2026年，数智化会遇到什么？

新年伊始，总要有些“仪式感”，不然怎么对得起“高大上”的“方法论玩家”呢？何况六十年一轮的“赤马红羊”的开始，听着就有风风火火、刚猛炸裂之感，火旺生明，厚积薄发，吉祥顺遂，号称变革与机遇并存（来自“豆包”的解释）。所以，2026年第一个遇着的是什么，当然是融合了古老文化的、来自数智时代的“玄学”祝福！

2025年是AI的普及之年，从高端殿堂飞入寻常人家，从不知所云到样样精通，从简单查询到被封杀的“入口”（好像也是“豆包”），让没直接接触过AI的人一下子少了一大片，场景也就自然而言地增加了、丰富了。场景和思维的碰撞是相互的、迭代的，是开始了就不容易再停下来的，制约的只有资源、成本、能力。

2026年，数智化会遇到什么？爆炸、内化、创新、资源、成本、能力，变革与机遇并存。

一、爆炸

2025年的AI爆炸还远远没炸完，当然，以经济学家的视角，五个人可以有六个观点，所以，这个爆炸是怎么个“炸”法，还是众说纷纭，比如，AI作为泡沫“炸”，那“炸”的就是数以万亿计的真金白银，不过我是个技术乐观派，我更愿意看到新技术的成功而不是失败，毕竟失败就是啥都得不到，没啥意思，况且，历史的车轮滚滚向前，被甩下“痛苦”也许更大于追泡沫的“痛苦”。

我更愿意看到的还是技术大爆炸，而且从2025年的态势看，这还“炸”的挺持续的，尤其是我作为一个自然语言编程工具的深度用户，能够很直接地感受到基础模型、编程工具几乎每个月有很不错的进步，也完全没有停下来的意思，当然，我不是个AI方面的行家，不知道模型的极限到底在哪里，我也不太能够判断铺天盖地的宣传中谈到的各种极限，作为使用者，我从一上手开始，就觉得当下最重要的“极限”是注意力问题，也就是“记忆问题”，但这个问题正在得到越来越好的解决。

人的记忆特点是不准确但是连贯，AI的特点是可以准确但很难连贯，现在的处理路子是在越来越像人，这就挺好的，短中长期记忆处理方式结合，引入压缩和遗忘，在逐渐解决或者让这个问题不至于再成为极大的“困扰”，也无需再去切换新对话。能很好地解决记忆问题，目前的AI就已经很好了，尤其是作为一个协作者。

AGI一直在路上，最近大佬也说可能已经“渡过”了这个阶段，什么时候渡的“劫”不知道，不过以我这个外行的视角来看，记忆关过了其实就跟AGI没啥区别了，毕竟目前的“顶流”模型们，预训练的能力都已经全面的、强的不行，就差个能像人一样的“连贯性”，这是“脚手架”可以解决的问题，编程工具们就是这个样子。

所谓的AGI可以只是个通用的“脑”，按照行业搭配“脚手架”，这就跟人一样，人本身就是通用的，只是不同专业训练造就的不同工作模式、思考方式而已。工作模式完全是“脚手架”可以充分支持的，至于在垂直领域的模型，就类似造就思考方式的“后天调整”或者“后加思维模式”，本体论就类似兼具“脚手架”和“后加思维模式”特点的应用框架。

新的模型还在路上，无论是资本叙事还是经济增长的需要，都不打算让它真停下来，而且，一旦上升到国家竞争级别，更是停不下来的。另外，有趣的传闻是实验室里的模型跟用到的还是有很大区别，颇有实验室中“怪物”已诞生的意思，还有说目前在用的模型也出现了未经编程而“涌现”的能力，挺好玩的故事。

