上万个智能体救不了一家工厂，凭什么他能？虎嗅网

过去五年，中国制造业企业正在经历一场昂贵的 AI 试错。

根据 IDC 2025 年中国工业企业调研，已经应用大模型及智能体的工业企业比例从 2024 年的 9.6% 飙升至 2025 年上半年的 47.5%。

不到十二个月，近半数规模以上制造企业宣称自己“上了智能体”。其中，在多个业务环节部署应用的企业从 1.7% 跃升至 35%。

不过，数据背后一个事实是：绝大多数智能体在上线三个月内沦为摆设。

一家营收超过千亿的制造企业，内部同时运行着上万个智能体，真正产生业务价值的只有5%。

“大家以为直接拿个大模型连上智能体就能操作了，”知微行易创始人谢少毅说，“没有这么简单。”

2020年，谢少毅带着一群在外企干了二三十年的老兵，决定自己开公司。

原因很简单：客户对智能化的需求巨大，但原来给他们提供服务的外资供应商，因为地缘政治的原因，正在撤退。

国内的接不上，国外的又不做了, 需求只能被压抑着。“其实这些外企在做中国的所有服务都是中国人，”谢少毅说，既然如此，不如自己来。

如今，这家成立第六年的工业AI企业，已经实现了2亿元的年收入，积累了30个500强客户，这样的收入规模，在这个领域极为少见。

当中国近半数制造企业已经“上了智能体”，但绝大部分收效甚微，为什么？

因为企业缺乏两样更基础的东西。第一叫做企业知识的建构和交付能力，也就是一套让AI读懂并直接执行的企业知识描述语言；另一个是跨系统的语义翻译能力。

前者，知微行易在大模型火之前就开始在做，他们用一套专用的知识建构语言，来沉淀业务规则。

这是一种能够被AI直接理解和执行的语言，哪怕是如今已有那么多工业AI的公司，采用这套知识建构语言的，如今也只有知微行易这一家。

原因很简单，老的工业软件公司有自己的语言惯性，你不能要求一个说中文的人突然用德语写文章。后者，他们做了一个企业的“本体”，将异构系统之间的语义对齐。这样一来，企业可以将自己的业务意图像搭积木一样插在知微行易的系统上，快速组装、快速上线。我们认为，知微行易的故事之所以值得讲，是因为其提出的问题，正是中国制造业未来十年能否从规模优势跨越到智能优势的关键，一个在中国制造业数字化转型耕耘几十年的老兵们，正在用实践，尝试给这个问题写下他们的答案。

一、不是中国版的Palantir

过去两年，中国涌现了上万家自称从事“工业 AI”的公司。

投资人给它们贴标签的方式一如既往：找一个美国样本，加上“中国版”三个字。

Palantir 是最受欢迎的对标对象，这也无可厚非。但是工业软件这门生意，过去几十年在欧美繁荣发展，却在中国反复被证伪。

当又一家公司跳出来说要做“工业 AI”时，投资人的第一反应是：这不就是换了个名字的 SaaS 吗？既然本土没有成功先例，那就更需要一个海外对标来证明故事能讲通。

但只要投资人愿意对标，就会有一帮人愿意为了拿钱去讲一个投资人喜欢听的故事。但根本不是同样的土壤，故事有了，根本无法落地。

谢少毅不想做这样的事。他不喜欢把自己比喻成中国版的 Palantir，知微行易，就是自己。

用平台替代“天才”

Palantir 是美国最神秘的数据公司之一，2003年由彼得·蒂尔创立，最初为 CIA 和 NSA 提供反恐情报分析，后来将同一套方法论移植到企业端——通过深度嵌入客户组织，构建数据本体和操作系统，让分散在不同系统中的信息变得可理解、可行动。

它的市值在2024年突破千亿美元，是全球资本市场对“AI+企业”叙事最慷慨的定价。中国投资人自然想复制这个故事。

在 SAP 的时候，谢少毅他们就对这家公司有所了解。Palantir最有价值的是，用二十年时间积累了五千名 FDE，全称是 Forward Deployed Engineer（前线部署工程师）。

这是 Palantir 独创的岗位名称，指的是被派驻到客户现场、既懂客户业务又能写代码还理解 AI 的跨域工程师。

谢少毅算过一笔账：

IBM 中国咨询部鼎盛时期有一万五千人，其中够格做半导体行业 FDE 的，大约十五个。“你得读制造工业工程，又懂 IT，还得跟着做三五个项目才能出师，”他说，“半导体厂一年就那几个新建的，三四十年能累积多少人？”

知微行易选择了一条与 Palantir 完全不同的路径。Palantir 靠二十年积累五千个跨域天才；知微行易的答案是：不要 FDE。

它在2021年做了一个关键决策——花最多的钱开发一个平台，让纯业务顾问就能开发企业级智能应用。不需要跨域人才，只需要懂业务的人带着工具进场。中国有二十万个 SAP 顾问，给他们提供这个平台，每个人都是 FDE。

“一个 FDE，他其实就是理解业务、懂 AI 技术、懂计算机写代码。”谢少毅说。那么如果涉及到AI和计算机技术的部分，可以让一套系统解决，业务员只需要解决业务的部分，是不是就可以不需要FDE，只需要业务员就可以了？

