85%的智能體項目打了水漂，那剩下的15%做對了什么？

如果說去年人們還在討論“大模型能做什么”，那么今年，越來越多企業開始思考另一個問題：AI究竟能不能真正創造業務價值？技術咨詢公司thoughtworks與《連線》共同發布的數據顯示，全球高達93%的IT領導者計劃在2026年前部署AI智能體。

然而，投入的快速增長并不意味著價值能夠自然產生。人工智能與自動化專家帕斯卡爾·博內特在其最新著作《代理式人工智能》中援引數據指出，只有不到15%的企業成功將生成式AI從試點擴展到規模。企業仍普遍面臨“目標不斷移動”“價值定義缺失”“試點項目泛濫”等底層障礙。

那么，企業從“有AI能力”到“用AI創造業務價值”，中間到底缺了什么？

在不久前舉辦的2026騰訊云AI產業應用大會上，騰訊集團高級執行副總裁、云與智慧產業事業群CEO湯道生就指出：“騰訊始終堅持好用的AI發展定位，以實用、好用、可規模化為目標，其中最核心的經驗就是扎根場景。真實場景里有用戶需求，也有模型迭代最需要的數據；騰訊豐富的產品場景、交互數據和生態連接，既能為模型提供高質量上下文，也能讓模型調用工具、真正完成任務閉環。”

對于企業而言，“好用的AI”或許比“最強的AI”更加重要。決定AI價值的，往往不是模型參數規模，而是它能否真正進入業務流程、解決實際問題，并持續創造可衡量的結果。基于這一思考，騰訊云還發布了《企業級智能體效能管理指南》（下簡稱《管理指南》）。管理指南中提出了一套智能體效能指標體系，讓企業的AI投入從憑感覺變為可評估，嘗試回答究竟什么才是“好用的AI”。

如今，這一邏輯在很多企業奏效，特別是在消費與服務行業，一些領先企業已經開始借助AI智能體獲得增長。比如伊利應用智能體，推動訂單數提升26%；金碧物業的極速工單Agent，將效率提升超過80%；五糧液通過智能體矩陣，日均接聽咨詢電話降低80%……

這些企業做對了什么？他們的AI為何好用？他們的做法是可復制的嗎？

AI轉型的三道必答題

從AI轉型的結果上看，一些企業已經獲得了可量化的收益，不過深入過程，我們不難發現，企業所做的不是簡單地部署一個智能體，而是在模型選擇、場景落地和運營管理等方面完成了一系列關鍵決策。歸納來看，這三個問題是幫助他們理清轉型思路的關鍵。

問題一：市面上工具這么多，企業該怎么選？

在智能化轉型的過程中，企業往往會糾結于一個問題：用哪個模型？用哪家的工具？用什么平臺？實際上，這些問題的重要性可能被過度放大了。

瑞士洛桑國際管理發展學院教授阿米特·喬希指出，企業需要兼采眾家之長，根據任務類型靈活組合不同模型。基于不同的模型能力、政策環境、配套基礎設施等因素，有針對性地選用不同模型，并進行有機組合。這已成為許多國際企業的共識。

關鍵的不是“是不是用了最厲害的模型或工具”，而是“是否為具體場景構建了合適的工具組合與使用策略”。伊利集團的實踐印證了這套思路。它并不是尋找一個“萬靈藥”嘗試解決所有問題，而是針對不同業務場景匹配不同能力，在不同的平臺，應用不同底層能力與工具集，更有針對性地解決相應問題，最終形成AI落地部署的組合架構，適配“全社會通用”“行業通用”“企業自適配”三類不同的場景。全社會通用的，選擇和騰訊智慧零售這樣的合作伙伴共創；行業通用的，看Agent的質量和價值；企業自適配的，涉及內部管理制度、質量標準和Know-How。當前，企業內最簡單的對話級Agent，有4萬人在使用，任務級Agent已有兩千多個，并且每天都在增加；生產級Agent達數十個。

這進一步說明，企業需要將不同的模型有機整合，在合適的地方用好合適的模型。

問題二：AI挺能干活，但怎么才能真正賦能業務？

有這樣一家全球性企業，其引入的AI智能體能在幾秒內起草一份復雜合同，看似節省了大量時間。但起草完成后，這份合同在人工審查隊列中等待了兩周時間，節省下的時間又全都被浪費掉了。

