声明：本文来自于微信公众号 游戏葡萄，作者：游戏葡萄
任何人都可以用AI做自己想做的东西。游戏团队以前难搞定的中台，也如此。
过去一个数据中台，10-15人，1-2年，才能勉强搭中台，现在可以压缩到1-3个资深人员配上大模型，外加一周时间就能搞定，往后也只要1-2人便能每天一个版本地迭代。
所以有个论调叫：SaaS已死，人人都能随手搓软件……但实际情况如何呢?
至少，我问SaaS起家、做了游戏数据中台十年的数数科技，他们早没了FOMO，在花几年实际用了AI后，在和上千家游戏厂商聊完后，他们想明白了两件事：
第一件事，现在爆发的是应用，引擎还无法替代。游戏厂商要经营好，要的是「即插即用」，就像开发游戏用引擎一样，稳定性强，还要越用越好。软件不关键，那些支撑软件的底层框架才是中台的关键。
第二件事，每个游戏厂商都知道要转型成AI组织，但AI型组织是什么模样，又该如何运转呢?现在没人知道答案，那数数科技要跑到整个行业前面探路。
如果要提出有前瞻的idea，那整个企业的部门结构和成员职能都要变，不止要跑得快，最好还要够聪明。
前不久联想的副总裁总结过「企业用AI」的三个难处：不知道怎么结合?不知道安不安全?不知道要烧多少Token才能用好?所以，当浪潮褪去，回归理性，专业的事依旧需要专业的人来做。
于是这家做数据服务的公司，决定转身向AI服务走去。如果做成，游戏厂商能不用任何调教便能用上企业级Agent平台，往长远来说，大家还能顺利往AI型组织转型。
其实十年前，数数科技便擅长做前瞻的事，他们曾在所有人还没理解数据多重要时，说要做一个SaaS，让数据像自来水一样随拧随用。
十年后的现在，这家曾融资6个亿，做到游戏行业数据分析Top1的公司又在做相似的事。在所有人把AI当玩具，没理解AI能给企业带来什么影响时，他们要做AaaS，Agentic as a Service，让游戏厂商有个能和团队协作的超级大脑。
今年4月底，为了表达这种决心，他们将公司名从ThinkingData改成ThinkingAI，然后推出了AI时代的新中台：Agentic Engine。他们似乎想用Al解决除了核心创作之外的，那50%让游戏公司焦虑的事情。
01
仍然难以自建的底层框架
新产品的界面像AI对话框，说想法就能拿结果——这些结果包括不限于，传统的数据看板，项目日报，以及做完任务回来汇报的AI日志。
Agentic Engine已经不算数据中台：每一个人，每天来工位的第一件事，就是打开Agentic Engine，问变化，看项目进度，然后和Agent一起规划工作。
一家游戏厂商的所有人都可以被这个平台链接起来。
Agentic Engine的底层是来自ThinkingAI的数据底座，迭代了十余年。
调数据，速度够快，覆盖面也广。一组数据提出来做成看板只要两三秒，一套看板能同时调行为数据和社区舆情，通常做一次分析就能调取实时数据、历史数据，综合地找出问题所在。
如今的数据底座，还足够懂业务。现在问它要「付费用户数」「关卡通过率」，Agent的专业知识也够硬，知道指的是什么数据，能准确调用对应表。
一切数据都会流向这里。Agentic Engine会像团队的第二大脑一样，有常规的行为和付费数据、社区舆情这样的非结构数据，还有团队日常的讨论和会议信息。这些事情意味着，Agent有全域的信息去做出判断。
闭环执行是这个中台面向未来的功能。传统中台只到拿数据这一步，Agentic Engine要将分析和执行也涵盖进来，再返结果。现阶段，它还在和人一起摸索流程，场景也还只有运营。后续，它还会增加AB test、投放等场景，全面覆盖。
「主要是安全，所有数据和模型都是私有化部署，」CTO周津说，他们已经改成能扛住企业级Agent的框架，「每个人装上Agent已经不是难事，但企业要即插即用地用好Agent还很难。」
现在企业建Agent中台难用，是因为AI做的多是短链业务，人人能验证idea，快速拿结果，但也因为短链，不够稳定，游戏厂商需要的是能支撑长期经营的长链——稳定、可靠、可治理。
举个例子，如果拆开ThinkingAI的Agentic Engine，它是典型的企业需要的长链。
最上层的Agent，很接近人人可实现的软件层。如果只有这一层，那Agentic Engine可以被随便替代，现在一个14岁小孩都知道怎么配置：接上LLM大脑，外置记忆库存数据，再接CLI开各种软件的访问权限。
