今天AI原生的难题，早在百年前工业革命时就有｜甲子光年

什么才是真正的AI原生？

作者｜栗子

“未来，机器供给的思考总量，将是人类思考总量的1000倍以上。”

阿里巴巴集团CEO吴泳铭在2026云栖大会上给出这样的判断。

2026年，中国AI产业最关心的问题正在从底层技术向上层业务转移。AI也从“能力演示”走向“规模应用”，成为越来越多企业的核心战略。

“智以致用”是2026云栖大会的主题。当我们把这个主题真正落到企业视角，绕不开同一个关键词：AI原生。

根据「甲子光年」的观察，在今年云栖大会120多场分会场中，有16场的主题都与AI原生直接相关，比例超过13%。

从定义来看，AI原生是人工智能发展的新阶段，其核心特征是从产品或系统设计之初就将人工智能作为核心驱动力，实现底层架构与运行逻辑的根本性重构，而非简单的外挂或叠加AI技术。

2026年政府工作报告首次提出“打造智能经济新形态”，将其作为培育新质生产力的核心抓手。

事实上，AI原生并不是一个今天才出现的新名词。但与过去相比，如今的AI原生已然发生了巨大变化。

“用了AI和消耗Token，不一定就是AI原生组织，但不用肯定没机会。”阿里云智能集团公共云事业部副总裁、AI原生业务总经理张亮直言。

今天衡量一家企业是否是AI原生，看的不再是它接入了多少模型、上线了多少Agent，而是智能能否在真实环境里感知、记忆、学习和执行，并形成稳定、可治理、可复用的生产闭环。

为什么AI原生的价值衡量标准会发生变化？AI原生如何改写企业的产品流程与组织？为什么企业需要像阿里云这样的Agentic Cloud作为AI原生底座？这些问题我们需要一一厘清。

1.当AI遇到百年前的“天轴陷阱”

1990年，斯坦福大学经济史学家保罗·A·戴维发表了一篇传世论文，题目叫《发电机与计算机：现代生产率悖论的历史视角》。

这篇论文回答了一个让所有人困惑了几十年的问题：发电机在1880年代就已被发明。为什么直到1920年代之后，才在美国工厂的生产率数据里体现出来？

根源，就是百年前工业时代的“天轴陷阱”。

工业革命早期，工厂没有分布式动力，全场依靠一台中央巨型蒸汽机提供所有动力。厂房天花板架设贯通整栋车间的金属主轴（天轴），通过皮带、齿轮连接所有生产设备。全厂设备同步运转、统一转速，完全依附于中央动力系统。

1882年，爱迪生商用发电站建成，蒸汽机开始退出历史舞台。但问题在于，当时所有工厂都只是拆掉老式蒸汽机，换上大功率电机，继续驱动原本的天轴系统。

旧厂房、多层架构、皮带传动、全厂联动、老旧生产流程、管理模式等全部原封不动。用新时代的电力技术，跑旧时代的工业逻辑，自然无法产生新效率。

换句话说，天轴就是旧工业时代的底层基础设施，也是束缚技术革新的最大枷锁。

在「甲子光年」看来，这段历史，恰好也反映了过去20多年中国企业从信息化、数字化再到智能化的过程。

信息化时代，ERP把散在各部门的表单、审批和账目统一到系统中，流程效率大幅提升；而数字化时代，SaaS把系统搬上云端，更快也更便宜。

但就像发电机替换蒸汽机，工厂还保留着天轴一样，这些调整都只是从系统出发，而并没有真正意义上围绕新的产品与技术，对自身的生产流程与管理模式等方面进行深度调整。

AI落地的问题同样如此。

3年前的AI原生，其实并非真正意义上的AI原生。因为受限于AI技术的发展，无论是模型能力还是Harness建设都不能与今天相提并论。这导致此前所谓的AI原生，往往是在报表系统中外挂问答助手、在SaaS产品的侧面加一个对话框。本质上，企业使用AI的方式依旧没有跳出天轴陷阱。

