智能体不是产品

到目前为止，大多数公司和个人使用的，仍只是 AI 模型能力中相对基础的一层。这意味着，我们并不会从每一次新模型发布中看到巨大的收益。尽管如此，AI 在许多企业部署中依然屡屡失灵。为什么？

我认为，这是因为大多数企业关于 AI 的讨论都聚焦于错误的问题：我们能把预算中的哪一部分投向 AI？例如，我们是应该继续使用现有软件，如 NetSuite，还是直接用 AI 替代，并迁移到新的 AI 原生 ERP？

而正确的问题其实更为根本，甚至与 AI 本身无关：我们现有的流程是什么？它们又是在哪些环节出现了问题？

“如果不从底层重建运营体系，你就无法完成公司的转型，”Varick Agents 创始人 Vas Moza 告诉我。Varick 是一家应用型 AI 公司，进入大型企业组织内部，帮助它们借助 AI 由内而外实现转型。

从底层重建运营，意味着要清楚哪些环节应以确定性方式实现自动化，哪些应交给代理，哪些又应保留给人工处理。这不是模型工程或代理工程的问题，而是流程工程的问题。Vas 说：“正是这种流程再造，能让 AI 的效果提升 100 倍。”

并非每个工作流都需要代理

在企业部署中，首先要回答的问题是，哪些环节不应该代理化——因为并非每个工作流都值得配备代理。对此，我的思维模型是：

确定性自动化适用于规则。
如果输入是结构化的，而且期望的行为可以被明确规定，那么你大概率并不需要一个代理。你需要的是软件。这类工具适用于诸如路由发票、同步 CRM 字段、检查所需文件是否齐全等任务。这些工作流很有价值，但并不需要开放式推理。

代理适用于在具体语境下作出判断。
当工作需要解读输入、跨系统调取上下文，或执行一项会随着代理发现的信息而改变路径的多步骤流程时，代理才有意义。在确定性自动化失效的地方，代理才真正发挥作用。

人类负责问责、处理模糊性，并建立信任。
有些工作应该继续由人来完成。这可能是因为其后果或相关关系过于重要，或者组织尚未明确“做好”究竟意味着什么。在这些情况下，合适的 AI 产品可能是副驾驶、审核者、研究助手，或质量保证层。

接着，即便你已经确定代理是合适的选择，你仍然需要判断它是否值得构建。这是另一项独立评估，考量维度包括可替代的人工工时、关键人员风险、周期时间缩短、收入提升、构建所需的时间与成本，以及最重要的预期投资回报率。Vas 表示：“投资回报率达到 10 倍的工作流应该优先考虑。投资回报率只有 2 倍的工作流，也许值得，也许不值得。而投资回报率低于 1 倍的工作流则应该不要碰。”

代理应当部署在哪里，这一决定是在完成所有这些诊断之后才作出的。至关重要的是，最痛苦的工作流不一定是最值得实现自动化的工作流。

部署才是产品

在许多公司里，工作流程存在于人的头脑中，而他们有时其实并不能清楚地说出自己到底在做什么。这就是“部落知识”问题。

在成为投资人之前，我曾在制造业和供应链领域创办过一家公司。我记得当时试图通过询问员工做些什么来理解工厂的工作流程。他们总是能演示给我看，但很少能把它解释清楚。

Vas 在企业运营中也看到了同样的情况。真正做这些工作的人，通常并不习惯把工作过程讲述出来。他们可能已经做了 15 年，知道哪些异常值得记录、哪些不值得，但他们未必说得清其中的原因。

而且，并非所有这类知识都值得被固化下来。Ahmad Kakar 是 Euclid 的首席执行官，这家公司为卡车运输和物流构建智能体系统。他告诉我：“部落知识的问题在于，其中相当一部分并不是真正的专业经验——而是人们多年来为那些并不存在或已经失灵的系统搭建的权宜之计。如果你只是把这些内容记录下来并编码进智能体里，你自动化的其实是功能失调本身。真正的工作，是把这些东西从人们脑子里提取出来，然后判断哪些是真实的判断，哪些只是创伤疤痕。”

