代理式企業(yè)轉(zhuǎn)型有望帶來無與倫比的生產(chǎn)力提升。
然而，在代理式AI革命進入深水區(qū)一年后，一個明確的教訓已經(jīng)浮現(xiàn)：要成功駕馭它，需要艱苦卓絕的努力和深刻的戰(zhàn)略洞察。盡管部分先行企業(yè)已在享受早期成功，但更多的組織發(fā)現(xiàn)，其AI投資難以轉(zhuǎn)化為可衡量的商業(yè)價值，在某些情況下，甚至因智能體（Agent）的表現(xiàn)未達預(yù)期，而不得不重新雇傭員工來填補空缺。
這些早期的挫折，是任何顛覆性技術(shù)在走向成熟過程中的自然演變。為了從這些實踐中提煉出可復制的成功模式，我們深入復盤了麥肯錫在全球范圍內(nèi)主導的超過50個代理式AI項目，并結(jié)合對市場上數(shù)十個其他案例的分析，總結(jié)出以下六項核心法則，旨在幫助企業(yè)領(lǐng)導者穿越炒作的迷霧，真正從代理式AI中捕獲價值。
什么是代理式AI？
代理式AI（Agentic AI）是一個基于生成式AI基礎(chǔ)模型，能夠在現(xiàn)實世界中采取行動并執(zhí)行多步驟復雜流程的系統(tǒng)。AI智能體能夠自動化并執(zhí)行那些通常需要人類投入大量精力的復雜任務(wù)，其交互方式?；谧匀徽Z言處理。
企業(yè)在部署代理式AI時最常見的誤區(qū)，是將焦點過度集中在智能體或工具本身，而忽視了其所處的完整工作流。這種本末倒置的做法，最終往往只能產(chǎn)出在演示中效果驚艷，但在實際業(yè)務(wù)流程中卻無法帶來整體效率提升的“花瓶”應(yīng)用，導致價值遠低于預(yù)期。
成功的代理式AI項目，無一例外都始于對整個端到端工作流（即涉及人員、流程和技術(shù)的完整鏈路）的根本性重構(gòu)。其關(guān)鍵在于，將現(xiàn)有流程圖譜化，識別出關(guān)鍵的用戶痛點，并思考智能體如何在每一個環(huán)節(jié)中，與人類員工、現(xiàn)有系統(tǒng)協(xié)同，以更高效、更智能的方式達成業(yè)務(wù)目標。
在這種新模式下，人類員工依然是完成工作的核心，但他們的角色、工具和協(xié)作方式將被重新定義。通過設(shè)計有效的學習循環(huán)和反饋機制，可以創(chuàng)建一個自我強化的智能系統(tǒng)：智能體使用得越頻繁，它們就變得越智能、與業(yè)務(wù)流程的契合度也越高。
【案例】一家法律服務(wù)提供商在對其合同審查工作流進行現(xiàn)代化改造時，面臨著法律專業(yè)知識（如新判例法、管轄權(quán)差異）不斷演變的挑戰(zhàn)。為解決此問題，團隊設(shè)計的代理式系統(tǒng)并非靜態(tài)的，而是能在工作流中持續(xù)學習。例如，系統(tǒng)會記錄并分類人類律師在文檔編輯器中的每一次修改。這些寶貴的反饋數(shù)據(jù)，被工程師和數(shù)據(jù)科學家用來持續(xù)訓練智能體、優(yōu)化提示邏輯并豐富知識庫。隨著時間的推移，智能體得以將最新的專業(yè)知識和判斷標準，內(nèi)化為自身的能力。
通過專注于工作流而非智能體本身，團隊得以在流程的正確節(jié)點，部署最合適的技術(shù)。這在重構(gòu)復雜的多步驟工作流時尤為重要。
AI智能體能力強大，但這并不意味著它們是解決所有問題的最佳答案。領(lǐng)導者在決策前，必須像組建一支高績效團隊一樣，審慎地評估“需要完成的工作是什么，以及每個潛在的‘團隊成員’（無論是人類還是AI智能體）各自的才能是什么？”
在急于采納代理式解決方案之前，應(yīng)首先對任務(wù)需求進行清晰的解構(gòu)。在實踐中，這意味著要明確：該流程的標準化程度有多高？需要處理多大的變異性？以及智能體最適合承擔哪些部分的工作？
核心在于，不要陷入“用或不用智能體”的二元思維。關(guān)鍵是為正確的任務(wù)，匹配正確的工具。
