网硕互联帮助中心微软调整财务报表结构，将AI与云基础设施相关业务归类为"Agents and Infra"，标志着AI从技术项目转变为企业经营核心。企业需关注AI如何从"回答问题"升级为"完成任务"，进入原有工作流程，而非简单堆砌工具。重点在于识别重复性工作流程，通过AI重新设计工作方式，并衡量AI接管工作后创造的实际业务价值，而非关注工具数量。AI对企业最大的影响是重新划分人机工作边界，实现人机协同。
当AI开始进入财务报表，企业真正需要重新计算的是什么？
微软财报结构变化背后，Agent正在从产品功能走向企业经营。
很多企业还在讨论一个问题：
“我们到底要不要上Agent？”
微软已经开始讨论另一个问题：
“Agent到底能给公司带来多少钱？”
这个变化，比又发布一个AI模型更值得关注。
9月初，微软宣布，从2027财年开始调整财务报告结构。
原来的三个业务板块：Productivity and Business Processes、Intelligent Cloud、More Personal Computing，变成两个：Agents and Infra、Devices and Consumer。
简单翻译一下，就是：Agent与基础设施，以及设备与消费者。
微软并不是把“Agent收入”单独切出来，而是把Azure、Microsoft 365、GitHub等与AI和云基础设施密切相关的业务重新放进一个更大的“Agents and Infra”板块。
与此同时，微软开始单独披露Azure季度收入。2026财年，Azure全年收入达到1019亿美元。
这件事情表面看，是一次财务报表调整。
但如果站在企业经营的角度看，它释放出的信号其实很明确：AI已经开始从一个“技术项目”，变成企业经营的一部分。
01 微软真正改变的，不是报表，而是“AI的身份”
过去几年，企业谈AI，通常是这样的：
老板问：“AI能不能帮我们提高效率？”
IT部门说：“可以上一个大模型。”
业务部门试了几个月。
最后留下几个工具：写文案的、做PPT的、总结会议的、生成代码的。
大家确实都在用。
但公司到底因为AI多赚了多少钱？很少有人能说清楚。
这其实是企业AI一直绕不过去的问题。
AI使用率很容易统计，AI创造的经营价值却很难统计。
微软现在做的事情，恰恰是在改变这个逻辑。
它开始把与Agent、云和AI基础设施相关的业务放进同一个大的经营板块。
这意味着，AI不再只是某个产品里的一个功能。
它开始成为：业务、基础设施和收入增长共同围绕的东西。
这才是这次调整真正值得看的地方。
02 为什么偏偏是Agent？
因为大模型解决的主要问题，是：“AI能不能理解和生成？”
而Agent解决的是另外一个问题：“AI能不能把事情做完？”
这个区别非常大。
比如一家企业要做销售跟进。
以前的AI可能帮销售：写一封邮件、整理客户资料、总结会议记录、生成一份销售方案。
这些事情当然有价值。
但它们本质上还是：人干活，AI辅助。
Agent出现以后，逻辑开始变化。
它可以读取CRM里的客户信息，判断客户状态，查历史沟通记录，生成跟进策略，再调用邮件系统完成触达。
如果客户回复，再继续处理。遇到特殊情况，再把问题交给销售。
整个过程不再是：“问AI一个问题。”而是：“给AI一个任务。”
这就是企业真正应该关注的变化。
因为一旦AI从“回答问题”走到“完成任务”，它就开始进入企业原来的工作流程。
而工作流程，恰恰是企业最值钱、也最难改变的东西。
从“人问AI”到“人给任务”，Agent的价值在于进入执行链路。
03 企业真正要买的，可能不是一个Agent
这是很多企业现在容易踩的坑。
看到Agent火了，就开始问：“我们是不是也应该部署10个Agent？”
然后开始列：销售Agent、客服Agent、财务Agent、人事Agent、市场Agent……
最后，公司可能多了一堆Agent，却没有少掉任何一个流程。
这其实和过去买软件很像。
工具增加了，不代表企业效率增加了。
真正重要的问题应该反过来：哪些工作，本来就不应该再由人一步一步完成？
比如：客户线索进入系统之后，为什么还要人工复制到另一个表格？
销售拜访结束之后，为什么还要人工整理CRM？
财务发现异常之后，为什么还要人工在多个系统之间来回查询？
招聘需求确认之后，为什么还要HR自己筛掉几百份简历？
这些才是Agent真正应该进入的地方。
所以，企业做AI的顺序可能正在发生变化。
以前是：买工具→ 培训员工 → 希望员工用起来。
以后更可能是：找流程→ 拆任务 → 部署Agent → 接入系统 → 看结果。
区别看起来不大。实际上，完全是两种思路。
前者是给员工增加工具。后者是重新设计工作方式。
04 微软这次调整，还有一个容易被忽略的细节
微软预计新的“Agents and Infra”板块，在2027财年第一季度收入约为751.5亿—757.5亿美元。
这个数字当然不能理解为“Agent贡献了750多亿美元”。因为这个板块里面包含大量云、Microsoft 365以及其他基础设施和服务。
但它仍然说明了一件事：微软已经开始用新的业务结构来描述AI时代的公司。
过去的软件公司，可以按照办公软件、操作系统、云服务、游戏……这样划分。
但AI进入以后，产品之间的边界越来越模糊。
一个Agent可能同时调用：云计算、模型、企业知识库、Microsoft 365、CRM、代码平台、数据库、权限系统。
最后完成一项具体工作。
这时候再问：“这个收入到底属于哪个传统产品？”其实已经越来越难回答。
所以微软干脆换一种方式。
把Agent和支撑Agent运行的基础设施放在一起。
这可能才是这次财报调整最值得企业管理者注意的地方。
05 企业真正要重新计算的，是“工作”
如果Agent真的开始承担越来越多工作，那么未来企业管理者需要重新思考一个很现实的问题：一个部门，到底需要多少人？
以前的答案主要取决于业务量。
比如：1000个客户，需要10个客服；10000个客户，需要100个客服。
但如果其中70%的标准化工作交给Agent呢？
答案就不一样了。
可能不是：“少招70个人。”
而是：“剩下的人做什么？”
客服不再只是回答问题，而是处理复杂客户关系。
销售不再每天整理名单，而是处理高价值客户。
财务不再花大量时间做数据搬运，而是更多参与经营分析。
HR不再把大量时间花在筛选简历，而是把精力放到组织建设。
这时候，AI带来的变化才真正开始进入企业组织。
所以我越来越倾向于认为：AI对企业最大的影响，不是替代某一个岗位。
而是重新划分：什么事情由人做，什么事情由AI做。
企业AI的终点不是工具堆叠，而是人类团队与AI团队协同工作。
06 所以，企业现在不应该急着问“要不要上Agent”
更应该问三个问题。
第一：公司里有哪些工作，本质上是重复性的？
第二：这些工作之间，能不能被一个完整流程串起来？
第三：如果AI真的接管这条流程，公司最终能得到什么结果？
少一个人天？少一次错误？缩短多少交付时间？多成交多少客户？减少多少人工审核？
这些东西，最后都应该能够落到经营指标上。
因为到了Agent时代，“我们部署了多少AI”已经不是一个好指标。
真正有意义的是：AI到底接管了多少工作？
以及：这些工作最后创造了多少业务价值？
结语
微软开始重新计算Agent的价值。
企业也该重新计算AI的价值。
不是看用了多少个工具，而是看AI真正接管了多少工作、创造了多少结果。
AI真正进入企业的那一刻，不是它会回答问题，而是它开始把事情做完。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
评论前必须登录！
注册