如果说2024年的ChatGPT、2025年的DeepSeek（深度求索）让更多企业认识到大模型的能力，那么2026年的OpenClaw（俗称“龙虾”）则进一步让企业看到，AI正在从对话和内容生成走向更复杂的企业级应用。过去三年，每一轮“AI时刻”都在推动市场认知变化，也折射出一个趋势：随着模型能力持续迭代，企业关注点正从“AI能做什么”，转向“AI能否稳定解决业务问题，并形成可衡量的经营回报”。
在这一背景下，9月18日，述信科技在上海举办“AURA 2026——消费品行业AI应用大会”，提出“企业级AI不是炫技，是拿结果”。会上，述信科技创始人兼CEO彭圣才正式推出AI原生产品MORA，并将其定义为“企业级AI解决方案的标准范式”。
述信科技创始人兼CEO彭圣才
在彭圣才看来，2026年将是企业真正开始思考“AI怎么落地”的一年。MORA试图解决的，是通用大模型与企业实际业务应用之间的落差。它并非单纯的模型或智能体产品，而是一套将AI能力嵌入企业数据、规则与业务流程的方法，其所指向的“确定性”，正在成为企业级AI落地绕不开的命题。
从“能用”到“敢用”，企业级AI卡在哪？
消费品和零售行业是AI应用较为活跃的领域，内容生成、智能客服、导购辅助、营销自动化等场景已率先展开。但从实际落地看，“用上AI”与“用AI形成业务回报”之间仍有明显距离。企业需要的并非一个平均意义上足够聪明的模型，而是能够在明确业务边界内稳定运行的系统。
结合过去两年的客户实践，彭圣才认为，企业级AI落地主要面临两大问题：幻觉与可解释性。
首先是模型幻觉。对普通用户而言，AI偶尔答错，可能只是重新提问；但当AI参与商品、营销、客户服务乃至经营决策时，错误输出可能带来商业损失、品牌风险甚至合规问题。
“大模型有幻觉这件事，从学术角度来说，几乎是不可能解决的。”彭圣才解释称，大模型本质上是用贝叶斯定律做概率预测，意味着即使模型能力持续提升，也很难仅通过模型迭代将错误输出彻底归零。而在企业场景中，即便大部分输出是“正确的”，剩余的不确定性仍可能成为企业扩大使用的障碍。
第二个难题是可解释性。对于企业而言，广告投放、新品开发、门店布局等决策，往往建立在历史数据、业务经验、规则和约束之上。企业不仅需要AI给出一个结论，还需要知道结论依据了什么数据、遵循了什么规则，以及能否追溯其形成过程。
“企业的决策是需要解释的。”彭圣才表示，大模型可以给出一个看似合理的解释，这并不等于真实的决策依据。在他看来，大模型的判断过程仍具有较强的“黑盒”特征。这意味着，模型能力提升固然重要，但单纯增加模型数量或等待模型继续迭代，并不一定能够解决企业“不敢用”和难以规模化的问题。
彭圣才提到，述信科技最初也曾试图从模型本身寻找答案。2023年，随着大模型快速发展，公司推出第一版“语矩”，主要承担模型聚合功能，其一度接入80多个大模型。但随着客户场景不断增加，团队逐渐意识到，模型数量和模型能力并不能直接解决企业业务中的不确定性。
于是，他意识到，真正的问题要从“哪个模型更强”，转向“模型之外，企业还需要什么”。 MORA的雏形由此出现。
MORA，一个真正理解企业的AI范式
MORA并不是一个从零设计的产品，而是述信科技过去几年在真实客户项目中逐步沉淀形成的一套方法论。其核心由四层构成：模型聚化、本体筑基、推理保障和智能执行，分别对应Model（模型）、Ontology（本体论）、Reasoner（推理）和Agent（智能体）。
M层解决的是模型如何服务企业业务。彭圣才强调，利用AI解决企业问题不能依赖单一大模型，关键在于“聚”。面对快速增加且持续迭代的大模型，不同任务对模型能力和成本的要求实际并不相同。企业没有必要自行判断所有模型的差异，而应根据具体任务进行调用和调度。因此，“模型聚化”并非简单堆叠模型，而是让不同模型在统一体系下服务不同业务场景，同时兼顾调用成本。
但在彭圣才看来，模型只是基础。更关键的一层是O层，即企业本体。
