多智能体AI商业落地:跳出工具思维,打造系统能力

本报告将详细阐释，尽管企业对布局多智能体AI存在合理的观望心态，但仍应主动推进该技术落地的核心原因，并为企业展示如何通过系统性实施方法，在做好充分风险管控的前提下实现商业价值。

早在生成式AI尚未全面融入企业运营、实现规模化应用之前，人工智能的下一波浪潮——智能体AI，就已进入全面发展阶段。理特咨询曾深入探讨从生成式AI到智能体AI的技术转型趋势，同时预测该领域市场规模将实现高速增长：从当下的约70亿美元，攀升至2030年的450亿美元，增幅接近500%。

与被动响应提示词、遵循静态规则的生成式AI不同，智能体AI系统具备目标导向的自主智能决策与行动能力。事实上，智能体AI并非全新概念，自动驾驶汽车就是早期智能体技术落地的典型代表——这类技术能通过感知、推理、行动完成车辆导航任务，同时在运行过程中持续学习、动态适配。

而如今的技术突破，在于将这种“感知-推理-行动-学习”的核心能力，成功应用于新一代企业级人工智能工具的研发与落地（见图1）。

智能体AI的发展速度堪称迅猛。三年前，首款单智能体AI产品问世，首次实现大语言模型（LLM）调用应用程序接口（API）、执行网络搜索、运行代码等功能；2023年，AutoGen等多智能体框架应运而生，这类框架搭载的智能体能基于预设角色实现互联互通，还可与人类协同完成复杂任务；过去两年间，微软、谷歌、亚马逊云科技（AWS）等头部科技企业，纷纷推出多智能体平台，支持规模化部署协同作业的智能体团队，并由主智能体统筹管理其他智能体的工作。各大厂商均表示，其平台已内置企业落地所需的核心功能，包括安全防护、合规管控、审计追踪、工作流编排等。

目前，多智能体AI的早期应用已覆盖多个跨学科业务场景，如软件开发、客户服务、金融服务客户准入等。以开源框架MetaGPT为例，该工具能支持用户搭建由多智能体组成的跨学科团队，高效完成软件解决方案的开发。而在客户服务领域，多智能体解决方案则整合了多款功能专一的智能体，分别负责客户接待、数据检索、决策制定、任务执行、合规审核以及流程监督（含人工介入升级机制），在保障服务个性化的同时，有效缩短业务处理时长、提升操作准确性和服务稳定性。

多智能体AI有望成为企业挖掘人工智能商业价值的核心抓手。相较于聚焦单一任务的传统AI或单智能体AI工具，多智能体AI能深度融入企业核心业务流程，更贴合人类的协作模式，因此具备更强的业务赋能能力。正如深度学习研究院（DeepLearning.AI）创始人吴恩达所言，对绝大多数企业而言，人工智能的最大机遇并非单纯扩大传统AI模型的应用规模，而是打造基于智能体工作流的应用体系。

遗憾的是，多智能体AI解决方案的推出及其商业价值承诺，恰逢众多大型企业对人工智能投资回报感到失望的阶段。麻省理工学院《2025年商业人工智能发展现状》报告显示，尽管企业在生成式AI领域的投入已达300-400亿美元，但95%的企业并未获得任何实际回报；此外，近半数企业虽已部署通用大语言模型，却仅有5%的企业成功将任务专用型生成式AI从试点阶段推向规模化生产。新兴技术的部署与可量化商业价值的实现之间，往往存在一定的时间滞后，这一现象本属正常，但人工智能行业正经历的“幻灭低谷”，显然比预期更为深刻。

商业媒体曾深入分析造成这一落差的各类原因，包括企业数据质量基础薄弱、人工智能项目易停滞在试点阶段而未能推动业务流程变革、过度依赖通用型“横向”AI工具和智能助手，而非研发领域专用解决方案、对人机协同的人力维度重视不足、人工智能举措与企业财务指标的衔接性较弱等。这些问题的共性在于，企业将重心过度放在AI工具本身，却忽视了对数据、流程、组织、人员、治理等全域系统的配套变革。当人工智能仅应用于单一任务或智能助手场景时，这种重心偏差或许尚可理解，但这也恰恰凸显了多智能体AI具备更大的商业变革潜力。

需要明确的是，多智能体AI并非解决上述问题的“技术万能药”，它不仅无法替代企业流程重构、员工技能适配、组织变革管理的工作，反而对这些工作提出了更高要求。多智能体AI的核心价值，在于其作为一种编排能力，能推动企业实现端到端的业务流程变革，但其商业价值的真正释放，仍取决于企业能否将其深度嵌入日常更新的工作流、重新界定各岗位角色与决策权限，并主动推动一线员工的落地应用。

对于那些已在单智能体等AI工具上投入巨资，却未获得明显投资回报的企业管理者而言，对多智能体AI追加投资持谨慎态度，实属情理之中。企业自然希望待生成式AI在内部运营中趋于成熟后，再布局下一代人工智能技术，但早期落地案例表明，若一味等待AI技术“成熟”，却未同步解决运营模式适配和员工落地采纳的问题，不仅会延迟人工智能商业价值的实现，还可能在多智能体AI时代，重蹈生成式AI从试点到生产的落地困境。

人工智能发展史上，首次出现了能够赋能企业全流程、而非仅单一业务环节的技术体系，这也是智能体技术原型逐步落地后的自然演进趋势（见图2）。

即便生成式AI尚未充分释放其商业价值，企业仍有充分理由尽早布局多智能体AI，核心动因如下：

企业落地多智能体AI，需围绕数据、流程、组织、治理四大核心维度推进。对此，理特咨询提出以下三步实施路径：

优先筛选具备以下特征的业务流程作为落地切入点：多角色协同参与、依赖多源数据与信息、决策过程需结合规则执行与人工判断、业务处理量较大且成本高昂。同时，所选流程需能产生可观察、可逆转的结果，便于故障发生时管控相关风险。