2026年，AI的惊喜还会不断，而这其中我最希望遇到的还是记忆问题的解决，我感觉这个在今年确实会有更大的进步，从而使当前的AI就足以胜任更多、更长的工作，能确定的是，我们大概率今年就会遇到数量多到“吓人”的可持续、可专注工作的AI或者Agent，这可能比模型本身的“爆炸”更加“炸裂”，因为这才是AI改变人类工作模式的方式，这个“炸裂”会越来越多的改变大家习以为常的、天不变道亦不变的工作流程，这些事情其实不需要更强的基础模型也已经能做到了。

二、内化

延续“爆炸”下来的就是内化，刚刚谈到的工作流程的变化，其本质就是企业内化AI的过程。

AI就根本上来说仍是“软件”，不同的是，看起来更像人，无论是靠谱的地方还是不靠谱的地方都跟他的造物主没啥两样，笑话AI的，应该可以粗略地说是对人的了解还少了些，看看几千年的文明史，人类撒过的谎、有过的幻觉不是比AI“猛”多了。

AI完全可以被当“人”看，这也是目前使用AI方面的“准共识”，他不但是一个系统，他可以站立在现有系统之外，像是人、系统之外的“第三方”一样，与人一起去构建、使用、管理系统，所以也有人想要把AI作为一个角色画在业务流程图里，虽然我在前边的公众号文章中说过这样做的意义不大，因为，无论有多么像人，他都没法去背负人类的“锅”，他可以承载人类的希望，但却永远没法为这个希望负责，当然，我们都应该希望他永远无法负责，否则，那个“负责”的方式之一我们可能已经在“黑客帝国”中领教了一下。

AI不能负责，但是还需要像“人”一样被看待，这就是企业内化AI时会遇到的挑战，你要信任他，不然，企业的流程不会因此而改变，效率的提升也仅限于数据分析、遗留系统的有限增强；但要为他在不同的场景中找好“监护人”，来承担最终职责，否则，AI的应用就找不到真正的推动力，会如同“玩具”似的在“猎奇”的气氛中起起落落。

如果AI做到了上一节中说到的可持续、可专注的工作模式和能力，企业的流程，或者说规模大一些的企业的流程，也许就该“调”过来了，不是自下而上的工作流程（流程图中很常见，一个岗位干活，一堆岗位审核），而是开始逐渐自上而下地工作，也就是说，作为“第三方”的AI对业务事件进行了持续、高质量的分析和判断后，从一个事件的最高权力节点开始向下推动工作流程。

AI可以解决的是“管理半径”问题，让一个有权行为人可以及时对更多的事件进行直接的决策，从而进行处理层面的向下分配，让一个业务事件在他该被决策的层面直接完成决策，从而大幅度减少来回的交互，来全面提升工作效率。一个企业中，往往效率被消磨在无尽的沟通里，而不是在处理问题的“第一反应”中，无尽的流转造成了时间的耗费，而流转的核心原因就是信息不对称、责任泛化，流转的越多，反而矛盾越多，决策难度越大。

如果希望AI的内化取得成效，首先就是信任AI消除信息不对称的能力，再就是处理组织上的责任泛化问题，处理责任泛化问题的核心思路大概也就两条，一是责任的参数化配置、自动化履行，类似于财务、采购、合规、审计类工作，这是责任的清晰化、规则化；二是责任的节点集中，比如销售、生产类工作，这是责任的“路径压缩”，这两者是效率能够提升的根本，二者合起来其实还是大家熟悉的“效率为先的有监督的权力”。毕竟，我们必须意识到，AI自己就是“一岗多权”，或者简称为“集权”，上述问题也许是破解组织适配AI这个难题的关键。这一点很难，因为这跟管理要直面的“人性”问题是差不多的，只是AI的应用需要又把这个问题影射出来了。

AI内化的核心是赋能个体，我七年前在《银行数字化转型》一书中介绍数字化大方向时，认为只有两个当方向是技术史中最明显的方向，一是技术帮助人类持续打破空间对人类活动的限制，二是技术在帮助个体的能力持续获得增强，能力越大、责任越大，这两者是要匹配的，所以，AI的内化也需要支持个体能力被放大后的结果，这种能力远不只是做个表更快了、写个文章更快了，这些与决策几乎无关。

