Create 2026百度AI开发者大会上，李彦宏的一句话让我印象深刻：

“Token不一定代表终局，它只代表成本而不代表收益，衡量的是投入而非产出。”

是的，之前龙虾火，各家都搞龙虾；最近Token火，各家又宣传自己每天烧了多少多少Token，进入了消耗量大比拼。

但实际解决了多少问题呢？

在C端，你装在电脑的龙虾，现在用得还好吗？

在B端，也就是企业端，老板兴冲冲地买了一堆AI工具，开了好几次动员会，全公司折腾了大半年，结果最常见的用法是什么？

让AI写个会议纪要，整理一下周报，或者做个简单的销售数据查询。

问你们要不要让AI参与供应链补货决策？涉及财务判断、库存调配？要不要让它帮忙排产、给核心生产线出调度方案？

诶，这个……暂时还是算了吧。

这就是当前大多数企业的真实处境。AI的地位，说白了就是个聪明的文字秘书，能说会道，但真正扛事的活儿，谁也不敢让它做。

这不是AI的问题，这是AI落地的“最后一公里”问题。

而这，正是百度智能云在本次开发者大会上推出的企业数据智能平台——“百度胜算”要解的题。

一个“聪明的外来人”

百度智能云数据平台部总经理刘斌给了一个很准的比喻：现在的AI Agent就像一个刚毕业的大学生来企业上班。聪明，反应快，什么都懂一点。

但是，你公司供应链里那些补货逻辑，他不懂。你缺货了到底该向哪个工厂调拨、调多少、优先级怎么排，他不清楚。这套规则在哪？在老供应链专家脑子里，没有写下来，更没有给AI讲过。

你门店的评价体系，这个外来人看不懂。你的社区店和商务店能用同一套KPI吗？收入下降、毛利下降是客流的原因，还是客单价的影响，还是能力强的高绩效员工离职导致？BI报表里能看出来吗？

问题不是AI笨，问题是AI根本不认识你的"家"。

这就带来了一个很实际的困境：根据企业实践，现有Agent在企业严肃业务场景里准确率只有80%左右。

80%乍一听还行，但放到真实场景里想想。你每天有1000个补货决策，意味着200个是不准的。老板敢给你用吗？

所以大家的选择是往后退一步，用AI的地方都是“只读”的——查数据、看报表、聊天问答，能出结论，但不敢执行。

这才是大模型落地的真实困境，并非技术不行，是企业根本不信任它。

把专家的脑子装进AI里

这次在Create 2026大会上发布的“百度胜算”，试图正面解决这个问题。

核心思路是，既然AI不懂你的业务，那就教会它，给它上一堂“业务速成班”。

不过教的方式有讲究。以前大家流行的做法是把公司文件、规章制度、流程文档统统扔进去，加个向量检索，然后问AI问题。

这个路子在轻量的问答场景还能凑合，但到了核心业务就拉胯了。

原因很简单，企业里真正有价值的决策知识，根本就没有写下来。

专家知道缺货了该怎么补，但这套判断逻辑从来没有文档化。知道哪条生产线该优先排，但这个判断是他工作十年积累的直觉。你把现有文件扔进AI，AI学到的是皮，专家的脑子里才是骨。

百度胜算做的事情，是把这个“骨头”挖出来，结构化。这套方法叫做“上下文工程”，具体分三层：

第一层，业务一张图。把企业里的核心业务对象——订单、库存、商品、供应商、仓库——建成一张关系网。AI不再是在茫茫文字里找答案，而是能清楚地看到：这个订单属于哪个供应商，对应哪个仓库，与哪些物料关联。有了这张图，AI才真正“认识”了你公司的组织架构、实体关系。

第二层，业务逻辑一张图。这一层才是真正的精华。把专家脑子里的决策规则，信息化。缺货了找哪个供应商？优先哪条生产线？这个判断背后有什么约束条件？把这些规则整理成AI能理解的格式，等于是给AI上了一门专属培训课。

