如果說2024年的ChatGPT、2025年的DeepSeek（深度求索）讓更多企業認識到大模型的能力，那麼2026年的OpenClaw（俗稱「龍蝦」）則進一步讓企業看到，AI正在從對話和內容生成走向更復雜的企業級應用。過去三年，每一輪「AI時刻」都在推動市場認知變化，也折射出一個趨勢：隨着模型能力持續迭代，企業關注點正從「AI能做什麼」，轉向「AI能否穩定解決業務問題，並形成可衡量的經營回報」。
在這一背景下，9月18日，述信科技在上海舉辦「AURA 2026——消費品行業AI應用大會」，提出「企業級AI不是炫技，是拿結果」。會上，述信科技創始人兼CEO彭聖才正式推出AI原生產品MORA，並將其定義為「企業級AI解決方案的標準範式」。
述信科技創始人兼CEO彭聖才
在彭聖纔看來，2026年將是企業真正開始思考「AI怎麼落地」的一年。MORA試圖解決的，是通用大模型與企業實際業務應用之間的落差。它並非單純的模型或智能體產品，而是一套將AI能力嵌入企業數據、規則與業務流程的方法，其所指向的「確定性」，正在成為企業級AI落地繞不開的命題。
從「能用」到「敢用」，企業級AI卡在哪？
消費品和零售行業是AI應用較為活躍的領域，內容生成、智能客服、導購輔助、營銷自動化等場景已率先展開。但從實際落地看，「用上AI」與「用AI形成業務回報」之間仍有明顯距離。企業需要的並非一個平均意義上足夠聰明的模型，而是能夠在明確業務邊界內穩定運行的系統。
結合過去兩年的客戶實踐，彭聖才認為，企業級AI落地主要面臨兩大問題：幻覺與可解釋性。
首先是模型幻覺。對普通用戶而言，AI偶爾答錯，可能只是重新提問；但當AI參與商品、營銷、客戶服務乃至經營決策時，錯誤輸出可能帶來商業損失、品牌風險甚至合規問題。
「大模型有幻覺這件事，從學術角度來說，幾乎是不可能解決的。」彭聖才解釋稱，大模型本質上是用貝葉斯定律做概率預測，意味着即使模型能力持續提升，也很難僅通過模型迭代將錯誤輸出徹底歸零。而在企業場景中，即便大部分輸出是「正確的」，剩餘的不確定性仍可能成為企業擴大使用的障礙。
第二個難題是可解釋性。對於企業而言，廣告投放、新品開發、門店佈局等決策，往往建立在歷史數據、業務經驗、規則和約束之上。企業不僅需要AI給出一個結論，還需要知道結論依據了什麼數據、遵循了什麼規則，以及能否追溯其形成過程。
「企業的決策是需要解釋的。」彭聖才表示，大模型可以給出一個看似合理的解釋，這並不等於真實的決策依據。在他看來，大模型的判斷過程仍具有較強的「黑盒」特徵。這意味着，模型能力提升固然重要，但單純增加模型數量或等待模型繼續迭代，並不一定能夠解決企業「不敢用」和難以規模化的問題。
彭聖才提到，述信科技最初也曾試圖從模型本身尋找答案。2023年，隨着大模型快速發展，公司推出第一版「語矩」，主要承擔模型聚合功能，其一度接入80多個大模型。但隨着客戶場景不斷增加，團隊逐漸意識到，模型數量和模型能力並不能直接解決企業業務中的不確定性。
於是，他意識到，真正的問題要從「哪個模型更強」，轉向「模型之外，企業還需要什麼」。 MORA的雛形由此出現。
MORA，一個真正理解企業的AI範式
MORA並不是一個從零設計的產品，而是述信科技過去幾年在真實客戶項目中逐步沉澱形成的一套方法論。其核心由四層構成：模型聚化、本體築基、推理保障和智能執行，分別對應Model（模型）、Ontology（本體論）、Reasoner（推理）和Agent（智能體）。
M層解決的是模型如何服務企業業務。彭聖才強調，利用AI解決企業問題不能依賴單一大模型，關鍵在於「聚」。面對快速增加且持續迭代的大模型，不同任務對模型能力和成本的要求實際並不相同。企業沒有必要自行判斷所有模型的差異，而應根據具體任務進行調用和調度。因此，「模型聚化」並非簡單堆疊模型，而是讓不同模型在統一體系下服務不同業務場景，同時兼顧調用成本。
但在彭聖纔看來，模型只是基礎。更關鍵的一層是O層，即企業本體。
