一家 1800 人的企业，却有超过 8000 个 AI 员工。5000 个 AI 助理，3000 个 AI 专家，人与 AI 的比例达到 1:4 ——这是明略科技今天的组织构成。
" 其实现在就没有真正的一线员工了，最一线的人已经都成为管理者了，他管的是 AI。" 明略科技联合创始人、总裁兼 CFO 姜平告诉 36 氪。
这家以企业数据分析起家的 B 端公司，正在用自己的平台产品 Octo 做一场实验：组织如何真正地与 AI 一起工作，这笔账到底怎么算。
从数据挖掘到 " 组织智能 "
明略科技成立于 2006 年，长期深耕企业级数据分析与数据挖掘，用姜平的话，明略科技一直在做的事可以归纳为 " 打造数据驱动的可信生产力 "。
进入 AI 时代之后，在企业 AI 这件事上明略已历经四次迭代：第一代是小模型时代的企业微信大脑；第二代是 Copilot；第三代是单体 Agent；第四代，是现在的 Octo ——组织智能。
Octo 的产品形态跟现有的企业级 IM 工具类似，但姜平认为底层逻辑完全不同。" 原有的工具它有历史的负担，人是里面的绝对的主体。但是我们构建了 Octo 平台，我们原生居民是 AI。" 姜平强调，明略做的不是办公软件，是企业级服务，Octo 更像 " 一个 AI 在里面工作的道场 " ——人给 AI 下指令，一起推动业务落地。
△明略科技联合创始人、总裁兼 CFO 姜平
他把这套逻辑称为 IoA（Internet of Agent）：让 Agent 和 Agent 之间构成一个协作网络，互相交换上下文，而人只需要 " 下需求，review 结果，在 AI 和 AI 之间制定一些协作的规则 "。就像互联网解决的不是 " 每人一台电脑 "，而是电脑之间如何互联，Octo 要解决的，是 Agent 网络如何运转的问题。姜平说，" 给每人配一个 AI 助理，只是最浅的一层。"
一个出海营销案例把这套逻辑讲得最清楚。有家中国泳池机器人出海品牌，要在美国市场做达人营销，全流程分五步：消费者洞察策划、达人筛选、达人建联、状态管理，以及投放复盘。" 以前需要 4 个人，一周来完成 …… 大概是 20 人天（即 20 个工作日当量）。" 姜平说，现在同样的流程，在 Octo 平台由一个人带着多个 AI 分工完成，" 我们现在已经做到 8.5 个小时。"
明略科技自己的财务团队也是一个典型案例。AI 让穿透式数据治理成为可能，即从总收入出发，一层层向下穿透：收入→部门→销售→订单→ PO →验收单→发票→回款→现金流，全链路可查询。" 以前我以为横向把字段治理好了就算不错，AI 来了之后，我发现我的穿透能力是不足的。" 数据打通之后，AI 问数和自动生成动态报表都成了日常操作，这套工作流程是财务团队以 AI-Native 的方式去做的，完全没有开发人员参与。
但这套流程要稳定运行，背后需要一层 Infra 托底。
Agent 时代的 Infra 长什么样
明略的基础设施，从 PC 时代、移动互联网时代到大数据时代，一直部署在腾讯云上。腾讯云也是明略长期的合作伙伴。
在问及明略科技和腾讯云的长期合作，姜平的解释很直接：" 我们 99.9% 的云都在腾讯上，历史在移动互联网时代和大数据时代积累的资产，只有继续用腾讯云，才能跟现在这个时代的资产打通。" 换云的成本，在他眼里几乎等于放弃历史积累。
进入 Agent 时代，明略在基础设施层最核心的需求变成了——给每一个 AI 提供独立隔离的运行环境，相当于在云上给每个 Agent 开一台电脑。Agent 应用去执行深度推理任务时可能维持常驻状态——没有 Infra 层托底，长任务根本无法稳定运行。腾讯云 Agent Runtime 底层自研沙箱做的正是这件事：毫秒级启动，给每个 AI 一个独立隔离的运行空间，让长任务和实时响应能同时跑通。
