub 架構，以靈活、低成本的方式同時接入多個（本地或中心化的）通用大模型，然后在不同場景下調用其中一個或者多個的組合。辨識型小模型是參數量很小、針對特定領域的小模型，其主要功能一是生成特定領域的知識圖譜，二是為生成型大模型提供專業領域的內容理解和知識辨別能力，例如文檔內表格內容的識別等等。生成型大模型和辨識型小模型兩者相結合，再加上領域專有知識就可以構建起領域大模型，既能實現領域專有內容文本理解和專業問答，也可以解決通用大模型在專業領域的幻覺問題、回答不準確的問題。

　　Agent（智能體）是一種能夠感知環境、自主決策和采取行動的系統。面對任務時，它具備獨立思考的能力，可以根據記憶數據和調用領域大模型，建立思維鏈和行動規劃。Agent也具備使用工具的能力，包括使用內置工具、代碼編輯器、API接口、模型等，以此去按步驟完成給定目標，是任務單元的執行者。用戶數字孿生是指構建一個高度個性化的虛擬個體，它對齊真人用戶的個性化信息，如人口學特征、行為模式和偏好、知識深度、對話風格、價值觀等，以此來響應個性化的需求和情景。數字孿生的實質是用戶的一系列數據集，包括：1）基于前置提問，了解到的用戶畫像、使用意圖；2）使用者與大模型的對話反饋數據，使用者在對話中給出標準答案、修改意見或回答思路等反饋，會形成對應領域的強化學習數據集；3）基于持續對話的數據，深入理解使用者的畫像和偏好，包括行業背景、語言風格、對話策略等；4）使用者提供的特定領域概念、文檔數據集，例如學術文獻、商業案例、訪談記錄等。Agent與數字孿生的結合，能夠使得應用程序在與使用者交互過程中，持續加深個性化理解、持續試錯和自我學習，達到增強決策、優化執行效果、實現輸出內容的可控性的目的。

　　用戶擁有模型（UOM，User Own Model）是一種將各類模型及相關參數、訓練數據集等內容歸屬于使用者一方的機制。采用該機制是由于大模型的數據產權存在難以界定的問題，尤其是在特定專業領域，大模型會采用高價值的企業內部數據和用戶生成數據進行訓練。如果私有數據和新生成數據能夠經由大模型流向其他主體，使用者的積極性、上傳數據的質量勢必會顯著降低，造成模式不可持續。而用戶擁有模型機制可以解決這一問題，此機制包括四個方面：1）將各類大模型文件進行私有化部署；2）將用于大模型微調和RAG的使用者（企業或個人）的私有數據進行獨立存儲；3）將使用私有數據微調后的用戶個人模型參數和大模型參數獨立存儲，用戶使用大模型時再對參數進行合并操作；4）將用戶私有數據及根據用戶數據微調的個人大模型的所有權歸屬于用戶。可以采用加密技術進行加密，未經授權就無法獲取到模型內部的結構、參數和數據，阻斷私有數據和能力外泄的通路。后續也可結合區塊鏈技術來進行確權，明確各類數據的來源、創造時間和所有權，來為數據貢獻者提供獎勵，最終形成用戶數據與大模型之間的正反饋。

　　我們認為采用上述五項技術構建AI原生應用的方案能夠有效解決大模型幻覺（包括數據溯源不準確）、輸出結果不可控、產權難以保護等影響大模型企業級應用的問題，也是AI原生應用長期發展的必然選擇。

　　“傳統應用+AI”與“AI原生應用”將短期共存

　　“傳統應用+AI”仍是當前軟件研發體系下的優化路徑之一

　　“傳統應用+AI”僅是在現有的產品或服務中引入AI技術，并沒有重構產品或服務本身。因此對于研發組織，實現AI功能幾乎可以像傳統軟件需求一樣適配現有的項目管理方法，企業管理者無需針對此類需求來對當前的研發體系進行重度改造。以照片編輯App的“AI修圖”為例，在該App引入AI之前，用戶需要根據自己想要達成的效果，在App界面上手動操作，以調整圖片的色溫、對比度、亮度等參數。進入AI時代之后，該App的開發商決定新增“AI修圖”功能，因此在其本身已有的“修圖”功能之上，疊加了AI能力，使之實現自動化修圖。此AI需求迭代并未改變這一傳統應用本身已有的產品功能，更不涉及應用架構的改造，僅是將其中一個功能點與AI相結合，實現能力增強的效果。因此，在短期內各行各業很多AI的應用落地仍會大規模地集中在“傳統應用的能力增強”上。

