9 月 23 日，2026 网易未来大会在杭州举行。本届大会以 " 碳硅相逢，万象启元 " 为主题，由网易公司主办，杭州市商务局、杭州市经济和信息化局（杭州市数字经济局）、杭州高新技术产业开发区管委会联合指导。五位院士领衔，来自学界、产业界和投资界的嘉宾齐聚一堂，围绕科技前沿、人工智能产业化与未来商业展开交流。

从可控核聚变、AI 大模型技术与通信智能，到 AI PC、智能体、AI 制药与具身智能；从院士专家的前沿判断，到产业先锋、投资人与 00 后创业者的实践探索，本届大会试图回答一个共同的问题：当碳基文明与硅基智能加速相逢，技术将如何突破边界，又将怎样走进真实世界？

网易智企副总经理段毓铮在《智能体 " 实干元年 "：当 AI 从 " 对话 " 走向 " 交付 "》演讲开场介绍，网易智企推出了企业级 AI Agent 平台帝王蟹，希望把企业里的智能体像员工一样管理起来。他说，过去半年，团队在客户业务中探索 AI 落地。

段毓铮认为，企业不宜一开始就以员工提效为首要目标。一个人做事更快，但工作仍可能卡在上下游环节。企业应先找准经营中的难题，再看收入、成本、新品研发周期等指标有没有改善；效率提升应是打通流程后的结果。

他以销售工作为例：AI 可以帮助销售人员准备方案、处理表单，但如果市场获客、售前支持和产品交付跟不上，节省下来的时间也难以直接转化为企业增长。类似地，程序员写代码变快，还需要产品、测试、运维等环节协同，才能提升整条研发流程的产出。

在一家餐饮供应链企业，网易智企最初讨论的是销售环节，随后发现客户需求传不到研发、配方开发慢、生产排产效率低等问题相互牵连。段毓铮介绍，团队把销售获取的需求、企业原有配方库和排产流程连接起来；项目推进数月后，已看到转化率和生产效率的积极变化。

对于一家潮玩企业，他认为难点不是让 AI 多画几张设计图，而是更早发现值得做的新品。团队据此从公开社交讨论中寻找趋势，再结合企业的 IP、品牌和生产工艺，辅助形成设计方案、梳理材料成本。他还举了充电桩运营商的例子：结合电价、竞争对手价格和需求变化，AI 可以帮助运营商更频繁地调整收费。

要让智能体进入这些业务流程，段毓铮提出三项基础：统一的企业知识和数据、安全可靠的执行机制，以及与现有系统和人员的衔接。他不主张企业一开始就重建庞大的数据系统，而是先让分散的知识与业务数据能被智能体共同使用。

段毓铮表示，企业引入 AI，不只是给员工增加一个工具，更要让它参与实际业务，帮助企业解决经营难题。

以下是网易智企副总经理、云信负责人段毓铮在 2026 网易未来大会上的演讲实录：

朋友们下午好，我是来自网易智企的段毓铮，非常荣幸能在网易一年一度的未来大会上与大家分享。

网易智企是网易旗下面向企业提供一站式 AI 应用服务的提供商。今年上半年，我们推出了企业级 AI Agent 平台 " 帝王蟹 "，希望帮助企业像管理人类员工一样，管理进入组织的 " 虾兵蟹将 "。过去半年，我们和客户一起在真实业务环境中推进 AI 落地，也在自己的业务里做了不少实践。今天，我想从这些实践出发，谈谈我们看到的变化。

我们把今年称为 AI 的 " 实干元年 "。当然，AI 好像每年都有一个 " 元年 "，但今年确实有些不同。春节时 " 龙虾 " 出来之后，这股热潮真的远超我们的想象。

这与过往的 AI 热潮有两个非常大的不同：第一个不同是不再仅是个人在使用，更多的企业也非常积极地投入到 AI 落地的过程当中；另外一个不同是，过去企业中可能更多的是像我们这种互联网公司，或者说是科技类公司更加拥抱 AI，但今年我们发现，各行各业甚至相对传统的客户和企业，也都积极投入到了 AI 热潮当中。

但这半年下来，企业落地 AI 的成果究竟如何？或者说，大家如何评判这一年企业在 AI 上的投入最终获得了什么样的回报？很多时候，我们的客户、朋友以及企业家们摇摇头，感觉好像投入了很多，却没有看到很明显的成效。原因是什么呢？

其实我们也做了一些分析，得出一个很明显的结论：AI 在企业里落地，毫无疑问能帮助员工提高个人工作效率，这方面有很多实践。但是，个人效率能否转化为组织效率？这中间其实存在很大的鸿沟。