如果说传统的知识库像一本供AI查阅的手册，知识图谱解决的是不同知识之间的关系，那么本体则进一步描述企业自身，包括组织、产品、业务关系、规则及约束。彭圣才将其理解为企业的“数字孪生”。
本体的引入形成了企业级AI与通用AI的差别所在。通用模型掌握广泛的公共知识，却未必天然理解一家企业的商品体系、渠道规则、业务口径和经营约束。企业如果希望AI进入真实业务流程，就需要让AI运行在企业自身定义的事实和规则之中。
这一思路与彭圣才此前的工作经历也有关。2013年，他在微软从事本体论相关工作。当时建立本体的成本很高，通常只有少数大型科技企业具备相应能力。如今，随着大模型介入数据清洗、去重和归并，企业将既有数据与业务规则重新组织为可计算结构的可行性提高。对于过去持续进行数字化投入的大型企业而言，这一基础尤其重要。
换言之，大模型与企业本体并非替代关系。大模型负责通用能力，本体则成为企业级AI落地的基石，为AI提供企业自身的事实、关系和规则。
在此基础上，MORA进一步加入R层，即推理。如果本体是一张由大量节点和关系构成的企业知识网络，推理引擎所做的，就是在这些节点和关系之间进行计算，并依据既定的业务关系和规则形成结论。与完全依赖大模型生成相比，这种方式试图让AI的判断更多建立在企业沉淀的数据和规则之上，同时保留推理链路，以增强结果的可追溯性。
彭圣才表示，当本体越来越庞大、复杂，从中推演企业经营决策所需要的规则，就需要图计算引擎。为此，公司引入中国科学院外籍院士樊文飞团队。据了解，该团队将其在图数据库、数据质量及全栈AI领域的核心专利及软件著作权以无形资产形式注入述信科技，构成其底层逻辑推理和数据治理方面的技术基础。
最后一层是A层，即智能体。在述信科技看来，智能体并不只是一个“会聊天的机器人”，而是AI真正进入业务执行环节的载体。
彭圣才判断，未来企业软件的交互形态可能不再完全围绕CRM、OA、ERP等传统系统展开，而会出现大量面向具体任务的智能体。有些智能体可能长期运行，有些则随着具体项目或流程产生、消失。这是他对未来企业软件形态的判断，关键前提则是智能体不能只依赖模型直出，需要建立在可靠的企业数据和业务规则基础上。
把这四层放在一起看，可以看出，MORA并不是一个更大的模型，其核心是在大模型和企业业务之间架起一座"确定性的桥"——让AI的每一步推理可解释、每一个决策可审计、每一次执行有结果。
当然，并非所有工作都适合交给AI。彭圣才认为，对于高度依赖人的经验、判断、直觉和主观感受的工作，现阶段仍不适合由AI替代最终决策；相较之下，那些输入、输出和业务规则相对明确的工作，更适合AI介入。
从Demo到ROI，AI如何进入真实业务？
然而，企业级AI最终仍要回到最现实的问题：投入多少钱，解决什么问题，能否形成回报。
述信科技与一家国际头部女装品牌的合作，是这一逻辑下的一个实践样本。彭圣才回忆，这次合作并非一次性部署一个“大而全”的AI系统，而是从商品选择、内容生成、全渠道发布等具体问题切入，拆分成多个小项目，“为了让客户理解并接受，每推进一个项目，我们都要给出非常清晰的商业价值测算”，他提到。
以短视频生产为例，该品牌原有内容生产体系已经相对成熟，每年产出约两万至三万条视频，单条成本约300元，年度总成本已通过规模效应摊薄。要让企业接受AI方案，仅仅展示一个“看起来不错”的AI生成视频显然不够。
实际要求更为严格。品牌对视频内容有明确要求：模特必须使用真实签约模特，服装的纽扣、口袋、领口、袖口等细节也不能随意改变。否则，AI生成内容与实际商品出现偏差，就可能从内容问题演变成消费者投诉甚至经营风险。
因此，真正的生产流程并非简单调用一个模型，而是将素材处理、模型调用、结果筛选、人工校验、业务规则和工程流程组合起来。这背后实际上体现了两方面能力：对客户业务规则的理解，以及大量工程工作。彭圣才表示，在项目立项并落地前，公司团队已做了大量前期准备：先把流程跑通，跑通之后还需要进行端到端成本测算，将模型调用、基础设施、软件开发、AI工程、IT和云资源等成本全部纳入，与原有业务成本进行比较，再判断项目是否值得投入。
