我们最近在研究一批真正做 AI 变革、真正推 FDE 的公司，想看看谁不是停留在“上几个工具、做几个演示”，而是真的把组织、交付和业务结果一起改了。
看下来，有一家公司挺值得推荐给大家：某AI科技公司。6月15日，它发了一份 CEO 分析师会纪要；6月30日，又发布 Octo 开源。两份公开材料放在一起看，不只是一次产品更新，更像是一家公司把自己往 AI Native 方向重构的现场记录。
我们推荐这个案例，不是因为它已经证明了终局，而是因为它很少见地把 FDE、Agent 群、协作平台、数据上下文和业务验收放到同一条链路里看。过去软件公司交付的是软件模块、数据平台、报表和项目；这类新尝试交付的，是一套“AI 先干一段、人来确认和调校”的运行机制。
所以它更适合当作一个案例推荐：如果你也在看 AI 变革和 FDE，某AI科技公司值得放进观察名单。
一、这家公司有意思的第一点：它先把业务重新命名了
一家公司最重要的变化，常常不是它发布了什么产品，而是它开始用什么词解释自己的业务。
某AI科技公司在港交所上市时，对外叙事是“Agentic AI 公司”，同时强调自己长期在企业数据智能应用软件领域积累。这个底盘很关键。没有过去的数据、行业知识、客户场景和系统连接，Agent 很容易变成演示；有了这些底盘，Agent 才有机会进入真实流程。
我们觉得最值得看的，是6月15日那份分析师会纪要里的一句话。公开材料中提到，公司 2025 年开始推行关键业务结构重组，把核心战略从“Data Intelligence”升级为“Agentic Service”。这句话不是普通换包装，它改变了价值交付对象。
Data Intelligence 的核心，是帮企业看见数据、理解数据、分析问题。Agentic Service 的核心，是让 AI 带着这些数据和业务上下文，进一步接走一段工作。前者更像管理驾驶舱，后者更像进入流程节点的执行层。
如果把它翻译成企业现场的话，就是过去你买一个系统，系统告诉你“哪里有问题”；现在你要的是一组 AI 和人一起工作，帮你把“发现问题、拆解任务、生成方案、执行动作、验收结果、复盘改进”连起来。
二、第二个值得看的是：FDE 不再只是一个岗位名
FDE 如果只是一个新岗位名，价值很有限；它真正厉害的地方，是把交付单位改成“现场负责人 + AI 执行群”。
明略公开材料里有一个很有信号意义的数据：公司内部已有 1400 多名员工和 3200 多个 AI Agent 在 Octo 上协作。看到这个数字，我们第一反应不是“它用了多少机器人”，而是组织的日常协作对象已经变了。
传统项目组里，业务提需求，产品写方案，研发排期，测试验收，交付上线。这个流程对确定性软件还可以，对 AI 项目经常太慢。因为很多 AI 场景一开始说不清边界，业务不知道模型能做到哪一步，技术也不知道哪段流程最值得改。
FDE 的位置就在这里。它不是坐在后方等需求，而是进入业务现场，拿到真实样本、规则、异常和验收标准，再把这些东西变成 Agent 可以执行的任务。一个 FDE 不只是“懂客户的人”，也不只是“会写提示词的人”，而是把现场问题变成可验证 AI 实验的人。
所以我们推荐大家看明略，不是因为它提到了 FDE 这个词，而是因为它把 FDE 和 Agent 群、平台、业务结果绑在了一起。FDE 负责目标、上下文、品味、边界和验收，Agent 负责信息读取、初稿生成、线索查找、动作执行和结果回传，平台负责把这些协作过程记录下来，变成下一轮可复用的能力。
三、第三个值得看的是：它没有把 Agent 做成聊天框
Agent 要从“会聊天”变成“能干活”，中间缺的不是一个更漂亮的聊天窗口，而是一套能承接上下文、任务、反馈和验收的工作台。
