龙翠耘：企业AI转型的进阶之路——从AI+工具到Agent原生组织

在健康食品领域，数字化改革已经进入关键阶段。如何突破单点AI应用的局限，实现向整体智能化的升级，构建以智能体为核心的业务原生组织，通过人工智能解决运营难题、寻找新的增长点，成为当前企业转型的核心挑战。

2026年3月27日，在运营深度精选、零一数科联合主办，见实、AI产业创新基地、TechBridge等机构协办的「AIx增长·第七届微信生态运营增长峰会」上，汤臣倍健子公司董事长兼AI负责人龙翠耘带来了《从＋AI到AI＋：构建以Agent为中心的业务原生企业》主题演讲，分享了企业在人工智能落地过程中的实践经验、遇到的挫折与深度思考，为行业AI转型提供了可供参考的方向。

以下是龙翠耘演讲内容的完整记录（经过适当整理）。

一提到 人工智能，很多人都有相似困惑：技术更新迭代迅速，大模型和新工具不断涌现，似乎永远学不完、跟不上。但我认为，无论是个人还是企业管理者，不需要成为技术专家，但必须亲自使用、亲身体验人工智能，了解它的能力范围与局限，这样才能在业务需求出现时做出正确判断，避免盲目采购系统、盲目开发功能。今天的分享，源自汤臣倍健真实经历过的教训、走过的弯路，希望能给大家一些启发。

本次分享主要围绕几个方面：一是 人工智能时代必须完成的思维模式转变；二是企业数字基础架构如何彻底重建；三是人工智能落地中的组织演变；四是实际应用场景与避坑经验。希望能为行业同仁提供参考。

今天分享的核心观点是：在企业 人工智能体系搭建过程中，绝不能走一步看一步，必须以智能体锚定业务原生，以未来智能体数字员工为核心，重构企业整体架构。Claude Code 及小龙虾的出现，给我们带来了极大的思维冲击。过去的人工智能落地，更多停留在 "工具 + 人工智能" 的浅层层面；而这项新技术带来的绝非简单的产品迭代，而是物种级的进化，我们必须以进化的视角，重新审视企业的人工智能落地路径。

基于实践，我们总结出四个核心体会：

一是通用人工智能AGI离我们越来越近，达到了前所未有的近距离；

二是当前的智能体已具备完整技能，能够独立承担一个岗位的全部工作，而过去的智能体仅能辅助一个岗位中的部分单点工作，无法承担整个岗位的职责。之前我们计划年底通过MCP技术将单点智能体串连起来完成完整岗位工作的技术，现在小龙虾已提前可以实现；

三是新技术彻底颠覆了传统业务体系的搭建逻辑，以往搭建业务体系时，需人工拆解工作流、制定标准流程、管控整个工作流程，耗时耗力，而现在无需管理执行过程，只需明确目标，人工智能便可自主分解任务、执行落实，并反馈最终结果，这一逻辑值得我们深度思考；

四是落地人工智能时，不能再像过去那样将其视为普通工具，很多事物该推倒重来就推倒重来，不应将过往的积累变为自身包袱，因此，无论是业务系统还是组织架构，都必须进行彻底重构。

汤臣倍健去年开展人工智能相关工作时，同样是将其作为工具，在原有系统中+人工智能，本质上属于修修补补。但面向未来，需要反思人工智能落地的整体机制。

不妨设想，若今天重新成立一家公司，其形态绝不会像现在这样，充斥着大量图表与工作流，而必然是以智能体为核心。基于这一判断，我们需明确当前应推进的工作。

人工智能 落地的核心是数据，没有高质量的数字底座，就会出现 "垃圾进、垃圾出" 的问题，所有场景都将失去价值。汤臣倍健的业务系统已搭建十余年，IT 团队长期过度响应业务需求，导致系统繁杂；原有数据中台采用小众开发语言，虽沉淀十余年数据，但各业务系统相互独立，形成数据孤岛，数据无法流动，不仅不是资产，反而成为企业负债。经过慎重考量，我们决定对数字底座彻底推倒重来。