我们可以先举一个例子，比如刚才提到的像我们这样的互联网公司，作为软件企业，程序员是一个非常重要的岗位。大概在 2-3 年前，我们的研发工程师就开始引入 AI 来辅助编程。现在，我们产品中的代码 AI 覆盖率已经几乎接近 100%，基本上   98%、99%   的代码都是靠 AI 来写。研发写代码的速度快了，原来一周的工作可能一天就能做完。但如果产品、测试、运维和运营还按原来的节奏走，省下来的时间未必会变成整条业务链的产出。

所以，我们正在把 AI 推进到软件开发的全流程：从产品、研发、测试，到后面的运维和运营。只有整条链路一起变化，个人效率的提升才有机会转化为组织生产力。

再举一个更普遍的例子，就是销售岗位。我相信销售岗位在每个公司、每个企业里都有，而且应该是最重要的岗位之一。很多企业在落地 AI 时，第一个场景往往都选择销售这样的场景或岗位。

通常情况下，销售岗位面临一个普遍的问题。销售最重要的工作，是见客户、理解需求、推动成交。但在实际工作中，他们常常要花大量时间处理表单、流程申请、方案准备和客户邀约。这意味着他们可能有 90% 的时间都没在做最核心的事情。有了 AI，我们可以极快地帮销售搞定方案准备、填表和日常琐事，让他们把 90% 的时间真正投入到核心的销售与客户互动中，这完全是可以实现的。

但接下来的问题和刚才提到的研发工程师有点像：当销售的工作效率大幅提升后，有没有足够的客户供他们拜访？这可能涉及到市场岗位和市场部门。很多时候，像我们做企业服务和解决方案的，销售去见客户时还需要解决方案工程师或售前工程师的支持，那么这些岗位和部门是否有足够的生产力来配合？这也是一个问题。此外，当销售效率提升、客户进来后，我们的产研团队有没有足够的效率去做客户交付和产品迭代？

大家就会发现，我们都知道销售这个岗位很重要，杠杆很高。如果我能给销售提效 1%，我就期望能拿到 1% 的增长，这个没问题。但是实际上你会发现，整个链路上上下游的牵绊很多，所以说不是简单的个人效率就能转化成组织效率，这是我们发现的问题。

通过这个例子，我想分享一个现状：企业在高速推进 AI 落地时，普遍觉得做了很多，却看不到明显收益。所以，别只想着给员工提效，更要从整个业务流程、更高视角来看待 AI 落地。

我们主张，企业落地 AI 时的首要目标是什么？大家应该好好想一想：我们的战略痛点、经营痛点究竟在哪里？

当我们落了一些 AI 应用之后，这些事情能不能在财务报表上得到反映？所谓在财务报表上得到反映，收入是不是能增加，成本是不是能真的降低？如果新品研发周期缩短了，能给企业带来什么样的收益？当然，也可能不是传统的财务报表，而是一些重要的经营指标，这都是 OK 的。我们主张用这种目标导向的方式，去看待 AI 落地。

典型的几个场景，像刚才提到的，最前端的就是营销端，涵盖从市场获客到销售转化的全过程。后端也有像供应链提效。如果说一个企业的供应链效率能提升，那对我来说是一个极大的竞争优势，几乎在各个行业都是这样的。中间也有很多场景，比如我们刚才提到的一些产品研发场景、生产环节、排产工作，包括整个运营相关的工作。在使用   AI 之后，是不是真的能提升产品竞争力？能提高用户粘性、用户留存吗？收入的贡献能提上来吗？我们主张用这样的方式去衡量。

所以我们现在提出了一个可能有点反直觉的观点：AI 落地，特别是在企业里落地时，不要一上来就以提效为首要目标。当我们找到战略痛点和经营痛点，去做一个全链路的 AI 落地之后，效率自然而然就提升上来了。它是一个结果，而不应该作为出发点。

我举几个我们正在做的例子。

第一家是一家餐饮供应链企业，在行业里已经算是头部了，但相对还是比较传统。最开始我们和老板沟通 AI 落地场景时，聚焦的是销售环节。但在深入交流中，我们发现事情没那么简单。

最显性的问题是，销售在线下拜访连锁品牌和单店，产品卖得好不好，老板只能看到最终结果，整个过程完全不知道。整个区域市场的分布布局也没概念，成一单或不成一单，背后到底什么原因？也不知道，整个过程是一个黑盒。

更进一步，我们发现还有一个很重要的问题，销售很少能把有效的信息带回来。即使销售带回了客户需求，比如口味、分量，产品研发团队要依据这些信息去开发新的复合调味料配方，也需要时间。新配方出来后，还面临生产排产的问题，过去整条产线的利用率其实并不高。后来我们引入 AI 后发现，这里的提升空间还是挺大的。所以说，这是一系列连环问题，而不是单点某个岗位的效率问题。

