如何制定有回报且不冒险的智能体AI战略

在企业数字化转型浪潮中，智能体AI正成为各大公司竞相布局的核心战略。想象一下，如果你是一位首席执行官，你的AI战略团队刚刚向你提出了两个方向：一是稳妥路线，利用智能体AI削减管理费用，节省10%的人力成本；二是激进路线，通过智能体AI全面改造公司运营，实现十倍增长。前者几乎不会引起轰动，但能让AI项目收回成本；后者或许能让你成为董事会眼中的传奇，也可能让你丢掉饭碗。

你该如何抉择？

各大机构对智能体AI的预期可谓极为乐观。毕马威估计，智能体AI每年将释放高达3万亿美元的生产力收益；埃森哲认为，智能体AI"无异于一种全新的资本形态"，标志着经济史上的重大转折；高德纳则在去年秋季警告称，"企业有三到六个月的关键窗口期来明确自身的智能体AI产品战略，因为行业正处于拐点。"

然而，在兴奋之余，我的建议是：保持冷静。智能体AI固然潜力巨大，但缺乏周密策略的仓促入场，往往只会导致失败。高德纳同样有数据印证这一点：超过40%的智能体AI项目将在2027年底前因成本失控、商业价值不清或风险管控缺失而被叫停。

失败的原因不止于此。许多早期项目本质上是实验性质的概念验证，这本无可厚非，但测试就是测试，不保证成功。与此同时，不少企业还被供应商带偏了方向。高德纳将这一现象称为"智能体洗白"，即仿照"绿色洗白"的概念，指企业将现有的AI助手、机器人流程自动化工具、脚本服务乃至聊天机器人，统统重新包装成"智能体"产品。高德纳估计，在数千家声称提供智能体AI的供应商中，真正在交付真实智能体产品的不足13%。

成本也是一大隐患。大多数AI实现方案依赖OpenAI、谷歌、Anthropic等外部大语言模型提供认知处理服务，通过API接口调用。生成式AI消耗Token相对有限，但智能体AI几乎持续运转，多个智能体同时运行，Token消耗极为惊人。随着企业扩大智能体AI的使用规模，云端账单正急剧膨胀。

另一个棘手之处在于AI项目的"非确定性"特征：相同的输入可能产生不同的输出，因为AI引入了概率、随机性和上下文敏感性，而非遵循固定的执行路径。这种不可预测性在构建和测试解决方案、排查故障、验证输出、确保合规以及跨版本保持行为一致性方面，会带来极大麻烦。

Salesforce Agentforce业务执行副总裁兼总经理马达夫·塔泰在一封电子邮件中告诉我："软件过去完全是确定性的：相同输入，相同输出，易于信任。AI智能体打破了这一模式，相同输入可能产生不同结果。这就要求一种混合方法——上下文、控制和治理不能在部署后再打补丁，而是要从第一天起就设计进去。"

目标偏差同样是一个真实存在的风险。如果员工给智能体的指令有误，后果可能十分严重。与其费心搭建一套制衡机制，不如从一开始就意识到：指令有误的智能体不会揣摩你的意图，它只会在你的网络中横冲直撞，留下一片狼藉。错误指令在逻辑链中层层传导，形成多米诺骨牌效应，危害范围难以估量。

安全与隐私同样不容忽视。几乎所有深度智能体AI部署都涉及使用非本地部署的大语言模型，这意味着你的数据必须发送到云端的AI系统。尽管各大AI公司承诺不会将企业数据用于训练，但数据依然在流向你无法完全掌控的系统，由此可能引发隐私、监管与治理层面的多重问题。

现实案例中已有过惨痛教训：麦当劳因智能体AI在麦乐鸡订单中频频出错，甚至将培根混入冰淇淋；德克萨斯大学MD安德森癌症中心在一个Watson项目上损失了6200万美元。

我并非要吓退你，而是希望你清醒地认识到：部署智能体AI充满风险，需要极为审慎和战略性的决策。这不是一件新奇玩具，而是一场可能决定企业命运的豪赌。

既然如此，如何才能在把控风险的同时收获智能体AI带来的红利？

从审视现有业务流程入手。几乎每家企业都有一些耗时过长、响应迟缓、成本高昂、故障频发或令人头疼的环节，这些问题其实早已显而易见，无需全公司范围的大规模深度分析。

在选择智能体AI的切入点时要有所取舍。优先考虑运行成本高、频率高、模式相对固定的内部流程。那些存在收入漏损、制造业务瓶颈或严重依赖重复性手工操作的工作流，是尤为理想的候选场景。

在用智能体AI替代人工劳动时，切勿操之过急。目标应是将员工从繁琐事务中解放出来，让他们聚焦于更具价值的工作，而非引发裁员恐慌。先从非关键系统着手，在错误尚可管控、不会波及全局的环境中试水。