對于低變異性、高標準化的工作流（如合規(guī)報告、投資者引導流程），其邏輯嚴密且可預(yù)測。在這種場景下，引入基于非確定性大語言模型的智能體，可能弊大于利，反而增加不必要的復雜性和風險。基于規(guī)則的自動化（RPA）或傳統(tǒng)的分析型AI往往是更可靠、更具成本效益的選擇。
對于高變異性、低標準化的工作流（如復雜的金融信息提取、多源情報聚合），智能體則能發(fā)揮巨大價值。這些任務(wù)需要信息整合、交叉驗證和合規(guī)分析，恰是智能體的用武之地。
在許多場景下，混合使用多種技術(shù)可能是最優(yōu)解。例如，保險公司的理賠流程，可以通過一個統(tǒng)一的編排框架，將基于規(guī)則的系統(tǒng)（用于初步篩選）、分析型AI（用于風險評分）、生成式AI（用于生成理賠報告初稿）和AI智能體（用于協(xié)調(diào)各系統(tǒng)、處理復雜查詢）有機地結(jié)合起來。在這種模式下，智能體扮演的是“編排者”和“集成者”的角色，是統(tǒng)一工作流、減少人工干預(yù)的“粘合劑”。
部署AI智能體時最常見的陷阱之一，是產(chǎn)出大量低質(zhì)量、看似正確實則充滿錯誤的“AI糟粕”（AI Slop）。當用戶發(fā)現(xiàn)智能體的輸出華而不實時，他們會迅速失去信任，導致系統(tǒng)采納率低下。自動化帶來的任何效率增益，都很容易被質(zhì)量下滑和信任喪失所抵消。
從這一反復出現(xiàn)的問題中，我們得到一個來之不易的教訓：企業(yè)必須像投資于員工發(fā)展一樣，大力投資于AI智能體的開發(fā)、評估和持續(xù)改進。正如一位商業(yè)領(lǐng)袖所言：“為一個智能體辦理‘入職’，更像是招聘一位新員工，而非簡單地部署一個軟件?！?/span>
這意味著，智能體需要：
清晰的“職位描述”：明確其任務(wù)、目標和邊界。
系統(tǒng)的“入職培訓”：通過高質(zhì)量的評估（Evals）和最佳實踐范例，對其進行訓練。
持續(xù)的“績效反饋”：建立機制，讓領(lǐng)域?qū)＜夷軌虺掷m(xù)地測試、評估和修正智能體的表現(xiàn)。
開發(fā)有效的評估體系是一項極具挑戰(zhàn)，但至關(guān)重要的工作。它需要將頂尖員工頭腦中的隱性知識（Tacit Knowledge）——例如，王牌銷售代表如何推動對話、處理異議、匹配客戶風格——以足夠精細的粒度，編纂為可供機器學習的最佳實踐。這套編纂出的知識庫，既是智能體的“培訓手冊”，也是其“績效考核標準”。
【案例】一家全球性銀行在改造其“了解你的客戶（KYC：know-your-customer?）”和信貸風險分析流程時，將這一理念貫徹到底。每當智能體對合規(guī)性的建議與人類專家的判斷出現(xiàn)分歧時，團隊便會深入分析，識別邏輯差距，優(yōu)化決策標準，并重新進行測試。例如，在發(fā)現(xiàn)智能體的初步分析過于籠統(tǒng)后，團隊通過連續(xù)追問“為什么”的方式，開發(fā)并部署了多個輔助智能體，以確保分析能夠達到所需的深度和粒度，從而大幅提升了最終輸出的質(zhì)量和用戶的接受度。
在急于推進代理式AI的進程中，企業(yè)常常為每個新任務(wù)都創(chuàng)建一個獨立的智能體。這種做法會導致嚴重的冗余和資源浪費，因為許多看似不同的任務(wù)，其底層行為（如數(shù)據(jù)提取、信息檢索、內(nèi)容分析）是共享的。
如何平衡“快速構(gòu)建一次性智能體”與“投資于可復用的通用智能體”之間的關(guān)系，是CIO們面臨的經(jīng)典IT架構(gòu)難題。
一個有效的起點是，識別出跨業(yè)務(wù)流程中反復出現(xiàn)的、高頻的任務(wù)模式?；诖?，企業(yè)可以開發(fā)出一系列模塊化的智能體或智能體組件，并建立一個中央化的、經(jīng)過驗證的服務(wù)與資產(chǎn)庫，供所有開發(fā)者輕松訪問和復用。這個資產(chǎn)庫應(yīng)包括：
