2026年，全球人工智能产业的主叙事正在发生一次关键切换：资本市场的注意力，不光聚焦在“谁的模型更强”，也开始关注“谁能把模型变成真实生产力”。
这一转向，在三条赛道上同步发酵：一是AI办公，微软将M365 Copilot与Copilot Studio深度绑定，推动办公入口从「人操作工具」走向「人指挥Agent」；谷歌Gemini持续渗透Workspace，金山办公的WPSAI则在中文办公场景加速商业化。二是AI企业决策，Salesforce的Agentforce把“自主Agent”定位为企业级核心产品，Palantir等数据智能厂商持续验证“AI辅助决策”的付费意愿。三是AI出海，以字节豆包、MiniMax、Kimi海外版为代表的中国AI产品加速出海，阿里国际站、米奥兰特等B2B出海服务商则在跨境营销、买家匹配、外贸获客等场景，把AI直接嵌进“拿订单”的业务链路。
三浪叠加之下，一个共识逐渐清晰：AI Agent的胜负手，不在参数规模，而在能否形成“越用越省、越用越准”的自进化机制闭环。而米奥兰特推出的“小奥”的首月运行数据，恰好为这一判断提供了一个来自真实业务的注脚。
01 渗透：
从“概念”到“服务600多人的日常生产力”
上线一个月，“小奥”已经从一份规划文档，变成了米奥兰特境内600多名员工每天实际使用的AI企业大脑。
从营销中心到产研、供应链、财务等中后台部门，再到工业、建材、家居、家电、纺织5个行业和江苏、浙江、广东3省区，“小奥”一个月内员工用户数突破600人，覆盖飞书群近400个，累计聊天次数近2万次（含文字、图像、视频等多模态处理），Token总消耗量近40亿，员工在使用中沉淀了近300个Skill，另有30余位同事提交了详细的使用反馈。
对一个上线刚满月的Agent而言，这些数字背后，是真实且持续的业务流量——不是演示数据，而是每天在发生的真实生产活动。
02 提效：
把“小时级”任务压缩至“分钟级”
提效，是“小奥”最直观的价值呈现，而它的意义在于单位时间产出被系统性重估。
一份周度经营看板，过去要花2个小时，现在5分钟即可成稿，一位经营管理者的评价是——“总结的HTML形式非常好”。
销售出门前的拜访准备，过去要0.5个小时东拼西凑，如今3分钟就能拿到一套更成体系的材料，一线销售的反馈直截了当——“3分钟，而且更系统”。
更复杂的复盘场景同样成立。IIW双周复盘，原本需要1-2天才能理清；工业行业负责人完整实测后，从CRM数据采集、漏斗分析、二十周作战表，到逐一客户策略和跨部门协作清单，全程约3个小时走完。
一份13章的GEO方案，从一句方向指令到完整交付，前后两轮迭代，同样只用了约3个小时，而在过去这需要1-2天。
当然，并非所有任务都能一步到位。复杂方案类任务，“小奥”一次通过的概率约50-60%，之后通常还需几轮人工微调——一位高管准备对外发言的例子很典型，顺着“方向、逻辑、时间线”改了3轮才最终可用。
这恰恰是“小奥”的真实定位：它承担重复、耗时的部分，而把判断与决策的主动权交还给人。
30份反馈里出现频率最高的词是“省时间”。粗算下来，重度用户平均每天可节省约1小时；按200名活跃用户、每人每天1小时、每周5天估算，全公司单周节省约1,000小时。
03 降本：
靠结构优化，而非降配置
提效的另一面是降本。“小奥”的降本逻辑，不是靠降配置，而是靠优化人力和算力结构。
人力方面，“小奥”承接标准化的重复劳动——报表生成、数据查询、话术撰写——基本做到秒级或分钟级完成；方案撰写、客户分析这类需要判断和决策的工作，它不包办，但能将耗时降低70-90%，用户只需在初稿上审核、微调；至于战略决策、客户关系、团队管理这些真正依赖人的工作，它退居辅助位置，不越界。
算力方面，“小奥”不会把每一件事都丢给最强模型，而是按任务难度分级调用：简单任务交给轻量档位，复杂的规划和决策才调用更强模型，把算力预算花在真正需要的地方。再加上技能在上架前就先过审核，不可信、无意义的执行在进入生产前就被拦截——省下的，正是那些原本会被白白消耗的算力资源。
04 核心：
“复用、自进化、评估”3重飞轮
一个月就能跑出这样的结果，“小奥”靠的不是某一个“聪明”的模型，而是靠3个让成本随规模摊薄、效果随使用提升的机制：
截至目前，员工在使用中沉淀了近300个Skill，其中真正好用的那些，建立后全公司复用。
“CRM查询”Skill，五大行业总、三省区总监、各部门经理都在反复调用。
“拜访准备”Skill，三个省区共用一套，无需重复开发。
“战情汇报”Skill更典型——先在工业行业群跑通，随后推广到五个行业群，实现全部调用。
用得越多，单次新调用Skill的边际成本就越低。
每一次来回修改都不浪费。
一份GEO方案改过2轮之后，一个可复用的“方案重构”Skill就被验证下来，下次同类任务调用更快。
一位销售反馈“分析很准，但二访方案落地性偏弱”，对应的“拜访分析”Skill正在据此优化。
那份改了3轮的发言稿，也留下了一条完整的执行轨迹，成为后续管理决策类任务的参照。
用得越久，“小奥”就越精准。
目前已有30余人提交了带场景、效果、问题和改进建议的详细反馈，近1,000条执行轨迹可逐条回溯。
更体系化的能力——任务完成率持续追踪、A/B对比、自动化的回归测试——仍在建设中，这也正是下一步的重点。
05 治理：
“审核-使用-评估-迭代”的自进化机制闭环
“小奥”的稳定性不靠堆算力，而在于机制和流程的合理化设计：入口只做最轻的校验，重活交给可按负载伸缩的算力单元，高峰时用队列缓冲请求，既不丢消息、也不乱序。因此即便全公司的人同时用“小奥”，它依然能保持稳定，把响应时间压在很短的水平——用可控的资源，跑出“稳”和“快”。
真正的难点，其实在“东西多起来以后”——当Agent越来越多、Skill越来越多，如何保证员工每次都调用最优Skill？
“小奥”的做法是“先收敛、再检索”：知识和能力按公司、部门、个人分3层，先根据“此刻是谁、在做什么”缩小候选范围，再用“语义相似和关键词精确”双线检索，既理解意图、也不漏掉明确关键词。
命中率不是一次就准，而是靠每一次使用的执行轨迹和反馈反复校准——选偏了、用错了都会被记录，反过来修正下一次检索。
每一个企业级Skill都要先过审核才能上架，来源不清、逻辑不可信的直接挡在门外；上架后在真实任务里的表现会被持续跟踪，好用的沉淀复用、全员共享，效果不稳的回炉迭代甚至下架。配合精确到人和接口的权限控制，谁能用哪个Skill、能接触哪些数据，都清晰可控。
正是这套“审核-使用-评估-迭代”的自进化循环机制，让Skill库越用越干净，而不是越堆越混乱。
06 展望：
从工具型Agent走向Agent组织
短期来看，3件事优先级最高：
中长期，公司致力于推动“小奥”从工具型、流程型Agent，演进为多个专业Agent分工协作的Agent组织。
浙公网安备33011802001170号
