AI 正在重塑全球协作，但“真赋能”和“伪赋能”之间差了什么？

李锦威 / Refly.AI CMO——AI Agent 开源产品创业者，去年底推出 Nexu开源数字员工产品

王鹏飞 / Mapping Intelligence 联合创始人——专注工业数据孤岛连接，提出"AI 万能插头"概念

刘煜晨 / 意言科技 创始人&CEO——出海企业全球化协作一线实践者，在美国、南美、欧洲、东南亚多地有业务

Sean Li / Airwallex 空中云汇 Billing 产品负责人——全球金融科技公司操盘手，负责收入管理与商业化产品

主持人：辣椒老师 / 非凡产研 合伙人

你不需要从复杂的场景入手，先让智能员工干一两件具体的事，比如每天采集群聊数据、自动生成周报——它慢慢了解你的上下文之后，价值就出来了。

更多圆桌细节

辣椒老师： 欢迎大家！我们这场圆桌的主题是“重塑企业协作的新机遇和新挑战”。在正式讨论之前，我们先有一个自我介绍及各公司业务的环节，我们从李总开始吧。

李锦威： 大家好，我是来自 Refly.AI 的李锦威。Refly 其实是我们公司去年推出的第一款产品，最早也是从开源开始做，去年12月份我们推出了云端部署的版本。做这个产品的初衷是基于我们对 AI 产品形态的认知：一类是 Agent 产品，使用门槛低，能通过自然语言驱动，但可控性和稳定性不太够；另一类 Workflow 产品门槛又太高。所以我们希望打造一款通过 Agent 自然语言交互来驱动的 AI 原生软件。上周我们刚推出了第二款开源产品叫做 Nexu，希望大家能在 GitHub 上关注并做贡献。这个产品把我们底层的工作流编排能力融合进了 OpenClaw 的产品形态中，让大家能在本地一键部署，使用稳定的 AI 数字员工执行日常任务。

辣椒老师： OK，刚刚李总介绍咱们今年推出了一款叫 Nexu 的 AI agent 项目。因为今天话题是 AI 在全球化协作中的作用，我想了解一下，在对接业务和 AI 落地全球化协作的过程中，我们会遇到哪些客户的痛点，是咱们产品现在能帮大家解决的？

李锦威： 观察体验最深的痛点我觉得有三个。首先，现在大家探讨 AI 工具究竟是真赋能还是伪赋能，能不能赋能是毋庸置疑的，但为什么有些企业用不好？
第一是能力错位。公司希望部署一款专业能力很强的 AI 软件，但对终端员工来说，往往需要自己配 Prompt、配置工作流程，甚至需要低代码能力，这导致公司 80% 的人用不起来。
第二是颗粒度错位。公司站在企业战略高度，希望落地全面升级的 AI 系统；但每个员工往往只想解决一两个单点的任务，力度不匹配导致很难在终端落地。
第三是信任度问题。现在大量 AI 软件是云端 SaaS 版本，企业深入使用工作流时会涉及隐私数据，往往不希望数据流入其他平台，所以企业需要私有化、本地化的产品。
基于这三点，我们在做 Nexu 这个开源产品时做了针对性思考：首先简化能力，消除传统 AI 软件复杂的 UI 界面，让它成为你现有聊天软件（比如微信）里的智能助手，只要会聊天就能使用。其次，建议大家不用从非常复杂的场景入手，可以先把智能员工部署在一两个单点问题上，比如让它每天采集群聊数据、总结周报。最后，我们推出开源本地化产品，所有数据不经过云端，保留在客户本地，解决隐私担忧。

辣椒老师： 了解了，非常好的产品。感谢李总的分享。接着我想问一下王鹏飞王总，在您过去自身的业务里面，实际的 AI 实现全球企业化协作过程中，企业存在什么客户痛点或问题，今年会有哪些新手段来解决？