基于此，汤臣倍健对数字底座进行了彻底重构，核心举措有4点：

替换ERP为SAP，通过MDG规范化主数据标准，解决以往数据定义不统一、指标混乱的问题；

构建湖仓一体的数据中台，统一数据存储，实现数据汇聚与高效调用，为智能体提供高质量数据支撑；

统一各业务系统API接口，打通数据壁垒，确保数据实时流动，让人工智能能够快速获取、分析数据；

整合本地与云存储，兼顾数据安全与弹性扩展，构建稳定、高效的混合云架构。

这一重构过程，本质上是搭建一个"人工智能+数据"的生态体系。可以看到，以往我们的所有工作都围绕业务系统展开，而重构后，原有业务系统下沉为最底层的数据源，数据流入数据中台后，完成数据化与结构化处理，形成人工智能可识别的内容，所有环节均围绕智能体服务展开，为未来智能体直接调用数据奠定基础。

这一过程中出现了一个有趣的逆转：过去，IT人员始终围绕业务部门了解需求、开展开发工作，一套系统的开发周期往往需要半年至一年。但当前技术已发生翻天覆地的变化，未来的工作逻辑将彻底改变：业务部门可通过自然语言表达自身业务需求，通过智能体调用各类底层数据、叠加各类技能模块，即可获得反馈结果，并在此基础上持续迭代优化。

汤臣倍健内部也面临着业务部门需求繁多的问题，但我们已明确规定，数据中台将是我们最后一套传统业务系统，后续所有业务部门的需求，均通过低代码或智能体的方式解决。因为每新增一套系统，都会导致数据孤立，无法实现数据流动，而只有通过低代码或智能体的方式，才能保障数据流动与数据质量，形成高质量的数据资产。

讲完数字底座，我们需明确一个核心认知：人工智能如同性能强劲的汽车，而我们前文提到的数字底座，就是支撑汽车行驶的道路与基础设施。若仅在修修补补的公路上行驶，无法充分发挥汽车的性能，因此，我们对数字底座推倒重来，相当于修建了一条高速公路，这是我们对人工智能与数字底座关系的理解。

从组织层面来看，2025年我们率先落地了二三十个业务场景，以场景为出发点，采用IT技术人员与业务部门人员组成项目小组的模式，按月开展复盘工作。部分场景确实能够落地，但这种模式的效率偏低。到了今年，我们专门成立人工智能研究院，聚焦行业内具有高价值的深度业务场景，将项目复盘改为周复盘机制，要求每个场景每周都能实现重大突破。我们去年开展的很多概念验证项目，本质上都是“自嗨”，看似实现了流程跑通，但实际落地时存在大量漏洞。

我们内部IT技术团队的角色也需发生重大转变：以往的产品经理、技术人员，需转型为人工智能落地架构师与应用工程师。上一轮智能体发展阶段，技术人员具备一定优势，他们既了解部分业务，又掌握专业技术，能够结合业务部门的需求沉淀知识，且动手能力强于业务人员。但随着新一轮技术迭代，我们发现，对业务有深度理解的人员将更具优势，他们能够将业务知识沉淀为技能模块，自主实现落地，未来并非只有技术人员才能搭建数字员工。

而我们在人工智能落地过程中的场景，通常分为通用场景与垂直场景两类。通用场景适用于各行各业，主要包括电商运营相关内容、用户反馈分析、数据分析及各类洞察类工作。这类场景我们主要采用市场上成熟的工具，例如飞书，其用户接受度较高。我们原有OA系统已对接钉钉，未单独上线飞书系统，因此，为落地电商业务场景，我们叠加使用了飞书多维表工具。

在此，我想分享一点经验：飞书拥有成熟的"效率先锋"机制，通过与企业共创，以比赛的形式实现"以赛代练、以赛选人"，我们认为这一模式非常好，已开展多轮相关活动。在这一过程中，我们发掘了众多懂业务、有创新思维、动手能力强的人才，这些人才将为我们后续拓展人工智能场景提供支撑，提前完成人才储备。

我们有两个垂直场景采用了本地化部署、自主开发的模式：

一是研发场景，以往我们这类目产品的研发周期较长，当前我们借助成分库、历史数据库（该知识库内容丰富，涵盖几十个品类场景），通过人工智能自动生成产品配方，不仅提升了研发效率，还大幅增加了产品创新的可能性；

二是人工智能营养师场景，该场景已正式上线，它并非简单的客服工具，而是能够基于用户个性化数据，生成专属的运动、饮食、营养方案，持续跟进用户状态，帮助用户建立健康管理意识，并开展全流程健康干预。