所以往下，Agentic Engine下面有两层技术搭长链。
中层是他们服务游戏行业十余年的Thinking Engine，能搭看板BI，能做多种业务分析。上层的Agent会优先在这里调内容分析，如果用户看不明白，还能调看板去查，而这里有跑了多年的业务系统能接住AI的思考。
再到最底层。当中层解决不了问题，Agent还可以探到最底层的数据仓库去查——这个迭代十余年架构，又做了数据规范后的仓库，能帮Agent兜底，让它少胡说，多查证。
这条长链是未来做成闭环执行的基础，也是游戏厂商难自建出即插即用的Agent的原因。
时间回到两三年前，当时还叫数数科技的ThinkingAI已经做了近十年游戏数据中台，鹰角、点点、三七都是他们的客户，但AI的出现，让他们有了新的方向。
最早，ThinkingAI想搭出游戏厂商和AI链接的最后一公里。他们梳理十年的游戏行业经验，搭workflow，做行业prompt库，让AI接进来就能理解行业信息，能进行工作对话，保证做事够专业，不给假消息。
传统数据中台做AI并不容易。「国内项目都是做长线，数据表命名不规范，加上会不断出新功能，也很难标准化，这就让AI查表的准确率不够。」于是周津想到「AI糖」，像给小奖励一样，在数据中台的每个模块都加小型的AI模块，让游戏团队先尝尝和AI协作的甜头。
几个月后，他们换AI Native的思路，完全基于AI优势做舆情数据项目。过去市场和运营看社区靠人肉看，现在大语言模型本就是处理文本的高手，能看得懂黑话，懂口语表达，可以帮游戏厂商抓取社区对产品的态度和修改意见。
转折来自今年春节出现的OpenClaw，全自动化的框架加上vibe coding，任何人都可以做成自己的软件，哪怕是ThinkingAI花大力气做的AI Native舆情项目也能轻松解决。
看着媒体每天报道的「SaaS已死」，他们想到的唯一的解法是全身心地投入其中。那段时间，周津和几位高管在终端搭建了自己的Agent分身，将知识库和工作信息全部同步过去，和团队一起摸索了和Agent相处的方式。
不到一个月，这家公司确定了新方向：与其盯着游戏厂商的需求出解决方案，不如跑到行业前面去，搭建一个属于AI时代的工作流。这也是Agentic Engine诞生的源点。
而AI时代工作流的第一个变化便是，上一个时代的诉求止步于拿数据，但下一个时代，需要拿到准确的分析和执行结果。
02
AI对企业更远的价值
ThinkingAI经常将自己过去的价值总结为「十年服务游戏产业的经验」，而他们最近在忙的，是将这一切「蒸馏」成Skill。
举个例子，如果付费差，我要下钻分析，查异常数据，然后排查异常的维度，那有了数据异常之后我又该怎么做运营?当运营结束之后，我又要怎么看回执数据，来判断运营效果如何?
这一轮问题研究&解决下来，便是一个Skill。每一个Skill本质上都在告诉Agent，没必要浪费时间慢慢探索思路，有一条最短路径给你走，这能帮游戏团队降低不少Token消耗。
提炼AI Skill并不难。ThinkingAI一直有「客户成功」团队，他们会到一线和签约厂商对接，设计埋点方案，为大家写SQL解决业务问题。这些人积累很多，有打不完的弹药。
难的是把效果调好。一开始他们看Agent回答的准确率，现在则更多看Agent给的思路，对一线业务有没有帮助。这也是ThinkingAI应对数据治理困难的办法：现阶段没必要苛求绝对正确，不如先让它以超级助手的定位来启发人。
如今ThinkingAI已经做了上百个Skills，等Agentic Engine上线时，团队会先筛出质量最高的50-100个首发。
「行业经验就是业务上的ROI，MCP加Skill的调用和封装，其实就是把最高效、最快速、最短捷的一个路径告诉了Agent。」周津说。
周津在大会上说，Agentic Engine其实有第四个支柱：「用好Agent」。
一家游戏厂商最关注的问题，就是Agent能否可观测、可诊断、可优化。这也是ThinkingAI现在做的事情。「我们现在搭Agent就是一步步标注它的问题，优化流程。不是让大家用上就行，而是能让大家逐步地用好这个东西。」