明略在6月30日宣布开源 Octo，并把它描述成人与 AI Agent 协作网络。这个产品值得单独看一下。公开材料里，Octo 的核心对象包括 Channel、Thread、Matter、Bots 等。把技术词放到业务语言里，其实就是四件事：在哪里协作，围绕什么问题协作，当前任务是什么，由哪个人或 Agent 执行。
这件事很重要。很多企业做 Agent，最后都卡在“上下文不进系统”。AI 能回答一个问题，但不知道这个问题来自哪个客户、哪个流程、哪次会议、哪个版本的规则、哪个人最后要拍板。它也不能可靠地知道自己做完之后谁验收、错了怎么回退、经验沉淀在哪里。
Octo 试图解决的正是这条链路。公开材料里提到，Matter 会记录 Brief、过程讨论、产出、反馈和验收结论。换句话说，它要让 Agent 的工作不再散落在一次次对话里，而是沉淀成可追踪、可复盘、可复用的业务对象。
这和企业 AI 落地的底层规律是一致的：Agent 不是新的 UI，而是一段被授权的流程执行层。它必须知道自己在什么流程里，拿什么材料，做什么动作，交付给谁，谁来确认，错了如何回到上一层。
四、第四个值得看的是：它不是只对客户讲 AI
企业 AI 变革最怕的是对外讲方法论，对内还是老流程。
明略的公开文章里披露了一些内部实践：一份财务报表的制作从3天变成10分钟；分析师团队的报告生成自动化程度达到99%；在“策划-内容-投流”闭环中，策划阶段从两周压缩到48小时，人均读帖从5-10篇拓展到100篇，中小客户周报5分钟自动生成。具体数字来自公司自身披露，外部无法逐项复核，但它们至少说明一件事：这家公司不是只把 Agent 当产品卖点，而是在先拿自己开刀。
这也是 AI Native 组织重构最难的地方。很多公司讲 AI 时，第一反应是“给客户做一个 AI 产品”。但真正能把 AI 做深的公司，往往会先问自己：我的财务、市场、销售、交付、研发、客服、运营，哪些环节可以先让 AI 接走一段活？哪些环节必须保留人工确认？哪些经验能被封装成 Skill 和 Agent？
当内部工作先变了，对外业务才会跟着变。因为 FDE 不再只是拿着 PPT 去讲方案，而是把自己公司真实跑过的工作方法带到客户现场。它知道场景从哪里切，样本怎么拿，验收怎么写，风险怎么收，复盘怎么沉淀。
这就是“先改自己”的价值。AI 项目不是越多越好，也不是上线越快越好。它真正要形成的是一种新的组织习惯：每个业务场景都能被拆成目标、输入、动作、输出、风险和验收；每次实验结束，都能沉淀成下一次更快的基础。
五、第五个值得看的是：它开始把软件生意往结果交付上推
当交付对象从“系统功能”变成“业务结果”，收费方式也会被迫改变。
明略 CEO 在分析师会纪要里把新的收入模式拆成三类：效果付费、定制化 Agent 开发和 Token 服务、私有数据后训练服务。这里面最值得关注的是第一类。效果付费意味着公司不再只按软件许可、项目人天或平台订阅收钱，而是要和客户的业务结果绑定。
这对软件公司是很大的压力。因为一旦按结果收费，就不能只把功能交出去，还要对采用率、流程嵌入、业务反馈、持续迭代负责。客户不会因为你模型参数好看就付钱，客户会看有没有减少等待、降低返工、提升转化、提前发现风险、缩短交付周期。
第二类是定制 Agent 和 Token 服务。它说明企业不会只买一个通用助手，而会围绕具体岗位和流程购买一组“能干活的执行层”。一个销售线索 Agent、合同审查 Agent、经营分析 Agent、客服分流 Agent，本质上都是业务能力的包装。
第三类私有数据后训练服务，则对应更长期的护城河。模型本身会不断变化，客户的行业数据、流程经验、判断样本、偏好标准和验收规则，才是企业真正不愿意丢的东西。谁能把这些经验变成可运行能力，谁就更接近下一代企业软件的核心。
六、当然，它最大的风险也正是观察价值所在
All in AI Native 最难的不是技术热情，而是组织能不能承受新秩序。