可喜的是，今天的AI已经具备了跳出天轴陷阱的技术基础。

在「甲子光年」的观察中，今年，国内主流开源大模型的能力已与国外模型不相上下，长程任务的效果也相当不错，加之推理价格的一路下探，AI已从技术层面达成了真实可用。

图片来源：Artificial Analysis

当模型既可用又便宜时。AI原生的价值判断标准就必然从过去的“有没有AI”，变成“能不能让智能持续在业务上发挥价值”。

这是今天的AI原生与以往的最大不同。

只是有了技术基础还远远不够，要想让AI智能持续在业务上发挥价值，企业就必然要跳出天轴陷阱：

推翻老旧的业务流程，设计AI原生工作流；重构数据架构，打通数据孤岛；调整团队分工与考核体系；把AI作为底层基础设施，彻底重构整体业务链路。

2.如何拆掉天轴？

AI原生组织的重构收益是看得见的。

今年1月，《哈佛数据科学评论》冬季刊援引波士顿咨询公司的测算，智能体将会给企业带来2到10倍的生产率跃升。而这一切的前提，是对组织和工作流进行彻底重设计。

但拆掉天轴并不容易。

根据「甲子光年」的观察，企业以AI原生为核心对业务进行重构，至少要在三个层面同时发生：产品、流程、组织。

先说产品。

过去软件的设计逻辑，全部都是以人作为最终用户作为设计目标，产品经理的核心工作是降低人的操作成本。

而如今，Agent也已成为软件的使用者。一个几乎在开发者群体达成的共识是，未来如果一个产品不能被Agent调用，那么它将“赛博消失”。这导致产品的评价标准正在从用户向Agent调用转变。

所以我们看到，大量产品开始将产品功能封装成MCP、CLI和可复用的Skill供Agent调用，“无头化”（没有前端界面）也越发成为AI时代软件的新形态。

再说流程。

过去，企业的业务流程散乱在各个系统中，采购在SRM、库存在ERP、审批在OA。不仅每个流程节点都需要有人操作、传递、等待，而且这也是导致企业IT“烟囱林立”，数据孤岛问题的直接原因。

AI正在解决这一问题。

例如宁波震裕科技通过AI优化采购流程。采购员只需要输入品类、地点和金额，Agent自己去SRM里检索候选供应商，自动完成资格审查和多维排序，最后交上来一份带推荐理由和风险提示的结构化报告，整个过程大约5分钟。

还有国际物流平台运去哪，用8个智能体打通业务全链路，将运价邮件自动解析生成可售产品，一句话询价即可拿到方案并自动建单，实现头程、仓储、清关到尾程的全流程AI化。

最难的在组织。

组织的复杂性在于，如何最大效率的发挥团队的协同优势，实现组织能力的突破。

过去，由于人的精力有限，所以组织必须分工。而这也衍生出了层级、部门、汇报线、周报日报等等管理方式。

但现在，AI放大了人的能力。在AI的加持下，每个人都可以成为六边形战士，跨部门的业务执行越发常见。与此同时，组织内部协同所产生的上下文，也正是AI在业务端所需要的。

今天，包括“钉钉+千问办公”在内的这种“企业IM+AI Agent”的组合，在业内越发常见。企业员工在完成一项工作时，不仅可以与真人协同，更可以与Agent数字员工协同。而在这种协同过程中，部门墙、周报日报等传统管理方式将随之逐步消失。

这也与千问办公CEO陈宇森的判断不谋而合。陈宇森认为，企业内部的岗位边界很有可能会变得模糊，人利用AI去做不同行业和岗位的事情会变得越来越简单。

千问办公CEO陈宇森

当企业改造完产品、流程、组织，跳出天轴陷阱实现AI原生之后就会发现，真正的AI原生企业的价值，将不再与企业人员规模挂钩。

哈佛商学院AI研究院在今年6月发表的研究，标题就叫《人员更少、估值更高》。而被压缩到极限的样本，就是一人公司。

关于OPC，OpenAI的奥尔特曼早在2024年就抛出过判断：AI时代，一个人有可能创办一家估值十亿美元的公司。

今年云栖大会上发布的《AI时代OPC发展实践报告》显示，2025年上半年新注册的一人公司已达286万户，同比增长47%。OPC正在成为创业领域的重要增长极。

事实上，这种效率的颠覆式变化，本质上是一种“技术平权”。以前小企业想拥有大企业那样的技术能力很难，因为好工程师雇不起；现在同一套模型能力按调用量卖，3人团队和3000人企业完全有机会可以站上同一条起跑线。