AI对企业而言，增强决策能力的价值要远大于增强操作，而决策的含义也不只是老板拍拍桌子，决策的本质是一个人能承担多大的责任，AI是不是可以让企业中的个体能够承担更大的责任了，不仅仅是承担更大的工作量。当然，这也意味着确实可以用更少的人做更多的事，摩根大通好像是这么看的。虽然大家并不愿意这么直接地谈这个问题，比较积极的解释是，企业可以用更多的人服务远多于之前人员配比的客户了，从而使单位成本更低，高盛就是这么看的。

内化的另一项就是减少无意义的工作，这一点是管理优化中一直都有的事项，多用用“五步法”，比如思考下为什么需要这么多的报表、报告、总结、回顾之类的事情，它们解决的还是信息不对称问题，做了那么多数智化，为什么还在不断增加这些，到底有什么东西是数字化中没覆盖的，导致必须要这些东西。AI刚能写周报时，有个有趣的段子，周报都交给AI写了，管理者就觉得这不是“手搓”的报告就不值得看，就信息含量来讲，这没什么区别，如果不是“手搓”的就不值得看，那“手搓”的到底值得看地方是什么呢？

三、创新

内化之后还有更大的诉求，就是创新，我在写“数智企业321”管理法（这方面有公众号文章，也收录在《架构未来》一书中了）时，觉得一个企业的经营必然有两个基本方向要持续追求，对内的管理效率和对外的创新速度，前者的提升一方面是合理控制经营成本，一方面则是让人有更多时间从事各个层面的创新工作。

AI在支持创新方面的能力是有目共睹的，尽管存在“幻觉”问题，但也确实可以帮助找到更好的“点子”，只不过，这方面如果用的是模型出厂自带的能力可能会有些不尽人意，对业务的创新、对问题的解答都需要冠以一定的语境，也就是分析的确是面向本企业、本行业、本生态的，不能是写文章式的泛化回答，这一点是原厂模型不太容易做到的，必须有一定的“脚手架”、“后天调整”、“后加思维模式”来进行增强，比如本体论这类玩意。

我去年看过一个很好的基于大模型自研的前端智能开发工具，根据自然语言进行界面的生成和调整，与宣传中的直接写网页不同，这是在企业内部，面向内部的界面开发规范去写代码，而这时需要大模型充分了解的是“语义”，要知道业务人员要的是什么，要知道开发规约是什么，才能准确生成页面。这个例子其实是现在AI应用中普遍会遇到的一件事，让AI成为你企业的员工来回答你的问题，给你要的东西，这个与前边的组织内化不同，是以“语义”同化、“思考”同化、“知识”同化、“规则”同化等为基础的，使AI可以在企业的环境中支持员工做更接“地气”的创新。

这方面做的最火的还是Palantir的本体论，虽然技术上通常不会只有唯一解，但目前确实它做的比较好。总体来讲，当企业面向的是本地业务系统的数据“捞针”时，是要有一套引导AI思考的语义和让AI能够准确从本地系统获取信息的基础设施；如果面向的不是本地业务系统，那基础设施也许会有不同，或者将外部数据源视为本地系统之一，采取特殊的数据连接器，从而逻辑上共用基础设置。但说到底，感知、推理、执行，这几个基本层面的功能可能都需要有，才能支持这样一套逻辑运转起来。

所以，至少2026年，创新方面我们会遇到的问题可能还是AI对本地语境的理解，我们让AI上岗了，但是工作环境、桌椅板凳、工装饭卡配的还是不齐，导致他工作起来有点心不在焉。目前看，我们需要的是一个语义层的有效构建和管理，本体论是不是唯一解也许可以看企业面临的复杂性、对目标的追求来定，但是语义层可能确实是需要的，这也是我觉得企业级语义管理是今后企业架构的重点工作的原因，作为“统一语言”的建设者，企业架构关注的本来就不只是“语法统一性”，而是“语义一致性”、“语义可理解性”、“语义真实性”，模型应当是“真语者、实语者、如语者、不诳语者、不异语者。”（“豆包”不错，不用翻经文了）

