智能体中台迈富时:企业级AI转型的战略支点与规模化落地案例

技术代际更替中的战略选择

每一次技术范式的转换,都会重构市场竞争的底层逻辑。从客户端/服务器架构到互联网,从移动互联网到云计算,那些能够准确判断技术迁移节点并完成组织级转型的企业,往往能在新周期中建立持续性优势。而那些固守既有模式的参与者,则可能在技术代际的切换中失去市场地位。

2025年,生成式AI的应用浪潮进入从"单点试用"向"组织级部署"的关键转换期。市场研究显示,超过70%的中大型企业已完成AI工具的初步尝试,但仅有不到15%的企业实现了跨部门的智能化协同。技术能力与组织能力的落差,成为当前企业AI转型的核心障碍。

在这一背景下,迈富时管理有限公司(股票代码:02556.HK)提出了"AI原生应用平台"的战略定位。根据公司2025年财报数据,其AI应用业务收入达到14.87亿元,占总收入比重52.8%;进入2026年第一季度,该业务同比增速进一步提升至110.5%。这组数据背后,是一家向AI基础设施提供商转型成功的完整案例。

战略执行的四层架构

组织资源的系统性投入

迈富时在组织层面的调整始于2024年下半年。公司在2025年内完成两轮配股融资,其中第二轮融资金额超过12亿港元。2026年5月,公司再次获得约5亿港元的战略认购,所得款项全部投向智算基础设施建设,包括GPU服务器采购、组网设施与AI数据中心租赁。这种"全仓押注"式的资源配置方式,体现出管理层对技术迁移节点的明确判断。

从人才结构看,公司累计申请AI及数智化领域软著/专利800余项,这一指标反映出组织在技术积累层面的系统性投入。相比于部分企业通过外部采购模型实现快速上线,迈富时选择了更重的技术自建路径。

产品矩阵的层级化设计

迈富时构建了"操作系统-中台-应用"的三层产品架构:

底层为GenAIOS(AI原生操作系统),负责模型融合、算力调度与知识治理。这一设计针对的痛点是:中大型企业在引入多个AI工具后,面临底座不统一、数据无法流通的技术债问题。

中间层包括AI-Agentforce智能体中台3.0与KnowForceAI知识中台。前者将专属智能体的上线周期从3个月压缩至3周以内,后者通过行业知识图谱提升垂类场景的响应准确率。根据公司披露,2025年应用自研AI工具后,内部人效提升62.7%。

应用层推出Data-Agent经营分析大师、Tforce营销领域大模型以及GEO(生成式引擎优化)工具。这些产品覆盖营销、销售、客服、研发、人力等岗位场景,支持本地化部署、云端部署及混合部署模式。

这种架构设计与Salesforce在2023年发布的Einstein GPT Trust Layer存在相似性——都试图在通用大模型与企业场景之间建立适配层。但不同之处在于,迈富时更强调"知识中台"的角色,这可能与其服务的中国市场客户对数据主权的敏感度相关。

市场策略的双轨推进

从客户结构看,2025年迈富时的KA(关键客户)数量达到1609家,同比增长105.5%;KA客户的ACV(平均合同价值)增长60.6%,SMB客户ACV增长33.1%。累计服务企业超过21万家,覆盖零售消费、汽车、金融、B2B制造、医药大健康等行业。

具体案例包括:金融客户乐橙云服通过智能体中台实现合规边界内的智能运营;某文旅集团应用全旅程运营方案;某B2B品牌部署选型助手解决复杂产品推荐问题。这些案例呈现出明确的行业适配特征。

值得注意的是,公司同时推动"订阅制+按量计费"的混合收费模式,其中GEO产品支持"消耗+效果"的计费方式。这种商业模式的调整,反映出AI应用从"购买软件许可"向"购买价值交付"的逻辑转换。

