模型不是企业的护城河，那什么才是？

背景

在过去两年，企业采用 AI 的路径高度相似：给员工开通大模型账号、上线 Copilot、接入知识库、做几个 Agent 试点，再到部署 OpenClaw 类产品让 AI 从“会说”变成“会干”。然而，演示效果惊艳的同时，企业领导者普遍感到困惑：模型每个月都在变强，但企业自身并没有跟着变强。员工写得更快、会议纪要更容易生成、PPT 和方案产出更快，但这些使用痕迹有没有沉淀为企业能力？专家经验有没有变成组织资产？如果底层模型换掉，企业积累的判断还在不在？这些问题揭示出 AI 竞争正从模型能力之争、Agent 应用之争，转向更关键的阶段：谁能把 AI 变成企业自己的智能引擎。

早在通用大模型热潮最汹涌时，衔远科技创始人周伯文教授就提出了逆势判断：AI 发展的正确路径是在充分泛化的基础上，具备对任何领域深度专业化的能力。泛化基础上的深度专业化，才是企业竞争力的本质来源。微软 CEO 纳德拉随后从另一个角度印证了这一方向，提出了 Human Capital（人力资本）与 Token Capital（词元资本）两个概念，指出企业通过 AI 系统沉淀的可复用智能能力是新的资本形态。但纳德拉没有回答的问题是：如果企业的专业判断、专家经验在使用通用模型的过程中被持续吸入模型底座，Token Capital 究竟在自己手里还是模型厂商手里？周伯文的回答是明确的：专业化能力必须留在企业自己的平台和 know-how 里。

正是在这一背景下，衔远科技大观研究院团队发布了 EnterpriseClawBench 论文，并登上 Hugging Face Daily Papers 日榜第二名。该评测从真实企业工作会话中构建 Agent 评测任务，旨在建立一套行业标准，让企业能够私有化评估 AI 是否真正在自己业务中创造价值。

核心内容

EnterpriseClawBench 不是用传统问答题测试模型，也不是让模型在标准化题库里刷分，而是从真实企业工作会话中构建 Agent 评测任务。团队从 2026 年 3 月到 5 月的内部 Agent 使用记录中，经过过滤、分类、评分标准生成等自动化处理，最终构建出 852 个可复现任务，并人工审计出 120 个 Lite 任务子集。这些任务覆盖产品、研发、HR、行政、销售、市场、财务、运营、管理等真实岗位，任务形态完全来源于日常工作：上传会议录音和项目群进展让 Agent 写日报、上传 Excel 校准收入成本毛利、上传 PDF 和模板生成案例展示、要求生成 HTML 页面或 PPT 或代码等。

与传统问答 benchmark 不同，EnterpriseClawBench 考察的是 Agent 能否在企业工作空间里读取异构文件、恢复上下文、调用工具、生成可用交付物，并在成本、耗时、格式、视觉质量和证据准确性上都过关。其构造方式做了几层关键设计：来自真实工作会话而非人工想象；同时评估文本和视觉交付物；采用硬规则和语义评分相结合的方式（文件类型、数量、是否为空、能否打开为硬规则，准确性、相关性、深度、实用性、表达质量为语义评分）；把成本和耗时纳入报告；由于源数据包含企业内部内容，不释放数据本身，而是开放构造与评测协议。

论文还揭示了三个反直觉结论。第一，真实企业任务远未被 Agent 解决。在人工审计的 120 个 Lite 任务上，最强组合 Codex / GPT-5.5 的得分也只有 0.663，说明真实企业任务比公开 benchmark 难得多。第二，Harness（Agent 框架）和模型一样重要。同一个 Claude 模型在不同 Agent 框架下表现差异很大，有的组合能保持 0.62-0.64，有的却掉到 0.458。工具调用、权限控制、运行环境等都会影响最终交付。第三，Skill 注入（从同类任务中蒸馏技能并注入 Agent）可以提升表现，但效果高度依赖“谁来生成 Skill”和“哪个 Agent 来消费 Skill”，有些 Skill 反而造成负迁移，因此进化必须被评测约束。