王鹏飞： 我先简单介绍一下我们公司。我们团队2021年开始在汽车工业领域做研发管理的 SaaS 软件（云体科技 Mapping Space）。去年我们看到了 AI 的新机会，所以创立了第二家公司 Mapping Intelligence，方向是“AI 加出海”。
工业制造领域有很多数据孤岛：研发领域用 ALM 系统，生产制造用 PLM 和 MES 系统，它们之间连接起来非常困难。企业要把研发到生产的流程打通，面临三个挑战：一是高昂的集成成本；二是理解整个工业流程的难度；三是核心数据不出域的安全红线。基于这三点，Mapping Intelligence 打造了类似“AI 万能插头”的产品，我们有自己的平台去接入 ALM、PLM 和 MES 系统，让企业数据能在本地安全流动。

辣椒老师： “AI 的万能接头”，这确实是非常有意思的一个产品。刘煜晨刘总，在意言科技当下的实际业务场景当中，在全球化的 AI 协作里，是否也存在类似问题，我们的产品是怎么去解决它的呢？

刘煜晨： 我们其实现在也在很积极地拓展全球化，在美国、南美、欧洲、东南亚都有相应的办公室和业务。确实碰到了很多问题，比如如何管理好全球化团队、如何无缝协作，当下最大的其实还是语言问题。虽然大家可能说的都是英语，但口音和类型不同。尤其是我们中国本土的工程师技术能力很强，但英文不行；而前线人员（比如新加坡的售前或阿根廷的 FTE）能很好地跟客户交流，但没办法通过很好的 PRD 把需求传达到后端。现在有很多翻译工具，比如南美同事来中国出差，我给他买了带翻译功能的眼镜，但这些治标不治本。如何更好地解决出海团队协作的语言问题，我觉得是个重点。

辣椒老师： 感谢刘总。我觉得 Airwallex（空中云汇）在这个方向也是非常有发言权的，因为 Airwallex 到今年为止在全球各地有将近 40 多个 Office。想请问 Sean Li 李总，空中云汇在内外企业员工实现全球化协作的过程中，存在什么痛点，咱们是怎么解决的？

Sean Li： 好的，谢谢。我自我介绍一下，我叫 Sean Li，之前也是创业者，现在在 Airwallex 负责 Billing（收入管理和商业化）产品。Airwallex 是一家全球化的金融科技公司，愿景是打造一个全球的 Financial Operating System（金融操作系统），帮客户管理收入、支出和资金流，立志做下一个时代的汇丰银行。我们的内部理念是“让支付隐形，让增长显形”。
关于 AI 落地，我们有超过 1500 人的规模，大家在目前大环境下都非常积极地尝试 AI。因为我们做的事情非常复杂且具有专业壁垒（碰钱、碰监管），又是全球性的，所以有很多沟通和解释的成本。AI 能帮我们搭建很好的桥梁，简化沟通，让复杂变简单。这点不光是产研，我们的销售和业务同事也有非常深切的体会。

辣椒老师： 明白，感谢李总。现在很多行业都在鼓吹用 AI 内部提效，但也有部分企业反馈说投入 AI 之后不一定真提效了，实际还增加了巨大的成本。我们在自己的业务里有没有类似情况，是怎么应对的？我们先从 Airwallex 的 Sean Li 开始吧。

Sean Li： 我觉得是有的，但这笔账算得非常清楚。从效率的起伏上来看非常大。在我视角里，唯一的成本可能是一个比较好的现象：因为大家对 AI 认知非常积极踊跃，不时尝试企业里各种最新工具，其实最疼的是我们的 IT 部门和信息安全部门。他们会考量这对金融企业级的数据安全有什么影响。我觉得这是一个好过程，虽然在这个时代从信息安全角度大家也没完全摸透，你可以把它看成增加的成本，但长期来说它是有复利价值的。

辣椒老师： 了解。空中云汇业务体量大，纯金融的业务在防洗钱或欺诈场景会更复杂。我想同时问一下李总（Sean Li）另外一个问题，你是如何看待 AI 在提效和风控之间的边界性问题的？

Sean Li： 我接着说一下。从提效角度，作为全球金融系统，最显著的是开户流程。以前需要人工审批，现在有了智能体能做更好的判断；一直到交易层面察觉信息点去设计风控体系，再到财务支出优化，这方面提效是明确的。
但这也是一把双刃剑。传统关系里，企业信任员工去做审批，这是三者的信任链；有了智能体，信任链变长了，变成企业信任员工，员工把信任转给智能体，而商户开户时可能也是智能体代办。信任链从三个参与者变成五个，风险系数自然就增加了。关键是怎么规避这两个 AI 植入带来的额外风险，这也是 AI 学术界一直在讨论的“机器人对战机器人”的话题，蛮有意思的。

