深演智能(02723)：如何將AI切入企業運行流程 真正釋放企業級AI價值

智通財經APP獲悉，幾乎所有企業都在談AI，但真正把AI用成生產力的公司並不多。過去兩年，大模型以月為單位迭代，AI Agent成為資本市場和產業界共同追逐的新詞；但在真實企業里，另一種景象同樣普遍：試點很多，演示很多，真正進入工作流、能持續貢獻經營結果的AI應用卻不多。

深演智能(02723)創始人兼CEO黃曉南把這個問題歸結為一句話：企業AI的價值兑現，卡點不在模型，而在使用AI的方式。

(深演智能創始人兼 CEO 黃曉南)

2026 年 5 月，深演智能在港交所主板掛牌上市，成為港股「企業決策 AI 智能體第一股」。上市后，公司提出「以 Agentic Software + Agentic Service 重構企業 AI 運行方式」。這不是一個簡單的產品口號，而是一套面向企業 AI 落地的操作系統式方法論：把 AI 從單點工具推進到流程之中，再把企業外部服務鏈路一併 AI 化。

從決策 AI 到「金翅膀」

黃曉南反覆強調，深演智能不是從生成式 AI 熱潮開始才轉向 AI 的公司。「我們從 2008 年商業計劃書里寫的就是，數據和算法改變廣告投放。到現在叫 AI 賦能決策，叫法不一樣，內核沒有變過。」她在採訪中説。

在她看來，深演智能最早切入的廣告投放，本質不是「做廣告」，而是在做高頻、複雜、實時的營銷決策：當一個企業面對上億用户、上萬個創意、不同時間和渠道時，究竟應該把哪個內容展示給哪個人。這類問題靠人腦無法完成，必須依賴數據、算法和預測模型。

公開資料中的研發投入也能印證這條連續性。招股書披露，深演智能的 AlphaDesk 於 2011 年開始開發，AlphaData 於 2017 年開發，二者分別承載智能廣告投放和智能數據管理能力。在往績記錄期前，公司已在兩大平臺投入超過 3 億元人民幣研發；2023 年至 2025 年，又繼續投入 1.562 億元人民幣。

這些數字説明，深演智能所謂「AI 基因」並非上市后的概念包裝，而是從預測式 AI、機器學習、深度學習到大模型和多智能體的連續演進。黃曉南在採訪中提到，公司英文名 Deep Zero 也來自 Deep Learning 與 Alpha Zero 的啓發，指向一種通過算法自我學習、持續迭代的技術信念。

生成式 AI 對深演智能的意義，不是一次普通技術升級，而是一次產業革命級的放大。「這一波生成式 AI，我們認為是一個產業革命型的，它不是一個技術迭代型的。」黃曉南説，這相當於給深演智能過去十七年積累的數據、算法、模型和客户場景「插上了金翅膀」。

這隻「金翅膀」的價值在於，它讓深演智能過去難以規模化複製的企業級能力，第一次具備更高效率的產品化可能。過去，公司在數字廣告和 CRM 兩個高價值決策場景中沉澱了數據、模型和行業經驗；如今，大模型的語言理解、意圖識別、內容生成和 Agent 編排能力，使這些積累可以延展到產品創新、GTM、社交營銷、銷售培訓、智能導購、用户運營等更多場景。

Agentic Software：從 Task 到 Job

黃曉南認為，很多企業 AI 項目價值不顯著，是因為它們只完成了 Task(「單點任務」)，沒有完成 Job(完整意義上的複雜工作)。

一個 AI 工具可以幫人寫一段文案，判斷一條內容是否合規，生成一張用户標籤，或者回答一個客户問題。但在企業真實工作里，業務目標通常不是一個孤立動作，而是一條完整流程：洞察、策略、內容、審覈、發佈、投放、回收、覆盤，每一步都要連接上下文、數據和組織規則。

這正是深演智能提出 Agentic Software 的背景。黃曉南用一個形象的説法解釋它：表面看起來仍是一套軟件流程，但流程下面工作的都是機器人。人類點擊某一個節點，背后可能有多個 Agent 完成信息讀取、任務拆解、內容生成、模型判斷、合規校驗和結果反饋。