先造翻译器，再谈智能

全球商业技术洞察机构 Gartner® 设有“Intelligent Application”品类，在Gartner 2026年2月发布的研究“Innovation Insight: AI-Powered Intelligent Applications”中，知微行易是唯一入选的亚太区供应商。*

Gartner 在2023年底将 Intelligent Application 列为2024年十大战略技术趋势之一，并给出了明确定义：“智能应用通过学习适应能力，增强和自动化工作，能够自主响应人和机器。与通常采用确定性逻辑的传统应用不同，智能应用利用代理式人工智能能力以及其他先进的分析和人工智能技术，能够适应、学习并应用于新的或独特的情境。这使得工作在各种场景和用例中得以增强和自动化。”

Gartner 语境下的 Intelligent Application描述的是“下一代企业应用软件应该长什么样”：不再是功能菜单，而是能理解你、替你工作、自主协调的智能体集群。这意味着在国际分析师的坐标系里，这家公司做的事有清晰的定位。

问题在于，中国的产业话语体系还没有为这类公司准备好一个身位。客户问它跟用友有什么区别，投资人问它跟 SAP 有什么区别。谢少毅说，这些问题本身就是错的。

有人建议叫“中央 AI 操作系统”。谢少毅说不，这不是操作系统，更像是基础设施。

用知微行易的话语体系给“Intelligent Application”一个中国语境的定义是，是建立在企业本体之上、由多智能体协同驱动的企业级应用系统。它不是单个智能体，而是一组智能体的有机组合；它不是通用大模型的简单调用，而是大模型穿越企业私域知识后才能运作的产物。

我们如果进一步拆解知微行易的这套基础设施，包含两层关键，第一是一套能让AI 理解并执行的知识建构语言；第二是一套统一语义翻译层。

早在大模型之前，知微行易就设计了一套知识建构语言，无论是SAP还是Oracle，企业管理软件的本质，归根结底是各种业务规则的组合。这有点像有些人用中文写文章，有些用英文写文章。

知微行易选择的，是一套能够被AI理解和执行的语言，来表达企业管理环境下的知识。这套语言不仅能让AI更快理解，减少企业AI化要重建系统的成本和缩短时间，同时能够让AI直接执行，这一点十分关键。

另一件事，则是一种“翻译器”——USL（统一语义层）。没有一家企业的所有系统都是自己做的，做得越大，接的客户越多，就必然面对异构系统——用友、金蝶、SAP、Oracle，各家的数据格式和语义全不一样，要把不同系统的“方言”翻译成同一种语言，保证数据对齐的准确性。

这两者，构成了知微行易这套AI基础设施的根本。

二、给企业捏“本体”：词典、地图与操作手册

说清楚知微行易不是 Palantir 之后，还需要回答另一个更常见的质疑：

这跟上一波工业 SaaS 有什么区别？知微行易的这套基础设施，以及企业的“世界模型”究竟如何运转？

不是SaaS，是理解力

过去十年，中国企业在数字化转型上的投入堪称天量。

IDC 数据显示，2023年中国数字化转型支出已超过两万亿元人民币，预计2028年将突破七千三百亿美元。

但钱花出去了，效果却令人沮丧，麦肯锡的数据是，工业数字化转型成功率仅7%，IDC 的数据是67%的项目未达预期，埃森哲更残酷：仅2%的中国企业实现了真正意义上的深度转型。

中国 SaaS 行业99%的公司处于亏损状态，投资人确实有理由怀疑：智能化会不会只是换了个名字的 SaaS？

区别是根本性的。

SaaS 卖的是功能，一个模块解决一个问题，CRM 管客户、WMS 管仓库、MES 管产线，各管各的。企业买了十几套系统，每套都在自己的围墙里运转，数据不通、语义不通、流程不通，形成一个个数据孤岛。

但知微行易卖的不是功能，而是理解力。它让所有系统对 AI 变得可理解、可操作，同时，可执行。

从功能菜单到Agent集群

知微行易为企业构建的AI基础设施，分三层。

用谢少毅的话说，像是给 AI 配备一本词典、一张地图和一份操作手册——词典让它听懂公司内部的语言，地图让它看清业务对象之间的关系，操作手册让它知道什么能做、什么不能做。缺任何一层，智能体都只是一个昂贵的摆设。

第一层是通用语义层，就是我们在上一章节所说的“翻译器”：让所有系统“说同一种语言”。任何一家大型制造企业内部都有十几套系统并行运转，知微行易预置了主流管理软件的标准 API 元数据，包括 Salesforce、SAP、ServiceNow 等，用 AI 自动读取 Schema、识别表结构、字段和关联关系，跨越命名差异映射各系统间的共享实体。

目前已完成十几万个接口，Palantir 用手工方式积累五年的量，知微行易用半年做完。这不是因为知微行易的工程师更勤奋，而是因为它用 AI 加人的混合模式批量生成接口和语义标签，这在五年前根本不可能。第二层是企业世界模型，一张“企业地图”。工艺与产品的关系、产品与设备的关系、设备与产线的关系。在这张画布上，客户通过订单关联产品，产品通过 BOM 关联产线，产线通过时序数据关联 OT 设备。

它还包括企业专有术语的精确定义，举个例子，不同体量企业对盈亏平衡的评判标准差异巨大：年营收百万的企业差一元即未达平衡，百亿营收企业上下一个亿都可能仅属正常核算浮动。这些东西原来都在老师傅的脑子里，从未被系统化地表达过。