当模型成为公共基础设施，企业如何构建持续判断的智能架构？特赞GEA深度解析

导语：当模型成为公共基础设施，企业如何建立持续判断的智能架构？特赞基于十年内容管理实践，提出Generative Enterprise Agent（GEA）体系，将上下文转化为企业新的认知权力。

过去两年，大模型能力以惊人速度跃迁，文本生成、图像识别、代码编写等任务正被重新定义。然而，企业的工作方式并未发生同级别的变化。原因在于，企业的核心活动并非单次任务，而是在动态环境中持续进行判断——理解市场、识别机会、定义产品、构建品牌、推动增长，这些构成连续运行的决策链条，而非一次性推理过程。

从技术史视角看，过去二十年的企业软件经历了三次结构性迁移。最早是流程系统，如ERP和CRM，通过标准化流程重新组织企业资源；随后是数据系统，如推荐与商业分析，使数据成为生产要素，但算法仍只是辅助决策工具。大模型的出现第一次改变了这一点，但真正重要的变化，是模型开始成为一种公共基础设施。企业亟需的，不再是单一模型应用，而是围绕自身业务结构组织智能能力的系统架构。这意味着，Agentic AI 的竞争正在从模型能力转向上下文结构竞争。

红杉合伙人Julien Bek曾指出，下一个万亿美元公司将“伪装成服务商的软件企业”，因为它们不再仅提供工具，而是直接参与企业结果的产出。这一判断在Agentic AI体系中成为现实。当智能体围绕业务目标持续运行时，企业部署的不再是一个系统，而是一种参与经营过程的能力结构。正是在此背景下，特赞提出了Generative Enterprise Agent（GEA）架构体系。GEA不是围绕单一模型能力，而是围绕企业真实业务运行结构设计的一套系统范式，它回答的核心问题是“模型如何进入企业流程”，这本质上是组织问题。

从DAM到Context System：特赞进入Agentic AI的历史路径

理解GEA为何由特赞提出，需回溯其技术路径。与多数从模型能力切入企业智能体的公司不同，特赞最早构建的是企业内容资产管理系统（DAM），旨在统一管理品牌资产、设计资产和营销资产。但在长期实践中，团队发现企业真正缺失的不是文件管理能力，而是上下文结构能力。企业大量决策依据沉淀在设计稿、传播素材、用户研究报告、品牌规范和项目复盘中，这些信息长期无法被系统调用。因此，特赞的DAM演化方向不再是传统内容管理，而逐步发展为企业上下文系统（Context System）。

该系统的核心能力不是存储文件，而是持续构建企业上下文图谱，使品牌资产、项目经验、用户认知与策略路径成为可被机器理解与调用的结构化知识网络。这为企业级智能体系统提供了关键前提：模型首次可基于企业自身知识运行，而非仅仅基于互联网知识。GEA正是在这一基础设施之上提出的。

当模型趋同，Context成为新的企业权力结构

在模型能力快速趋同后，企业如何建立自己的机器决策能力？答案在于上下文密度与上下文结构方式。特赞的Context System将分散在组织内部的隐性知识转化为统一上下文来源，包含品牌规范、素材资产，以及项目轨迹、用户画像、商品结构和策略经验等多层级信息，共同构成企业可积累的认知基础设施。企业级智能体第一次拥有了继承组织经验的能力，GEA正是围绕这一能力展开的架构设计。

类似的结构变化已在另一类企业软件中出现。例如Palantir的数据操作系统，本质上不是分析工具，而是能参与决策流程运行的数据基础设施，通过组织企业数据关系，使算法围绕真实业务目标持续工作。Agentic AI进一步将这种能力从数据上下文扩展到业务上下文，从分析结构扩展至执行结构，使智能体能够参与企业连续运行的判断过程。GEA正是这一路径的演化，将上下文能力推进到品牌、产品与增长结构中，让智能体进入最复杂的业务决策环节。

从Prompt到Intent：企业智能体系统的入口改变

传统生成式AI依赖prompt，而企业依赖目标。这一差异决定了Copilot体系难以直接进入复杂业务流程。GEA架构将业务意图作为系统运行的起点，通过Intent Layer将增长判断、产品探索或传播策略等高层目标转换为可执行路径，使智能体围绕真实业务结构展开推理，而非围绕语言输入生成。这一细微变化意味着企业级智能体系统首次能够理解组织语言，而不仅仅是用户语言。在此之上，特赞进一步提出Creative Reasoning Model，使系统在收敛前展开可能路径空间，参与创新判断与策略制定，而不仅是提供答案生成。