如果說傳統的知識庫像一本供AI查閱的手冊，知識圖譜解決的是不同知識之間的關係，那麼本體則進一步描述企業自身，包括組織、產品、業務關係、規則及約束。彭聖纔將其理解為企業的「數字孿生」。
本體的引入形成了企業級AI與通用AI的差別所在。通用模型掌握廣泛的公共知識，卻未必天然理解一家企業的商品體系、渠道規則、業務口徑和經營約束。企業如果希望AI進入真實業務流程，就需要讓AI運行在企業自身定義的事實和規則之中。
這一思路與彭聖纔此前的工作經歷也有關。2013年，他在微軟從事本體論相關工作。當時建立本體的成本很高，通常只有少數大型科技企業具備相應能力。如今，隨着大模型介入數據清洗、去重和歸併，企業將既有數據與業務規則重新組織為可計算結構的可行性提高。對於過去持續進行數字化投入的大型企業而言，這一基礎尤其重要。
換言之，大模型與企業本體並非替代關係。大模型負責通用能力，本體則成為企業級AI落地的基石，為AI提供企業自身的事實、關係和規則。
在此基礎上，MORA進一步加入R層，即推理。如果本體是一張由大量節點和關係構成的企業知識網絡，推理引擎所做的，就是在這些節點和關係之間進行計算，並依據既定的業務關係和規則形成結論。與完全依賴大模型生成相比，這種方式試圖讓AI的判斷更多建立在企業沉澱的數據和規則之上，同時保留推理鏈路，以增強結果的可追溯性。
彭聖才表示，當本體越來越龐大、複雜，從中推演企業經營決策所需要的規則，就需要圖計算引擎。為此，公司引入中國科學院外籍院士樊文飛團隊。據了解，該團隊將其在圖數據庫、數據質量及全棧AI領域的核心專利及軟件著作權以無形資產形式注入述信科技，構成其底層邏輯推理和數據治理方面的技術基礎。
最後一層是A層，即智能體。在述信科技看來，智能體並不只是一個「會聊天的機器人」，而是AI真正進入業務執行環節的載體。
彭聖才判斷，未來企業軟件的交互形態可能不再完全圍繞CRM、OA、ERP等傳統系統展開，而會出現大量面向具體任務的智能體。有些智能體可能長期運行，有些則隨着具體項目或流程產生、消失。這是他對未來企業軟件形態的判斷，關鍵前提則是智能體不能只依賴模型直出，需要建立在可靠的企業數據和業務規則基礎上。
把這四層放在一起看，可以看出，MORA並不是一個更大的模型，其核心是在大模型和企業業務之間架起一座"確定性的橋"——讓AI的每一步推理可解釋、每一個決策可審計、每一次執行有結果。
當然，並非所有工作都適合交給AI。彭聖才認為，對於高度依賴人的經驗、判斷、直覺和主觀感受的工作，現階段仍不適合由AI替代最終決策；相較之下，那些輸入、輸出和業務規則相對明確的工作，更適合AI介入。
從Demo到ROI，AI如何進入真實業務？
然而，企業級AI最終仍要回到最現實的問題：投入多少錢，解決什麼問題，能否形成回報。
述信科技與一家國際頭部女裝品牌的合作，是這一邏輯下的一個實踐樣本。彭聖纔回憶，這次合作並非一次性部署一個「大而全」的AI系統，而是從商品選擇、內容生成、全渠道發布等具體問題切入，拆分成多個小項目，「為了讓客戶理解並接受，每推進一個項目，我們都要給出非常清晰的商業價值測算」，他提到。
以短視頻生產為例，該品牌原有內容生產體系已經相對成熟，每年產出約兩萬至三萬條視頻，單條成本約300元，年度總成本已通過規模效應攤薄。要讓企業接受AI方案，僅僅展示一個「看起來不錯」的AI生成視頻顯然不夠。
實際要求更為嚴格。品牌對視頻內容有明確要求：模特必須使用真實簽約模特，服裝的紐扣、口袋、領口、袖口等細節也不能隨意改變。否則，AI生成內容與實際商品出現偏差，就可能從內容問題演變成消費者投訴甚至經營風險。
因此，真正的生產流程並非簡單調用一個模型，而是將素材處理、模型調用、結果篩選、人工校驗、業務規則和工程流程組合起來。這背後實際上體現了兩方面能力：對客戶業務規則的理解，以及大量工程工作。彭聖才表示，在項目立項並落地前，公司團隊已做了大量前期準備：先把流程跑通，跑通之後還需要進行端到端成本測算，將模型調用、基礎設施、軟件開發、AI工程、IT和雲資源等成本全部納入，與原有業務成本進行比較，再判斷項目是否值得投入。