　　“AI原生應用”在量變積累中迎接質變

　　前文提到，AI原生應用將會基于“生成型大模型+辨識型小模型+Agent（智能體）+數字孿生+用戶擁有模型”這五項技術或機制的組合來進行長期演進。此技術架構的全面落地絕非一蹴而就，需要在技術、工具、方法層面積累量變。

　　在技術方面，AI原生應用的軟件架構是以大模型為底座的生成式架構，而傳統軟件則是具備確定性構成式架構。底座架構的變化會帶來工程層面的變化，AI原生應用的開發是以數據為本的一種生成式開發，與傳統軟件的協同式開發完全不同，并不要求開發流程、工具和開發者之間的高度協同。這一系列變化，也就意味著傳統軟件的研發體系不再適用于AI原生應用，企業管理者需要改造現有技術體系以匹配其開發要求，這對于大多數公司來說是一項重大改變。

　　在工具方面，AI原生應用的發展需要各類工具應用的產品化，如：部署和管理大模型的Hub平臺、產品化的大模型自動化微調工具、高精確度低成本的知識圖譜生成管理工具、Agent高效編程的集成開發環境等等。大規模普及AI原生應用以解決各種問題的前提是具備完善的工具和框架體系，而非任一場景下都需要全流程自研。所謂“磨刀不誤砍柴工”，產品化工具和框架的積累將是AI原生應用快速普及的關鍵成功因素。

　　在方法層面，目前實現AI原生的方法仍然處在探索期，這使得行業仍處在智力密集階段，富集頂尖智力人才投身其中，像美國的AI頂尖公司就聚集了來自斯坦福、麻省理工等知名院校的員工【美國VC公司Lightspeed近期針對生成式AI的8家頂尖公司（包括OpenAI、Midjourney等）的技術人才背景做了調查，有12.5%的員工來自斯坦福大學，11.4%的員工來自加州伯克利大學，7%的員工來自麻省理工學院，其余的員工來自哈佛大學、牛津大學等，可以說幾乎全部員工都是來自知名學府】。而隨著探索的加深，方法必定持續積累和傳播，包括AI原生應用開發思維、AI原生應用開發方法、AI原生應用的商業模式成熟等，其結果是創新方法漸成顯學，開發AI原生應用所需的人才快速普及、開發門檻也將大幅度降低，這也為其質變創造了前提。

　　我們認為，AI原生應用的技術架構、工具產品以及方法論會在1~2年內不斷演進，積累量變因素，最終達到成熟、可大規模復用的程度，之后AI原生應用將全面爆發。而在短期內，“AI原生應用”與“傳統應用+AI”仍將共存。

　　AI原生應用重構商業模式

　　AI原生應用將重構企業內部業務活動和管理活動

　　目前企業內部業務活動和管理活動是基于功能進行構建，如文件管理、報銷、制圖等，每個功能都會輸出對應活動的結果。企業內部的工作流程首先是進行專業化分工，將產出不同業務結果的員工進行分類，再按照員工分類匹配使用不同功能。企業內部會形成多種形態的工作流，面向不同任務時，企業對相關功能組件進行串行或并行的組合，通過分工與協作來交付各類成果。然而隨著任務復雜程度提升，調用功能組件數量會急劇增多，組合形式也相應復雜化，這給組織管理帶來了很大的挑戰。

　　AI原生應用的引入有機會為企業內部協作形式帶來突破性的轉變，工作流將以角色為中心進行重構。面對具體的任務時，Agent會對任務所處的場景、領域、服務對象進行識別，再調用企業的領域大模型對相關的知識、數據、功能組件進行組合使用，然后作為一種角色，端到端地交付任務結果。

　　案例一：某電視互聯網平臺使用AI原生應用實現智能化桌面管理

　　電視桌面通常會展示電視劇、電影、短視頻等內容的海報，為吸引用戶點擊觀看，海報的設計和管理工作極為重要，要求出品素質高、更新時效快、備選素材多、能個性化展示。而過去此項工作流程非常繁瑣，每上架一張新海報都要經歷確定主題、選取片源、制圖、審核等一系列操作，需要運營、設計、審核崗位的人員開展長鏈條的協作。

