智通财经APP获悉，几乎所有企业都在谈AI，但真正把AI用成生产力的公司并不多。过去两年，大模型以月为单位迭代，AI Agent成为资本市场和产业界共同追逐的新词；但在真实企业里，另一种景象同样普遍：试点很多，演示很多，真正进入工作流、能持续贡献经营结果的AI应用却不多。

深演智能(02723)创始人兼CEO黄晓南把这个问题归结为一句话：企业AI的价值兑现，卡点不在模型，而在使用AI的方式。

(深演智能创始人兼 CEO 黄晓南)

2026 年 5 月，深演智能在港交所主板挂牌上市，成为港股“企业决策 AI 智能体第一股”。上市后，公司提出“以 Agentic Software + Agentic Service 重构企业 AI 运行方式”。这不是一个简单的产品口号，而是一套面向企业 AI 落地的操作系统式方法论：把 AI 从单点工具推进到流程之中，再把企业外部服务链路一并 AI 化。

从决策 AI 到“金翅膀”

黄晓南反复强调，深演智能不是从生成式 AI 热潮开始才转向 AI 的公司。“我们从 2008 年商业计划书里写的就是，数据和算法改变广告投放。到现在叫 AI 赋能决策，叫法不一样，内核没有变过。”她在采访中说。

在她看来，深演智能最早切入的广告投放，本质不是“做广告”，而是在做高频、复杂、实时的营销决策：当一个企业面对上亿用户、上万个创意、不同时间和渠道时，究竟应该把哪个内容展示给哪个人。这类问题靠人脑无法完成，必须依赖数据、算法和预测模型。

公开资料中的研发投入也能印证这条连续性。招股书披露，深演智能的 AlphaDesk 于 2011 年开始开发，AlphaData 于 2017 年开发，二者分别承载智能广告投放和智能数据管理能力。在往绩记录期前，公司已在两大平台投入超过 3 亿元人民币研发；2023 年至 2025 年，又继续投入 1.562 亿元人民币。

这些数字说明，深演智能所谓“AI 基因”并非上市后的概念包装，而是从预测式 AI、机器学习、深度学习到大模型和多智能体的连续演进。黄晓南在采访中提到，公司英文名 Deep Zero 也来自 Deep Learning 与 Alpha Zero 的启发，指向一种通过算法自我学习、持续迭代的技术信念。

生成式 AI 对深演智能的意义，不是一次普通技术升级，而是一次产业革命级的放大。“这一波生成式 AI，我们认为是一个产业革命型的，它不是一个技术迭代型的。”黄晓南说，这相当于给深演智能过去十七年积累的数据、算法、模型和客户场景“插上了金翅膀”。

这只“金翅膀”的价值在于，它让深演智能过去难以规模化复制的企业级能力，第一次具备更高效率的产品化可能。过去，公司在数字广告和 CRM 两个高价值决策场景中沉淀了数据、模型和行业经验；如今，大模型的语言理解、意图识别、内容生成和 Agent 编排能力，使这些积累可以延展到产品创新、GTM、社交营销、销售培训、智能导购、用户运营等更多场景。

Agentic Software：从 Task 到 Job

黄晓南认为，很多企业 AI 项目价值不显著，是因为它们只完成了 Task(“单点任务”)，没有完成 Job(完整意义上的复杂工作)。

一个 AI 工具可以帮人写一段文案，判断一条内容是否合规，生成一张用户标签，或者回答一个客户问题。但在企业真实工作里，业务目标通常不是一个孤立动作，而是一条完整流程：洞察、策略、内容、审核、发布、投放、回收、复盘，每一步都要连接上下文、数据和组织规则。

这正是深演智能提出 Agentic Software 的背景。黄晓南用一个形象的说法解释它：表面看起来仍是一套软件流程，但流程下面工作的都是机器人。人类点击某一个节点，背后可能有多个 Agent 完成信息读取、任务拆解、内容生成、模型判断、合规校验和结果反馈。

