过去五年，中国制造业企业正在经历一场昂贵的 AI 试错。

根据 IDC 2025 年中国工业企业调研，已经应用大模型及智能体的工业企业比例从 2024 年的 9.6% 飙升至 2025 年上半年的 47.5%。不到十二个月，近半数规模以上制造企业宣称自己“上了智能体”。其中，在多个业务环节部署应用的企业从 1.7% 跃升至 35%。

不过，数据背后一个事实是：绝大多数智能体在上线三个月内沦为摆设。

一家营收超过千亿的制造企业，内部同时运行着上万个智能体，真正产生业务价值的只有5%。“大家以为直接拿个大模型连上智能体就能操作了，”知微行易创始人谢少毅说，“没有这么简单。”

2020年，谢少毅带着一群在外企干了二三十年的老兵，决定自己开公司。

原因很简单：客户对智能化的需求巨大，但原来给他们提供服务的外资供应商，因为地缘政治的原因，正在撤退。国内的接不上，国外的又不做了, 需求只能被压抑着。“其实这些外企在做中国的所有服务都是中国人，”谢少毅说，既然如此，不如自己来。

如今，这家成立第六年的工业AI企业，已经实现了2亿元的年收入，积累了30个500强客户，这样的收入规模，在这个领域极为少见。

当中国近半数制造企业已经“上了智能体”，但绝大部分收效甚微，为什么？

因为企业缺乏两样更基础的东西。第一叫做企业知识的建构和交付能力，也就是一套让AI读懂并直接执行的企业知识描述语言；另一个是跨系统的语义翻译能力。

前者，知微行易在大模型火之前就开始在做，他们用一套专用的知识建构语言，来沉淀业务规则。这是一种能够被AI直接理解和执行的语言，哪怕是如今已有那么多工业AI的公司，采用这套知识建构语言的，如今也只有知微行易这一家。原因很简单，老的工业软件公司有自己的语言惯性，你不能要求一个说中文的人突然用德语写文章。

后者，他们做了一个企业的“本体”，将异构系统之间的语义对齐。这样一来，企业可以将自己的业务意图像搭积木一样插在知微行易的系统上，快速组装、快速上线。

我们认为，知微行易的故事之所以值得讲，是因为其提出的问题，正是中国制造业未来十年能否从规模优势跨越到智能优势的关键，一个在中国制造业数字化转型耕耘几十年的老兵们，正在用实践，尝试给这个问题写下他们的答案。

一、不是中国版的Palantir

过去两年，中国涌现了上万家自称从事“工业 AI”的公司。

投资人给它们贴标签的方式一如既往：找一个美国样本，加上“中国版”三个字。

Palantir 是最受欢迎的对标对象，这也无可厚非。但是工业软件这门生意，过去几十年在欧美繁荣发展，却在中国反复被证伪。

当又一家公司跳出来说要做“工业 AI”时，投资人的第一反应是：这不就是换了个名字的 SaaS 吗？既然本土没有成功先例，那就更需要一个海外对标来证明故事能讲通。

但只要投资人愿意对标，就会有一帮人愿意为了拿钱去讲一个投资人喜欢听的故事。但根本不是同样的土壤，故事有了，根本无法落地。

谢少毅不想做这样的事。他不喜欢把自己比喻成中国版的 Palantir，知微行易，就是自己。

用平台替代“天才”

Palantir 是美国最神秘的数据公司之一，2003年由彼得·蒂尔创立，最初为 CIA 和 NSA 提供反恐情报分析，后来将同一套方法论移植到企业端——通过深度嵌入客户组织，构建数据本体和操作系统，让分散在不同系统中的信息变得可理解、可行动。

它的市值在2024年突破千亿美元，是全球资本市场对“AI+企业”叙事最慷慨的定价。中国投资人自然想复制这个故事。

在 SAP 的时候，谢少毅他们就对这家公司有所了解。Palantir最有价值的是，用二十年时间积累了五千名 FDE，全称是 Forward Deployed Engineer（前线部署工程师）。这是 Palantir 独创的岗位名称，指的是被派驻到客户现场、既懂客户业务又能写代码还理解 AI 的跨域工程师。

谢少毅算过一笔账：IBM 中国咨询部鼎盛时期有一万五千人，其中够格做半导体行业 FDE 的，大约十五个。“你得读制造工业工程，又懂 IT，还得跟着做三五个项目才能出师，”他说，“半导体厂一年就那几个新建的，三四十年能累积多少人？”