多模型编排：企业智能体系统的核心结构能力

随着基础模型数量增加，不同模型在视觉理解、推理能力、数据处理方面形成明显分工。单模型系统难以覆盖完整业务链，多模型协同成为新的能力要求。GEA的Orchestration Layer通过编排不同模型能力，让企业用户无需理解模型差异即可获得稳定输出。这一编排能力的意义在于，模型不再作为工具被调用，而是作为资源被调度，这正是企业级智能体系统与传统生成式AI系统的最重要区别之一。

Proactive Agent：企业首次拥有持续运行的智能执行结构

GEA架构引入主动型智能体，使系统能持续监测环境变化并自动推进业务流程。例如在新品上市准备阶段，系统可提前完成素材一致性检查；在传播阶段，持续跟踪竞品动作；在复盘阶段，自动生成策略总结报告。这些任务不依赖人工触发，而是在既定目标结构下持续运行。这意味着企业第一次拥有了可以持续运行的智能执行结构，而不再是一次次被调用的生成工具。

对于品牌与产品型企业，GEA改变的不是效率，而是判断结构

Agentic AI的出现标志着企业软件进入新架构阶段，它首先改变的是那些长期依赖复杂判断链条的组织。特赞所服务的品牌驱动型、产品创新型以及高度依赖市场响应速度的增长型组织，核心竞争力并非流程标准化，而是持续判断能力。传统企业软件擅长流程问题，如库存管理、客户记录，但品牌表达、产品方向和增长策略这些工作长期依赖团队经验运行。企业并非缺乏数据，而是缺乏组织数据的认知结构。用户评论、竞品动作、传播反馈、历史项目经验、品牌资产规范等信息同时存在，却很少进入同一决策体系，导致大量关键业务判断仍停留在“碎片信息+经验直觉”的状态。

GEA架构试图改变这一点。通过Context System将品牌资产、用户理解结构、项目轨迹与策略路径组织为统一上下文来源，这些原本分散的信息成为可被智能体调用的连续知识结构。进入系统的素材不再是文件，而成为企业认知网络中的节点，并随使用过程持续更新语义关系，使企业判断能力开始具备可积累性。直接改变体现在产品创新方式上：传统创新依赖单次调研，而在智能体参与下，行业信号、用户反馈与竞品策略可交叉验证，使产品方向持续探索，企业在方向形成前验证路径，而非资源投入后修正错误。品牌表达体系中，过去品牌规范以文档形式存在，只能约束设计结果，当品牌基因结构化进入上下文系统，品牌成为可被调用的认知结构，不同团队在不同场景中保持表达一致且持续演化。增长运营领域，传播路径不再依赖一次次campaign设计，而基于历史效果、用户响应模式与平台变化信号持续调整执行结构，增长从项目制转为系统性运行。

这些变化指向更深层问题：企业长期缺乏的并非数据，而是组织数据的结构；缺乏的也并非模型能力，而是调用模型能力的路径。GEA的价值正是提供这样一种路径，使智能体第一次可以围绕真实业务目标持续运行，而不是围绕单次任务响应输入。

Generative Enterprise Agent，开启企业软件架构竞争新阶段

从更宏观的技术史视角看，ERP解决资源如何组织，CRM解决客户如何理解，BI解决数据如何解释，而Agentic AI正在解决一个更深层的问题——企业如何形成判断。今天部署智能体系统的意义，不在于替代岗位或自动化流程，而在于是否能够建立属于自己的机器决策能力。当模型成为公共基础设施后，真正决定企业差异的，不再是模型规模，而是上下文结构；不再是生成速度，而是判断质量；不再是单点能力，而是系统如何持续运行。

Generative Enterprise Agent的提出，并非一次产品升级，而是一次企业软件范式的转移。它意味着企业第一次可以围绕业务意图组织智能能力，围绕上下文沉淀认知结构，并通过持续运行的智能体系统推动真实业务结果。过去十年，企业采购软件系统；过去三年，企业尝试模型能力；而正在到来的十年，企业真正部署的，将是一套能够参与经营判断的智能系统。当智能开始进入企业的决策结构本身时，AI就不再只是工具，而成为企业新的认知基础设施。这正是Generative Enterprise Agent出现的历史位置。