辣椒老师： 感谢分享。回到刚才的话题，刘煜晨刘总，在我们过去的业务场景中，大家认为存在这种“伪赋能”AI 现状的原因可能有哪些？

刘煜晨： 其实“伪赋能”这个词我不是特别认同，我感觉还是真有赋能的。比如我们给员工上了 OpenClaw 后，有个文科背景的员工自己写了个自动化技能：把开会录音转文本，然后结合 PPT 模板自动生成报告，这远远超出了我的预期。
如果一定要说哪里有一点伪赋能，可能是在 Coding 层面。AI 帮你写了很多代码时，工程人员要花更多的时间去 Review 这些代码，确保大项目不出风险。所以如何通过脚手架（Harness Coding）控制好，让 AI 在长时间推演上不出问题，以及工程师如何把 Agent 和 Prompt 写得清晰干净，是当下的一个挑战。

辣椒老师： 明白，王总在这个方向有什么总结或者想法吗？

王鹏飞： 工业领域的发展路径其实蛮清晰的：第一阶段是“自动化助手”，第二阶段是“智能分析师”，第三阶段终极形态是“流程的决策者”。工业领域如果出现问题导致大规模返厂或停产，成本是巨大的，这跟金融领域一样。所以现在没有办法完全依赖 AI 去做决策，还是一个“人机共同协作”的阶段。说到底它就是一套风险管控机制，最后重要的工作选项还是交给人类判断。
所以前期相当于增加了管理成本，因为不管是数字助理还是智能分析师都需要人去管理；但进化到第三阶段，它就可以自己完成判断和决策，这也是德国工业 4.0 的终极形态。我们很期待接下来十年它会进化到什么程度。

辣椒老师： 好的，感谢王总。李锦威李总，其实 Refly 在 AI 领域深耕了很久，您对 AI 在企业做内部赋能怎么看待？

李锦威： 这两种现象确实同时存在，但我比较赞同前面几位讲的，这是一个螺旋上升的过程。大模型的能力目前一定迈过了生产力的关卡，现在卡在我们面前的是：你的团队和企业的上下文（Context）能不能集中打通，让大模型完全理解你的企业和每个人？这差别很大。
为什么今年 OpenClaw 出来这么火？以前我们做工作流时，依然会有客户做不出生产力很强的工作流。但 OpenClaw 天然成了一个企业上下文收集的入口，有了这些数据之后，工作流就能真正在企业里发挥作用。你只需要把机器人放到企业的聊天里，它逐步了解知识后，就能发挥出真正的价值。

辣椒老师： 那您是否觉得工作流的时代即将过去，下一个时代是 AI 带来的呢？

李锦威： 应该换个说法，是“需要由人来编排工作流”这个事会过去，但“工作流”本身会持续存在。无论是第一代 workflow 还是现在的大语言模型，背后依赖的仍然是工作流，只是需要人去编排的工作越来越少了。我们在做新产品的思考也是希望把工作流编排做得越来越简单，让它无形地存在于企业环境里。

辣椒老师： 理解。问一下王鹏飞王总，咱们覆盖的工业化领域（如汽车、航空航天）业务场景更复杂，一定会遇到数据打通的瓶颈。Mapping Intelligence 怎么应对数据孤岛现状？

王鹏飞： 主持这个问题非常精准。全球制造业创新最难的就是刚才说的点：企业要付出高昂的集成成本，并且需要深刻理解每一个领域的流程。我们现在的解决方案不替代原有系统，而是把数据接入我们的平台做本地部署。
接通系统数据后，我们可以尝试场景化的 AI 协作。比如中欧研发团队节奏不一样：欧洲团队注重写好文档再执行，中国团队讲求迭代和即时反馈。我们有温度的 Agent 能慢慢学习，面对德国团队输出变更文档，面对中国团队输出即时反馈，这样实际上加速了跨文化沟通。AI 不仅仅是工具，它慢慢会有“人性”，这是我们在工业领域觉得越做越好玩的一点。