知微行易选择了一条与 Palantir 完全不同的路径。Palantir 靠二十年积累五千个跨域天才；知微行易的答案是：不要 FDE。

它在2021年做了一个关键决策——花最多的钱开发一个平台，让纯业务顾问就能开发企业级智能应用。不需要跨域人才，只需要懂业务的人带着工具进场。中国有二十万个 SAP 顾问，给他们提供这个平台，每个人都是 FDE。

“一个 FDE，他其实就是理解业务、懂 AI 技术、懂计算机写代码。”谢少毅说。那么如果涉及到AI和计算机技术的部分，可以让一套系统解决，业务员只需要解决业务的部分，是不是就可以不需要FDE，只需要业务员就可以了？

先造翻译器，再谈智能

全球商业技术洞察机构 Gartner® 设有“Intelligent Application”品类，在Gartner 2026年2月发布的研究“Innovation Insight: AI-Powered Intelligent Applications”中，知微行易是唯一入选的亚太区供应商。*

Gartner 在2023年底将 Intelligent Application 列为2024年十大战略技术趋势之一，并给出了明确定义：“智能应用通过学习适应能力，增强和自动化工作，能够自主响应人和机器。与通常采用确定性逻辑的传统应用不同，智能应用利用代理式人工智能能力以及其他先进的分析和人工智能技术，能够适应、学习并应用于新的或独特的情境。这使得工作在各种场景和用例中得以增强和自动化。”

Gartner 语境下的 Intelligent Application描述的是“下一代企业应用软件应该长什么样”：不再是功能菜单，而是能理解你、替你工作、自主协调的智能体集群。这意味着在国际分析师的坐标系里，这家公司做的事有清晰的定位。

问题在于，中国的产业话语体系还没有为这类公司准备好一个身位。客户问它跟用友有什么区别，投资人问它跟 SAP 有什么区别。谢少毅说，这些问题本身就是错的。

有人建议叫“中央 AI 操作系统”。谢少毅说不，这不是操作系统，更像是基础设施。

用知微行易的话语体系给“Intelligent Application”一个中国语境的定义是，是建立在企业本体之上、由多智能体协同驱动的企业级应用系统。它不是单个智能体，而是一组智能体的有机组合；它不是通用大模型的简单调用，而是大模型穿越企业私域知识后才能运作的产物。

我们如果进一步拆解知微行易的这套基础设施，包含两层关键，第一是一套能让AI 理解并执行的知识建构语言；第二是一套统一语义翻译层。

早在大模型之前，知微行易就设计了一套知识建构语言，无论是SAP还是Oracle，企业管理软件的本质，归根结底是各种业务规则的组合。这有点像有些人用中文写文章，有些用英文写文章。

知微行易选择的，是一套能够被AI理解和执行的语言，来表达企业管理环境下的知识。这套语言不仅能让AI更快理解，减少企业AI化要重建系统的成本和缩短时间，同时能够让AI直接执行，这一点十分关键。

另一件事，则是一种“翻译器”——USL（统一语义层）。没有一家企业的所有系统都是自己做的，做得越大，接的客户越多，就必然面对异构系统——用友、金蝶、SAP、Oracle，各家的数据格式和语义全不一样，要把不同系统的“方言”翻译成同一种语言，保证数据对齐的准确性。

这两者，构成了知微行易这套AI基础设施的根本。

二、给企业捏“本体”：词典、地图与操作手册

说清楚知微行易不是 Palantir 之后，还需要回答另一个更常见的质疑：

这跟上一波工业 SaaS 有什么区别？知微行易的这套基础设施，以及企业的“世界模型”究竟如何运转？

不是SaaS，是理解力

过去十年，中国企业在数字化转型上的投入堪称天量。

IDC 数据显示，2023年中国数字化转型支出已超过两万亿元人民币，预计2028年将突破七千三百亿美元。 但钱花出去了，效果却令人沮丧，麦肯锡的数据是，工业数字化转型成功率仅7%，IDC 的数据是67%的项目未达预期，埃森哲更残酷：仅2%的中国企业实现了真正意义上的深度转型。

中国 SaaS 行业99%的公司处于亏损状态，投资人确实有理由怀疑：智能化会不会只是换了个名字的 SaaS？

区别是根本性的。

SaaS 卖的是功能，一个模块解决一个问题，CRM 管客户、WMS 管仓库、MES 管产线，各管各的。企业买了十几套系统，每套都在自己的围墙里运转，数据不通、语义不通、流程不通，形成一个个数据孤岛。