这一过程也很微妙，因为你向其请教知识的人往往会认为自己的工作岗位岌岌可危。Vas 说：“我们希望确保他们不会觉得自己的整份工作都将被取代，因为大多数时候情况并非如此。处于增长中的组织里，还有大量工作要做。”

Troy Shen 是面向海关报关行的人工智能平台 Cervo 的联合创始人，他将同样的动态归结为一个销售问题。他告诉我：“成功采用人工智能需要完成两次销售，而不是一次。你既要向高管兜售成果，也要向真正会使用这些代理的操作人员兜售一个显著改善的工作日。”而如果得不到操作人员的认同，这项部署就会失败。

去年，我就这一话题与 Decagon 产品总监 Bihan Jiang 进行过交流， 她告诉我，她工作中很大一部分内容是帮助客户推进内部变革管理，而不仅仅是技术实施。“董事会层面往往会下达‘将 AI 引入客户体验（CX）’的指令，这会形成自上而下的推动力。由于做出这样具有变革性的决策需要大量信任与协同，我们最终往往会深度参与客户内部许多充满活力的跨职能讨论。”

Suril Kantaria 是 Adaptional 的联合创始人，该公司为保险理赔打造智能体式 AI。他将信息采集过程比作一种学徒制。“在许多企业中，工作本身就是一种学徒模式，”他告诉我。“这是我们在向一些最大的保险公司部署时得到的一个简单却关键的洞见。要想成功，我们就要像积极上手的新员工一样完成入职——学习最优秀的理赔专员如何处理索赔、作出决策、确保合规，并跟进内部政策。这个‘产品’的核心，既包括对我们所在领域（保险理赔）的深刻理解，也包括应对每位顾客理赔流程具体细节的能力。”

这正是为什么部署过程一部分是技术性的，一部分是人类学意义上的，还有一部分是政治性的。正如 Troy 所说：“为一家《财富》500 强企业部署时，你面对的是横跨多个办公室的推广落地，而每个办公室都有各自的历史、流程、内部政治以及对 AI 的态度。要驾驭这一切，需要罕见的情商、即兴应变能力，以及利益相关方管理能力。”

目标是绘制出公司内部“知识树”的地图——包括工作流图、决策规则、异常分类体系、升级路径、评估集、访问政策、审批阈值以及边缘案例库等内容。这将为组织建立起可审视的结构化逻辑，并随着时间推移不断加以改进。

现代化并不意味着迁移

我此前曾提出，遗留系统现代化是企业 AI 中的一个重要切入点。这意味着将旧代码转换为新代码，并需要对整个系统进行现代化改造。虽然这一点没错，但值得注意的是，有时最好的第一步，是先将某个软件周边的工作实现现代化，而不是软件本身。瓦斯表示：“我们不会强迫你迁移出你的记录系统，这对大多数企业来说才是现实情况。它们与自己的 ERP 或 CRM 绑定得非常紧密。”

这些系统承载了多年的流程和集成，因此有时在其之上进行构建会更容易——而且效果更好。这意味着先将它们连接起来，然后提取它们之间的流程逻辑，再为智能体提供上下文，使其能够跨系统执行工作。瓦斯说：“只要有可能，我们都会在其之上构建，因为这些平台之上以及这些系统相互连接所形成的工作，仍然有大量尚待完成。”

如果底层架构本身就很脆弱，这种方法就有其局限。这可能意味着数据并不干净，或权限设置存在问题，因此在这些问题之上继续构建，最终只会把失灵的流程自动化，而不是去修复它。

我见过的最佳企业 AI 部署，往往是几种方法的结合：能在现有基础上叠加的地方就先叠加，然后再通过智能体部署暴露出真正需要重建的部分。过去，现代化意味着让传统软件能够被现代开发者使用；如今，现代化则意味着让传统运营流程能够被智能体理解。

