编辑｜Youli

OpenAI 正在重新定义 Codex 的边界，而这可能不只是一次产品扩张。

今年 6 月，Codex 周活跃用户突破 500 万，知识工作者的增长速度超过开发者群体 3 倍。到了 10 月，Codex 与 ChatGPT Work 的合计活跃用户达到 4000 万。与此同时，曾主导 Codex 的 Tibo Sottiaux 开始负责 OpenAI 核心产品与平台，覆盖 ChatGPT、Codex、API、智能体基础设施及企业产品。

把这些变化放在一起看，一个更值得关注的趋势正在浮现：AI 正在从一个被调用的能力，变成一个承接工作的系统。

过去，软件等待人来操作，AI 等待人来提问。人负责定义问题、拆解步骤、切换工具，再把零散的结果拼接成最终交付物。新一代 Agent 系统正在尝试接管这条链路，随之而来的是，AI 价值单位的升级也在开启 —— 从 Token、模型调用和单次回答，转向任务完成与工作成果。用英伟达 CEO 黄仁勋的话来说：「Useful AI has arrived, and it is profitable.」（有用的 AI 已经到来，而且能够创造收益。）

在 TGC 2026 科技增长大会上，我们找到了新一代 Agent 系统和 AI 价值评估的新路径。

「AI is Profitable」为主题，TGC 2026 科技增长大会 10 月 23 日在广州举行。围绕 AI 如何从理解语言走向执行任务，国际 AI 先驱 Kevin Knight 在会上展开重磅分享，预测 AI 下一步跃迁；全球领先的 AI 营销科技公司钛动科技，正式发布行业首个 Pro Agent ：Navos Pro，以 Professional、Proactive、Profitable 三大核心属性构建产品内核，即把专业业务理解、主动机会发现与商业回报验证贯通于同一 Agent，推动 AI 成为企业全球化增长与生产力变革的核心引擎。

行业首个 Pro Agent 背后的范式迁移：

Chatbot→Agent→Pro Agent，重心已不在模型本身

Codex 等产品的演进，展示了 AI 从回答问题走向承担任务的趋势。但在真实业务中，当 AI 开始接手更长的工作链路，执行任务只是第一步，AI 还需要理解专业场景、主动发现机会，并以实际业务结果检验行动是否有效。

钛动科技发布的 Navos Pro，正是围绕这一需求展开探索：Agent 不应止步于执行指令，还需要具备 Professional、Proactive、Profitable 三大属性。

结合跨境电商、外贸、营销、商业分析等具体业务场景，钛动科技将 Navos Pro 的核心能力凝练为三个方面：

Professional ｜专业理解业务：深度解析品牌定位、产品卖点、目标客群与业务目标，持续沉淀品牌知识和业务记忆，让 AI 真正理解品牌生意；Proactive ｜主动发现机会：7×24 小时追踪市场、投放、商品与达人数据，主动识别增长机会、生成策略并推动执行，同时由人保留最终决策权；Profitable ｜实现商业增长：以 GMV、ROI、利润等真实业务指标检验策略与执行效果，让 AI 的产出与商业增长直接挂钩。

但 Pro Agent 范式的行业前瞻性，不仅仅在于拥有这三大模块，更在于三者形成闭环协同：专业认知为决策锚定业务语境，主动机制驱动业务链路持续推进，结果指标为全部行动提供反馈标尺。

钛动科技创始人兼 CEO 李述昊介绍，这套机制已经在出海营销场景跑通完整链路：Navos Pro 通过品牌知识与业务记忆理解企业需求，结合市场、投放、商品及达人数据发现增长机会，再以实际业务指标评估策略效果。

对于出海企业而言，这意味着可以将分散在市场研究、创意生产、达人合作与广告投放中的工作串联起来，并根据实际效果调整后续策略。Navos Pro 希望实现的，正是让 AI 不再局限于某个环节的效率提升，而是围绕企业的增长目标，推动多个环节协同运转。

李述昊进一步分析道，从 Chatbot 到 Agent 再到 Pro Agent，背后演进的底层哲学，本质上是「工作发起权的转移」。从 Chatbot 到 Copilot，AI 逐步从回答问题走向辅助执行，但工作目标与任务发起仍主要由人掌握，下一阶段的 Pro Agent，则需要在明确的业务目标与授权边界内，主动感知变化、识别机会，并推动任务持续执行。