例如在销售培训场景中，传统系统往往只是出题和练习；深演智能的 Agentic Software 则先由 AI 生成培训场景和客户人设，再设定评测标准，随后让销售人员进入模拟对话。对话过程中，系统可即时判断话术是否降低转化率、客户情绪是否改善、产品知识是否准确。一个看似简单的软件界面背后，可能有十几个智能体协同工作。

这也是公司希望替代传统营销软件的关键逻辑：不是在旧软件旁边加一个 AI 助手，而是把 AI 嵌入流程本身，让软件从“功能集合”变成“任务完成系统”。

Agentic Service：外部服务也要AI化

如果说 Agentic Software 解决的是企业内部“自己作业”的 AI 化，那么 Agentic Service 解决的是企业外购服务的 AI 化。

企业并非所有营销工作都在内部完成。社媒营销、内容种草、广告投放、达人选择、投流加热、效果分析，很多环节长期由外部 Agency 或服务商承接。黄晓南认为，如果企业只把内部软件 AI 化，而外部服务仍依赖传统人力交付，AI 价值仍然是不完整的。

因此，深演智能提出 Agentic Service：客户不一定购买和操作软件，而是购买由 AI 驱动的服务结果。

以社媒营销为例，完整链路包括竞品分析、策略生成、内容生成、选 K、投流和效果分析。传统 Agency 依赖人的经验和执行能力，服务质量容易受团队水平波动影响；Agentic Service 的逻辑，是由专家确定方向，AI 智能体完成大部分执行和优化，最终向客户交付结果。

这与深演智能过去广告投放业务的逻辑一脉相承。广告主关心的不是服务商如何投放，而是同样预算下能否获得更高质量的新客、更好的转化和更可控的 KPI。深演智能的价值来源，不是倒卖流量，而是用 AI 以更低成本实现同等甚至更优效果。

类Palantir的企业AI落地能力

AI 应用公司的护城河在哪里?黄晓南的回答并不神秘：垂直行业数据资产、垂直行业 Know-how，以及把系统落到企业场景里的能力。

这也是她谈到深演智能与 Palantir 共性时强调的地方。市场上常用 Palantir 类比一类企业级 AI 公司：它们并非只出售标准化软件，也不是传统咨询公司，而是深入客户业务现场，把数据、模型、流程和组织决策连接起来，最终形成可持续运行的系统能力。

黄晓南认为，深演智能与 Palantir 的相似之处，不在于服务行业完全相同，而在于企业级 AI 落地的方法论相似：第一，要有人能听懂客户真正的业务痛点；第二，要有产品能力，不能停留在纯定制化项目；第三，还要有实施和交付团队，把 AI 产品真正嵌入客户流程。

在 Palantir 的语境中，这类角色常被称为FDE( Forward Deployed Engineer)，即前端部署工程师。深演智能内部则更倾向于称之为 AI 产品经理或 AI 解决方案团队。这类人既要懂业务，又要懂产品，还要懂 AI，能够和客户一起识别哪些需求真实有价值，哪些场景适合用 AI 解决。

这正是企业级 AI 最难复制的部分。单点工具可以快速开发，通用模型也会不断升级，但深入大客户的数据结构、组织流程、预算体系和经营目标，把 AI 从演示系统变成可交付、可复盘、可持续迭代的生产系统，需要长期积累。对深演智能而言，十七年 To B 服务经验、营销和销售场景 Know-how，以及围绕 AlphaData、AlphaDesk、DeepAgent 形成的产品和交付体系，构成了其类 Palantir 式能力的基础。

企业 AI 的竞争，最终不是谁更会讲模型故事，而是谁能把 AI 放进企业真实流程，并让客户愿意持续付费。深演智能要证明的，是一家从广告决策出发的公司，能否在 Agentic AI 时代，成为企业营销、销售和用户运营的 AI 操作系统。