现阶段，Token浪费是常见现象。一个招呼、一句夸赞，上万Token就被浪费了。而搭建一个流程本就是要不断报错，解决，改流程，重新测试，遇到BUG的话可能一天会烧掉一周60%的配额。
「我们在帮行业探路。」周津说。ThinkingAI最近测Agent的方式是算ROI，开日志审计每一批Token产出的结果，哪些有意义，哪些没意义，然后想办法约束或者改流程，省掉无意义的Token开支。
最终拿到游戏厂商手里的Agent，会是做好测试，能高效率、高质量、低Token消耗的Agent。而这个调试经验，还能帮游戏厂商去优化属于自己的Skills，像滚雪球一样，把Agent越用越好。
过去与他们签下合作的游戏厂商，很多都是看重ThinkingAI团队本身，像Habby、九九互动等团队的人都提到过这一点：他们相信ThinkingAI的人会和自己一起前进，知晓业务需求，再回去迭代自己，跟着产业成长。
过去如此，AI时代也如此，无论是「蒸馏Skill」「用好Agent」，还是他们在北美宣布和MiniMax深度合作，都来自这个逻辑，殊途同归。
ThinkingAI说自己要做的是游戏产业企业级的Agent，但其实它的最大价值不止于此。
企业AI要创造价值，要解决更高维度的组织AI能力。这也是ThinkingAI积累了十年后，下一步要做的事情：怎么走到行业前面去，帮大家提前找到AI时代的组织协作?
大众认知里，数据中台的价值是拿数据。数据拿到手后都是人的工作，分析，再交给其他团队处理。因为以前拿数据是漫长且困难的过程，ThinkingAI过去做的工作便是缩短拿到数据的过程。
如今到了AI时代，过去游戏厂商要拼尽全力才能获得的结果到手后，下一步该追求什么?ThinkingAI现在给的答案是闭环执行，是用好Agent后，只要一句话便能「一步到位」地拿到执行与反馈。
而当每一个人都能用好Agent，整个团队都能用好Agent，会有怎样更大的价值被创造出来?这会是Agentic Engine正式上线后，游戏行业和ThinkingAI一起验证的方向。
03
动态地跟上时代
其实理论上，ThinkingAI的一切都能在未来被足够强大的AI复刻，过去的经验和想法，既然可以沉淀成架构和Skills，那就代表它可被AI执行。一劳永逸?不存在了，AI已经大幅拉低了这个复刻的门槛，一切只是时间问题。
不过，AI时代也有个看似自我安慰，但其实很有道理的理论：今日之我，并非昨日之我。AI复刻的永远是过去的积累，但任何个人和企业，都会在每一天获得新的想法，然后成长。
ThinkingAI现在学会的是替行业提问，学会不满足，这是他们设立Agentic Engine平台的立命所在，也是他们今年考虑组织转型的原因。
如果将过去所做都视为静态地沉淀经验，那么摆在面前的未来，便是要动态地不断求索。
怎么动态地向前呢?ThinkingAI的答案是，自己要先知道怎么和AI协作，而且他们已经实践了很长一段时间。
CTO周津在采访间隙指着电脑下方的插件说，他用Agent给自己搭了个「外脑」，链接自己所有的知识库和飞书信息。他和媒体对谈时会用豆包ASR收录会议，这边按自己的想法回答，那边再由Agent自动为他分析回答，然后补充与问题相关但他没提及的信息。
市场部负责人建了自己的Agent分身，把大部分能标准化、流程化的工作都交给它来负责。上至一个阶段的品牌定义是什么，它在海内外的变形是什么，下至品牌对外输出的内容该以什么标准撰写……这个Agent可以审校部门大部分成员的工作。
前不久的员工大会，AI项目负责人的Agent和CTO的Agent对齐演讲方案，两「人」四句话敲定了方向，给各自的本体同步结果。「以前动不动开三四个小时的例会慢慢会消失，Agent快速对齐信息，充分透明了，整个组织才会产生高效的决策。」
ThinkingAI的几位高管已经运转起小型的AI组织，从「人到人」转向「人-Agent-Agent-人」：Agent像组织的血管一样快速流通，向人输出结果，而人则要不断迭代自己的认知，向组织注入源源不断的idea。
这家公司正在迎接AI时代的组织进化，走到产业前方，摸索前路，然后让这个进化融入到产品中，再带动游戏厂商理解并消化企业与AI的相处方式。
「肯定会有人会落下，但不是AI把人替换掉。」市场负责人说，「但是会用AI的团队，比不会用AI的团队有更强的竞争力。」