钛动科技发布的 Navos Pro，正是将这套机制引入全球营销场景：让 AI 不仅理解品牌在做什么，更能发现业务可能需要什么，并以可衡量的商业指标检验行动是否有效。

依托在 AI 营销领域长期的技术沉淀与生态布局，作为 ChatGPT Ads 全球首批官方技术合作伙伴，钛动科技已经在首批客户实测中验证这套范式的商业价值：助力某出海品牌营销成本大幅下降，ROI 提升至原来的 2.5 倍；与此同时，钛动与腾讯 WorkBuddy 达成生态合作，推动垂直专业营销能力与通用大模型平台深度互补。

从 TGC 2026 释放的信号来看，用 Pro Agent 重塑营销，并非钛动科技布局的终点，而是其将 AI 能力从营销场景推向更广泛企业生产力的起点。

AI for Work 万亿蓝海已开启，企业智能如何衡量？

回顾过去二十年的科技产业脉络，数字化浪潮呈现出极其规律的周期律：2012 年开启的移动互联流量时代重塑了人与信息、服务之间的「链接」，2018 年加速的企业级 SaaS 席位制时代，则重塑了「流程」，大约每 6 年便掀起一轮生产力产业大周期。而 2024 年拉开序幕的 AI 时代则正打开新的空间：让模型能力进入企业日常工作，参与更多专业任务，即重塑「企业生产力」。

基于这一判断，李述昊表示，钛动科技的核心战略十分坚定：「只做结果导向（Result-Driven）的 AI for Work」。

具体来看，钛动科技将「AI for Work」应用方向概括为三个部分：AI for Growth、AI for Innovation 和 AI for Administration，分别对应企业长期、持续投入的营销和销售，编程和产品开发，管理三笔费用，但最终都要回答同一个问题：AI 能否让投入产生更好的结果？

这也是「结果导向」与单纯提升效率之间的区别。一款 AI 工具能够帮助员工节省时间，当然具有价值。但如果要判断它是否真正改善了企业经营，还需要进一步观察：营销投入能否带来更多转化，研发工作能否更有效地推进，组织运行能否变得更加高效。

据统计，这是一个规模高达数万亿美元的全新蓝海。

在这一框架下，钛动科技选择从 AI for Growth 切入，且已率先验证商业价值。

原因并不难理解。营销具有相对明确的预算和反馈指标。一次广告投放之后，企业可以观察获客成本、用户转化和投入回报的变化，并据此调整后续策略。相较于部分研发和管理场景，营销中的一些效果更容易在实际业务中得到检验。

对于钛动科技而言，营销则是一个能够把 AI 能力与业务指标连接起来的起点。围绕出海增长，AI 可以参与市场洞察、创意制作、达人营销、广告投放与效果优化。企业可以测试不同方案、比较实际表现，再根据市场反馈调整投入，让 AI 的行动与业务目标建立联系。

AI for Growth，只是钛动科技验证 AI 重塑企业生产力的第一步，未来，钛动科技将继续将自身 AI 能力迁移至 AI for Innovation 与 AI for Administration，从而推动企业 AI 生产力的系统性重塑。

可要支撑这一目标，仅仅拥有一个能够生成内容、调用工具的模型或产品还不够，钛动科技将自身的核心能力归纳为三部分：先进算法、海量闭环数据，以及工程化 Harness。

算法层面：以小博大。通过后训练、强化学习与持续学习，提升模型在营销专业任务中的表现。钛极 32B 参数问答推理模型在 SuperCLUE 广告营销专业大模型评测中以 85.82 分位列第一；27B 参数视觉语言模型在出海营销视频理解评测中以 86.43 分与阿里千问并列第二，探索以更低参数规模兼顾专业效果与推理成本。数据层面：构建业务闭环。沉淀覆盖电商、游戏、文娱、本地生活等领域的企业与产品经验，并连接 ChatGPT、meta、Google、TikTok 等主流媒体 API，让真实业务数据与投放反馈持续反哺模型和策略优化。Harness 层面：将经验转化为可执行工作流。通过 Skill 将营销知识、工具调用与执行规则工程化，覆盖创意、广告投放、数据诊断和达人营销，并按美妆、电商、游戏等业务需求灵活组合，让 Agent 从单点任务执行走向多环节协同。