“这就是从Headcount到AgentCount，从人均产值到‘人+AI’单元的产值。”张亮直言。

但需要指出的是，企业的AI原生显然不是一蹴而就的。

根据「甲子光年」的观察，企业的AI建设往往会经历“从赋能，到优先，最后再到原生”的过程。赋能就是采购AI工具，优先是业务流程围绕AI进行优化，而原生则是让AI成为企业的底层操作系统，企业所有的一切都建立在AI之上。

用一个简单的问题判断：关掉AI，企业业务是否会崩溃。如果答案是“会”，那么才说明企业接近或达成了AI原生。

3.拆掉天轴之后

通过前面的叙述不难发现，今天的企业在拆掉天轴之后，要实现AI原生，必然需要一个可以稳定安全的基础设施作为技术底座支撑AI运行。

理论上来说，这个技术底座企业当然可以自建。但问题在于，基础设施的特点是重固定成本，强规模效应。

算力集群、推理优化、评测基准、合规资质、交付体系，任何一项单独建设都不便宜。这还不算模型自身的迭代速度。厂商每季度都在换代的训练与推理体系。今天AI能力迭代几乎以天为计算单位，自建AI底座几乎注定与最前沿的AI能力脱节。

事实上，今天的AI不是一个单独的工具或单点的事情，其背后芯片能力，云能力、算力中心、模型能力、模型的MaaS平台以及最终的Agent，缺一不可。一家企业很难真正实现全链路自建。

那么问题来了，谁来把这四种能力，像水电一样接进企业？

行业给出的答案正在收敛为一个词：Agentic Cloud。

它不是云上多了一个AI功能，而是按新标准倒推出来的架构——稳定的智能供给、企业上下文的接入与治理、Agent的长程运行与安全管控、可复制的交付。

根据阿里云CTO李飞飞在2026云栖大会上的演讲我们发现，阿里云的核心目标就是打造Agentic Cloud。

具体来看，阿里云正在围绕Model、Harness、Context三层进行建设。

Model解决的是模型供给：千问系列模型、开源路线与模型服务，决定智能能不能被稳定、便宜地获取；

Harness解决的是AI能力管理：本次发布的企业级Agent构建与治理平台AgentCore，把运行环境、资源隔离、身份权限和全链路审计做成了托管件，任务完成率提升99%、TCO降低70%。

而Context解决的是更懂企业：Context Engine把企业全域数据变成可按需调用的实时上下文，让Agent从“知道什么”进一步走向“此刻应该做什么”。

如今，阿里云已形成从AI芯片、服务器CPU，到互联、网卡、存储主控和AI软件栈的完整布局，可以从计算、网络到存储做全栈协同和联合调优。

除了满足当下企业对AI原生的需求，阿里云还给出了更长远的目标。

吴泳铭直言，行业的中长期需求远超供给能力，阿里云的基础设施目标是，到2032年运营的全球数据中心规模超过20GW。

在「甲子光年」看来，这就是“为什么Agentic Cloud是阿里云”的原因。不是因为它模型最强或价格最低，单看任何一环，市场上都不只一个玩家。而对于企业AI原生所需要的全栈能力，恰好只有全栈玩家能同时凑齐。

在中国市场，数据合规、私有化下沉、产业纵深的现实要求，还会把这道全栈门槛进一步抬高。Agentic Cloud之争，本质是稀缺要素的集中度之争，而阿里云是目前卡位最完整的一家。

回到文章最开始的问题，今天，AI原生的价值正被重新校准。而价值标准的重估，最终把企业如何实现AI原生的答案指向了同一个方向：能承载“持续生产智能”的云，才是AI原生时代的云。

时代会奖励那些更早跳出天轴陷阱的企业，尤其是AI时代。

（文中未标注配图来源：阿里云，封面来源：AI生成）