但知微行易卖的不是功能，而是理解力。它让所有系统对 AI 变得可理解、可操作，同时，可执行。

从功能菜单到Agent集群

知微行易为企业构建的AI基础设施，分三层。

用谢少毅的话说，像是给 AI 配备一本词典、一张地图和一份操作手册——词典让它听懂公司内部的语言，地图让它看清业务对象之间的关系，操作手册让它知道什么能做、什么不能做。缺任何一层，智能体都只是一个昂贵的摆设。

第一层是通用语义层，就是我们在上一章节所说的“翻译器”：让所有系统“说同一种语言”。任何一家大型制造企业内部都有十几套系统并行运转，知微行易预置了主流管理软件的标准 API 元数据，包括 Salesforce、SAP、ServiceNow 等，用 AI 自动读取 Schema、识别表结构、字段和关联关系，跨越命名差异映射各系统间的共享实体。

目前已完成十几万个接口，Palantir 用手工方式积累五年的量，知微行易用半年做完。这不是因为知微行易的工程师更勤奋，而是因为它用 AI 加人的混合模式批量生成接口和语义标签，这在五年前根本不可能。

第二层是企业世界模型，一张“企业地图”。工艺与产品的关系、产品与设备的关系、设备与产线的关系。在这张画布上，客户通过订单关联产品，产品通过 BOM 关联产线，产线通过时序数据关联 OT 设备。它还包括企业专有术语的精确定义，举个例子，不同体量企业对盈亏平衡的评判标准差异巨大：年营收百万的企业差一元即未达平衡，百亿营收企业上下一个亿都可能仅属正常核算浮动。这些东西原来都在老师傅的脑子里，从未被系统化地表达过。

第三层是操作手册，即 SOP 标准操作流程。它定义了 AI 的行为边界：哪些事可以做，哪些事必须交给人，做事的步骤应该是怎样的。就像员工手册规定了行为准则，这层本体规定了智能体的行为准则。

有了这三层，员工打开系统看到的不再是功能菜单，而是一群正在替他工作的智能体。员工只需要说一句自然语言说出要做的事，系统自动匹配最合适的 Agent 执行。

采购员说“帮我下一张采购单”，背后一组子Agent 查库存、查价格历史、查外部波动，给出行动建议。在整个过程中，事务性操作都交给了 Agent，员工把精力放回真正重要的业务判断和决策优化。

三、改造的边界：业务回报高、token 消耗低的场景优先落地

工业中最重要的是安全和精确，什么能上AI，什么不能，边界在哪？

“如果有人告诉你所有东西都能用大模型解决，”谢少毅说，“这些人的状态跟我在1999年一样。”那一年他自己创业，坚信所有软件都可以 Web 化，融了钱成立公司做 Web 版 ERP，针对中小企业。

“你说是不是很有先见之明？”他自嘲。但网速太慢、上网太贵，公司没能走远。二十多年后，他看到同样的狂热在大模型领域重演。

稳态与敏态：八二开法则

2026年，尤其是 OpenClaw 出来后，人人都想尝一口，人人都觉得自己能做。许多企业主给谢少毅他们打电话，询问企业该如何用“龙虾”。

一条电子产线停产，一天就损失两千万美金。所以当有人提议把 OpenClaw 这样的半侵入式系统直接接入工厂时，谢少毅的第一反应是：你知道后果有多严重吗？

谢少毅把企业智能化的需求切成两块。八成是“稳态”，这部分需要百分百精确的指令执行，比如电池生产中的每一道工序指令，不能有概率，必须用代码。“一个企业管理是要求百分百准确的，”他强调，“你帮人生产一颗电池，难道指令的执行可以是有概率的吗？”

两成是“敏态”，也就是意图理解、信息总结、用户交互，大模型在这里如鱼得水。这个八二比例就是改造的边界。

那么工业 AI 中最致命的幻觉问题怎么解决？

知微行易的做法是，在开发阶段生成逻辑，运行阶段执行固定程序。知微行易的架构是三层嵌套：本体层提供确定性的稳态基础，智能应用层用大模型做敏态交互，两者配合才能既灵活又可靠。