当从测试转向生产部署时，务必提前建立护栏机制。在早期阶段保持人工介入，尤其是在审批和异常处理环节，防止智能体失控运行。在对性能建立信心之前，循序渐进地提升自主化程度，切勿急于开启全面的智能体自动化。

Qventus公司CEO兼联合创始人穆迪特·加格在接受ZDNET采访时表示："企业需要能够随AI发展而演进的自适应治理体系。虽然人工监督在今天依然重要，但治理框架应该预见到AI自主性的不断提升，并设置清晰的前瞻性保障措施。许多医疗机构在几年前制定的AI治理框架，如今已经需要重构，以适应当前AI能力的发展。"

持续监控行为表现与成本同样至关重要，因为在智能体AI体系中，小问题若不及时处理，会迅速产生连锁反应。Salesforce的塔泰也就AI治理分享了他的观点："企业正在跨模型、跨供应商、跨工具整合智能体，治理必须足够开放和可组合，才能跟上这种趋势。但没有监督的开放只是无序扩张。智能体需要构建在标准之上，辅以严密的治理、一致的可见性以及对整个智能体生命周期的监控。信任是不可妥协的底线。"

一旦确定可行的应用场景，初期项目务必严格限定范围。从单一工作流开始，确保能够展示清晰、可量化的投资回报。在此基础上，逐步延伸至数据模式相似的相关流程。等到你证明自己能够稳定执行多个项目后，再考虑更大范围的组织推广。

如何判断项目是否见效？首先听取员工的反馈，他们最清楚新系统的好坏。随后再审视具体指标：单任务成本是否下降、周期时间是否缩短、错误率是否降低、可量化的收入是否有所增加或回收。

加格表示："最大的挑战在于规模化后的投资回报证明。许多医疗机构缺乏清晰的绩效基准，加上对遗留电子病历系统的依赖，实施周期往往漫长。成功的关键在于提前定义可衡量的结果，并聚焦于少数高影响力的场景——与其在1000个浅层应用上分散精力，不如专注于将某个场景的准确率从80%提升到95%。"

最后，请牢记以下几点：不要试图一步到位地实现全面转型；不要同时在多个系统上铺开部署；不要轻信供应商的承诺，要以实际交付为准；不要在组织尚未准备好的情况下，被外部压力推着加速前行。

文章开头提到的那道选择题，其实是个伪命题。在稳妥的10%效率提升和高风险的十倍转型之间，并非非此即彼。真正能在智能体AI领域胜出的企业，会在适合的场景中落地解决方案——有时收获的是渐进式成本节约，有时则是一鸣惊人的突破。

从精准改进起步，步步为营，逐渐积累。学习什么有效、什么会出问题、什么能够规模化。随着时间的推移，将阶段性胜利扩展为更广泛的系统变革，最终重塑整个业务的运作方式。

智能体AI威力强大，完全有能力改变企业的发展轨迹——向好或向坏皆有可能。我曾谈到，AI是一个放大器，能放大高绩效组织的优势，也会放大问题组织的痼疾。

因此，我的建议是：谨慎推进，切勿在未经驯化的情况下将这头"猛兽"放入你的商业模式。从试点项目出发，在此基础上持续构建，随时间稳步扩大规模。在这一过程中，你或许会发现真正能让业务跃升至下一阶段乃至更高层次的机会。

Q&A

Q1：智能体AI项目为何失败率如此之高？

A：根据高德纳的研究，超过40%的智能体AI项目将在2027年底前被叫停，主要原因包括成本失控、商业价值不清晰以及风险管控不足。此外，许多早期项目本质上只是概念验证，成功率本就没有保障。另一个重要原因是供应商"智能体洗白"——大量供应商将现有的聊天机器人、流程自动化工具重新包装成"智能体"产品，实际并不具备真正的自主执行能力，导致基于这些产品的试点项目注定失败。

Q2：企业在部署智能体AI时，如何有效控制成本？

A：智能体AI与生成式AI不同，它几乎持续运行，多个智能体同时运作，Token消耗量极为惊人，云端账单会随使用规模急剧攀升。要控制成本，企业应从单一、有限的工作流试点起步，而非大范围铺开；同时持续监控Token消耗与云服务费用，在成本可控的前提下再逐步扩大规模。此外，评估是否所有场景都真的需要AI，部分流程通过简单的算法逻辑就能解决，无需引入智能体。

Q3：企业应该如何选择适合智能体AI落地的业务场景？

A：优先选择运行成本高、执行频率高、流程模式相对固定的内部业务场景。存在收入漏损、造成业务瓶颈或高度依赖重复性手工操作的工作流，是尤为理想的切入点。反之，应避免涉及大量边界情况、规则模糊或频繁变化的场景，这类情况下智能体难以稳定处理，更容易制造问题而非创造价值。初期应从非关键系统着手，确保错误可控，不会对整体业务造成连锁影响。