中小企业上 AI,真需要智能体的场景其实不多

大家好，我是鲍哥，一个做了 20 年数字化的老兵。

上个月我看过两个企业 AI 项目，名字都叫"数字员工"，但交出来的东西完全不是一回事。

一家是给一线销售做的：把几百份历史报价单和折扣制度喂进去，业务员在企业微信里问"老客户这批非标件按哪档折扣"，系统从文件里捞出答案。它不替人办事，只是把散在文档里的经验，变成随问随答。另一家是管售后订单的：系统自己盯着交易流水，发现一笔订单物流卡了三天，自己判断要去查库存、查支付，并决定要不要直接发起退款。一个替人找答案，一个替人拿主意——用的都是大模型，都叫"上了 AI"。

而现在不少公司把这两者当成同一件事：上了 AI，就算做了智能体。这不是文字游戏，中间隔着好几层。

更麻烦的是，"智能体"这个词被当成了 AI 的代名词。 好像上了 AI 就是在做智能体——其实多数中小企业上AI，根本到不了那一步。大多数中小企业的活：真需要智能体的场景，其实不多。

大多数企业的活，路径是写得出的——写得出来，就不用把下一步交给模型自己决定，用工作流加模型调用就够，快、稳、便宜。

这篇讲的就是怎么自己分：先看清要不要交决定权，再按两边看代价，最后用三条约束把选项压到两三成。

走到最后你会发现，多数企业根本不需要在工具上纠结。

一、关键只有一条：要不要把下一步的决定权交出去

报销单怎么审、合同怎么签、对账怎么跑——步骤是固定的，缺的那一段往往只是"把人写的东西读成规整字段"。 这种活交给模型去自己决定下一步，纯属多余：它不会更准，只会更快地把错误做完。工作流加模型调用就够了。

所以"真需要智能体的不多"，不是技术不够用，是这类活根本不该交出决定权。

那什么情况才真的需要？下一步该干什么取决于现场情况——要试错、要重来、要跨几个系统取数，路径写不出来。这种活有，但不多。

把"智能体"这个词拆开，它其实只回答一个问题：

这件活，AI 要不要在没人盯着的时候，自己决定"下一步干啥"？

• • 不用它决定（路径写得出来，人先把流程设计好了）——这就是普通 AI 落地。企业里最常见的两种落法是：
• • 补"看懂"：在流程里多一段，把人写给人看的东西读成规整字段（合同、报价单、发票……）；
• • 补"能问"：把企业知识挂进企微、钉钉、飞书，用"问"代替"搜"。
• • 这两种是同一件事——都不交决定权，都不是智能体。
• • 要它决定（路径写不出来，得边做边判断、边试错）——这才是真智能体：自己决定下一步、调多个工具、拿到结果再往下走。

整件事只有两边，差别只在"交不交决定权"这一格：

多数项目真正的交付物，是流程里多了一段自动处理、一个能问能干活的助手、一次判断上的辅助。都有用，但都不是"智能体"。

"企业上 AI 项目"是目标，"做智能体"只是其中一种实现形态——而且是最重的一档： 别的形态是让系统多做一件事，它是把下一步的决定权也交出去。

自己怎么分？只问这一条线：

把这件事的完整执行路径写出来。 写不出来 → 智能体（交决定权）；写得出来 → 普通 AI 落地，再看你补的是"看懂"还是"能问"。

稳定来自"每一步都是设计过的"，不是来自"模型很聪明"。

二、普通 AI 落地那侧：两种最常见落法，各接哪一段

落到"不交决定权"这一侧，再看你补的是哪一段——它直接决定你接的是哪种落法。记住，这两种落法是同一件事（都不交决定权），不是又分出一类。

补"看懂"，接的是"把人手写的东西读成规整字段"那段。

合同条款抽出来、报价单填进系统、发票真伪初筛、客服工单归类——这些活的特点是：输入是人写给人看的，输出要的是规整字段。传统系统做不了这一步，因为它要求输入本来就是结构化的；而现实里没有人为了进系统而重新写一遍。 AI 补的就是这一段"看懂"，后面照样交给老系统校验、入账、流转。这一步，就是上面说的"补看懂"。

补"能问"，接的是"让干活的人随时问到经验"那段。

制度、方案、报价口径、老技师脑子里的判断——这些知识在不在库里是一回事，能不能在干活时被问到是另一回事。把知识挂进企微、钉钉、飞书，用"问"代替"搜"，改的不是检索技术，是提问发生的时机。 这一步，就是上面说的"补能问"。

两种落法里，也常带一段判断辅助——先筛出候选、给出理由，人再来定。它把"凭印象"变成"有依据"，但拍板的还是人，仍然没交决定权。

为什么这两种落法能覆盖相当大比例的活？因为它们对应企业里两种最普遍的缺口，而且路径都写得出来，尤其是中小企业。 一种是流程跑得通、但中间卡在"非结构化那一段没人读得动"（补"看懂"）；一种是经验在、但干活的人每次都得重新找（补"能问"）。路径写得出来，就意味着不需要把下一步的决定权交出去——那恰恰是智能体最贵也最不稳的部分。把这两种接好，大多数 AI 项目其实就落到这儿了。

三、落到智能体：先算清四笔账

落到智能体，账就得算清楚。智能体多出来的那几样东西，每一样都是长期支出。

第一句，它多出来什么。

编排、记忆、工具调用、权限沙箱，四笔长期账。编排的问题是模型的判断会随版本变、随上下文变——同一件事这周跑通、下周跑不通，是这类系统的常态。 记忆的问题是它记住一条错误口径，会在后面每一次回答里把它当真。