选腾讯云的另一个理由，是规模。姜平举了一个极端场景：一家 10 万员工的车企，从零要建 10 万个沙箱，同时这 10 万人可能共用同一个 " 发票助手 " ——既要有广度，又要有深度。这两种需求对并发能力的要求完全不同，前者考验规模化供给能力，后者考验高并发访问和会话级管理。对明略而言，腾讯云最核心的价值在于：撑住了明略服务大量企业客户时的底线。用姜平的话说，" 只有腾讯才保证给明略科技提供这么大的并发量，能保证我自由地伸缩。"
到了 Agent Online 的时代，AI 接入组织系统还带出另一个问题：权限边界。" 人能访问啥，AI 就能访问啥 " ——助理是人的分身，权限理应对等，但专家型 AI 只需解决固定问题，无需了解员工的私生活。这套权限隔离与管控的逻辑，需要在 Infra 层就设计清楚，否则安全与信任的问题会在大规模部署时集中爆发。
同时，姜平也认为腾讯在产品设计上有天然的优势—— " 无感化 "，让用户察觉不到工具的存在，只感受到结果。感知不到它存在，是基础设施最高的评价。姜平的回答很直接：" 从 PC 时代、移动互联网时代，到现在大数据时代，明略科技用腾讯这套 Infra 一直很稳定。"
这笔 Infra 的账，属于运营层面。企业真正绕不开的，是另一本账：雇佣数字劳动力，到底值不值。
数字劳动力来了，这笔账怎么算
英伟达 CEO 黄仁勋近两年曾将 AI 智能体描述为企业的 " 数字劳动力 "，认为它们将与人类员工协同工作。他把劳动力分为三类：真实劳动力、数字劳动力（AI Agent）和物理劳动力（具身机器人）。姜平认为：" 数字劳动力是真来了，就是 Agent。物理劳动力，还都在表演阶段。"
数字劳动力的商业化，目前已形成三种基本模式：月费制、Token 费，以及 FDE 费。第三种模式正在被 OpenAI、Anthropic、Palantir 等公司推进。美国红杉资本将这种趋势概括为 " 软件业向技术服务业转型 " ——卖数字劳动力，不管是人做还是 AI 做，对结果负责。
明略选择坚定走开源路线。" 开源就代表这个钱收不着了。"License 费用随之舍弃，收入来源转向 Token 费和 FDE 费，而 FDE 要深入客户企业部署，本质上是按结果付费。
但企业对 FDE 买不买账，最终还是要看引入 AI 后的投入产出变化。对真正在意经济价值的企业，姜平给出了一个 ROI 公式：1:1.5。人力成本加 AI 成本之和，对应的收入至少要达到 1.5 倍，才能基本打平。" 我花了 1000 万，我能挣 1500 万的货，大概就是平的。" 这个公式在电商、短视频、出海营销、AI 短剧等场景均适用——这些行业的主要成本是内容制作和投流，恰好是 AI 能大幅压缩的部分。
还有一个现实问题：企业对雇佣 " 数字劳动力 "ROI 的理解，层次差别很大。还在追问 "AI 到底值不值 " 的企业，在姜平看来，是在用 " 古典思维 " 看这件事。
无论处于哪个层次，姜平的建议都是从 L1 开始推进，他称之为 Token Ready，先解决员工用上 AI 的成本问题。" 你可以给他一个月 700 的报销，至少买 DeepSeek、买 Kimi 是足够用的。"
L2 叫 Agent Online，把 AI 接入组织系统，解决权限问题—— " 人能访问啥，AI 就能访问啥 "，逻辑上顺理成章，但实际落地牵涉到大量企业内部的安全与信任考量。往后是 L3 知识图谱沉淀、L4 AI 场景闭环、L5 组织整体自运转。" 大部分企业先把 L1 解决了，然后再说 L2。"
这条路走到底，组织结构本身也在变。" 最大的变化是，没有绝对的一线员工了。" 无论高层还是普通员工，最基层管理的都是 AI。与此同时，那些只负责上下级传达信息的中间层，价值快速被稀释。" 没有 Know-How，没有品味，在未来这个组织会很尴尬。"
1800 个人类，8000 个 AI，也许未来这个比例还会变。明略自己正在走这条路，也在把这套逻辑传递给它的客户。
