企业这些年并不缺少新技术。业务系统越来越丰富，自动化工具越来越成熟，生成式AI又让信息检索、内容生成和分析处理快了许多。但在不少实际工作中，一项任务仍要由员工在多个系统间反复切换，把分散的操作一步步接起来。

如果AI已经能回答问题、生成方案，为什么业务执行的最后一段路，仍然如此依赖人？

10月14日，中国信息通信研究院人工智能研究所在2026人工智能产业大会智能原生论坛上发布《智能原生（AI Native）研究报告（1.0）（2026年）——企业智能原生转型框架与实践》（以下简称《报告》）。

《报告》将目光从“应用了多少AI功能”进一步转向一个更根本的问题：当AI成为内生能力，系统和企业的运行方式会发生怎样的改变？

01 AI Native，改变的不是AI入口，而是系统运行逻辑

理解AI Native，首先要把它与“+AI”区分开来。两者并非简单的新旧替代，而是AI与企业业务融合的不同深度。

 

“+AI” VS. "AI Native"

在“+AI”模式下，企业通常保留原有业务流程，再增加识别、推荐、问答或内容生成等能力。比如采购人员仍然依次进入多个系统查阅数据、核对信息、提交审批，只是在其中某一步用AI提取单据或整理材料。原来的工作组织方式并没有根本变化。

《报告》把智能原生界定为一种“属性判断”：AI不再是可以拆卸的附加功能，而是系统、产品或组织运作所依赖的核心机制。一个直观的检验方式是，假如抽离AI，系统的核心运行逻辑是否仍然成立。

这一判断比“有没有采用大模型”严格得多。使用模型、建立智能助手，未必意味着流程实现了智能原生；反过来，已经投入使用的传统系统，也不一定要全部推倒重建，才能开始向这一方向演进。

《报告》还将智能原生区分为系统、企业与产业三个层次：系统层关注AI是否贯穿需求理解到执行交付，企业层关注业务流程、组织分工和价值创造能否围绕AI重新组织，产业层则涉及更广泛的生产与协作方式变化。这也意味着，一套能够自主完成任务的智能体系统，可以是企业转型的重要支点，却不能直接代表企业整体完成了智能原生转型。

关键在于：AI究竟是在原有流程旁边提供帮助，还是开始参与决定任务怎样拆解、各环节怎样衔接、工作怎样完成。《报告》也指出，“+AI”与智能原生将在实践中长期并存，企业不同业务可能处于不同阶段。

因此，真正值得企业思考的，不是赶紧把所有系统改名为“AI Native”，而是找到哪些任务已经具备重新组织执行方式的条件。

02 从提供答案到完成任务，企业AI为什么需要跨过执行门槛？

生成式AI擅长处理语言、知识和信息，但企业的工作不会在“得到一个答案”时自动结束。许多业务成果还依赖一连串具体操作：从多个系统取数，检查信息是否匹配，填写指定字段，按权限提交结果，并把异常交给对应人员处理。

以跨系统采购信息核对为例。假设工作人员需要根据既定规则检查不同平台的记录，AI可以帮助理解核对要求、列出关注项；但如果每一次查询、跳转、录入都必须由员工重新动手，效率改善就容易停留在某个孤立环节。

智能体带来的可能性，是让系统围绕目标组织行动：理解任务意图，分解步骤，选择合适的工具或操作界面，再根据执行过程中返回的信息继续推进。人不再需要逐项指挥每一次点击，而是更多地负责设定目标、确认边界和判断例外。

从回答问题到执行任务，AI 正在改变企业的人机协作方式

这里存在一个容易被忽视的区别：模型能够给出合理的行动建议，不代表它已经具备稳定的业务执行能力。企业环境中的权限控制、界面变化、数据一致性、失败重试和操作留痕，都决定了任务能否从“演示一次”走向“日常使用”。

所以，从“+AI”迈向AI Native，需要的不只是更强的模型，还需要让智能理解与现有业务系统、执行工具及管理机制建立实际联系。

“智能原生”四大核心特征（图片来源：中国信息通信研究院）

在报告总结的四大特征中，“紧密人机协同”尤其值得企业关注。变化不只是交互方式更自然，而是智能体开始成为业务流程中的另一类作业主体。人负责明确目标、设定约束、监督关键结果，智能体承担适合自动推进的环节。由此带来的新课题也很具体：身份如何识别，权限如何分配，何时需要人工接管？这些安排，和模型本身的聪明程度同样重要。

