过去两年，AI持续升温，几乎每隔一段时间，市场就会迎来一轮新的情绪高点。但若回头审视，也必须承认一个现实：AI的热闹，并不等于它已经真正进入了组织和业务中。很多时候，它改变的是搜索与信息获取的方式，却尚未实质性改写社会的生产方式。

新华三集团高级副总裁、解决方案部总裁  曾富贵

真正的变化，出现在2025年下半年，如同一道分水岭，行业对AI的判断开始发生转变。关注点不再只是模型“厉不厉害”、跑分“高不高”，而是智能体究竟“管不管用”。大家不再只看它“能不能讲话”，而是看它“能不能干活”。过去那个停留在实验室里的“高材生”，开始被要求走进真实业务场景，成为能够交付结果的“数字员工”。

至此AI才真正走进产业现场，进入报销、面试、营销、投研等高频办公场景，也深入到招投标审核、人力管理、电力调度、采购合规等更复杂的业务流程。在这些场景中，AI的价值不再只是回答问题、提供建议，而是能够端到端地完成任务，把原本属于个人的通用能力，转化为组织可调用、可复用的专项能力。

新华三过去一年所做的大量工作，本质上也是在推动这样的迁移：一方面将互联网领域成熟的AI能力嵌入企业与政府的生产业务之中，另一方面更着力于萃取提炼传统行业的核心能力，对其进行AI化升级与重构，让企业从“尝试”走向“深度使用”。

真正的门槛，不在模型，而在行业经验

今天，智能体调用浏览器、文件系统、搜索、截图、代码执行等工具，已经不再是难事。但在真实业务中，真正的难点在于：需要获取什么信息，如何处理这些信息，如何将它们串联成一套可执行的流程，以及如何把行业专家的判断注入其中。对产业客户而言，这恰恰是AI落地最关键、也最容易被低估的一道门槛。

以招投标场景为例，围绕一项具体业务，往往涉及国家法律法规、地方政策制度、行业规章以及主管部门指导意见，仅政策汇编就可能有几十本。拥有这些文件，并不意味着能够执行业务。决定业务能否运行的，是对规则的理解、对流程的梳理、对边界条件的约束，以及能否把这些内容转化为智能体可以理解、可以执行的表达。

也正是在这个意义上，Skill这个概念变得重要起来。它意味着把能力和经验转化为机器可理解、可调用、可复用的“伪代码”。过去，大量行业能力都停留在专家脑中，缺乏系统化沉淀，而今天，AI第一次具备了承接这种能力的可能。

在这个背景下，新华三将自身定位为“端到端的AI应用落地赋能者”。新华三所做的，并非简单地把通用大模型交付给客户，而是与行业专家、客户伙伴深度协同，共同完成业务抽象和场景化落地：由行业专家梳理业务规则与流程，再由技术团队将其转化为规范体系、文档标准和可执行的行业技能，并持续优化模型适配。新华三还统筹模型选型、硬件环境部署、全流程安全管控等关键环节，把行业专家的实践经验萃取提炼，转化为模型可理解、可复用、可规范化复制的AI能力，真正实现AI在业务中的深度落地。

一切为了Token，一切转化为Skill

如果说行业经验影响着AI能否进入真实业务，那么工程体系则决定了它能否大规模、可持续地跑起来。

今天看AI基础设施，视角已经与传统IT时代明显不同。过去服务器、网络、存储，往往是分开的。进入智能体时代，客户真正买回去的，不只是某一张卡、某一个模型，而是一个稳定、高效、经过验证的Token生成器。

新华三在基础设施层面的目标，就是把不同的加速卡、不同的推理框架、不同的算力服务器和存储体系聚合起来，在国产生态上尽可能提升Token产出效率。从算力、数据到模型，构成一个面向产业落地的基础设施底座。

但只提升硬件效率还不够。更难、也更关键的，是应用侧的Token效率。在OpenClaw这样的框架下，一句简单的“hello”，就可能引发巨量Token消耗。原因在于智能体自主规划、多轮反思、工具调用和长上下文带来的“上下文爆炸”。因此，进入智能体阶段以后，关键问题已经不是“模型能不能答对”，而是“完成一个任务究竟要消耗多少Token，能否用更少的Token把任务做完”，客户最终需要的是更高的任务完成效率。

因此，新华三将技术策略定为“软硬件双向发力”。向下，是计算底座、高速联接、超高速存储、算力调度、统一数据管理平台和训推使能平台，把算力、数据与模型串接起来；向上，则是围绕OpenClaw做企业级改造，把它从适用于个人用户的开源框架，改造成适用于企业部署的组织化平台。

这种改造包括几个关键环节：在非联网环境下可完整安装部署，预装浏览器、截图、文件系统等高频能力；对客户共创的Skill做加密与防篡改；支持组织管理、层次化部署以及对Skill和上下文的自动优化。对企业来说，这些能力不是“加分项”，而是从试点走向生产的必要条件。

在安全与效率的平衡上，新华三的一个经验是：非必要不训练。在许多项目里，与其重新做高成本的大模型后训练，不如采用定向蒸馏、小模型强化、规则显式表达和skill编排。对不少行业场景来说，Skill所承载的规则和流程，价值密度甚至高于训练数据本身。训练数据可以脱敏、扩增，但专家写下来的规则、流程与判断，往往才是组织最核心的知识资产，也因此更需要被加密、被保护、被审计。

与此同时，随着智能体深入组织，攻击面和滥用风险也在同步放大。新华三一方面通过权限控制、留痕审计和人工接管来守住边界；另一方面，也在探索“AI监督AI”的机制，用不同Agent之间的博弈去发现问题、压低风险。智能体真正进入企业，并不只是能力问题，更是治理问题。

从更长的周期看，业内正在形成一个越来越清晰的判断：基础设施一切为了Token，应用场景一切转化为Skill。所有技术设施，最终都要围绕Token效率重构。未来被重写的，也不只是某几个软件功能，而是整个软件交付逻辑。传统软件从需求、开发到上线的长链条会被大幅压缩，越来越多的交付，将变成业务专家和Skill工程师共同完成。

AI真正进入产业，要从核心业务开始

从行业进程来看，AI落地并不是齐头并进的。除互联网行业自身应用外，政府以及部分央国企相对走得更快。

政府本身具有产业先导作用，在业务智能化改造上动力更强。以某城市“数字公务员”为例，相关实践已经能够把拍照、识别、登录、回填、校验、修改等环节端到端串联起来。能源、电力、交通等行业也在快速推进，像城市电力调度、电网物联网卡AI自动化管理等场景，都表现出较强的落地冲动和现实需求。

这也意味着，企业的智能化转型路径必须重新设计。人力、财务、法务等通用支撑平台，已经成为许多企业率先启动的“标配项”，但真正决定一家企业AI转型是否成功的，是能否切入核心业务，把AI嵌入那些最关键、最独特、最能体现组织能力的环节。

从这个意义上说，AI走到今天，已经不再是一个“要不要上车”的问题，而是一个“如何进入组织、如何接管任务、如何重写软件与交付逻辑”的问题。对新华三而言，AI时代最重要的两件事：一是追求最优的Token效率，二是与客户共创最好的行业Skill。前者决定基础设施的效率上限，后者决定AI能否真正进入产业深处。二者并举，方能让AI从“会说”走向“会干”，从技术渗透走向价值落地。