ARTICLE · 1052196
AI Agent进企业:别在旧地图上找新大陆
一家营收百亿的制造企业建了“AI指挥中心”，上百个Agent按部门划分得整整齐齐，每天互相“开会”。这套系统花了不少钱，也花了不少心思。问题不是Agent太多，是每个Agent都太大了。我们正在用管理“不完美的人”的方式，管理“完美的AI”。
我曾参访过一家营收百亿级的制造企业（应其要求不具名）。总经理带我看他们的“AI指挥中心”，大屏幕上，上百个Agent按部门划分，正在互相“开会”。三个月后我听说，那块大屏还在，但主要改做参观展示了。有部分指标按预设模板呈现——是否实时、是否全量，值得单独核。
看得出来，这套系统花了不少钱，也花了不少心思。
我曾经以为，企业AI落地的瓶颈是技术——模型不够强、算力不够大、数据不够多。直到我看到那个“AI指挥中心”——上百个Agent在互相开会——突然明白，我错在哪里了。
AI时代，企业更新换代的关键不是AI技术，是组织架构。
部门化的问题不是Agent太多，是每个Agent跨越了太多层级。我们正在用管理“不完美的人”的方式，管理“完美的AI”。
一、部门化Agent：一个值得审视的路径
工业时代为什么要有部门和职能划分？两个原因：
第一，人不是万能的。营销专家做不了财务的事，法务专家做不了客服的事。所以需要分工，需要各部门各司其职。
第二，人是需要制衡的。组织需要不同部门互相牵制、互相监督，防止信息不对称和利益冲突。
但这两个前提，在AI身上都不成立。
AI可以同时精通财务、法务、营销、客服——它不需要“分工”。AI也不会为了自己的KPI损害公司利益——它不需要“制衡”。
所以，当我们按照部门和职能划分，把AI塞进旧的组织架构里，做出上百个“部门Agent”让它们互相“开会”——本质上是在用旧地图导航新大陆。这在执行层尤其致命：将单一重复工作拆分为独立部门Agent，会产生大量跨Agent沟通损耗，将人的内耗复制给AI。
但这不意味着所有职能划分的Agent都是错的。在集团顶层，跨板块风控、全域经营分析、合规统筹等全局调度场景中，顶层统筹型Agent仍有不可替代的价值——但“顶层”本身需要分类。战略层（董事会决策支持）、风控层（跨板块合规审计）、资源层（全域数据中台），不同类型的顶层，Agent的设计逻辑完全不同。战略层Agent需要的是信息聚合与推演能力，风控层Agent需要的是规则引擎与异常检测，资源层Agent需要的是调度优化与冲突消解。把它们统称为“顶层Agent”然后套用同一套架构，和把执行层Agent按部门划分，是同一个错误的两种表现。关键区分在于：底层执行环节应当追求“最小单元、直接替代”，顶层统筹环节可以保留职能视角做全局调度，但顶层内部的类型差异必须被识别。一刀切地否定所有部门Agent，和一刀切地复制部门架构，是同一个硬币的两面。
为什么企业明明知道AI不需要分工，还在用部门化Agent？因为组织架构的背后是权力结构。拆掉部门化Agent，意味着拆掉某些人的管理权限和利益空间。没有人会主动拆自己坐着的椅子。
二、数据与现实：理想丰满，落地骨感
2026年，AI Agent是企业圈最炙手可热的话题之一。但热度与落地之间存在明显的落差。
部署意愿高，落地率低。Gartner 2026 CIO调查显示，约17%组织已完成AI智能体部署，超60%仍在探索或试点阶段。我国企业AI Agent采纳率从2024年底的17.3%增长至2026年中期的40.3%，增长迅速，但距离全面落地仍有距离。
试点多，规模化少。毕马威《2026全球技术报告》显示，全球88%的受访企业已开始将Agentic AI融入系统，但仅有24%的企业能在多个AI用例中实现投资回报。麦肯锡2026年分享会口径显示，约75%企业长期停留点状试点，仅约一成实现规模化；业内常称“AI试点陷阱”。