由此看出，真正决定AI项目能否持续的，不止是模型生成效果，还包括业务规则、工程能力、组织协同，以及最终能否算清楚ROI。根据述信科技提供的案例数据，在多个项目逐步落地后，相关人工选品及内容工作量下降约75%至80%，释放约20至25名全职员工产能，年度运营成本节省约1000万至1500万元，人效提升超过300%。这些结果并非来自单一AI工具，而是多个业务流程改造后的综合结果。
“更重要的是，过程中我们也帮助客户逐步建立起与这些业务相关的AI能力。”彭圣才接着道，“实际上，MORA的很多能力最初也在这个客户身上落地。”他强调，企业级AI落地对应着一套严谨的财务决策和执行机制，同时也离不开企业内部各业务团队协作。“只有多方共同参与，AI项目才能真正从一个技术方案转变为企业内部可落地、持续产生价值的业务实践。”
从DTC到AI Agent，未来企业软件何去何从？
对于述信科技而言，MORA也并非一条完全独立于原有业务的新产品线，而是公司自身战略转型的一部分。
成立于2018年的述信科技，此前长期服务大型品牌和连锁企业，DTC数字化是其重要业务基础。2023年后，公司开始加大AI方向投入，并逐步从DTC数字化转向AI Agent，形成“DTC数字化+AI智能化”双轮驱动的产品体系。
彭圣才表示，从DTC到AI Agent的战略演进是“非常自然的”。前者积累的是企业数字化基础，后者则试图在此基础上进一步解决AI时代的智能化问题。
事实上，这一转变也折射出企业软件行业正在发生的变化。过去一年多，海外市场曾出现“Software is dead（软件已死）”的讨论，即大模型可能削弱传统企业软件的价值。但彭圣才观察到，随着传统软件企业开始将AI能力引入产品和服务，软件并未因此消失，反而可能借助AI降低服务成本、提升交付效率，并获得新的收入空间。
与此同时，他指出，CRM、ERP、DTC等传统系统长期积累的数据和业务规则，本身就是企业建立本体的重要基础。AI应用的出现未必意味着旧系统被简单替代，更可能是原有系统沉淀的数据和规则，以新的方式被AI重新调用。
换言之，过去的企业软件更多承担“记录、管理和连接业务”的角色，而AI应用进一步尝试承担“理解、推理和执行任务”的角色。彭圣才认为，传统企业软件不会立即消失，但未来企业软件的增量市场和产品形态可能发生变化，AI Agent将成为重要方向。
不过，彭圣才强调，从整个行业来看，AI仍处于非常早期阶段。如何降低幻觉风险、如何组织企业知识和规则、如何让智能体稳定进入业务流程，行业尚未形成高度统一的方法论。他也坦承，MORA所代表的“模型+本体+推理+智能体”技术路径目前尚未成为行业普遍共识。
正因如此，从探索MORA方法论，到将其打磨为产品，述信科技持续与同行交流。“我们认为，这是整个行业都需要的一种范式，也是为什么我们这次举办MORA大会，要把它作为一个非常重要的核心理念推出。”在其看来，MORA所代表的技术路径正在获得更多关注。
对于述信科技未来的定位，彭圣才非常明确：聚焦应用层。这一认知对应着英伟达创始人兼首席执行官黄仁勋提出的AI五层架构中的最上层。“真正直接承接价值实现的，是应用层，因为应用最终要回答的是如何为客户创造价值。”他补充道。
对于中国企业服务市场，彭圣才也保持积极判断，相信述信科技仍“大有可为”。在他看来，企业对AI的认知正在变化，尤其新一代企业家更加关注智能化和可持续发展；与此同时，中国潜在企业客户规模仍然较大，且中国AI能力向应用端的溢出也提供了新的市场空间。
MORA能否成为企业级AI的标准范式，仍有待更多行业实践验证。但当AI从个人效率工具逐步进入企业经营流程，企业真正需要衡量的，或许不再只是模型参数或回答能力，更看中AI能否在明确的业务边界内稳定运行、解释判断依据，并最终转化为可计算的经营结果。围绕这一目标展开的技术与组织重构，或将成为下一阶段企业AI竞争的重要变量。