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。