模式库

在以服务为主的 AI 公司中，每一次部署看起来都像是量身定制的。不过，部署专业能力本身也存在可供学习的模式，这会让跨顾客的可复制性随着时间推移变得更容易。

例如，在为多个财务部门完成部署后，一家公司就可以开始总结财务部门如何运作、以及会在何处出现问题的模式。重要的是，这种复利效应并不依赖于转移客户数据。“我们让代理具备更高的基础准确率，”Vas 说，“并不是因为我们从客户那里提取数据，而是因为我们掌握了最适合处理那些在各次部署中见到的右尾边缘案例的方法论和实践。” 一个客户的数据，并不一定需要被复制到另一个客户的系统中，下一次部署也能因此做得更好。

这意味着，你开始学习工作流原型、应提出的问题、评估框架、治理模型等。Clemens Komorek 是 Zalion 的首席执行官，该公司为工业采购方构建 AI 采购代理。他认为，这种价值体现在交易层面。“每一笔交易都会让系统学到一些关于供应商关系和谈判杠杆的东西，”他告诉我，“而且由于供应链持续变化，系统必须随着结果的变化而调整。这就是本地化专业知识如何变成可重复能力的方式。”

真正仍然是定制化的，是特定企业的业务语境。“这部分是不可重复的，”Vas 说，“因为每一家企业都不一样。假装事实并非如此，正是大多数 AI 项目失败的原因。”

不断积累的知识造就了一个模式库，而这正是护城河所在。关键在于知道应当在哪些环节赋予自主性，以及如何将流程转化为结构化的运营逻辑，并在一次又一次的部署中不断沉淀。

为什么实验室和既有巨头都不拥有这一点

人们很容易认为，实验室最终将主导企业 AI 部署，因为如果模型持续变得更强，那为什么不直接构建代理呢？确实，实验室将掌握大量横向智能基础设施，但销售智能与销售运营转型之间是有区别的。

实验室是围绕可扩展智能进行优化的，而企业转型并不能被干净利落地规模化。此外，没有哪家企业愿意让整个公司完全依赖一两家模型提供商，因为这会使它们变得极其脆弱。

因此，仍然需要有这样一层：决定哪种模型适用于何处、如何分配工作、如何控制成本，以及当底层模型层发生变化时，如何确保工作流仍能持续运行。去年我曾写过这一点——即从模型转向系统的转变。

咨询公司和传统系统集成商，是主导企业转型的另一类潜在人选。它们曾帮助企业度过以往的技术变革，也深谙如何在大型组织中推进复杂项目。问题在于，它们能否以足够快的速度构建并持续升级投入生产的 AI 系统。

人工智能发展迅猛。六个月前的最佳实践，如今几乎已经过时。Vas 认为：“像 McKinsey 这样体量庞大的机构，要克服惯性、让自身成为 AI 原生组织，几乎是不可能的。” 一家拥有数万名员工、内部流程惯性积累了数十年的公司，可能难以足够快速地实现 AI 原生化，从而交付客户真正需要的那类系统。

这并不是说既有巨头不会参与其中。它们会，而且已经在参与了。但市场为一类新公司打开了空间：这类公司将咨询级的流程理解能力与软件级的部署速度结合起来。它们既可以是横向型公司，也可以是垂直领域的专门解决方案。

代理体是实现机制

当一家公司的人员、流程与产出之间的关系发生变化时，它才真正实现转型。“围绕 AI 重建一家公司，”Vas 在谈话接近尾声时说道，“意味着开始理解流程本身究竟在哪里失灵。这并不是把 AI 生硬地叠加在那些尚未为其设计好的运营之上。”

在很多情况下，这意味着从底层重建运营模式。而在这一新模式中，大量工作仍然应由人类或确定性自动化来承担——而不是交给智能体。智能体究竟适合放在哪里，只有在部署过程中才能真正发现。而真正会不断复利积累的，正是关于自主性在哪些场景有效、以及应如何部署它的知识。

归根结底，企业并不是想购买一个智能体。它们真正想要的，是让自身业务比今天做得更好——要么效率更高，要么取得此前无法达到的成果。智能体只是其中一种机制。

作者注：本文仅使用了 LLM 进行轻度文字编辑（拼写、语法和清晰度）。内容、含义、语气和结构均未改变。