由此看出，真正決定AI項目能否持續的，不止是模型生成效果，還包括業務規則、工程能力、組織協同，以及最終能否算清楚ROI。根據述信科技提供的案例數據，在多個項目逐步落地後，相關人工選品及內容工作量下降約75%至80%，釋放約20至25名全職員工產能，年度運營成本節省約1000萬至1500萬元，人效提升超過300%。這些結果並非來自單一AI工具，而是多個業務流程改造後的綜合結果。
「更重要的是，過程中我們也幫助客戶逐步建立起與這些業務相關的AI能力。」彭聖才接着道，「實際上，MORA的很多能力最初也在這個客戶身上落地。」他強調，企業級AI落地對應着一套嚴謹的財務決策和執行機制，同時也離不開企業內部各業務團隊協作。「只有多方共同參與，AI項目才能真正從一個技術方案轉變為企業內部可落地、持續產生價值的業務實踐。」
從DTC到AI Agent，未來企業軟件何去何從？
對於述信科技而言，MORA也並非一條完全獨立於原有業務的新產品線，而是公司自身戰略轉型的一部分。
成立於2018年的述信科技，此前長期服務大型品牌和連鎖企業，DTC數字化是其重要業務基礎。2023年後，公司開始加大AI方向投入，並逐步從DTC數字化轉向AI Agent，形成「DTC數字化+AI智能化」雙輪驅動的產品體系。
彭聖才表示，從DTC到AI Agent的戰略演進是「非常自然的」。前者積累的是企業數字化基礎，後者則試圖在此基礎上進一步解決AI時代的智能化問題。
事實上，這一轉變也折射出企業軟件行業正在發生的變化。過去一年多，海外市場曾出現「Software is dead（軟件已死）」的討論，即大模型可能削弱傳統企業軟件的價值。但彭聖才觀察到，隨着傳統軟件企業開始將AI能力引入產品和服務，軟件並未因此消失，反而可能借助AI降低服務成本、提升交付效率，並獲得新的收入空間。
與此同時，他指出，CRM、ERP、DTC等傳統系統長期積累的數據和業務規則，本身就是企業建立本體的重要基礎。AI應用的出現未必意味着舊系統被簡單替代，更可能是原有系統沉澱的數據和規則，以新的方式被AI重新調用。
換言之，過去的企業軟件更多承擔「記錄、管理和連接業務」的角色，而AI應用進一步嘗試承擔「理解、推理和執行任務」的角色。彭聖才認為，傳統企業軟件不會立即消失，但未來企業軟件的增量市場和產品形態可能發生變化，AI Agent將成為重要方向。
不過，彭聖才強調，從整個行業來看，AI仍處於非常早期階段。如何降低幻覺風險、如何組織企業知識和規則、如何讓智能體穩定進入業務流程，行業尚未形成高度統一的方法論。他也坦承，MORA所代表的「模型+本體+推理+智能體」技術路徑目前尚未成為行業普遍共識。
正因如此，從探索MORA方法論，到將其打磨為產品，述信科技持續與同行交流。「我們認為，這是整個行業都需要的一種範式，也是為什麼我們這次舉辦MORA大會，要把它作為一個非常重要的核心理念推出。」在其看來，MORA所代表的技術路徑正在獲得更多關注。
對於述信科技未來的定位，彭聖才非常明確：聚焦應用層。這一認知對應着英偉達創始人兼首席執行官黃仁勳提出的AI五層架構中的最上層。「真正直接承接價值實現的，是應用層，因為應用最終要回答的是如何為客戶創造價值。」他補充道。
對於中國企業服務市場，彭聖才也保持積極判斷，相信述信科技仍「大有可為」。在他看來，企業對AI的認知正在變化，尤其新一代企業家更加關注智能化和可持續發展；與此同時，中國潛在企業客戶規模仍然較大，且中國AI能力嚮應用端的溢出也提供了新的市場空間。
MORA能否成為企業級AI的標準範式，仍有待更多行業實踐驗證。但當AI從個人效率工具逐步進入企業經營流程，企業真正需要衡量的，或許不再只是模型參數或回答能力，更看中AI能否在明確的業務邊界內穩定運行、解釋判斷依據，並最終轉化為可計算的經營結果。圍繞這一目標展開的技術與組織重構，或將成為下一階段企業AI競爭的重要變量。