03 从理解任务到完成工作，九科信息如何探索AI Native？

企业系统日益丰富，但跨系统任务仍常常依赖员工逐步操作：查找数据、核对信息、切换页面，再把结果汇总起来。九科信息所理解的AI Native，首先要回应这样的业务现实——让智能能力不只停留在信息生成，而能参与工作的组织与执行。

九科信息企业级智能体bit-Agent——不止回答，更能执行

围绕这一方向，企业级智能体平台bit-Agent将任务理解、步骤规划与界面操作相衔接。面对具体工作目标，智能体可以结合界面信息推进查询、点击、输入等操作，让过去需要人工串联的环节，有机会形成连续的任务执行过程。

但企业要的不是一场漂亮的演示，而是经得起日常重复使用的能力。新任务需要探索，成熟任务则更需要稳定执行。bit-Agent通过能力固化，将经过验证的操作过程沉淀下来，供后续相似任务调用，减少每次从头探索的成本。

bit-Agent可将已成功的流程固化成“能力”，便于团队复用

这一思路已在实际业务中得到体现。九科信息与国内某头部车企合作，将bit-Agent用于多品类安全产品巡检：面对新的巡检任务，智能体结合知识资料探索步骤，使用者可在过程中修正路线；对于已有任务，则复用已验证的巡检流程，并输出巡检结果与报告。

九科信息bit-Agent赋能国内某头部车企智能巡检

巡检工作尤其能说明这种转变的意义：业务部门关注的不是智能体演示了多少次点击，而是面对新的巡检对象能否找到执行路径，面对熟悉的任务能否稳定复现，并让结果可以追踪、复核。

从逐项人工巡检，到探索、固化和复用相衔接，改变的不只是某一次操作的速度，更是巡检能力的形成方式。这样的实践也提醒我们：智能原生要真正扎根企业，必须兼顾任务适应性、执行稳定性与结果可核验性。

AI Native，并不是让AI替代所有业务系统或人的判断，而是让人更专注于目标、边界和关键决策，让智能体承担适合自动执行的具体工作。只有真正进入业务过程，智能能力才可能从一次尝试变成持续创造价值的日常能力。

04 从真正走向智能原生，还要回答“如何长期运行”

把任务交给智能体，只是变化的起点。对于企业而言，更难的问题是：当任务数量增加、参与部门增多、系统权限各不相同时，智能能力如何持续可靠地发挥作用？

《报告》将企业智能原生转型放在六个相互关联的维度中考察：战略与文化、组织与治理、技术与平台、数据与知识、业务与应用、安全与可控。这意味着，单个智能应用的成功，不能自动等同于企业已经完成智能原生转型。

考察企业“智能原生”转型的六大维度

这六个维度并非要求企业一次性建设所有能力。《报告》在落地建议中，先把高价值场景识别放在起点，再讨论组织架构、技术与知识底座、数字员工和安全体系的推进。顺序背后有一个务实判断：先找到值得改变的工作，再为这项工作配置技术和管理能力，才能避免“工具很先进，业务却用不起来”。

从业务角度看，企业需要识别适合智能体参与的任务。规则清晰、重复频繁、结果便于核验的流程，更容易建立明确的验收标准；涉及重大决策、复杂责任或敏感信息的环节，则需要更严格的权限、审核与人工介入机制。

从技术角度看，还要处理好灵活性与确定性之间的关系。新任务可能需要智能体动态规划，成熟任务则应尽量减少不必要的重复试探；每一步的输入、输出与异常，也需要有办法被检查和追溯。

这也是为什么我们认为，企业走向AI Native不宜只计算“用了多少个智能体”，更应该关心一项具体工作是否真正改变：原本需要多少次人工切换？现在由谁组织步骤？哪些操作可自动执行？结果是否可核验？后续是否能够复用？

当这些问题逐步得到回答，智能原生才不再只是技术架构里的一个概念，而会具体体现在业务效率、协同方式和运行质量的变化中。

05 让智能成为业务真正用得上的能力

从“+AI”到 AI Native，企业要改变的不是对新技术的称呼，而是 AI 在业务中的角色。从辅助回答问题，到主动参与任务执行；从完成单次工作，到沉淀可复用的业务能力，智能原生的价值，正在这些具体的变化中逐步显现。

这也是九科信息坚持 AI Native 发展理念的出发点。 以 bit-Agent 企业级智能体平台为载体，九科信息持续探索智能体在真实业务中的应用，让 AI 不仅能够理解需求，更能参与执行、积累经验，逐步成为企业可持续使用的智能化能力。

真正的智能原生，不止于技术上的先进，更在于业务中的价值。 这条路仍在探索，而九科信息希望让每一步探索，都离企业的实际需求更近一步。