標準化的服務(wù)：如LLM可觀測性工具、預(yù)先批準的提示詞模板等。
可復用的資產(chǎn)：如成熟的應(yīng)用模式、代碼庫、高質(zhì)量的培訓材料等。
根據(jù)我們的經(jīng)驗，將這些能力整合到一個統(tǒng)一的平臺上，幾乎可以消除30%到50%的非必要重復性工作，從而極大地加速創(chuàng)新并降低成本。
隨著AI智能體日益普及，一個核心問題隨之而來：人類在新的工作流中將扮演什么角色？我們必須明確：智能體將完成大量工作，但人類依然是勞動力等式中不可或缺的一部分，盡管雙方的工作類型都將隨時間而變。人類需要負責監(jiān)督模型的準確性、確保合規(guī)性、運用專業(yè)判斷力以及處理各種邊緣案例。
我們從實踐中得到的另一個深刻教訓是，企業(yè)必須有意識地、深思熟慮地重新設(shè)計工作，以便人類與智能體能夠高效、順暢地協(xié)作。如果缺乏這種以人為本的設(shè)計，即使是最先進的代理式項目，也可能面臨無聲的失敗、復合的錯誤和最終的用戶抵制。
在設(shè)計人機協(xié)作流程時，應(yīng)仔細識別在何時、何地以及如何整合人類的輸入、判斷與審批。例如，在前述的法律服務(wù)案例中，智能體能夠高精度地整理核心索賠和金額，但考慮到這些信息對整個案件的重要性，最終必須由律師進行復核與批準。同樣，智能體可以推薦案件的工作計劃方案，但最終決策仍需人類專家來審查和調(diào)整。流程的最后，仍需由具備執(zhí)業(yè)資格的人類律師簽署文件，為其法律決策承擔責任。
這種人機協(xié)作設(shè)計的一個關(guān)鍵部分，是開發(fā)簡潔、直觀的用戶界面（UI）。例如，一家財險公司開發(fā)了交互式視覺元素（如邊界框、高亮顯示），以幫助理賠員快速驗證AI生成的摘要。當理賠員點擊某條洞見時，系統(tǒng)會自動滾動到原始文檔的對應(yīng)頁面并高亮相關(guān)文本。這種對用戶體驗的極致關(guān)注，節(jié)省了時間，減少了猜測，并建立了用戶對系統(tǒng)的信任，最終使采納率接近95%。
當僅與少數(shù)幾個AI智能體協(xié)作時，審查其工作并發(fā)現(xiàn)錯誤尚且直接。但當企業(yè)推廣成百上千個智能體時，這項任務(wù)將變得極具挑戰(zhàn)性。許多公司只追蹤最終結(jié)果，這使得當錯誤發(fā)生時（而錯誤是必然的），很難精確地定位問題所在。
因此，必須在工作流的每一個步驟中，驗證智能體的性能。將監(jiān)控和評估能力，作為“可觀測性”（Observability）工具，內(nèi)嵌到工作流的設(shè)計中，能使團隊在智能體部署后，依然能夠及早發(fā)現(xiàn)錯誤、優(yōu)化邏輯并持續(xù)提升性能。
【案例】在一個文檔審查工作流中，某法律服務(wù)提供商的產(chǎn)品團隊觀察到，當系統(tǒng)遇到一批新類型案件時，準確率突然下降。由于他們在設(shè)計之初就構(gòu)建了可觀測性工具來追蹤流程的每一步，團隊迅速定位了問題：部分上游用戶提交了低質(zhì)量的數(shù)據(jù)，導致了錯誤的解析和下游的推薦失誤。憑借這一洞察，團隊迅速改進了數(shù)據(jù)收集規(guī)范，并調(diào)整了系統(tǒng)的解析邏輯，智能體的性能很快便得以恢復。
結(jié)論
代理式AI的世界正在飛速發(fā)展，更多的經(jīng)驗教訓將不斷涌現(xiàn)。但核心原則是清晰的：除非企業(yè)在推進其代理式項目時，始終將“學習”作為核心（無論是在理念上還是在實踐中），否則他們很可能會重復錯誤，并延緩自身的進步。從重構(gòu)工作流開始，審慎選擇工具，像對待員工一樣培養(yǎng)和評估智能體，構(gòu)筑可復用的架構(gòu)，精心設(shè)計人機協(xié)作的每一個細節(jié)，并確保全程可追溯——這正是從“試點煉獄”走向“規(guī)?；钡谋亟?jīng)之路。