因此，我们一方面帮他解决了整个销售过程的问题。当然，我们主张不去做一个更好的 CRM 系统，因为 CRM 本质是管理销售的，本身就是一个反人性的东西。我们更多的是通过 AI 去帮助销售提升能力和效率，让员工更愿意使用，因为这真的能帮助他们产生业绩。

另一方面，我们把企业已有的配方库接入 AI 平台。这家企业有上万个 SKU，配方和生产安排都很复杂。现在，从客户需求到配方研发，再到后续排产，相关环节可以衔接得更快。

这项工作开展的时间还不长，只有半年左右，还没有经历一个完整年度，但我们已经看到转化率和生产效率出现一些积极变化。

此外，这件事还有一个很重要的附加作用，就是让老板真正能了解市场、了解客户，彻底打破了以往 " 老板虽是决策者却几乎一无所知、只能看到最终数字 " 的黑盒局面。这是一个很好的进步。

第二家是一家 AI 玩具企业，我将其归类为潮玩文创类产品。这类产品有个显著特点：出品和上新一定要快。所谓的 " 快 "，不是指今天出一个、明天出一个，而是看能否比同行更早地捕捉到下一个审美风口，并更快地完成设计、生产和上架。这很好理解，也是行业应有的节奏。

但实际上，从设计师的创意灵感迸发、设计出稿，到原材料采购、工艺生产，再到成本和质量控制，整个全流程的周期往往比较长。早些年可能需要 6 个月，而在我们开始接触时，对方表示已缩短至 2 个月左右。

这个时候，老板想在他的企业里落地 AI，就咨询我们能不能让设计师的工作效率高一点。大家第一反应还是想着工作效率高，效率高就是要快，这很正常。但后来我们深入聊了以后发现，不是提升设计师工作效率那么简单。因为说实话，AI 生图很快，而且现在质量也非常高，想要什么几乎都可以有什么。

但是，他这个生意里最痛的一个事情是怎么能找到那个创意点、那个机会。那个机会对于他来讲是一个真正的机会，而不是说我一天给他 100 个方案，这个没什么很大的作用。

那么下一步我们就继续深挖：你过往经营里的这些机会是怎么来的？他说其实有很多种方式，目前我们主要在帮他做的有两种。第一种是通过公开社交媒体看大家在讨论什么。这话听着简单，实际事情很复杂，但逻辑很好理解：在公开社交网络中捕捉趋势，并对趋势做出判断和预测，看清哪个会成为热点、爆点。

还有一种是他们会参加很多的展览，可能是动漫展，可能是美术展、艺术展。他们看到一个有感觉的图片以后就会拍下来，回来给设计师说，" 你看这个能不能按照我们公司产品 IP 的调性，来设计一个新的玩具，或者说是设计一套盲盒？" 主要是这样两种方式。

OK，到了这一步，事情就变得有意思了。我们现在更多是帮他监测互联网上他所关注领域里的用户潮流倾向，从中筛选出他认为有机会成为热点或爆点的信息。

有了这些信息后，事情就更简单了。基于筛选出的图片，我们不会随意生成设计方案，而是结合他过往的产品设计、IP 调性及品牌调性来生成方案。同时，我们将他的生产工艺流程和数据都纳入 AI 知识库，协助进行材料分解，并列出完整的 BOM 成本列表。

这样一来，速度非常快，可能 1 天之内就能把新品从创意推进到设计稿，明确设计理念，梳理出材料与 BOM 成本，甚至直接产出后续的营销文案、电商线上宣传素材等整套内容。

当然，创意这件事交给 AI，不可能保证 100% 都是好点子。但我想强调的是，这种方式不仅仅是帮设计师提效，而是真正找到了经营痛点，通过 AI 全链路解决问题，让新品研发周期进一步缩短。这对企业来说，就是非常强大的竞争力。

第三家是充电桩运营商。现在新能源和充电桩都很普及了，充电桩运营商的运作方式简单来说：在一个城市、一片区域或一个市场中，它有自己的竞争对手；上游是电网，涉及电价成本；下游则是来充电的消费者用户。

在这个过程中，电网的定价、竞争对手充电桩的定价以及他们自身的定价都在不断变化和浮动。因此在日常经营中，他们有一个非常痛的点：希望能灵敏地调整价格。为什么要做价格调整？一是为了适应供需关系，二是在竞争环境中获取更多用户。

用传统方式去做这件事非常困难，可能一个员工盯着一个城市或区域的市场，一周只能做一次定价决策。而现在通过 AI，我们可以让他们每天都能做出灵活的定价决策，甚至可以达到小时级。这取决于不同区域市场变化的频率。