　　而在引入AI智能體后，此任務的實現過程被根本性重構。AI智能體首先獲取到內容片源，然后引用企業內部的設計及運營知識，自動執行圖像分析理解、合成海報圖像、多圖像混合編排、個性化推薦給用戶的全流程任務，實現任務端到端集成。而運營和設計人員在此過程中扮演的是知識貢獻者角色，原有的鏈式協作機制被徹底打破，取代它的是“選取內容展示給用戶”這一獨立任務單元，AI在此過程中實際上扮演了“內容遴選官”的角色。

　　案例二：招聘AI智能體

　　招聘是一項繁重任務，特別是勞動密集型企業，員工數量多且人員變動頻繁，招聘工作就更加艱巨。傳統的招聘流程是：負責招聘的HR員工需要先溝通收集各崗位招聘需求，然后對外發布招聘信息，再與各招聘網站對接篩選簡歷。后續還要經歷一系列繁瑣流程，包括多輪聯系面試官、與候選人預約面試時間、收集面試反饋、辦理員工入職等。即使在數字化系統的加持下，招聘工作也只是在某些局部環節得以提效，流程本身仍舊冗長。

　　而行業中的新型AI招聘應用提供了更加高效的解決方案，并且在過去一年取得了快速增長。

　　AI招聘應用會先引入招聘單位的崗位信息與市場公開信息形成不同行業的崗位勝任知識庫，并將知識庫微調到專用的“招聘領域大模型”中，使之具備專業化的內容辨別、理解和生成能力。Agent會驅動領域大模型，在面試過程中以數字分身的方式與候選人開展深度對話、追問、解析，識別候選人是否符合崗位要求和任職資格要求，最終向招聘單位交付評估報告，并與企業對齊是否招聘的結論。更為關鍵的是，Agent具備從候選人和招聘企業獲得反饋的能力，可以沉淀知識和自我學習。

　　此類服務于招聘領域的AI原生應用在企業招聘方面提供了一種可以隨時隨地使用且邊際成本幾乎為零的服務能力，后續企業提升招聘能力的方式也不再是提升面試官的規模和技能，而是優化知識庫和大模型、優化與候選人的交互方式、優化評估報告的質量。這種“以AI招聘官為中心”的協作機制可以顯著提升企業招聘活動的效率和效能。

　　由此可見，引入AI原生應用到組織內部會形成不同類型的新角色，其中任何一個角色都可以獨立完成一類任務，也可以由多個角色進行協同，完成更為復雜的任務，內部利益相關者的交易結構也會因此重塑。任務從目標輸入到結果輸出都可以閉環在一個AI原生應用或多個AI原生應用構成的網絡中，并且極大簡化了中間環節，這有助于提升整體效率。此類協作方式的改變還將帶來一個重要影響：未來企業內部的關鍵能力將更依托于企業知識庫包括領域大模型知識的豐富性、AI原生應用的個體能力和AI原生應用的群體協作能力。原有“人-人”交互形成的組織能力將會被重新定義，組織內耗將會極大程度降低，原有管理活動也會大幅度減少并帶來管理成本的大幅度降低。

　　AI原生應用將重構企業內外利益相關者的交易關系

　　AI原生應用在改造企業內部活動的同時，會伴生改進企業內外利益相關者的交易關系，形成新的商業模式。此類改進的外在現象即是出現一系列新產品或新服務，例如：企業發布對客戶服務的數字人（AI Worker），或者創造不同任務場景下的智能體，其實質都是企業內外部主體之間交易關系的變化。

　　如在上述AI招聘應用的案例中，招聘官數字分身和招聘報告都是具象化的產品，其本質是AI招聘應用的開發商與企業客戶之間形成了一種新的交易關系，即：由企業客戶采購AI服務，并提供崗位知識和招聘需求，再由AI招聘應用交付適崗候選人。這種新交易關系的價值是使企業內招聘交付標準一致、招聘成本降低、招聘效率提升。

　　當企業使用AI原生應用服務于內外部利益相關者，會帶來以下變化：

　　（1）顯著增強使用者的能力。高度智能化、個性化的Agent功能，能夠為使用者端到端地完成一項任務，降低其工作成本，甚至使其具備曾經無法獲得的能力。

　　（2）大幅提升服務效率。AI原生應用能夠讓使用者可以隨時隨地獲得服務，并且面對大量使用者的場景不存在等待時長。

　　（3）提升個性化和標準化的程度。AI原生應用能夠理解使用者的個性化需求，并且能根據記憶靈活響應。同時由于Agent能根據使用者預設的要求來執行任務，不存在人為因素帶來的主觀差異，其最終交付的結果則是高度標準化的，這有利于優化督查、審核、采購、質檢等需重點關注人因風險的任務。