企业还需充分评估流程的变革准备度，包括是否具备清晰的流程负责人、利益相关方是否达成共识、一线员工是否愿意接受新的工作模式、能否有效衡量流程执行效果与业务价值。若缺乏这些前提，即便智能体设计再完善，也终将停滞在试点或并行运行阶段。当流程突破组织部门壁垒、实现跨域协同时，多智能体AI能释放更大价值，典型应用场景包括客户全生命周期管理、IT运营、市场营销、商务合同管理、供应链规划、财务核算等。

流程梳理工作需明确全流程的工作流、各角色职责、环节交接与接口标准、治理规则及潜在风险。纽约梅隆银行（BNY）就是典型案例，该行成功将多智能体AI嵌入支付验证、代码修复等核心流程，实现了业务效率的显著提升。

在确定适配多智能体AI的流程与岗位后，企业需对其进行分析与重新设计，以适配智能化自动化升级需求。此过程中，企业需立足端到端的业务流程，以AI技术赋能为视角重构流程，搭建多智能体协同团队，而非简单叠加单个AI工具。

同时，需明确多智能体的感知、推理、行动、学习四大核心功能，划定风险护栏、人工介入升级机制及智能体自主决策边界。多数情况下，流程对应的运营模式（包括工作方式、资源配置、组织结构、治理机制）也需同步优化。结构化的组织变革管理工作需配套推进，包括：开展人机协同新任务的培训与资质认证、更新业务操作流程、建立与落地采纳挂钩的激励机制（杜绝变通操作）、明确智能体与人协同工作时的成果责任归属。

企业需清醒认识到，当前人工智能技术仍存在误判问题，且无法有效识别并提示自身的不确定性。哥伦比亚大学托夫特研究中心2025年的一项研究显示，八款主流AI搜索工具与大语言模型在检索报纸文章相关事实时，平均错误率高达60%。究其原因，大语言模型的优化目标是输出“看似合理”的内容，而非“客观真实”的信息。在智能体AI的应用场景中，这类错误可能引发重大商业风险，威胁企业的管控有效性、合规性与品牌声誉。

多智能体系统还存在一个核心挑战：技术的脆弱性会产生叠加效应。每个智能体都存在一定的错误概率，当多个智能体之间传递工作成果、假设前提或检索到的事实时，微小的错误会不断传播、持续放大。这也意味着，智能体的数量与系统可靠性并非正相关——系统的可靠性，必须通过全流程的工程化设计来保障。

如同管理人类员工一样，企业可通过流程设计与风险护栏搭建，应对智能体的错误问题，目前已有诸多可落地的实践方法。验证与校验层应成为多智能体系统的标配，且其中大部分环节可实现自动化；智能体需具备自我校验能力，包括交叉核对输出结果、对比不同推理路径、结合结构化数据验证信息、标记不一致内容。

人机协同中的人类领域专家，在运营模式中仍不可或缺——其核心作用是定义“正确”的业务标准、预判边缘业务场景、在自动化校验失效时裁决例外情况。在实际落地中，企业需设计“优雅降级”机制：对高影响的业务行动，限制智能体的自主决策权限；在关键决策节点设置人工审批关卡；在核心业务环节增加冗余校验。

常见的落地实践包括：部署独立的“守护智能体”负责全流程验证与校验、搭建基于规则的校验工具、针对源系统开展确定性核查。企业还需培养相关核心能力，包括AI幻觉识别、自动化验证流程设计、场景风险分析（即预判“智能体可能在哪些环节出错”）、制定系统信任与人工介入的运营规则。这也意味着，多智能体AI的落地，需要像管理人类员工一样，开展入职适配、技能培训与持续迭代优化。

同时，企业需根据业务需求为智能体定制能力——并非所有场景都需要大语言模型。在受约束、高管控的业务任务中，小语言模型（SLM）能提升系统可靠性，降低结果偏离预期的概率。相较于大语言模型，小语言模型的可控性更强、领域适配性更高，在约束性任务中产生幻觉的概率更低，且能更精准地结合企业内部系统验证输出结果。

即刻行动，聚焦系统构建

而非单纯的模型升级

多智能体AI之所以能推动企业生产力、业务效率与决策质量实现阶跃式提升，核心在于其能实现业务流程的端到端编排，而非仅针对单一任务的自动化。

不少企业倾向于待传统AI技术充分验证价值后，再布局多智能体AI，这种想法虽可以理解，但并非最优选择。布局多智能体AI的核心，并非简单叠加更多技术，而是加速推进运营模式升级与组织变革管理，让AI深度嵌入企业业务流程与决策体系，推动一线员工主动落地应用。

需要警惕的是，若缺乏有效的管理机制，多智能体架构的错误叠加效应会被放大。因此，企业必须将工程化的可靠性设计（包括风险护栏、验证规则、人工升级路径、全流程监控）纳入系统核心设计，而非事后补充。

在多智能体 AI 时代，企业的制胜关键在于：重构业务流程与管理机制，围绕非完美的 AI 模型搭建稳健且具备弹性的系统 —— 这与企业对人类员工的管理逻辑一脉相承。

如需报告完整版

请发送您的公司、职位、联系方式

至

Marketing.China@adlittle.com

点击“阅读原文”了解更多