這可能是很多企業應用AI時遇到的問題，找到了AI可以發揮作用的場景，但沒把AI能力與場景痛點有效地結合起來。而要解決問題，企業可以從兩方面思考。

首先是入口的原生性。AI需要融入用戶已經高頻使用的觸點，比如微信、企業微信、小程序等，而不需要用戶費力尋找和重新學習。五糧液的AI智能體正是如此：內部員工通過企業微信調用智能辦公助手查詢政策，終端店主通過“終端俱樂部”小程序查詢進貨獎勵和活動登記等等。這種嵌入讓AI自然地融入使用者習慣的路徑中，將場景連接的門檻降到最低。

其次是能力的拓展性，也就是智能體的系統能夠靈活適應業務增長和變化，靈活地演進。五糧液就基于騰訊云構建的AI智能體矩陣，面向內部員工、一線業務人員、消費者等五類核心用戶群體，部署不同的智能體，實現知識傳遞、系統操作到終端服務、消費互動的多場景覆蓋，充分體現了AI中臺“一套平臺、多場景適配”的能力拓展邏輯。

從實際效果來看，工作人員日均接聽的咨詢電話降低了80%，AI的問答解決率穩定在70%左右。

問題三：企業能放心地把業務授權給AI嗎？

很多企業智能轉型的瓶頸，并不來自模型能力，而在于工程體系的構建。一個強大的模型就像一個頂級引擎，但如果它被放在一輛沒有方向盤、沒有剎車、沒有儀表盤的車上，同樣跑不遠。這也是Harness（智能體駕馭工程）理念常常被討論起的重要原因之一。它可以被理解為智能體的操作系統，負責管理智能體如何獲取知識、調用工具、執行任務以及接受監管，從而讓智能體能夠穩定工作。

而在企業內部，這樣的工程體系的構建，往往需要解決三類問題：第一，知識如何被智能體理解與調用？這需要一個企業級的知識底座，為智能體提供可隨時取用的上下文。第二，智能體如何穩定運行？這需要統一的運行時與記憶系統，讓智能體能完成復雜長任務。第三，企業如何放心將核心業務交給智能體？這需要一套可盤點、可管控、可審計的安全體系，確保智能體的每一次行動都在可控范圍之內。

從行業實踐來看，華住集團的做法是對這一邏輯的生動印證。它以騰訊云為底座，將核心服務流程裝進一個可配置、可執行、可閉環的運行框架里。在騰訊已經構建好的工程體系之上，華住搭建了38條工作流，覆蓋客需送物、續住開票等10大場景、152個子場景。自上線以來，已累計執行超180萬次任務，問答準確率超過95%。當一個AI系統能在萬店規模下保持這樣的穩定性和可控性，企業才真正有底氣把核心服務流程交給它。

企業級智能體落地的三階段路線圖

有了應對三類必答題的思路后，智能體的落地具體應從何處開始？《管理指南》將智能體建設拆解為三個階段：第一階段打地基，解決模型能不能跑的問題；第二階段連系統，解決跑不跑得通的問題；第三階段規模化，解決跑不跑得遠的問題。

階段一：打地基

此階段的核心是搭建最小可用的技術與組織地基，并在典型業務場景中驗證整體架構的可行性。

技術層面，云與算力基礎設施、知識庫、行為記錄與追蹤機制的基礎設施，三者構成了智能體能夠運行、能夠理解業務、能夠被回溯的底層前提。

組織層面的阻力往往更隱蔽，AI的應用給現有的組織架構和人才體系帶來挑戰，造成組織的地方與變革的空轉。針對這一問題，安踏集團COO陳科曾撰文提出思路，他建議組織將AI與人的對立轉變為AI與任務的對立，將具體的任務拆解為不同等級，有節奏的讓AI接管任務，而不是接管人的崗位。

這一邏輯在實踐中已有印證。一些咨詢公司將憑證抽查、數據比對、底稿錄入等重復性工作全面AI化，同時系統性地培訓工作人員向風險研判、客戶顧問等高價值方向轉型，從而實現人力結構優化，并減少AI落地的組織抵抗。

另外在場景選擇上，高價值、相對可控的環節往往被優先鎖定。金碧物業的做法是一個典型樣本。它沒有追求一步到位的超級智能體，而是在騰訊的助力下，先打通工單、巡檢、客服等多業務系統，建立可靠的知識底座。穩固的基礎設施也為企業帶來了可觀的收益。以極速工單為例，該環節處理步驟從7-12步壓縮至1句口語指令，時長從120秒降至3秒。而在多線業績查詢場景，AI能夠快速識別服務進步項目和優秀管家，查詢時間從30分鐘以上，縮短至1-2分鐘。