　　（4）可持續改進產品和服務。使用AI原生應用過程中，用戶會產生新的數據反饋，這些數據能夠改進大模型和智能體的能力。同時，能力提升又為吸引更多用戶使用產生可能。用戶在使用AI原生應用時也是參與到了產品改進當中，最終會形成一種正反饋循環。

　　我們判斷，擁抱AI浪潮的優秀企業會在未來持續重構自己的商業模式。其外在體現是企業中會有越來越多的數字助理、數字分身、數字員工出現，這些數字人會調用AI原生應用類型的崗位智能體來承擔一些新的職能，以此來服務用戶和外部交易對象。同時企業也會開發出更多服務于內部員工的服務智能體，以增強員工能力。數字員工和真實員工會建立起長期的共生關系，持續優化企業內外部的交易結構。這些企業會持續引入行業知識、企業知識、崗位知識，構建越來越強大的領域大模型。同時也會按照商業模式與戰略發展的需要，靈活組合業務活動，持續創造、改變、消除各種AI智能體角色。

　　企業按照上述路徑發展的最終形態是“液態金屬型”組織，是企業重構的最高層次。在此形態下，企業已經變成完全的流體，可以任意進行變革和適應，各種資源的流動和組合不再有阻力。企業可以按照價值鏈、產品組合、管理職能、業務流程等維度，無限地細分和重新聚合業務活動和管理活動。

　　AI原生應用的普及最終也會帶來企業產生和運營范式的革命，將工業時代的分工范式轉變為智能經濟時代的智慧體范式。分工范式下，經濟社會的主體由人組成。而人因為能力有限，因此專業化、重復性工作可以提高效率。而大規模的生產則需要標準化流程，因此誕生出工作分析、目標分解等工作方法以及組織結構圖、工作說明書等工具。在智慧體范式下，經濟社會的主體由人變成了智慧體，即人機協同互動的碳基+硅基主體。智慧體內部能夠持續互動，也能與外部智慧體互動，持續創造出新的知識，持續增強提出問題、給出架構解決方案、選擇解決方案和實施的能力。企業內的智慧體可以隨時細分為更專門或專業的智能體，也可以通過非疊加形式隨時聚合為擁有更多角色能力的新智能體。企業管理者或商業模式構建者也會以“人機智慧體”的形式存在，由一系列有關的真人和智能體組成，形成人類與智能系統（企業）、企業產品（即企業也是一個產品）的共生關系。智慧體還可通過創造新的智慧體、調整內外部角色的交易結構來相機重構商業模式，組織里資源的流動能力最大程度被釋放，企業選擇轉變商業模式將不存在變革成本。

　　AI原生應用驅動商業模式持續創新的范式

　　我們認為AI原生應用的產品創新正在走進快車道，層出不窮的新產品、新形態縱然“亂花漸欲迷人眼”，但必然圍繞以下四種價值定位方法進行商業模式設計和價值延伸。

　　第一是構建能創造新價值的業務場景，為用戶或客戶提供前所未有的新體驗或新能力。超級個人助理就是典型案例，例如蘋果公司正在打造高度智能化的Siri語音助理，正試圖突破現有“App孤島化”現狀。當用戶輸入打車、點餐、訂票類的指令時，Siri可以端到端執行對應任務，用戶無需打開諸多分門別類的專用App，而且可結合用戶偏好進行個性化的選擇，降低用戶的篩選成本。在這種新的業務場景下，蘋果完全可以構架出一套全新的服務分發商業模式，伴隨創造巨大的新價值空間。

　　第二是能夠降低交易成本。交易成本會發生于交易搜尋、交易議價、決策評估、交易監督、違約處理等環節中。比如交易房產需要以支付中介費的方式尋找買家或賣家，并存在繁冗的交易流程。又如制造業公司采購元器件，需經由采購尋源、樣品配送與試用、效果評估等多項環節才可最終確定采購方案，時間成本巨大。這些都是長期存在的交易成本，而AI原生應用將為降低上述交易成本提供可能。交易雙方可以事先構建屬于自己的數字分身，將自有商品知識庫、需求數據、個性化的偏好和行為數據等融入到領域大模型或RAG中。在交易發生前，雙方數字分身根據即時的交易需求進行雙邊交互，以獲取更加適配的交易方案，進而減少交易前的各項環節、降低成本。