辣椒老师： 其实王总的议题带出了第二个话题：AI 赋能全球协作，到底是简化了流程，还是制造了新的壁垒？有人认为 AI 工具和数据互通反而成了新障碍。在真实场景中有这种体验吗？请 Sean Li 开始吧。

Sean Li： 我觉得流程永远会存在，但应该问的问题是：这是“谁”的流程？如果用 AI 的参与替换掉人类在流程里的参与，那必然是赋能的。因为流程最后就是路径优化，里面有不同的 Milestone，AI 智能体能带来的是在足够 Context 情况下参与并执行路径优化，帮人类省去无谓的时间和精力投入。

辣椒老师： 所以您的核心点是决策方和执行方是谁。

Sean Li： 我个人感觉现在决策方还属于人类，但我相信大多数甚至偏高级别的决策会慢慢被智能体替代。过去十年我们打造的是金融操作系统，那下一步就是怎么利用智能体不仅作为工具，而是做流程的建议者和最终决策者，这是个很大的方向。

辣椒老师： 那在实际跨境支付业务场景中，怎么用 AI 去解决财务决策性问题呢？

Sean Li： 我们自己做的收入管理产品 Airwallex Billing 就是为了应对这个痛点。出海企业找到了产品市场匹配度（PMF）之后，一定要商业化赚钱，这时要考虑地缘政治、文化差异和不同的税收体系。比如怎么定价（按席位还是用量）、当地市场的购买力、甚至税务合规。在 AI 推动下，这类收入和合规管理的需求被放大了，所以我们提供专门服务这种场景的产品。

辣椒老师： 想了解一下意言科技刘总，如何通过 AI 工具实现全球团队协作的标准化、流程化，减少协作的混乱？

刘煜晨： 王总刚讲的案例非常有启发。我们自己也没有一个绝对的最佳实践，大家都在用各种小工具，比如一截图就能将外文翻译成中文的工具，解决全英文 PPT 开会的需求。开会时大模型也提供语音转文字脚本。
在协同工具上，我们从飞书转到了 Lark，以解决海外合规和权限隔离的问题。搭建完知识库后，现在的重点是怎么减少摩擦。因为 AI 能力很强，有些同事的产出变得无限高，开完会直接让 AI 出 Summary 和 PPT，自己不再去总结梳理，导致对方接收到太多未消化的信息。这种有了好工具反而增加摩擦的案例也在发生，所以我们现在要求大家不能把所有事情全部依赖 AI，关键地方还是要自己去把关。

辣椒老师： 刚才大家反复提到执行者和决策者问题，问一下王鹏飞王总，相比于传统的集成方案，AI Agent 在执行复杂的工业化流程过程中，会产生什么新的变化？

王鹏飞： 这里面有个底层逻辑：以前的系统是基于固定的“流程与规则”，而在 AI 时代是基于“变化”，更注重对底层逻辑的理解。目前我们重点完成了 ALM（研发管理）领域的积累，接下来的策略是一步步去搭。
传统制造企业有心肝脾胃肾（比如各个系统），但互不交流。我们第一步是给它“搭血管”，用我们的 Connector 平台接入所有脏器；系统循环流动起来后，会在第二步积累 Skills 长出“神经系统”；最后神经和血液系统循环，会形成一个“智能大脑”。这是我们的发展节奏。另外，如果在场有从事这个方向的朋友可以跟我联系，大家一起探讨。

辣椒老师： 说到软件话题，李总，我们今年发布了 Nexu 产品，如何解决传统工作流软件配置太慢的问题？不懂技术的团队能使用吗？

李锦威： 我长话短说，从三个点出发。第一，极大降低部署成本，我们简化成了一键安装的桌面客户端，可能 5 分钟就能完成部署。第二，配置和使用简化。我们做了中间层的配置编译器去兜底策略，解决各种聊天软件的适配性问题，让场景能快速跑起来。第三，我们不希望做新的 AI 工具产生数据孤岛，而是希望它真能成为“活在现有工具里”的数字员工，理解上下文并帮你执行生产级任务。

