京东探讨企业AI提效：代码增产为何未转化为整体效率

9月9日，2026京东全球科技探索者大会在北京亦庄举行，主题为“JoyAI·跃迁物理世界”。大会关注点从模型参数、推理能力和智能体能力，转向AI如何真正进入现实业务。京东零售产研团队提出，AI写代码更快，并不意味着企业整体运行同速提升。

大会发布的京东APP 16.0，保留搜索、货架和下单等传统购物方式，并新增AI购物助手“东东”。AI被嵌入需求产生、商品筛选、购买决策和履约服务等环节，目标是理解用户要解决的问题，再调度商品与服务，降低决策成本。

企业内部的实践显示，前端、后端、测试和算法岗位使用AI后，代码产量提高，却同时加重了Review、测试和评测压力。软件研发可分为编码前的“上工程”和编码后的“下工程”：需求定义、架构设计、系统边界及跨团队协调往往更复杂，而当前AI主要改善了中间的编码环节。麦肯锡2026年全球调研显示，80%的受访者认为AI提高了个人效率，但仅37%认可其对企业EBIT产生正向影响，该比例与2025年基本没有变化。

京东展示了两个项目。面向软件工程的JoyOxygenSE曾用于优化直播频道“膨胀券”发放机制，系统结合业务知识、历史数据和产品经验生成方案、PRD、原型并评估影响，识别出约30个业务域和上百个可能受影响的系统，再交由各负责人审核，之后才调度研发、测试、算法和SRE智能体执行。

面向零售经营的JoyOxygenRetail则以开学季图书运营为例，在销售额同比增长30%的目标下，同时约束利润率、成本、售价、库存、采购、供应链和广告预算，并针对新品、长尾商品和爆款制定页面、内容、流量、促销及广告策略。两套系统都遵循目标确认、业务推理、业务对齐、智能体执行和持续对齐的流程。

这套方法并非让AI取代专业人员，而是由AI完成全局分析和初步规划，人负责目标确认、专业校正及异常处理，智能体承担后续执行。其组织方式可能从“人找人”转向“Context找能力”。但智能体接通只是起点，数据权限、人工确认节点、冲突裁决和责任追溯等规则仍需明确，否则只是把会议审批换成智能体排队。

京东将底层体系概括为“Model × Context × Learning Loop”：模型提供通用智能，Context让AI理解企业，Learning Loop通过反馈持续进化。企业经验并不只存在于文档，还分散在代码、数据库、流程、会议、配置和个人判断中。例如促销降价需要结合未来大促安排，页面原型也必须符合楼层功能、设计规范及历史转化经验。

真正的差异可能不在于谁接入了更强模型，而在于谁能持续沉淀业务规则，并让经验更快进入下一次决策。京东提出“分布式对齐”，让各业务域专家审核AI方案，修改意见回流为后续推理依据。若审核还需额外填写大量标注、维护知识库，学习闭环就会变成负担；只有把反馈自然嵌入审核、修改和执行流程，AI才可能逐步融入企业协作。