知微行易内部已经总结出约两千个智能体模板，其中一千多个偏向稳态，一两百个偏向敏态，这个比例本身就说明了问题，即相比于技术的先进性，企业更求稳。

Token会越来越贵

另一个则是 Token 经济学的问题。回到企业 AI 中，什么样的场景适合做 AI 改造？

谢少毅说，业务回报高、Token 消耗低的场景优先落地。知微行易去年做出了能自动完成月结的智能体，如果所有的东西都要从头用AI生成，跑一次要烧掉几十万元人民币的 Token。“谁干啊？”谢少毅反问。

那些看起来诱人但推理成本巨大的应用，在经济学上根本算不过来。“所有东西要回到经济学的第一性原理，”他说，“用什么技术？经济回报最高的技术。”不是所有场景，都要用最新的AI。

该如何筛选出适合AI改造的场景？

谢少毅把 AI 为企业创造的价值分成三个层次，从第一层到第三层，创造的价值依次叠加。

第一层最基础，省人、提效。原来十个人干的活变成三个人干。但这其实“省不了多少钱”。

第二层被严重低估：审查和合规。过去审核只能百分之一抽查，现在 AI 做百分之百覆盖。

他讲了一个故事：某上市公司总经理曾当面对他说“我们只看能省多少钱”，拒绝了合规方面的 AI 方案。不久前，这家公司因忽视合规被国家重罚。“省个芝麻，丢了个西瓜。”

第三层：做本来做不到的事。举个例子，知微行易服务的一家芯片分销商代理近万种SKU，但售前工程师的知识容量有限，每人最多记住两百种，公司常年只卖一千多种。两年前，知微行易就帮它做了售前工程师的智能体。AI 覆盖全部品类之后，七千多种长尾芯片被激活了销售。

谢少毅说，AI绝不是替代人，“省几百万一年的工资，这算啥？这都不是个事。”真正的价值是创造竞争优势，省钱只是 secondary objective。核心价值不是省售前工程师的工资，而是激活了原来卖不动的长尾。

等市场交完“学费”

场景的选择之外，我们也很好奇，在选择做AI改造的时候，知微行易优先会选择哪些行业？哪些客户？

在行业上，谢少毅的筛选逻辑不是哪个行业最赚钱，而是哪个行业正在经历剧烈变化。这个判断很有意思，谢少毅说，原因是，经历剧烈变化的行业， “当其碰到困难的时候，可能更愿意接受创新。”

就像五六年前，他判断中国的新能源汽车和电子产业一定会起来，他们选择了汽车零部件厂商进行工业AI的改造，哪怕当时汽车行业还在飘摇，但他判断，新能源车的零部件厂一定会好。后来的发展也证明了他的判断。

第二层是选客户。在选定的行业里，只做最头部的企业。因为头部企业不会为一个单一场景的应用买单，它要解决的是更复杂的业务问题，投入进去要有更大的回报。做电池，第一个客户就是宁德时代；做汽车零部件，就是三花智控和华翔。

从一些案例中，可以更具像化窥见知微行易是如何将谢少毅所说的三层价值判断以及对行业和客户的筛选落地并创造价值。

2020年，知微行易成立，第一张合同来自电网企业。

每个网省有数千到上万名巡检人员，白天巡查线路，晚上填 Excel 做比对，预测哪台设备可能故障。普通工程师的预测准确率只有百分之四十几，只有老师傅能做到百分之八十。这部分，是过往数字化转型不能改造到的部分。

知微行易将老师傅的知识抽取出来，结合 RPA 跨系统抽数和 AI 预测让普通工程师达到老师傅的水平。这个项目，最后拿到了国家电网的科技进步奖。

在半导体工厂，知微行易做了一套 OCAP（Out of Control Action Plan）平台。半导体产线有约一千一百道工序，百分之九十九点九的时间全自动运行，工程师存在的意义是处理那百分之零点零一的异常。

过去的做法是访谈老师傅、整理知识库，现在完全不同：老师傅在平台上处理完一次异常，AI 观察全过程后自动生成Skills，下次相同异常出现时自主处理。知识不再随老师傅退休而消失，而是以可执行的形式沉淀在系统里，越用越厚。

另一家汽车零部件企业的故事更直接。它原来用国外的生产执行系统，但产能扩张太快，系统频繁宕机，“天天都在双十一”，谢少毅形容。

知微行易二十四小时内交付了一个POC产品（虎嗅注：POC即Proof of Concept，概念验证，是验证某项产品或技术在实际应用中是否可行的测试阶段），目标是实现“一个集团一个MES（虎嗅注：Manufacturing Execution System，制造执行系统，接企业计划层与生产底层的车间级生产管理软件）”，传统技术路径根本做不到的事。