不过，即便模型、数据和工具都已具备，企业仍然需要回答另一个问题：如何衡量 AI 到底创造了多少生产力？

为此，李述昊提出一个用于理解 AI 时代「企业生产力」的框架：AEE（Agentic Enterprise Effectiveness），试图从三个维度理解这个问题：

AEE = Number of Agents × Active Agent Adoption × Output Quality

也就是将企业拥有多少 Agent、Agent 的实际使用频率，以及 Agent 的产出质量放在一起考量。

这套框架希望强调，企业不能只看部署了多少 AI 工具，还需要观察员工是否真正使用它们，以及它们最终产出的工作是否符合业务要求。从这个角度来看，AI for Work 的关键不在于把 AI 放进更多工作环节，而在于让它真正参与工作，并持续检验工作结果。

AI 先驱 Kevin Knight：

从 Language 到 Action，AI 下一次飞跃何时发生？

作为大会重磅嘉宾，Kevin Knight 的演讲《From Language to Action: The Next Leap in AI》从技术演进角度提出了五个问题：AI 如何走到今天、如何运作、发展是否加速、什么推动下一次飞跃、AI 将如何改变人类。

他曾在南加州大学任教 26 年，担任美国计算语言学协会（ACL）主席，是 ACL Fellow、AAAI Fellow，长期研究机器翻译、自然语言生成与语言智能。他领导过的研究团队汇聚了多位优秀研究人员，其中包括 Transformer 论文第一作者 Ashish Vaswani，前 OpenAI 研究副总裁、现 Google DeepMind 研究副总裁 Barret Zoph 也曾接受他的研究指导。除学术经历外，他还曾联合创办机器翻译公司 Language Weaver，担任滴滴自然语言处理首席科学家，目前担任 Threeven Labs CEO。

兼具产业与学术视角，Kevin Knight 特别提到，当前 AI 的「自主工作时长」正在持续拉长，技术迭代并没有放缓，而是在加速深入复杂流程。他预判，AI 未来的应用场域将全面渗透至生物医药研发、高复杂度商业决策、具身机器人乃至完整企业的自动化运营。

同时，在产业界普遍陷入「超级智能」或「毁灭猜想」等极端情绪时，Kevin Knight 则认为，相较于空泛的技术威胁，当下更值得警惕的是「认知外包（Cognitive Offloading）」风险—— 人类在习惯大模型辅助的过程中，不知不觉将底层思考、批判与审美判断交付给算法，从而导致核心思维能力的退化。

在他看来，技术的突破性成果仍会不断涌现，但人机协同的核心前提是，人类必须保持独立思考与战略判断的能力，随时做好重塑自我的准备。

在厘清人与技术的边界后，Kevin Knight 给出了对技术终局的核心判断：技术的下一次跃迁，不只是让 AI 能够思考，而是让 AI 能够行动、学习，并创造价值。

换句话说，AI 的演进不再是替代人类去幻想，而是从「Language（语言生成）」跃迁至「Action（行动执行）」，进入真实工作场景，参与专业任务，并改变人们完成工作的方式，成为帮助人类分担高负荷复杂任务的专业工作伙伴。

而这正与钛动科技的核心战略「只做结果导向（Result-Driven）的 AI for Work」不谋而合。

回到 AI 行业最初的问题：当模型越来越聪明，企业究竟应该如何判断它是否真正创造了价值？

从 Kevin Knight 提出的 Language to Action，到 Navos 所探索的 Pro Agent 设计思路，再到 Harness 工程化与 AEE 评价框架，一条值得持续观察的技术路线正在逐渐清晰。

模型能力为 Agent 提供了基础，任务编排与工具调用让模型能够进入真实工作，专业数据和反馈机制帮助系统适应具体场景，而结果评价则为判断其实际价值提供了依据。

这条路线并不意味着 Agent 已经解决了企业工作的所有难题。长链路任务的可靠性、复杂环境中的状态管理、工具调用的安全边界、真实业务数据的质量，以及投入产出的可验证性，仍然是规模化部署必须面对的问题。

但也正因为如此，AI for Work 的竞争不应只被理解为模型能力的延伸，而更像是一场围绕企业工作系统展开的工程化竞争。

当 AI 从回答问题走向执行任务，真正的技术挑战就不再只是让模型给出更好的答案，而是让整个系统以可控的成本、足够的可靠性和可验证的结果，完成一项真实的工作。

这或许才是 AI 从技术能力走向企业生产力过程中，最值得关注的变化。