辣椒老师： 最后一个议题，在全球化背景下，企业怎么去做更多协作的创新路径？未来是否有新的发展机遇？请各位嘉宾分享，优先请空中云汇的 Sean Li。

Sean Li： 跳出空中云汇来说，我很赞同王总描述的方向：在非常垂直、细分的领域栽培智能体，让它变成实际的专业人员。大语言模型驱动下往往发散出的是 Generalist（通才），但未来的机遇在于打造更垂直、更专业的 Agent，比如法务、医疗、支付金融领域。这需要很多非文本的经验累积。
具体到我们的产品，我们很好地利用 AI 帮商户代办不同国家的地缘监管差异、税务确认（Revenue Recognition）等繁琐问题，让他们不需要为税务或财报担忧。

辣椒老师：那请刘总分享一下，AI 协作工具如何适配不同规模企业的需求 and 差异化落地？

刘煜晨： 我们从小团队几个人到现在几十人的规模，大家在 Lark 上的协同做得挺好。我觉得这里面有很多新机会，比如像 Plaud 这样的 AI 录音笔，大家觉得是老赛道，但其实我们售前销售基本人手一个。大家真正去运营全球化企业时，能捕获出很多未被市场满足的机会，这可能是一些新伟大公司的起点。

辣椒老师： 感谢刘总的建议。王总，未来 5 到 10 年，AI 仅仅将是工业软件的增强插件，还是会重塑全新原生协作平台？Mapping Intelligence 扮演什么角色？

王鹏飞： AI 在工业领域的发展没有消费端那么快。接下来三到五年，不会完全出现 AI 原生工业软件。所以我们的策略是两条腿走路：接下来的三五年内，我们帮客户快速在 30 分钟内解决数据连通，做“插拔式的工业软件”；但未来 10 年一定也会诞生工业级的原生操作系统，届时我们也会打造自己的工业原生操作系统。

辣椒老师： 感谢王总分享。李总，有人认为 AI 能消除语言和文化障碍，也有人觉得默契与信任是 AI 替代不了的。你们的产品更相信前者还是后者？

李锦威： 我觉得两件事同时存在，但我更相信人的信任还要靠人来解决。同样一份方案，AI 做的和了解老板的人做的，信任度完全不一样。所以我们希望 AI 能替代人做事务性的工作，把人解放出来；解放出来后的人，应该花更多时间在建立信任、沟通和对齐上下文上，这样才能让全球化协作更高效。

辣椒老师： 最后，请各位嘉宾用一句话分享一下：2026 年在 AI 赋能全球企业协作领域，你最看好的发展趋势是什么？请李总先开始。

李锦威： 我讲两点。第一是“从造工具到造数字员工”的思维转变；第二是“本地化和开源”会成为明显趋势，因为这涉及企业高价值隐私数据的保护，而真有价值的东西是你沉淀下来的 Context（上下文）。

王鹏飞： 如果大家还在寻找创业机会，我们推荐一个方向：中国企业出海面临瓶颈时，不知道如何在海外做市场拓展，大家可以考虑用 AI 替代掉 CRM，去做一套 AI CRM 方案。这领域目前没有标准化产品，未来一定会出，而且 Airwallex 也可以作为这套方案里的被集成方。

刘煜晨： 我们觉得 26 年软件出海会有一个趋势叫“软件本地化”。这不仅是语言翻译，还包括建立本地支持渠道、部分功能本地开发确保合规、以及本地数据存储。这是我们痛点，我们甚至想把解决这个痛点的方法产品化，为大家提供本地落地的支持。

Sean Li： 在 YC 的时候一直有个宗旨是 "Make something people want"。我觉得现在做产品的人要把它拓展为 "Make something agents want"。因为智能体会慢慢代替人的操作习惯，你提供的价值输出一定要去适应和智能体对接。我们现在产品体验的倡导就是：以 Agent 的使用度和理解力为先来考虑创新。

辣椒老师： 感谢四位嘉宾的精彩分享和新视角。我们在座的朋友们可以给四位分享嘉宾一点掌声吗？感谢大家！

文章内容根据活动现场实录整理