未来挑战严峻。Gartner预测，到2027年底，超过40%的代理型AI试点项目将因成本不断攀升、商业价值不明确或风险控制不足而被取消。注意，该预测针对的是代理型AI试点项目，而非全部AI项目——但方向已经足够明确。
更值得关注的是，据行业观察，一家中大型企业内部上线的智能体数量已经普遍超过200个，极端情况下甚至达到1000+。两百个Agent在互相“开会”、互相“扯皮”——本质上是在把人之间的沟通成本和内耗，复制给了AI。
问题出在哪里？一个容易被忽略的事实是：部分集成商按智能体数量、调用量或项目包报价，存在以数量堆方案的激励。这套商业模式的某些逻辑，和工业时代的咨询公司按人天计费有相似之处——只不过把“人”换成了“Agent”。但把Agent泛滥全部归咎于服务商，也不够公允。它们没有动力告诉客户“你不需要这么多Agent”。但更深层的问题是：这套商业模式的本质和工业时代的咨询公司完全一样——按人天计费，只不过把“人”换成了“Agent”，换了一个更贵的外壳。用工业时代的“人头计费”卖AI时代的服务——这是最不AI的赚钱方式。当客户发现Agent也变成了“人天”，这个行业的泡沫就会破。
将Agent泛滥全部归咎于服务商，也不够公允。企业管理层自身的“可视化政绩需求”是更隐蔽的内因——但再往深处想一层：大屏可视化、多Agent架构更容易做成数字化成果汇报素材，管理者主观上愿意堆砌Agent做面子工程——这背后可能存在代理人的问题：决策者的KPI与组织效率最大化并不总是一致。Agent泡沫的本质之一，是代理问题在AI时代的新变种。那个百亿企业总经理的“AI指挥中心”大屏，就是最好的注脚。收割链从来不是单向的——被收割者也在主动配合收割。
三、正确的路径：从“最小工作单元”开始
面对这种困境，一个更务实的选择是：先别急着改造整个流程，而是找到那些AI可以完整参与甚至主动接管的最小工作单元。
但“最小工作单元”不是一个笼统的概念。它至少应该分为两个层级：
操作层的最小单元——边界清晰、规则明确、重复性高的执行类工作。比如合同初审、发票核对、客服首轮响应。这类单元AI可以直接替代，效果立竿见影。
判断层的最小单元——需要一定分析能力但决策路径相对清晰的工作。比如风险评估、策略建议、合规筛查。这类单元AI暂时无法完全替代，但可以作为“决策辅助”完整接管信息整合和初步判断的部分。
两层的区别在于：操作层可以用“AI替代”来度量，判断层需要用“AI辅助的效率提升”来度量。混为一谈，指标就会错位。但两层之间并非泾渭分明。合同初审是操作层，但如果初审中发现了异常条款需要升级——这是操作层还是判断层？比如合同初审识别出天价违约金条款，AI完成初审标记属于操作层，自动推送风控Agent做风险定级属于判断层，由编排中台自动调度，而非跨部门Agent互相开会请示。过渡地带如何编排Agent？这是最小单元策略较容易被卡住的地方。边界从来不是天然存在的，是在实践里撞出来的。
为什么从最小单元开始？三条好处：
第一，风险可控。最小单元失败了，影响范围有限；成功了，经验可以复制。
第二，效果可衡量。一个具体环节的效率提升，比“全公司AI化”更容易量化。
第三，组织阻力小。不触动既有的权力结构和利益分配，更容易推进。
但“最小工作单元”策略并非没有天花板。如果一个企业所有的“最小单元”都跑通了，谁来把它们拼接成一个完整的组织？拼接的过程，会不会又回到“部门化”的老路？这是最小单元策略的隐形天花板——“单元化”成功之后，“组织化”的问题依然存在。拼接不是技术问题，是权力归属问题。如果拼接的逻辑还是部门化——财务Agent归财务部管、法务Agent归法务部管——那最小单元只是在部门内做了局部优化，没有真正打破旧架构。行业正在探索的解法是搭建AI统一编排中台，将已跑通的单元能力抽象为可复用的共享技能模块，从底层规避重复造轮子和部门孤岛。但编排中台本身也需要警惕：数据中台曾经是数字化转型最大的坑之一——投入巨大、业务价值模糊、最终变成另一个面子工程。编排中台如果只是数据中台的AI版，会不会重蹈覆辙？这是行业还没有回答的问题。
