一家仅有1800名正式员工的企业，却配备了超过8000个AI驱动的数字劳动力。具体构成是5000个AI助理与3000个AI专家，使得人与AI的比例达到了1:4——这便是明略科技当前的组织架构。

“实际上，现在已经不存在纯粹的一线员工了。最基层的员工都已经转变为管理者，他们管理的对象是AI。”明略科技联合创始人、总裁兼CFO姜平向36氪表示。

这家以企业数据分析起家的B端公司，正借助其平台产品Octo进行一场实验：探索组织如何真正与AI协同工作，以及这种模式的经济账如何计算。

从数据挖掘迈向“组织智能”

明略科技成立于2006年，长期专注于企业级数据分析与数据挖掘。用姜平的话来说，明略科技一直致力于“打造数据驱动的可信生产力”。

进入AI时代后，明略在企业AI应用上经历了四次迭代：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，便是如今的Octo——组织智能。

Octo的产品形态与现有的企业级IM工具相似，但姜平认为其底层逻辑截然不同。“传统工具背负着历史包袱，人是其中的绝对主体。而我们构建的Octo平台，原生居民是AI。”姜平强调，明略做的并非办公软件，而是企业级服务，Octo更像**“一个供AI在其中工作的道场”**——人类向AI下达指令，共同推动业务落地。

△ 明略科技联合创始人、总裁兼CFO姜平

他将这套逻辑称为IoA（Internet of Agent）：让Agent之间构成协作网络，互相交换上下文信息，而人类只需“下达需求、审查结果，并在AI之间制定协作规则”。正如互联网解决的并非“每人一台电脑”，而是电脑之间的互联互通，Octo要解决的是Agent网络如何高效运转的问题。姜平表示，“为每个人配备一个AI助理，只是最浅层的应用。”

一个出海营销案例清晰地诠释了这套逻辑。一家中国泳池机器人出海品牌，要在美国市场进行达人营销，整个流程分为五步：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，花费一周时间完成……大约是20人天（即20个工作日当量）。”姜平说，现在同样的流程，在Octo平台上由一个人带领多个AI分工完成，“我们已经做到了8.5个小时。”

明略科技自身的财务团队也是一个典型案例。AI使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，全链路均可查询。“以前我以为横向把字段治理好就算不错了，AI到来后，我发现我的穿透能力是不足的。”数据打通后，AI问数和自动生成动态报表都成了日常操作，这套工作流程完全由财务团队以AI-Native的方式完成，没有任何开发人员参与。

不过，这套流程要稳定运行，背后需要一层基础设施（Infra）作为支撑。

Agent时代的基础设施长什么样

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。

当被问及与腾讯云的长期合作时，姜平的解释很直接：“我们99.9%的云都在腾讯云上，在移动互联网时代和大数据时代积累的资产，只有继续使用腾讯云，才能与当前时代的资产打通。”在他看来，更换云服务商的成本几乎等同于放弃历史积累。

进入Agent时代，明略在基础设施层最核心的需求变成了——为每一个AI提供独立隔离的运行环境，相当于在云上为每个Agent分配一台独立的电脑。Agent应用在执行深度推理任务时可能需要保持常驻状态——没有Infra层支撑，长任务根本无法稳定运行。腾讯云Agent Runtime底层自研的沙箱正是为此而生：毫秒级启动，为每个AI提供一个独立隔离的运行空间，使长任务和实时响应能够同时顺畅运行。

选择腾讯云的另一个原因是规模。 姜平举了一个极端场景：一家拥有10万名员工的车企，需要从零开始建立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，“只有腾讯才能保证为明略科技提供如此大的并发量，让我能够自由地伸缩。”

到了Agent Online时代，AI接入组织系统还带来了另一个问题：权限边界。“人能访问什么，AI就能访问什么”——助理是人的分身，权限应对等，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具有天然优势——“无感化”，让用户察觉不到工具的存在，只感受到结果。感知不到它的存在，是对基础设施的最高评价。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，明略科技使用腾讯这套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。他将劳动力分为三类：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：“数字劳动力真的来了，就是Agent。物理劳动力，还都处于表演阶段。”

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”——售卖数字劳动力，无论是人做还是AI做，都对结果负责。

明略选择坚定走开源路线。“开源就代表这笔钱收不到了。”License费用随之舍弃，收入来源转向Token费和FDE费，而FDE需要深入客户企业部署，本质上是按结果付费。

但企业是否接受FDE，最终还是要看引入AI后的投入产出变化。对真正关注经济价值的企业，姜平给出了一个ROI公式：1:1.5。人力成本加AI成本的总和，对应的收入至少要达到1.5倍，才能基本持平。“我花了1000万，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，层次差异很大。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”看待这件事。

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元的报销，至少买DeepSeek、买Kimi是足够用的。”

L2叫Agent Online，将AI接入组织系统，解决权限问题——“人能访问什么，AI就能访问什么”，逻辑上顺理成章，但实际落地涉及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，然后再考虑L2。”

这条路走到尽头，组织结构本身也在改变。“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名人类员工，8000个AI员工，也许未来这个比例还会变化。明略自己正在走这条路，也在把这套逻辑传递给它的客户。