階段二：連系統

這一階段的核心，是從點狀創新升級為鏈條優化。將那些已驗證成功的單點智能體，重新編排為端到端、可治理、可信任的協同工作流。

在實踐中，企業的做法大體可以分為兩類。

一是讓AI能力從試點場景向外圍延伸。康師傅是這條路徑的代表。企業先讓員工與AI智能體配合填寫OA申請，總結晨會要點等，逐步適應與AI的協作。此后在財務與銷售環節的對賬場景中，進一步落地AI應用，用智能體自動抓取訂單、匹配配送數據、核對收款，只將有問題的品項推給對賬員做二次審核，預計可節省80%以上的對賬人力。目前，智能體的能力還在進一步向更上游的決策環節擴散。康師傅正著手打造產銷協同大腦，用AI預測每個門店的實際動銷，倒推出經銷商進貨計劃，再反推工廠排產方案，從而解決預算驅動生產帶來的庫存問題。

另一條路徑的變革更加徹底，企業重新在AI的邏輯下思考業務的流程，并據此打通流程上的相關系統。例如某頭部餐飲企業將其門店的POS系統、會員數據、地圖導航等通過智能體深度連接，打造出“車到餐到”的智能點餐閉環。車主在駕駛過程中通過語音完成下單，系統自動篩選最優門店、精準預估到店時間，確保餐品在車主抵達時恰好準備好，這一方案目前正在批量推廣覆蓋到更多門店。

階段三：規模化

這一階段的核心，是構建企業級智能體平臺，進行智能體的全生命周期管理，并完善組合治理。這不僅是技術和流程的變革，更是一次深刻的組織變革。其成敗關鍵在于同步解決兩大管理命題：如何管理數字員工，也就是那些在企業系統里運行的智能體，以及如何管理與之協作的人類員工。

一些走得遠的企業已經意識到，不能將智能代理視為一堆需要監控的軟件腳本，它們應該被看作一個被管理的員工隊伍。哈佛商學院工商管理教授卡里姆·R·拉哈尼在一項針對全球高管的專題調研中指出，企業應當部署“代理控制系統”，這是一個集中式的管理面板，用于實時監控智能體的運行效能、安全權限與決策準確性。這套系統的管理邏輯，本質上類似于傳統人力資源中的績效管理系統：入職（部署）、培訓（迭代優化與安全審計）、考核（效能評估）乃至在特定條件下解聘（下線）。

隨著智能體的規模化應用，一家企業可能擁有數千甚至上萬個智能體。此時，管理必須從事后的亡羊補牢，走向全生命周期的主動治理。企業需要建立完整的生命周期管理流程，每個環節都需要有清晰的責任歸屬與標準化操作。

而當AI承擔了大量重復性工作后，人類員工的角色必須向“設計師、協調者、解釋者”等高價值角色遷移。這種轉型不能僅靠口號推動，需要配套的機制支撐：企業應當沉淀可復用的最佳實踐手冊，建立分崗位、分層級的培訓體系，幫助員工理解如何與智能體協作、如何判斷智能體的輸出質量以及如何在關鍵環節進行人工干預。同時，變革管理與考核機制的同步調整也必不可少。只有當員工的績效評估中體現對智能體使用與協同的認可，這種角色遷移才能真正發生。

至此，企業理清了AI轉型的關鍵問題，梳理了AI落地的關鍵階段，那么在具體的行動中，應該如何及時評估AI智能體的應用效果，以便實時迭代與優化？《管理指南》中提出了4個關鍵的維度：

第一維度是業務結果，智能體是否帶來可度量的財務回報。第二維度是生產力與效率，流程和人是否變得更高效。第三維度是體驗與質量，客戶與員工的真實感受如何。第四維度是可靠性與合規，系統是否穩定、安全合規是否無虞。有了這四把標尺，企業才真正擁有了從“投入”到“評估”再到“迭代”的閉環能力。

模型會迭代，工具會更新，但只有建立了一套能夠持續衡量、持續改進的體系，企業才能在技術浪潮中保持定力，讓每一次投入都離“智能體驅動增長”更近一步。

正如騰訊云高級副總裁陳菲所言，AI在更加快速地走進每個業務一線，走進了企業的經營現場，它正從一個技術話題，快速轉變為每個經營者都能感知到的現實。但AI浪潮再迅猛，技術再精尖，終究都要回歸于“人”。在Agent深入行業核心業務場景的當下，通過AI推動規模化的個性化服務，提升企業經營效率，也讓技術為用戶帶來更具“幸福感”的體驗。

劉玥 | 文

聯系方式

投稿、廣告、內容和商務合作

newmedia@hbrchina.org