完整的闭环路径应该是这样：操作层单元跑通→验证后的能力沉淀到编排中台→编排中台自动调度判断层Agent→形成从“拆”到“拼”的完整闭环。
四、未来方向：从“管理”到“编排”
浪潮信息提出了一个概念叫“Humagent”——人+AI智能体的混合基础运营单元。在其官方定义中，Humagent并非单纯把AI当作“数字员工”，而是将人与AI智能体组合为一个协同运营的基本单元：人聚焦系统性、前瞻性工作，Agent承担高频执行与创新工作，两者围绕共同目标运转。
在这一框架下，传统“管理”与AI“编排”的边界开始清晰。
管理是对人的——需要激励、考核、制衡。编排是对AI的——需要设定边界、定义接口、监控输出。用错了框架，AI的能力被组织惯性吃掉。
Humagent概念的价值在于跳出“AI只是工具”的认知局限，但它也留下了一个需要行业共同回答的制度性问题：当Agent作为运营单元的一环产生错误时，追责主体是人还是Agent？它的“绩效”如何考核——是按任务完成率，还是按人机协同的最终业务结果？目前行业通用治理原则为AI仅做执行与整合，最终决策权、过错追责主体归属于使用AI的业务负责人，同时依靠全链路操作日志完成回溯审计。但细节层面的制度设计，仍需企业在实践中自行探索。这些问题不回答，Humagent就只是一个概念，无法落地为可运营、可问责的组织单元。
李开复说得更直接：2024年，行业关心的是“AI能否完成一个任务”；2025年，焦点是“AI能否跑完一整条工作流”；到了2026年，问题已经升级为“AI能否替代一个企业的职能部门”。
回到开头那家企业——大屏还在，但跑的已不是Agent。问题从来不在屏幕上，在组织里。
五、替代性行动框架
如果你正在规划企业的AI Agent落地，以下三步是你现在就可以做的：
第一步：做一个“最小工作单元盘点”。列出你部门里所有边界清晰、重复性高的工作环节——区分操作层（合同初审、发票核对、客服首轮响应）和判断层（风险评估、策略建议、合规筛查）。记住：问题不是Agent太多，是每个Agent都太大。底层执行禁用部门Agent，顶层统筹可保留职能视角，但顶层内部要区分战略层、风控层、资源层，不同类型的顶层，Agent的设计逻辑完全不同。
第二步：在一个操作层单元里跑通“AI完整接管”。不是“辅助”，是“完整接管”。设定明确的指标：处理时间缩短多少？错误率变化多少？人力释放了多少？跑一个月，拿到硬数据。
第三步：用数据驱动扩展。只有当一个单元的数据跑通了，才复制到下一个。操作层跑通之后，再挑战判断层的“AI辅助决策”。不是先画好全局架构图再填Agent，而是让Agent一个一个长出来。注意：搭建独立最小单元时，统一接入企业数据中台，避免各单元重复抓取数据源，造成新的数据割裂。
后期提示：当多个最小单元陆续跑通后，搭建AI技能共享中台与全局编排Agent，将已验证的单元能力沉淀为可复用的共享技能模块，从底层规避重复造轮子与部门孤岛。但记住：编排中台如果只是数据中台的AI版，它会重蹈数据中台的覆辙——投入巨大、价值模糊、最终变成面子工程。先问自己：这个中台解决的是真问题，还是又一个大屏素材？
如果你正在用“部门化”的思路部署AI Agent——停下来想一想：你是在建机场，还是在给火车站画更漂亮的设计图？
高云AI局 ｜ AI 时代，做清醒的驴行者。关注我们，一起把认知升维。
声明：部分图片由AI生成，请仔细甄别；图片来源网络，如有侵权请联系删除。