还有一个正在进行的项目值得一提。一家头部制造业企业的一把手主动找来，想用 AI 解决 APS 排产问题。传统做法是用算法求解产销平衡的最优解，效果不及预期。

知微行易提出了一个完全不同的思路：不是用算法解决算法问题，而是用一组智能体解决管理问题。“达到的目的一样，订单命中率更高、生产成本最优，但做法不一样。”企业当场拍板共研，还说刚买了一台八百万的服务器，专门给这个项目用。

四、下一代工业 AI 一定出现在中国

2025年，知微行易迎来了收入拐点。谢少毅将原因归结为两点：经济触底后客户心态转变。

“当所有的悲观出尽了之后，其实就开始乐观了”。除了企业开始更加关注生产效率，第二个原因是客户对AI的认知越来越理性。谢少毅他们发现，2025年四五月份，头部企业客户“整个东西就很清晰了”，知道自己到底需要什么。

在过去一年，还有大量工业 AI 企业帮助教育了市场，知微行易的销售策略是“不做 AI 的零基础客户”——如果客户没做过智能体，就先不急于交流。但只要客户开始做智能体，客户就会有痛点，就容易共情，项目就容易落地。

知微行易的商业模式也拒绝了行业惯例：不按用户收费。

谢少毅说，智能化让用户越来越少，按用户收费等于慢性自杀。

那么结果付费呢？谢少毅说，这在中国也行不通。跟客户签三五年的结果分成合同，第二年客户就找理由终止。

谢少毅笑着说，“他跟你签了合同，你帮他省两个亿电费，分你6000万，第一年他说好。第二年他就觉得再分下去不太好了，找出一堆理由说省了也跟你没关系。”

所以，知微行易选择的是按工厂、按公司收费。

知微行易还有一个合作模式：提供平台给企业，让企业去解决行业的落地问题，比如知微行易不想做服装——毛利低、单价小——但把平台提供给其他的公司，让这家企业去组装行业解决方案。这种模式，让它能在不亲自下场的行业里扩展覆盖面。

谢少毅相信下一代企业管理软件一定诞生在中国。他的论据是：德国制造业最强时出现了 SAP，美国制造业强时出现了 Oracle 和 Salesforce。

中国制造业规模预计到2035年将等于欧洲与美国之和，这些企业正在面临真正的AI智能化转型之痛，以及大规模的二代接班，这些接手的年轻人更愿意拥抱新的技术，土壤已经具备。

还有一个变化是，谢少毅发现，跨国企业的 AI 负责人开始主动飞来中国。一家欧洲工业气体巨头公司的 AI 负责人专程来访，理由是，如果要试 AI，一定在中国试。

这故事就像20年前，一堆中国企业到国外寻求工业数字化转型的经验一样，只是学习的主角倒转过来了。

结语

知微行易，正在用自己的方式定义一个中国的智能应用（Intelligent Application）。这一定是和工业数字化时代截然不同的物种。过去的数字化，是给人设计的，这一波智能化，是给智能体设计一套语义和系统。

这家公司的名字藏着它的全部方法论。“知微”，看见企业运转中那些最细微的经验和知识，沉淀成AI能懂的语言，让AI智能体理解和执行； “行易”，一旦把这些微观的东西梳理清楚、行动反而变得简单。

中国有几万家公司号称要做 Palantir，知微行易说它不是中国的任何人。在所有人都追逐大模型的宏大叙事时，它选择先蹲下来，看清楚脚下这片土壤里到底长着什么。

这或许不是一个性感的故事，但在工业现场，性感从来不是一个有用的品质，工业，要落地。

*引用来源和声明：

Gartner, Innovation Insight: AI-Powered Intelligent Applications, 25 February 2026

Gartner 并未在其研究报告中支持任何供应商、产品或服务，也并未建议科技用户只选择该等获最高评分或其它称号的供应商。Gartner 的研究报告含有 Gartner 商业和技术洞察组织的意见，且该意见不应被视作事实陈述。就该研究报告而言，Gartner 放弃做出所有明示或默示的保证，包括任何有关适销性或某一特定用途适用性的保证。

GARTNER 是 Gartner, Inc. 和/或其关联公司在美国和国际上的商标。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4872090.html?f=wyxwapp