四、资源与成本

难兄难弟，考虑到资源几乎必谈成本。

多智能体应用似乎是个大趋势，但这个大趋势必然会带来资源的消耗，智能体越多、调用AI越频繁，资源消耗也会越大，延时会增加，成本也会增加，资源和成本还是应用发展的制约因素之一。毕竟，AI也是个电子产品，用新不用旧，据说国外的企业不少从本地自建开始，又转向到云服务了，这里边企业通常顾虑多的是数据安全、数据合规问题。

这个问题在2026年未必会有多大改善，如果AI有用，那么资源和成本问题就是无法回避的，本地部署的方式也没有看到明显的可降低消耗的趋势，虽然大家都认为发展会带来资源消耗的下降，但AI还在持续的上升期，降本通常与降智会划等号。至于公有云上的，倒是有这方面的持续进步，但仍然消耗量不小，据说我也耗费了1.8亿token，听着就挺唬人的。

但是相对而言，成本并非是第一位的，毕竟投入产出是综合考虑的，2025年的问题估计还是产出的不明显，而2026年，在前边分析的几个因素的作用下，有可能会有一定甚至较大的改善。企业的经营压力确实在变大，确实需要有更好的工作模式，很多企业也确实到了必须精打细算的地步，但是这个账还是要算得清楚，要能够兼顾“未来”去省钱，而不是省的看不见“未来”了。

有时候我也想，一些比较矛盾的观念总是在搅乱人的思维，比如，大家都愿意谈“接地气”、“活下去”，但是只顾着“接地气”、“活下去”是不是别的机会估计也就看不到了，大凡“接地气”好的企业，我看到的其实也是“战略”管得好的（无论管的方式是什么），“活得长”的一般也是“战略视野”非常好的（能看到活下去的方向），否则，成天忙着“接地气”、“活下去”，可能是最后一个知道地上已经“没气”可接、“活不下”去的。

别只顾着“接地气”，毕竟很多人还是把这次AI的变化当“变革”看的，如果AI的基础能力持续增强、记忆力问题妥善解决、语义配套能力增强，那么，推动个人创新能力、业务创新能力提升就是可行的，资源和成本就是可控或者可承受的，当然，最后如果能够推动企业组织模式适配，付出就会有巨大回报，那时将真正打造一个具有对其他类型企业构成“新物种”式“降维”力量的“新质企业”。

这些东西看起来又不“接地气”了，但是，细想想，上面的东西目前除了组织模式适配略远一些外，都不是扑风捉影，而其他方面做到了，组织适配就是自然趋势而已。

五、能力

最后一个问题虽然有些客观因素会影响到每一个人的提升，但是以现在的模型可获得性来讲，不提升的主观因素还是会大于客观因素，比如，企业中的IT群体本来应该是拥抱AI最积极的群体，但是事实上并非如此，我前年开始就一直讲，这波AI我之所以特别看重，就是因为真能够带来数智化的底层革新，因为他真能改变软件工程了，能改变我们自己就能改变所有企业的数智化进程，以前的AI多少有些“忽悠”，因为他连自己所在的行业——IT行业都改变不了，怎么谈改变别人，但这次，刀刃向内了，真的能改变自己了，这就是能耐！

所以，能力这东西没有谁比谁差的，AI也带来了知识平权、经验平权，让学习、改变更简单了，那不就只剩下意愿了。我去年年初写的那个AI生产力评估公式我觉得还是挺好的，依然成立，说到底，还是，“境随心转，相由心生”，“心”的改变才能转变一切。

那么，2026年，我们遇到的更多是愿意改变还是不愿意改变呢？AI还是会继续往前走。