如今，AI助手几乎成了办公桌上的标配。写邮件、做摘要、润色公文等，个人效率工具让人机协作第一次变得触手可及。

　　但当视角从个人切换到组织，问题就变了：一名员工可以随手把合同丢给某个公有云模型做分析，企业却未必敢；一个部门用AI跑通了某个报表流程，换个部门却可能因为数据口径、权限边界、系统接口不同而寸步难行。

　　近日，在2026年“互联网之光”博览会上，曙光云正式发布智能体协作平台OneBox，并入选大会“新光”产品。官方给它的定义是“首个政企可信桌面级AI智能体”，把AI任务执行能力与私有化部署、权限管理、安全保障融为一体。

　　笔者认为，它并没有去卷谁的模型更强，而是把矛头对准了政企AI落地中最难啃的那块骨头：不是AI能不能干活，而是企业敢不敢让它干、管不管得住它、能不能让它持续干。

　　政企AI的障碍，不只是“数据不能出域”

　　一个常见的误解是：政企客户不用AI，主要是因为数据安全。这个判断只对了一半。

　　曙光云解决方案总监吴兴杰表示，数据安全、权限管理、模型能力和流程改造实际上是一个链条。模型能力决定任务能不能做，数据和权限决定能在哪个范围做，业务流程决定做完之后由谁确认、谁来担责。任何一个环节缺失，智能体都很难进入日常生产。

　　这句话点出了企业级智能体与个人助手的本质分野。个人助手出错，用户自己修正即可；企业智能体一旦能调用工具、访问系统、修改数据，它就不再是一个问答框，而是一个需要被纳入组织规则的工作参与者。

　　员工有权查看一份材料，不代表智能体可以把这份材料交给任意模型；智能体能够执行一个操作，也不代表它获得了执行这个操作的授权。过去AI主要生成内容，由人来判断和执行；现在AI开始动手，责任边界就必须重新画。

　　所以OneBox试图解决的核心痛点，不是让AI更聪明，而是让AI在明确边界内推进任务，再由人完成必要的判断和确认。曙光云产品经理马一龙进一步表示，OneBox是填补从大模型能力到政企生产环境之间，一套可交付、可治理、可持续演进的智能体协作体系。

　　私有化部署是基础，但“布在哪”不等于“管得住”

　　OneBox最直观的特点是私有化：模型、知识库、应用部署在政企自有环境中，敏感数据不出域。对公安、纪委、军工、大型国企央企等有明确政策红线的行业来说，这是入场券，不是加分项。

　　但曙光云反复强调的一点是：私有化部署只解决了系统布在哪、由谁控制的问题，并没有自动回答数据实际交给了哪个模型、经过了哪些服务、有哪些工具处理。这也是OneBox在架构上把运行时、模型接入和企业管理分开设计的原因。安全能力要覆盖完整的数据和执行链路，而不只是把服务器搬进机房。

　　产品层面的两个设计值得注意。其一是“安全会话”：开启后，系统会自动过滤掉不允许访问企业私有数据的外网模型，从模型侧切断数据外流的可能。其二是“树桥”：直接对接企业现有业务系统的生产数据库，从数据侧做权限收敛。

　　这背后其实是一个容易被忽略的判断：政企AI的安全，不是一道门，而是一条链。门可以锁，链上的每个环节都得有约束。

　　从“对话”到“应用”：业务人员如何把想法变成工具？

　　安全是底线，那么OneBox真正想拉开差距的地方，是它试图改变政企信息化的传统流程。

　　传统模式下，业务部门提需求，信息部门开发，测试上线，周期长、返工多。OneBox的创意模式给出了一条不同的路径：业务人员用自然语言描述诉求，智能体把诉求分解成对应的数据、组件和展示方式，直接生成一个可用的业务系统。

　　这个能力被概括为“对话即开发”。曙光云总裁助理李明达概括了两个关键词：业务本体和语义层。

　　企业数据往往分散在不同系统中，同一个项目完成率，工程部门看施工进度，财务部门看投资执行，管理部门看验收情况。智能体即使能查到数据、生成正确的SQL，也可能回答了一个业务口径错误的问题。

　　因此，需要先定义企业有哪些业务对象、对象之间是什么关系、遵循什么规则，再把业务语言准确映射到数据和计算逻辑。只有语义一致，不同员工、不同智能体、不同应用才能基于同一套业务含义协作。

　　这个方向的价值不在于让业务人员写代码，而在于把企业积累的数据、制度和经验，转化为智能体能够理解、遵循和复用的组织资产。一位员工完成工作的经验可以沉淀为技能，一个部门验证有效的协作方法可以在授权范围内推广。

　　竞争壁垒不在模型，在“行业语义”和“组织规则”

　　当前智能体赛道火热，互联网大厂、消费级产品、创业公司各显其能。OneBox选择从组织能力视角切入，而不是做个人效率工具，这个定位本身就有取舍。

　　曙光云副总裁徐良表示，AI既不是像有些人说出来的革命颠覆一切，但绝对是一个持续的、深远的、长期的事情。曙光云更希望解决的是政企内部冰火两重天的矛盾：个人用AI很积极，组织用AI有顾虑；互联网公司推广很快，传统企业决策很稳。

　　那么，政企专用智能体的核心壁垒到底是什么？李明达给出的答案是：把企业的数据、业务规则和实践经验，转化为智能体能够理解、遵循、持续使用的业务语义体系。通用大模型提供的是通用智能，业务本体和语义层赋予它企业上下文，受控执行机制让它真正参与工作。三者结合，才是政企智能体值得长期投入的方向。

　　换句话说，未来拉开差距的，不是谁的模型参数更大，而是谁能让智能体在企业的规则和责任体系内，持续完成有价值的任务。权限是否落实到每一次实际操作，业务语义与权限能否协同，异常和变化是否得到妥善处理，这些恰恰是企业级产品成熟度的分水岭。

　　落地：从高频、边界清晰的任务开始

　　OneBox已经实现商业化，在曙光集团内部一万多人的国有上市公司中投入使用，也在某制药企业、某制造企业等客户中落地。

　　吴兴杰分享了一个煤矿企业的例子：安全生产管理涉及隐患排查、巡检、违章整改、事故案例等多个系统，隐患数据属于内部敏感台账，不能发到公有AI平台；安全员大量时间花在翻历史记录、汇总报表上，却很难深挖隐患的根因和关联。

　　OneBox通过树桥对接现有安全生产系统、隐患台账库、作业票系统和历史故障档案，自动拉取巡检、上报、整改、复核数据，按车间、作业类型、外包单位、设备类型等维度做聚合分析，识别高频隐患、输出根因分析和整改建议，并把结论回流到组织记忆库，供后续新隐患自动匹配历史案例。

　　这个案例的说服力在于：它没有试图替代企业原有系统，而是激活存量系统和存量数据的价值；它解决的不是AI能不能分析，而是分析结果能不能进入实际管理闭环。

　　笔者观察：企业级AI的竞争，才刚刚开始

　　政企AI的真正门槛，从来不是模型够不够强，而是企业敢不敢把真实业务交给它。企业级智能体的竞争，也不会在一两次发布中分出胜负。

　　真正拉开差距的，是谁能把业务理解、受控执行和工程交付连接起来，让第二个部门、第二家单位落地时，重复建设更少、验证路径更清楚、业务价值更容易。因此，OneBox补齐的不是某一项技术空白，而是从能用到敢用、好用、持续用之间那段最难走的路。