企业用好Agent的关键并非购买智能体

当Agent成为企业AI转型浪潮中最炙手可热的关键词时，真正的核心议题早已不再是“要不要用AI”，而是企业究竟该把AI部署到哪些环节、如何有效嵌入业务流程，以及怎样评估其投资回报。

在一场以“企业如何用好Agent”为主题的原点Talk分享会上，至顶AI实验室联合主理人路飞与智体纪元科技有限公司创始人、Agently AI应用开发框架负责人莫欣，云蝠智能创始人魏佳星，朗伯余弦科技创始人杜嘉平展开了深入探讨。与会者的共识是：Agent并非一个被包装出来的概念，而是一套能够嵌入业务、稳定执行、可观测、可度量，并最终创造实际业务价值的能力体系。

从Demo到上线，中间隔着工程化鸿沟

莫欣在分享中直指企业AI落地的常见瓶颈。许多团队可以在一周内利用大模型快速搭建一个Demo，但当项目真正进入4周、8周甚至12周的上线周期时，问题便会集中爆发。输出格式不稳定、流程不可控、过程不可见、效果不可度量——这些因素使得一个看似“能跑”的Demo难以转化为企业级业务系统。

图：智体纪元科技有限公司创始人、Agently AI应用开发框架负责人 莫欣

在他看来，从Demo到正式上线，至少需要跨越三个关键门槛：输出必须稳定，过程必须可视，效果必须可量化。企业并非简单地将Claude Code、Codex或某个聊天机器人直接塞进业务系统，而是需要获得一套能够持续执行任务的能力，并且这套能力必须符合安全、稳定、可靠、可控以及可二次修改等企业级标准。

围绕这一判断，莫欣介绍了Agent开源框架的发展方向：通过结构化输出、受控工具调用、流程编排、过程观测、日志度量、动态任务规划以及Skills复用等能力，帮助开发者将模型能力转化为可落地的应用底座。他强调，结构化输出是工程化的基石——如果模型无法稳定地按照结构化方式输出，后续的工具调用、流程控制和业务集成都将难以推进。

这也解释了为什么企业级Agent并非简单的“模型调用”。在企业系统中，模型只是能力供应的一部分，真正决定项目能否上线的关键，在于业务链条能否被拆解、观测和验证。

企业主真正关心的，是业务价值而非技术名词

杜嘉平的观察来自另一条实践路径。他们团队早期曾从事企业级AI平台开发，但在销售过程中反复遇到同一个问题：客户并不关心底层架构多么工程化，而是追问它究竟能带来怎样的业务价值。

图：朗伯余弦科技创始人 杜嘉平

因此，他将新公司的业务重心转向了更贴近业务场景的垂直应用和标准化服务。团队会先通过C端产品验证研发能力，再以项目服务方式进入企业，识别各行业中“极其垂直、具体但可复用”的场景，进而孵化垂直产品。

以装配式建筑场景为例，传统流程需要多人围绕Excel反复测算，在满足国家装配率要求的同时尽可能降低成本。杜嘉平表示，AI可以将行业标准、设计数据和成本约束整合到同一套优化流程中，过去4个人两周完成的工作，现在有机会通过系统在数秒内生成多套方案。

在养老与自传场景中，他看到了另一个方向：面向高净值老年人，用一个智能体进行访谈、另一个智能体负责撰写，将传统高价自传服务压缩为可规模化复制的AI产品。此外，知识付费博主的小红书运营、律所主任的数字分身和文稿工具，也都来自服务过程中对共性需求的抽象提炼。

这些案例背后有一个共同逻辑：AI应用的价值不一定来自宏大的通用平台，而可能来自足够具体、足够深度垂直的行业流程。

语音客服证明了Agent的商业化窗口期

相比底座和垂直应用，魏佳星带来的语音智能体案例更接近一个正在兑现收入的商业样本。云蝠智能从2018年开始聚焦“让大模型打电话和接电话”这一场景，产品可以通过一通电话现场演示。

魏佳星透露，公司从早期无收入起步，经历了300万元、800万元的收入阶段，去年收入约5000万元，今年预计接近9000万元；受智能体热度驱动，今年商机增长了约两到三倍，目前单月收入约800万至900万元。

图：云蝠智能创始人 魏佳星

在他看来，语音智能体之所以更容易成交，是因为验证路径非常短：客户听一通电话，判断语音能力是否可接受，随后即可进入商务谈判。语音智能体主要覆盖营销、通知、回访、调研、外呼和客服接听等场景。

魏佳星用客服行业解释了AI替代的经济账。“客服平均在岗时间约6个月，培训周期短，知识上下文有限；一名客服每天处理约50通电话后嗓音就会成为瓶颈，而AI单通电话的成本可以降到几毛钱级别。在不良资产处置、投诉工单等高负面情绪场景中，AI甚至可能因为没有情绪损耗而表现得比人更稳定。”

不过，他也强调，企业不能只把Agent理解为“替代人”。在组织内部，云蝠智能会要求研发、HR、财务、营销等岗位真正使用AI工具，并将员工沉淀Skills、提升需求交付效率与激励机制相绑定。换句话说，企业要让Agent落地，往往需要同步改造组织制度。