第三层，业务执行。光懂还不够，还得能干活。Agent需要能真正操作系统——不光能查库存，还要能下单、退货，与外部系统产生写操作。把这个打通了，AI才从看客变成了参与者。

三层合在一起，就是所谓的“业务本体”。有了这个，Agent才算从外来人变成了内行人。

光懂不够，还要能“托付身家”

但光是懂业务，企业还是不敢把核心决策权交出去。

还有一关：信任。

想象一下，你让AI去执行一个补货决策，它操作出了差错，影响了真实的生产系统。谁来负责？怎么追溯？能不能回滚？

这就是百度胜算另一套能力“系统工程”解决的问题。简单说，就是给AI跑业务建了一套安全系统。

其中最有意思的设计是沙箱机制，有点像软件开发里的“分支”概念。AI在做决策之前，先在一个隔离的沙箱环境里“演习”，走完整个决策流程，看看结果怎么样，确认没问题了，再合并到真实的生产系统。

探索出错了？没关系，沙箱里的错误不会影响生产。探索对了？提交，合并，执行。

这个设计解决了企业最核心的顾虑：AI出错了怎么办。答案是：出错了也不怕，因为根本还没有作用到真实系统上。

另外还有全链路审计和溯源能力——AI做了什么决策，基于什么数据，经过了哪些判断步骤，全程记录，随时可以回溯。这对于制造业和金融行业来说几乎是硬性需求，出了问题要能解释清楚。

还有一个向前仿真的能力：我打算这样决策，会带来什么结果？AI能先预演一遍，把预期影响告诉你，再由人来确认。

本质上，这套系统工程是在重建信任基础。企业不信任AI，不是因为AI不聪明，是因为它不透明、不可控、出了问题没法交代。这套系统把这些顾虑都堵上了。

别只讲概念，上“疗效”

说了这么多架构，说点实际的案例。

先看制造业。

百度胜算有一家大型制造企业说，他们有海量SKU，以前全靠老专家凭经验判断什么时候补货、补多少。

用了百度胜算之后，缺料决策压缩至“分钟级”，缺料遗漏数降到了0。

什么意思？就是AI说的，业务人员基本都信了。

再看另一个行业。

一家连锁门店客户说，公司有大量的店，业态复杂，评价标准不统一。专家难以找到收入下降的真实根因。

现在，经营分析提效到“分钟级”，根因分析准确率超过95%。能精准定位到“是不是那个高绩效员工离职了”这种业务层面的原因。

还有新能源制造业。

某新能源企业说，他们每天收到大量多模态单据，人工处理非常耗时。现在，AI识别准确率95%以上，数据处理周期加速到“小时级”。

大模型落地进入新阶段

我有时候觉得，大家讨论AI落地企业这件事，总是把关注点放错了地方。

大家老是在问：这个模型多少参数？推理速度有多快？在Benchmark上排第几？

但真正阻碍AI进企业的，是业务理解的断层，是AI“聪明”和AI“懂事”之间的差距。是企业把核心决策权交出去时内心深处的那种不安。

百度胜算做的事情，本质上是在填补这两个端点之间的沟壑，是大模型ToB落地逻辑的重构。

以前行业做Agent，总想着先做边缘场景试水，再慢慢渗透核心，但这条路走不通。边缘场景数据少、反馈少，Agent永远学不会核心业务逻辑，只能一直边缘。

百度胜算则反过来，直接聚焦核心场景，从一开始就瞄准核心生产力，形成人机协同闭环。通过长期服务，沉淀的经验越多，Agent就越聪明，越懂业务，构成正向循环。

大模型的终极价值是真正融入产业，解决企业的实际难题，成为核心生产力。

也许有一天，我们会觉得现在的企业“不敢让AI做决策”是件很可笑的事情，就像现在觉得“不敢让电脑记账”一样可笑。

但在那天到来之前，有人得先把这个桥搭起来。

百度胜算在做这件事。至于搭得好不好，用数字说话。