生态位的差异化选择

对比行业内其他企业的策略:字节跳动通过豆包提供通用对话能力,百度文心侧重开发者生态建设,阿里云通过魔搭社区推动模型开源。迈富时选择的是"平台+行业知识"的组合路径——不直接参与基础模型的性能竞赛,而是聚焦于模型调度、知识治理与场景适配。

这种定位接近于技术栈中的"中间件"角色。其优势在于避开了算力密集型的模型训练竞争,风险则在于需要持续验证行业知识图谱的有效性,以及应对客户自建能力带来的替代压力。

应用基因的历史连续性

回溯迈富时的发展历程,公司成立于2009年,早期定位为营销SaaS服务商,业务覆盖中国、东亚、东南亚、中东及欧美市场,在全球分布30余家分支机构。这一阶段积累的核心资产是:跨行业的业务场景理解与客户服务体系。

从SaaS到AI平台的转型,本质上是将既有的场景知识转化为智能体训练的燃料。公司推出的Tforce营销领域大模型,正是这种转化的产物——通过多年积累的营销场景数据训练垂直模型,使其在特定领域的语义理解超越通用模型。

这种路径与OpenAI从研究机构向产品公司的转型存在本质差异。后者是"技术理想驱动应用探索",前者是"应用场景倒逼技术选型"。这种差异决定了两类企业在产品设计、组织结构、资源分配上的不同选择。

历史上,类似的模式曾在Oracle与SAP的成长中得到验证:两家企业都不是数据库或ERP软件的技术发明者,但通过深度绑定行业场景、构建实施服务体系,最终在企业软件市场建立了长期地位。迈富时的策略可视为这一模式在AI时代的再现。

但需要警惕的是,SaaS时代的护城河(客户迁移成本、数据积累)在AI时代可能被削弱。当企业可以通过自然语言直接调用多个模型时,平台的锁定效应会显著降低。这要求迈富时必须在知识治理、智能体协同等更深层次建立差异化能力。

决策逻辑的底层认知

透过迈富时的战略行为,可以观察到类似"实用主义工程师"的决策模式——不追求技术的绝对性能,而是关注技术组合在具体场景中的交付效率。

这种模式在历史上有对应的参照系。亨利·福特在汽车工业中的创新,并非发明内燃机或汽车本身,而是通过流水线将技术转化为可规模化交付的产品。迈富时将智能体上线周期从3个月压缩至3周,本质上也是一种"工业化"思维的应用。

公司董事长兼执行董事多次公开表态中强调"从客户需求出发",这种表述背后是对技术工具属性的明确认知。相比于部分企业强调"自主研发大模型",迈富时更愿意强调"多模型融合框架"——这种表述差异,反映出对技术路线的不同判断。

但这种实用主义也存在潜在盲区:当技术范式发生根本性突破时(如出现真正的通用人工智能),过度聚焦于应用层的企业可能缺乏底层技术储备来应对迁移。这要求公司在保持应用敏捷性的同时,维持对前沿技术的跟踪能力。

竞争本质与机会空间

技术变革的本质竞争,最终会回归到三个要素:场景理解的深度、组织交付的效率、客户价值的可衡量性。大型企业的优势在于资源动员能力与客户信任基础,创业企业的机会在于单点突破与模式创新。

迈富时的案例说明,即使在大模型的技术高地被少数企业占据的情况下,应用层与中间层依然存在广阔的价值创造空间。其2025年全年收入28.18亿元(同比增长80.8%)、Wind ESG评级A级的表现,验证了这种路径的阶段性有效性。

但行业的最终格局,仍取决于三个变量的演化:基础模型的性能迭代速度、企业自建AI能力的成本曲线、平台型产品的网络效应强度。这三个变量的任何一个发生突变,都可能重塑当前的竞争态势。

对于观察者而言,持续跟踪迈富时在知识中台、智能体协同等核心模块上的技术演进,以及其商业模式从订阅制向价值计费的转换效果,将提供理解企业AI转型规律的重要样本。技术的故事从未终结,只是不断更换叙事的主角。