我觉得这是一个非常生动的例子。通过这种方式，其实不是简单地去解决运营岗位的工作效率问题，而是真正在经营层面，让他在区域市场的竞争和供需关系下，拿到更多的收入和利润。我认为，这就是 AI 应用能落到财务报表中的体现。

这三个例子虽然行业不同，但有一个共同点：先进入客户的业务现场，找到真正影响经营的那一段链路，再看 AI 能做什么。

我们不会帮企业去追求 AI 工具的数量，而是看能不能带来可量化的商业回报。而且这个 " 可量化 " 也很朴实，最好直接用金钱来衡量，这个事情大家都有感觉。这也是我们在帮助客户企业落地 AI 过程中的主要做法。

那么，怎样让 AI 从帮助个人，走向改变组织的运作方式？在企业级 AI Agent 平台帝王蟹背后，我们认为有三个关键底座：知识和数据，安全和可靠，以及业务融合。完整的架构当然不止这些，今天我重点讲这三个方面。

首先说知识和数据，这件事为什么重要？其实我们在今年做这个企业级 AI Agent 平台之前，就有相应的知识库产品，而且在为企业提供数据中台、数据治理服务方面也有 10 多年的经验。但是，我们发现今年随着 Agent 应用的爆发，反而对我们传统过往的知识和数据提出了更高的要求。

过去主要是人来查找和使用知识、数据。人的注意力有限，面对海量信息，能找到、能用上的其实只是一部分。所以，过去我们觉得知识和数据基础已经做得不错了，很大程度上是从人的使用视角来判断的。现在 Agent 要在更大范围内检索和调用这些信息，原来不太显眼的问题就会暴露出来，也对知识和数据的整理、连接和治理提出了更高要求。

所以我们现在的做法是把企业过去散落在各处的信息逐步整理为可用的知识，把分布在不同系统里的数据接入相应的数据底座。当然，这里并不意味着一上来就要重建一个庞大的中台；现在有更灵活的方式，可以从业务需要出发逐步连接。

这样，组织里的 Agent，也就是我们常说的 "AI 员工 "，才能在需要时获取一致、准确的知识和数据。如果没有这个基础，AI 的效果就很依赖每个员工自己掌握多少信息、会不会使用；不同人的使用效果差别很大，业务流程也不容易串起来。

第二个底座是安全和可靠。这个话题很大，今天简单说几项。企业需要知道 Agent 做了什么，过程能不能审计，出了问题能不能追溯，相关数据怎样保护。围绕这些要求，我们在数据加密、审计追溯，以及模型的可解释和可控方面做了工作。对 Agent 执行任务的前、中、后，我们也分别设置了安全扫描、风险识别与监测，以及任务后的策略复盘和迭代。只有这些能力跟得上，企业才敢让 Agent 进入真实业务。这些都是我们在安全层面所做的努力。

第三点也非常重要。刚才我们讨论的都是在企业业务中落地 AI，因此 " 业务融合 " 这一底座在 Agent 执行任务过程中是必不可少的。Agent 要完成一项工作，往往需要调用企业原有的业务系统和内外部工具，也要与员工、团队及现有流程协同。前面几个案例之所以不能只做一个岗位的提效，原因就在这里：业务本来就是连在一起的。我们要做的，是让 Agent 进入这些真实流程，与原有系统和组织衔接起来。

这是我认为目前来看，在企业里落地 AI 最重要的 3 个底座，其中的知识与数据、业务融合正是我们理解的 " 企业上下文 "。

这些事情能做成、能做好的背后，是智企过去   10 多年服务客户过程中的积累和底蕴。知识库、数据治理和大数据相关产品，支撑知识与数据的整理和使用；API 网关帮助企业管理和连接已有的 API 资产，到了 Agent 阶段，我们也有智企 AI 网关；数字内容风控和安全类产品，可以为企业级应用提供安全保障。

正是得益于这 10 多年的产品技术积累与服务实践经验，才让我们能在今天这个 AI 和 Agent 时代，快速搭建起全新的企业级 Agent 平台。

最后分享一句话：在组织和企业里落地 AI 时，不要再把它仅仅当作一个工具，而要把它看作是组织的一部分，看作是我们整个业务流程中的一部分。它不只是简单的提效，而是要去解决我们的战略痛点和经营痛点。

我的分享就这些，谢谢大家。

* 点击 " 阅读原文 " 跳转 2026 网易未来大会官网，了解更多详情

——社群推荐——

与前沿大脑同步在线，让思维时刻领先。

欢迎扫描下方二维码，加入你的科技同行圈。

▲欢迎加入粉丝群▲

——   END   ——

排版 | 北北   审核 | 北辰