接下来分享汤臣倍健在 人工智能 落地过程中真实踩过的坑，这些教训比成功经验更具参考价值。我们曾规划过众多落地场景，其中智能问数与合同审核两个场景，看似简单，具备数据基础，理论上能够顺利落地，但实际推进过程中，虽然能够实现流程跑通，输出结果的质量却始终达不到业务要求。

核心原因在于，当前大模型能力尚未成熟，语义理解能力不足，且我们的系统繁多、指标体系不完善，例如询问"销售收入"时，人工智能无法明确区分是含税还是不含税收入。

我们在这两个场景上投入了大量精力开展概念验证测试，最终决定及时暂停。目前相关技术已能够完全解决此类问题，我们将通过智能体搭建完善的指标体系。此前IT部门提出新增一套指标系统的方案，我们明确予以否决，坚决不新增任何系统，选择暂时搁置，等待技术成熟后再推进。

因此也给所有从业者一个建议：在 人工智能 落地过程中，若遇到技术尚未成熟的场景，无需焦虑，可暂时搁置，待技术完善后，问题自然能够迎刃而解。

合同审核场景的情况类似，我们内部合同数量众多，部分标准合同已实现人工智能落地，但对于几十页的非标长文本合同，受当前模型能力限制，无法实现高质量审核。这两个场景的容错率极低，因此，我们不盲目投入资源，计划在模型成熟后，再评估启动相关工作，这是我们总结的重要教训。

值得注意的是，人工智能落地需避免"技术先行、业务脱节"的误区。汤臣倍健曾在智能问数、合同审核等场景中踩过坑，核心原因就是未结合业务实际判断技术成熟度，导致场景落地流于形式。

正确的做法是：结合业务优先级，匹配技术成熟度，分阶段推进，不盲目追求"全面落地"，确保每一项人工智能应用都能真正创造价值。

汤臣倍健对未来企业的形态进行了深入的系统性反思：未来企业必然是"少数人类精英+大量数字员工"的组织结构。未来企业中仅10%-20%的精英员工，负责指挥、设计、创新与决策工作；80%-90%的数字员工，将24小时开展执行、数据处理等重复性工作，且能够自主学习、持续迭代。这一比例看似极端，但却是未来企业的必然形态。

未来企业将形成清晰的三层架构：

最顶层为人类精英层：由人类主导，负责制定战略目标、做出核心决策；

中间层为业务执行集群：以 智能体 为主导，将替代大量传统中层岗位。因此，现有中层人员必须转型为智能体编排师，否则将被时代淘汰；

最底层为平台型智能体与数智底座：负责数据安全、数据清洗等基础工作，保障数据质量，并建立统一机制管理各类数智智能体。

从当前企业形态过渡到以智能体为核心的原生企业，并非一蹴而就，需分阶段推进：

第一阶段，提前控编。我们从两年前开始有意识地控制人员编制，非新增业务原则上不新增编制，部分业务板块实行"只出不进"，结合行业趋势，提前做好人员编制的严格规划，避免后续裁员；

第二阶段，将 Token 视为核心生产力。我们目前正处于第一阶段与第二阶段的过渡时期，近期计划大幅提高Token预算，我们认为Token是一种生产力，将其纳入试错类人力成本，由人力资源部统一规划，甚至考虑将Token预算分配至每位员工；

第三阶段，部署 Open Claw 数字员工体系。实现云端与本地混合部署的Open Claw数字员工体系，目前我们正处于摸索阶段。Open Claw推出初期，其安全性引发广泛担忧，目前各大厂商已解决相关顾虑，为我们的部署工作提供了支撑。

在过渡过程中，我们需避免三个错误：一是仍将人工智能视为普通工具，实际上人工智能是数字员工，初期如同"小白"，需要进行系统培训；二是保留过多中间层级，这类层级会成为人工智能落地的阻力；三是采用裁员方式推进转型，这种方式不可取。

未来企业的智能体终局，正如我们前文所讲：数据如同企业的血液，各类智能体如同企业的肌肉，而企业战略则是由负责人确定的灵魂。

用三句话总结我们的核心认知：

一是认知必须重新迭代，人工智能落地需以推倒重建的思维推进；

二是人工智能落地不是把蜡烛烧得更亮，而是直接点亮电灯——蜡烛再亮终究是蜡烛，人工智能落地需要全新的范式与介质；

三是人工智能落地不是把旧的事情做得更好，而是用全新的逻辑与思维，做全新的事。

我们坚信，人工智能落地没有捷径，只要认知与方向正确，剩下的就交给时间。