【经管大课堂·AI经管实践】DeepSeek攻坚智能体「开工」难题：一条论文与一位CFO背后的经营转向

案例背景

2026年9月，深度求索（DeepSeek）发布了一篇由创始人梁文锋署名的新论文。与过去行业惯常追逐的参数规模、榜单分数不同，这篇论文把火力集中在一个更朴素也更致命的问题上：当智能体从「一个」变成「一万个」，如何让它们稳定、低成本地真正「开工」。论文讨论的核心，是大规模智能体训练中的任务分配、环境并行、失败重试与样本效率问题，也就是学术界常说的冷启动与信用分配难题。翻译到产业语言，就是一句话：智能体干活的边际成本，能不能降到一个来得及商业化的水平。

几乎在同一时间窗，另一条人事消息引发关注：高瓴创投原合伙人严文韬入职DeepSeek，出任首席财务官。一家以极致工程效率和开源姿态著称的技术公司，在智能体商业化的前夜引入一位具有长期一级市场投资背景的CFO，其信号意义远大于人事意义。一边是技术侧对「开工」难题的攻坚，一边是财务侧对单位经济学的接管，两条线索在同一个时间点交汇，构成了观察AI企业从技术叙事走向经营叙事的绝佳样本。

核心分析

一、从「模型能力」到「开工能力」：智能体规模化落地的真实瓶颈

用技术采纳生命周期的框架看，大模型本身已经跨过了早期采用者阶段，正在冲击早期大众市场，而智能体恰恰卡在两者之间的那道鸿沟里。鸿沟的本质不是「能不能做」的演示问题，而是「能不能反复做对」的工程问题。单个智能体在公开演示中的成功率，并不等于一万次任务执行中的稳定性；而企业客户真正付费购买的，是后者。这就是论文所指向的开工难题：任务环境的初始化成本、长程推理的上下文膨胀、失败后的重试损耗、以及多智能体之间的信用分配，共同构成了一个随规模上升而非线性恶化的成本曲线。

用总拥有成本（TCO）的视角拆解，企业部署智能体的支出绝不止推理算力一项。它至少包括：任务环境的搭建与维护成本、失败任务的兜底人工成本、数据回流与再训练成本、以及因流程重构产生的组织磨合成本。论文所攻克的，正是把其中占比最大的一块——也即「为了让它开工而付出的隐性开销」——压缩到可控范围。这也解释了为什么智能体迟迟难以从概念验证走向全流程部署：不是模型不够聪明，而是开工的摩擦力太贵。

二、CFO入场：AI公司竞争的坐标从技术参数转向单位经济学

严文韬出任DeepSeek首席财务官这一动作，可以从摩尔定律经济学的角度理解。过去十几年，算力成本沿坡下行，行业享受了「性能提升快于成本上升」的红利，企业战略的重心自然放在跑马圈地与参数领先。但当智能体进入规模化交付阶段，每一单业务都要核算token消耗、任务成功率、人工兜底率与交付毛利，这时决定胜负的就不再是单点算力峰值，而是每一次成功交付的单位成本。

CFO的进入意味着三件事：其一，公司开始把「智能体的毛利结构」而非「模型的技术指标」作为经营会议的核心议题；其二，融资结构、资本开支节奏与商业化节奏需要被放进同一个模型里统筹，这在算力投入动辄以年为单位锁定的行业中尤为关键；其三，外部资本方的评估语言将接管一部分内部话语权，估值锚会逐步从技术领先性迁移到可持续的单位经济模型。对一家坚持开源路线的公司而言，这一转向更具张力：开源带来生态与影响力，但也要求商业化路径必须在单位成本上足够精巧。CFO的角色，正是把这种张力翻译成可执行的经营约束。

三、组织学习曲线：让智能体的效率红利真正沉淀为企业能力

技术侧的成本下降能否转化为经营侧的收益，取决于组织是否能沿着学习曲线快速下移。智能体落地的典型误区，是把「部署了智能体」当成「获得了能力」。真正的组织学习发生在三个位置：一是任务边界的重新划分，即哪些环节交给智能体、哪些保留人工决策，这属于流程再造而非简单替代；二是失败样本的资产化，每一次任务失败如果不能被结构化回收并用于再训练，组织就没有在曲线上前进；三是岗位与考核语言的重写，当产出由智能体生成、由人审核，绩效衡量的对象就从「做了多少」变成「定义清楚了什么」。组织学习曲线理论提醒我们，累计产量翻倍带来的成本下降并非自动发生，它依赖有意识的知识沉淀机制。缺少这层机制，再便宜的智能体也只是一次性工具。

管理启示

第一，评估一项AI技术是否具备落地条件，不要看峰值表现，要看规模化的边际成本曲线走向。第二，技术公司与客户的契约，正在从「提供能力」转为「承诺结果」，这要求把成功率与单位成本写进交付条款，也要求把失败成本纳入定价模型。第三，财务负责人在AI企业中的角色正在前移：他不再是事后的记分员，而是产品定义阶段的约束条件制定者，负责在技术可行性与商业可持续性之间划出边界。第四，任何以「替代人力」为唯一叙事的智能体项目，都会因为无法解释组织磨合成本而在预算周期中失血；把叙事换成「稳定承接某一类任务的产能」，项目存活率会显著提高。对企业用户而言，最务实的起步是选择任务边界清晰、失败可观测的环节切入，让每一次失败都变成一次可被计量的学习。

其他思考

1. 如果智能体的单位交付成本持续下降，企业的人力资源结构会发生怎样的重构？哪些岗位会先被「任务化」而非「被替代」？
2. 开源路线的商业闭环，是否可以建立在「单位成本控制能力」而非「模型独家性」之上？这一逻辑对国内大模型厂商的竞争格局意味着什么？
3. 当CFO开始主导AI公司的经营语言，行业是否会从「性能竞赛」进入「毛利竞赛」？这种转向对创新节奏是促进还是抑制？

关键词：DeepSeek、智能体规模化、单位经济学、总拥有成本、组织学习曲线
来源：每日经济新闻、第一财经 | 整理：经管大课堂