衔远科技 Frontis 正在做的衔远大观 Frontis Horizon 被定义为“自主进化的企业级智能资产引擎平台”。其架构分为三层：第一层是 ME（人的组织代理），它不是聊天机器人，而是在企业语境中代表人持续推进工作的受治理代理，核心能力已产品化为 Leadeep AI 领衔者——面向职场人的 AI 录音与洞察产品。第二层是 WE（企业的硅基组织），由多个角色化专家 Agent 组成协同网络，例如在世界 500 强大宗商品贸易企业的大豆采购场景中，由多个专家 Agent 协同完成采购交易，将行业研究周期从天缩短到小时。第三层是 MA（组织级学习与控制系统），记录行动、评估结果、追踪证据、分析偏差、沉淀经验、更新规则，使组织在每一次执行中变得更聪明，实现从双环学习走向三环学习。

关键要点

• 模型不是护城河：通用模型所有人都可以购买，真正的护城河是私有化评估 + 可持续进化能力。
• EnterpriseClawBench 的独特性：基于真实企业工作会话构建评测任务，而非标准化题库；同时评估文本与视觉交付物；采用硬规则+语义评分；开放构造与评测协议，企业可构建私有评测集。
• 三个反直觉结论：
  • 最强模型在真实企业任务上得分仅 0.663，任务复杂度远超公开 benchmark。
  • 同一个模型在不同 Agent 框架下表现差异巨大（最高 0.64 vs 最低 0.458），Harness 与模型同等重要。
  • Skill 注入可能带来正迁移或负迁移，进化必须被评测约束，不能放任沉淀。
• 企业需要私有化评估：外部 benchmark 只能测试通用能力，private eval 才能判断 AI 是否在自身业务中创造价值。纳德拉提出的“控制权测试”即：如果换掉底层模型，企业积累的专家经验还在不在？
• 衔远大观的三层架构：
  • ME（人组织代理）：代表个人推进工作的受治理代理，产品化为 Leadeep AI 领衔者。
  • WE（硅基组织）：多角色专家 Agent 协同网络，如大豆采购场景中的专家团。
  • MA（学习与控制系统）：组织级闭环，记录、评估、沉淀、进化，实现从记录企业到进化企业。
• AI 原生系统的本质：从 System of Record（记录系统）走向 System of Learning（学习系统），AI 不再是只记录和展示，而是理解目标、调用工具、推进任务、接收评价并持续学习。

意义与影响

EnterpriseClawBench 的发布标志着 AI 评测从通用 benchmark 向企业真实场景评测的重要转折。它揭示了当前 Agent 在真实企业任务中的巨大差距，迫使行业重新审视“模型能力=企业能力”的错觉。企业如果仅仅依赖外部模型与框架，将面临 Token Capital 流失的风险——专家经验和业务判断被吸入模型底座，而企业自身没有形成学习系统。

这一成果对行业的影响是多方面的。首先，它建立了一套可复用的评测方法论，任何企业都可以用同样的方法在自己的数据上构建私有评测集，从而对 AI 的实际业务效果进行量化评估。其次，它强调了 Harness 与模型同等重要，企业选型不能只看模型，还要看 Agent 框架的执行能力。第三，Skill 注入实验说明 AI 自我进化并非自动成立，需要受控的评测体系引导，否则可能适得其反。

衔远科技 Frontis 的衔远大观平台，通过 ME、WE、MA 三层架构，试图解决企业 AI 的底层问题：如何把通用模型能力转化为企业自己的专业能力，如何把专家经验沉淀为可复用的 Skill 和 Agent，如何让每一次使用反哺下一次能力提升。如果这一路径成功，企业将真正获得可持续进化的自有智能系统，而不仅仅是接入外部 AI 工具。正如文章所总结的：当底层模型明天被换掉，企业积累的 DNA、Memory 和 Process 还在——那才是真正意义上的 Token Capital，也是这个时代企业真正的护城河。