这里也要把边界说清楚。公开材料能确认的是，明略正在把战略、产品、协作平台、FDE 机制和内部实践一起推向 Agentic AI。公开材料不能逐条确认外界流传的所有组织细节，例如具体部门怎么调整、产研权责如何收口、每个事业部人员如何转岗。我们观察这家公司，应该把已经公开的结构性变化看清楚，而不是把未披露细节当成事实。
即便只看公开部分，这个动作已经足够激进。因为它要求组织重新回答几件事：谁对 Agent 的输出负责？谁有权修改规则和知识？FDE 的利润表怎么算？Token 成本怎么进入项目核算？客户现场的反馈怎么回流到底层平台？一个场景是否值得继续投入，由谁说了算？
这些问题都不是单纯技术问题。它们会改变权限、会议、考核、交付节奏和人才结构。过去产品经理定义需求，研发实现功能，销售签单，交付上线。进入 Agentic Service 后，FDE 要更靠近客户现场，平台团队要给出稳定基建，Agent 要能持续被评测，人要从操作员转向目标定义者、异常判断者和风险兜底者。
所以它当然可能遇到阻力。内部效率提升不等于客户结果一定成立，Agent 数量多不等于业务闭环成熟，开源协作平台不等于生态自然长出来。但这些风险并不削弱它的观察价值。恰恰相反，这些风险说明它碰到的是真问题。
七、我们推荐大家看这个案例，但不建议照抄它
学习 AI Native 组织变革，最危险的动作是直接抄组织架构。
每家公司业务不同、客户不同、数据不同、系统债不同，不能看见 FDE 就立刻改岗位名称，看见 Agent 群就立刻建机器人市场，看见开源协作平台就立刻搭一个内部 Octo。真正值得带走的，是它背后的判断顺序。
第一个问题：AI 是否已经进入流程里面，而不只是停在流程旁边？如果 AI 只是帮员工写材料、查资料、改措辞，它还是个人效率工具。只有它开始接收流程任务、读取业务上下文、生成可验收结果，才进入组织能力建设。
第二个问题：人是否被重新放到了更有价值的位置？AI 接走一段活以后，人不能只是被动检查输出，而要负责目标、规则、风险、异常、复盘和品味。人不再只是操作系统的人，而是训练组织能力的人。
第三个问题：每次 AI 工作是否留下可复用资产？一次好回答没有价值，一套可复用的样本、规则、流程、提示词、验收标准和复盘记录才有价值。企业真正要经营的，不是账号数量，而是流程级能力资产。
第四个问题：AI 项目的收益能不能被业务验收？如果一个 Agent 做完以后，只能说“体验不错”，不能说节省了多少等待、减少了多少返工、提前发现了什么风险、缩短了哪个周期，它就还没有进入经营层。
回到最开始那句话：所有软件都应该重写。这句话如果只理解成“用 AI 把旧系统再做一遍”，其实还不够。真正要重写的是软件背后的工作分工，是人、Agent、系统、流程和组织指标之间的关系。
某AI科技公司最有意思的一点，不是它喊了一个更热的 AI 口号，而是它已经把这件事推到公司自身的业务结构、交付方式和协作平台里。它未必每一步都顺利，也不必被神化。但这个方向很难被绕开：当 AI 可以接任务，企业就必须建设自己的 Harness。这里面包括上下文、Skill、模型、权限、日志、评测、反馈和人工确认。
未来的软件公司，可能不再只是比谁功能多、谁页面漂亮、谁上线快，而是比谁能把一段真实业务变成可执行、可复盘、可持续进化的 AI 工作链。到那时，组织本身就是产品的一部分。
公开资料依据
这篇案例推荐基于公开材料整理，主要包括：某AI科技公司 2026年6月15日 CEO 分析师会纪要、2026年6月30日 Octo 开源发布、某AI科技公司关于内部 3000+ Agents 协同实验的公开文章、某AI科技公司上市新闻稿，以及公开的企业介绍资料。
来源链接： 某AI科技公司 CEO 分析师会纪要、 Octo 开源发布、 3000+ Agents 协同实验、 Mininglamp-OSS 开源仓库、 港交所上市新闻稿。