什么才算企业级Agent？三位嘉宾指向同一方向

当讨论进入“什么是真正的企业Agent”时，几位嘉宾并未给出一个狭义的定义。莫欣认为，Agent在企业主眼中常常是一个营销化的统称，背后真正代表的其实是某个业务场景所需的能力。杜嘉平则更直接地指出，只要能用AI解决企业业务问题，它可以是直接调用大模型，可以是知识库问答，也可以是一套工作流。

但“企业级”有着更硬性的要求。杜嘉平提到，安全、审计、工程化和稳定性是前提。莫欣则进一步提出了“首轮成功率”的概念：企业用户对错误的容忍度并不高，如果一个AI在第三轮、第四轮仍无法绕出问题，用户就会开始失去耐心，这在企业级场景中就已经算失败。

魏佳星从组织层面补充了另一个问题：很多企业自身的数据和文档并不适合AI阅读。企业如果想让Agent充分发挥作用，需要反向调整自己的知识资产、文档命名规范、流程材料以及内部制度，让AI更容易理解和使用。

因此，企业级Agent并非“买来即转型”。中大型企业需要考虑数据、系统、内网、安全、审计和算力环境；中小企业则可以先从相对独立的系统入手，在业务效果得到验证后，再逐步推进系统改造。

从哪里开始？离钱近、容错高、流程确定的场景最适合

对于企业首次尝试Agent，几位嘉宾给出了相对一致的建议：优先选择离钱近、ROI容易衡量、容错度相对可控的场景。

魏佳星认为，客服是最明确的切入口；如果跳出客服领域，Marketing环节也有很大的提效空间。营销相对于生产系统隔离，内容、图片、视频、数字人和个人IP口播等物料，都可以借助AI快速生成和迭代。

杜嘉平则总结出两个高适配场景：一是存在大量数据或知识需要处理的场景，二是涉及大量人力参与且流程可以固化的场景。装配式建筑优化、销售线索处理、私域评价分析、400电话录音分析等，都属于这种类型。

莫欣提出了一个更具可操作性的判断框架：一看成本替代性，二看成功率和容错要求。如果原本3000元岗位可以完成的事，换成AI后每月Token成本反而更高，那就未必适合；如果场景允许人工复核、允许一定误差——例如一线客服分流、OA自动填表、会议纪要、资料搜集——则更容易优先上线。

相反，医药客服、诊断建议、关键报价、订单系统联动等高合规、低容错场景，则不适合一开始就完全交给AI。杜嘉平举例，在医药代表问答场景中，AI可以负责从问题中检索出相似原文，但最终呈现给用户的答案必须来自知识库原文，以保证准确性。魏佳星也提到，医疗回访可以做，但必须明确AI扮演的是“护士”而非“医生”，不能给出诊断意见。

未来机会：标品先跑通，非标做集成，核心系统再内化

在“企业应该自研还是购买现成产品”的问题上，魏佳星和杜嘉平都倾向于先购买现成产品，用低成本工具快速跑通POC（概念验证）。魏佳星认为，大多数Agent任务可以先通过现有服务拼接完成，中间允许人工搬运和干预；只有当POC跑通、需求被验证后，才进入规模化、安全化、国产化和系统化改造阶段。

杜嘉平从商务角度给出了类似判断：如果市场上已有成熟产品，企业没有必要从0到1重新开发，因为交付质量和ROI都更难保证。真正的机会在于将不同的标品连接起来，或者进入尚未被成熟标品覆盖的极深行业场景。

莫欣则补充了边界条件：如果企业的核心业务高度依赖自身信息系统——例如外卖、金融、制造、能源等场景——Agent最终必须与企业内部系统深度结合，成为信息系统的一部分。此时购买标品只能解决前端体验或单点能力，后端业务系统仍需进行Agent化改造。

这也引出了对创业机会的判断。简单的AI PPT、通用物料生成等场景，可能很快会被低成本通用工具所吞噬；而语音通话因为运营商体系、业务适配和交付实施复杂度较高，仍然保留着独立的窗口期。未来真正能赚钱的企业级Agent机会，往往不在于“做一个万能智能体”，而在于行业适配、交付实施、系统集成，以及将AI内化为企业自身的能力。

Agent的落地，本质上是企业生产关系的再设计

这场讨论最终给出了一个相对清晰的判断：Agent不是一个可以孤立购买的工具，而是一种全新的生产力接口。企业要用好Agent，不仅要选对模型和产品，更需要同步调整数据、流程、组织激励、人工复核以及系统架构。

如果说大模型让企业第一次看到了“机器可以理解任务”，那么Agent真正要回答的下一步问题是：机器如何在业务中可靠地采取行动。对企业而言，最现实的路径不是一步到位替代人，而是先从高频、低风险、可度量的场景切入，让AI成为员工的工具、业务的流程节点，并在一次次可验证的POC中，逐步将其融入企业自己的系统里。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：企业用好Agent的关键并非购买智能体要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题