大语言模型的Chatbot赛道竞争趋于饱和，AI产业正集体寻找下一个主战场。斯坦福《2026 AI Index》数据显示，全球已有88％的组织在使用AI，智能体在真实计算机任务上的成功率从约12％升至66％。但产业侧真正进入生产系统、能够将投入与经营回报对应起来的案例依然有限，AI能力的增长并未等比例转化为企业生产力。
更深层的矛盾在于，这一轮AI首先改变的是信息生产层，包括写代码、查资料、客服对话等工作，主要回答”知道什么”和”如何表达”的问题。而企业最核心的环节处理的是另一类问题：生产多少、库存放在哪里、设备如何调度、订单按什么顺序履约——这些高频次、经常性发生的决策问题。如果将企业视为一个复杂系统，它需要在成本、时效、产能和安全等约束间取舍，最终输出可执行的动作方案。知识可以生成，决定却不能只靠生成。
决策式AI因此受到关注。它并非新的模型或框架，而是产业AI对落地问题的重新聚焦。大模型负责理解自然语言，智能体负责组织任务，数学优化和求解器处理复杂约束，仿真与业务系统验证和执行结果。几类技术此前各自存在，大模型降低了使用门槛，使它们首次有机会在同一条业务链路中协同。当通用模型能力逐渐成为标准供给，企业AI厂商的差异不再取决于接入哪一种模型，而在于是否理解生产流程、是否拥有可计算的行业模型、能否将结果接入真实系统。
杉数科技是观察这一变化的一个样本。这家从求解器起家的公司，十年来在航空、港口、能源和制造等行业处理计划与调度问题。其COPT求解器于2019年发布，早期客户主要来自航空公司和研究机构。杉数科技擎天产品负责人陈尧宇表示，2024年客户普遍认为大模型近乎万能，到2025年下半年，客户逐渐务实并认识到，AI解决的主要是模糊问题和语义理解问题，一旦进入生产环节，人力组织、资源组织、经营计划安排等，单靠大模型无法独立完成。
从企业视角看，办公类智能体更多谈人效，杉数处理的问题则与成本和营收直接挂钩。陈尧宇举例，港口大型设备调度既关系到油耗成本，也影响作业效率和吞吐量，”这一块的价值，不单单从人头衡量，而要从经济效益上衡量。”优化软件是典型的专业工具，使用者既要懂模型，也要明白模型如何与业务流程串联。AI压缩的正是这层转译——业务人员只需说出业务需求，与模型相关的语义可通过AI完成转换，原先需要派驻顾问、编写说明书、反复讲解参数调整的工作，现在越来越多可以通过对话完成。
随着Palantir等公司的市场表现，以及Agent从信息处理走向业务行动，”决策”正成为企业AI新的高频词。陈尧宇指出，决策的定义宽泛，BI分析、归因分析、Chat BI等场景都可以被称为决策，但严格来说，这些系统没有告诉企业下一步该怎么做。杉数因此给决策加上两个限定词：企业运营和端到端。端到端意味着系统能直接给出下一步动作，往前一层是辅助决策，提供多个方案供人选择；企业运营则把战场放在大型企业的生产与运营系统中，锚定排产、调度和资源配置，而非会议纪要等办公任务。
杉数擎天决策平台以”双中枢”支撑决策闭环：外界变化先通过传感器和数据被捕捉，归因分析解释变化为何发生，数学模型与计算给出下一步行动，模拟仿真在执行前验证结果，最终将规则、参数与经验沉淀为可复用资产。陈尧宇坦言，卖求解器的痛点是它不可见，早期团队只能依靠PPT向客户解释。前几年流行的数字孪生足够直观，观感冲击力容易超过真正解决问题的优化软件。真正的转折出现在2025年初以后，随着AI coding产品成熟，AI能力开始具备进入To B复杂场景的条件，杉数原有能力被进一步工具化，决策式AI正式进入企业核心业务环节。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