　　第三是創造或優化業務活動和管理活動，做到以前想做但做不好的事。構建此類商業模式時，應采用聚焦鏡的思維，識別在原有業務系統中能夠通過引入AI原生應用而顯著優化的環節。比如零售業引入AI來總結海量用戶評論、形成摘要，輔助進行產品改進；又如AI制藥領域應用大模型技術，加速分子模型構建和藥物性質預測，大大提升研發流程的效率。然后再利用AI原生的理念，引入新的角色，對原有業務活動進行重構。隨著AI技術和商業模式的加速發展，面對長期低效、做不好的業務活動，AI原生應用或許能另辟蹊徑，提供突破性的解法。

　　第四是用于降低交易風險。可以利用AI原生應用學習并理解特定領域的交易數據，結合公開數據和私有數據，包括交易記錄、信用評分、市場案例等，對新交易進行風險探測和預警。尤其是在金融行業，金融機構可以利用AI原生應用對大量財務數據、征信數據進行分析，以及可以端到端打通業務活動。諸如此類，AI在數據密集、決策變量多的領域具備廣闊的發展空間。

　　后續建議

　　在AI原生應用將迎來爆發式發展的前夜，我們對即將到來的全新圖景充滿希冀。面對無數可能性，當前時代的優秀企業家應開放心態、舉目眺望、擁抱變化，通過AI原生的視角發掘在行業和企業內創造價值的機會。我們為參與其中的企業提供以下建議：

　　著手培養AI人才梯隊并提升組織能力

　　AI時代不僅需要頂尖的技術專家，更需要兼通技術、業務、管理的復合型人才。企業內部應該組建起一套全新的人才梯隊：既包括AI技術專家，用以把控整體技術方向與架構；也需要大量具備技術視野的業務人才，他們能識別和捕捉業務活動中使用AI進行改造的機會；還需要兼備技術理解能力的管理人才，負責推動基于AI的組織變革與流程再造。AI原生應用的發展也必定伴隨組織AI化轉型或AI原生組織的發展，企業應為此培養必要的人才團隊，賦予不同層級、不同職能相應的AI能力，以此提升整體組織能力。

　　構建適應自身的AI技術能力

　　企業應開始著手構建適應自身的AI技術能力，選擇合適的工程平臺、數據管理工具、大模型、云服務設施等技術要件來落地。公有云和開源技術的發展已使得當前無需付出過高的建設成本，關鍵工作變成了企業能否找到正確解決問題的技術方案，而非成本。我們認為生成型大模型、辨識型小模型、Agent（智能體）、數字孿生、用戶擁有模型五項技術相結合是發展AI原生的必然選擇，可以作為一種通用的技術架構供企業作為建設依據。同時，企業也應考慮自身實際來選擇合適的要件，將一整套能力部署并植根于企業經營中，長期使用迭代。企業應盡早籌劃相關技術儲備，以盡早獲取到累積數據和智能帶來的復利。

　　公司層面展開全方位變革

　　“AI+”不僅是一場技術領域變革，更是針對公司治理、業務流程、上下游供應等各領域的變革。需要公司制定嚴謹的AI升級戰略，來面對未來的行業變化以及AI所帶來的挑戰。例如：AI輔助工具對工作方式的變革、AI對于生產成本和效率的變革、生成內容所帶來的法律問題等。這些都需要在公司內進行系統性梳理。

　　尋找新的垂直市場機會

　　雖然當前生成式AI的創新賽道已顯得十分擁擠，例如通用的語音、對話等產品，但其會催生新的AI原生應用品類與新賽道。我們建議創業公司專注在仍未被開發的細分領域、聚焦于業務需求的端到端方案，創造在沒有生成式AI的時代難以出現的AI原生應用。

　　將AI原生應用與商業模式創新相結合

　　實踐AI原生應用開發絕非開發一款孤立的應用程序這么簡單，而應與重塑組織內外部利益相關者交易關系相結合。歷次重大技術革命所帶來的價值，往往并非在技術誕生之初就能完全顯現。只有當這些重大技術與商業模式創新深入結合之后，其真正的價值才會充分釋放。在當前AI 時代，AI 原生應用也面臨著同樣的情況。僅開發AI原生應用，如果沒有與之相匹配的商業模式創新、僅停留在當前已有的商業模式，那么其價值也將受到很大的限制。只有將兩者相結合、共同創新發展才是時代正解！

　　(本文作者介紹：北京大學匯豐商學院管理學教授)