例如在銷售培訓場景中，傳統系統往往只是出題和練習；深演智能的 Agentic Software 則先由 AI 生成培訓場景和客户人設，再設定評測標準，隨后讓銷售人員進入模擬對話。對話過程中，系統可即時判斷話術是否降低轉化率、客户情緒是否改善、產品知識是否準確。一個看似簡單的軟件界面背后，可能有十幾個智能體協同工作。

這也是公司希望替代傳統營銷軟件的關鍵邏輯：不是在舊軟件旁邊加一個 AI 助手，而是把 AI 嵌入流程本身，讓軟件從「功能集合」變成「任務完成系統」。

Agentic Service：外部服務也要AI化

如果説 Agentic Software 解決的是企業內部「自己作業」的 AI 化，那麼 Agentic Service 解決的是企業外購服務的 AI 化。

企業並非所有營銷工作都在內部完成。社媒營銷、內容種草、廣告投放、達人選擇、投流加熱、效果分析，很多環節長期由外部 Agency 或服務商承接。黃曉南認為，如果企業只把內部軟件 AI 化，而外部服務仍依賴傳統人力交付，AI 價值仍然是不完整的。

因此，深演智能提出 Agentic Service：客户不一定購買和操作軟件，而是購買由 AI 驅動的服務結果。

以社媒營銷為例，完整鏈路包括競品分析、策略生成、內容生成、選 K、投流和效果分析。傳統 Agency 依賴人的經驗和執行能力，服務質量容易受團隊水平波動影響；Agentic Service 的邏輯，是由專家確定方向，AI 智能體完成大部分執行和優化，最終向客户交付結果。

這與深演智能過去廣告投放業務的邏輯一脈相承。廣告主關心的不是服務商如何投放，而是同樣預算下能否獲得更高質量的新客、更好的轉化和更可控的 KPI。深演智能的價值來源，不是倒賣流量，而是用 AI 以更低成本實現同等甚至更優效果。

類Palantir的企業AI落地能力

AI 應用公司的護城河在哪里?黃曉南的回答並不神祕：垂直行業數據資產、垂直行業 Know-how，以及把系統落到企業場景里的能力。

這也是她談到深演智能與 Palantir 共性時強調的地方。市場上常用 Palantir 類比一類企業級 AI 公司：它們並非只出售標準化軟件，也不是傳統諮詢公司，而是深入客户業務現場，把數據、模型、流程和組織決策連接起來，最終形成可持續運行的系統能力。

黃曉南認為，深演智能與 Palantir 的相似之處，不在於服務行業完全相同，而在於企業級 AI 落地的方法論相似：第一，要有人能聽懂客户真正的業務痛點；第二，要有產品能力，不能停留在純定製化項目；第三，還要有實施和交付團隊，把 AI 產品真正嵌入客户流程。

在 Palantir 的語境中，這類角色常被稱為FDE( Forward Deployed Engineer)，即前端部署工程師。深演智能內部則更傾向於稱之為 AI 產品經理或 AI 解決方案團隊。這類人既要懂業務，又要懂產品，還要懂 AI，能夠和客户一起識別哪些需求真實有價值，哪些場景適合用 AI 解決。

這正是企業級 AI 最難複製的部分。單點工具可以快速開發，通用模型也會不斷升級，但深入大客户的數據結構、組織流程、預算體系和經營目標，把 AI 從演示系統變成可交付、可覆盤、可持續迭代的生產系統，需要長期積累。對深演智能而言，十七年 To B 服務經驗、營銷和銷售場景 Know-how，以及圍繞 AlphaData、AlphaDesk、DeepAgent 形成的產品和交付體系，構成了其類 Palantir 式能力的基礎。

企業 AI 的競爭，最終不是誰更會講模型故事，而是誰能把 AI 放進企業真實流程，並讓客户願意持續付費。深演智能要證明的，是一家從廣告決策出發的公司，能否在 Agentic AI 時代，成為企業營銷、銷售和用户運營的 AI 操作系統。