第二句，它能碰什么。

它一旦能自己调工具，能造成的破坏上限就不再由模型决定，而由你给的权限决定。 一个能删数据的接口和一个只能读的接口，风险完全不是一个量级。自主性是责任，不是能力——责任必须先划到人身上，权限才敢放开。

第三句，它换了模型你跟不跟。

上一次调好的提示词、边界条件、工具描述，换一版模型可能要重调一遍。这不是一次性的开发工作，是一份持续的运维。

第四句，它出错的时候谁来兜。

答得出具体的人或岗位，才适合往下走。答不出"到时候再看"，那智能体形态就是给自己埋雷——它失败的方式不是用不了，是半年后没人说得清它到底在干什么。

四句话都答得上来，智能体才成立。答案是"用框架"还是"用平台"，是这四句答完之后的结果，不是起点。 顺序反了，就会为一个路径确定的活搭一套智能体框架，用最贵的方式解决一个工作流引擎本来就能解决的问题——而且这份复杂度从上线那天起就一直由你自己养着。

四、方案定在哪一层上：两边要定的东西不一样

落到哪一边，直接决定了方案要定什么。这也是为什么这一步省力——两边要面对的问题本来就不同，大部分选项不用看就已经被排除。

非智能体的两种落法，要定的东西少：补"看懂"只涉及模型和平台（走哪个入口触发、结果交给谁），补"能问"只涉及平台和入口（知识挂在哪、谁来更新它）。只有智能体要把四层逐层定——因为只有它要回答"下一步自己决定"这件事怎么落地，也只有它才可能"选错层"。

四层是这样分的：

这四层的产品不能横向比。 拿一个平台和一套框架比"哪个好"，没意义——它们解决的不是同一个问题。

最贵的错误因此不是选错产品，是选错层次。 两个方向都很常见，看这张图：

可视化平台和代码框架，差的不在"能不能做智能体"，在"谁扛运维、你能改到哪一步"。 可视化平台（Dify、Coze Studio 一类）开箱即用：拖节点、配知识库和工具，部署、用户管理、版本升级平台都替你管了；它本来就能做多轮自主判断，所以"用了平台"不等于"做的是简单活"。代码框架（LangGraph、LangChain 一类）是你自己写编排，每一步、每个分支、每个工具调用都由代码定，自由度最高——代价是这些自由度你都得自己养：用户管理、权限、并发、监控、模型升级，本来平台替你扛的，现在全是你的账单。

真正的界线是"编排这件事谁承担"。 路径确定，工作流引擎就够；路径不确定但还能枚举，平台里的智能体节点顶一下；只有路径不确定到要频繁自己判断、而且这个判断本身就是业务核心，才值得上代码框架——不是因为"要做智能体"，而是因为平台的自主判断撑不住了。

但这里要分清：工具和形态不是绑定的。 平台能做智能体，框架也能做简单问答。你做的事到底算不算智能体，判据永远是这件活的路径写不写得出来，不是你点了哪个工具。 图里"往重里选""往轻里选"两个错，根子都是把工具和形态当成了一回事——一个把框架用在了不该自己养的活上，一个把平台用在了它撑不住的活上。

这里有一件事每次都要说清：AI Coding 把"写出来"的成本拉低了，但没降"养得住"的成本。 集成、评测、值守、模型升级仍然是长期的人力投入。所以"用框架等于养一支研发队"依然成立，只是问题从"能不能做出来"变成了"值不值得养"——而这个问题只在智能体上才存在。

五、三条约束，又把多数项目推回普通落地

前几步把"要不要智能体"分清楚了，这三条是把结论落地——任何一条在智能体侧扛不住，项目就该退回普通 AI 落地。它们不改变你要做什么，只改变你用什么做、做多快、做多贵。

一、数据出不出域。要问的是"什么东西不许出去"，不是"要不要私有化"。 两类形态的敏感对象不一样：补"看懂"那类要出去的，是那一条活的数据（一张合同、一张报价单），脱敏后通常可以；补"能问"要出去的是企业的知识本身，制度、报价口径、老技师脑子里的判断——这不是脱敏能解决的，这是核心竞争力；智能体要出去的是它跑的过程中调取的一切，它自己决定调什么，权限给到哪里数据就可能流到哪里。

金融、医疗、政务、涉密，数据不能出内网，方案整体要左移。这里有个常见的坑：很多企业说"数据不出内网"，采购时却只对着模型这一层说——实际要约束的还有日志、向量库、备份、第三方插件。

二、有没有人维护。 非智能体的两种落法没有人也能做——平台方维护系统，你维护的是内容，唯一持续的活是"知识过期了怎么办"，而它不需要开发，只需要一个负责人。

智能体要看你在哪一层做。用可视化平台做，没人也能做，但自主判断的天花板也就在那儿；上代码框架做，没有专职团队就别开始——它要有人盯模型换代、盯接口变更、盯权限。这条最常被跳过，因为"我们自己也能学"的乐观估计太普遍。自研的真实成本不在开发，在每年的维护、升级、值守。

三、错得起吗。要问的是"错错了谁承担"，答案直接改方案。 补"看懂"那类错不起就加一道人工复核，让它进不了账。补"能问"多是内部参考，但有一个例外：员工会把它的答案当依据往下用——报价口径答错一位，业务就可能真的报出去，所以这一类的重点不是拦错，是标出处。智能体错不起，就意味着规定了 AI 站到哪儿为止：读懂、抽取、给出候选，结论交给确定性的系统或人。

这里还有个前置问题：面向境内公众提供服务的企业，另有《生成式人工智能服务管理暂行办法》的备案与安全评估要求要走；纯粹企业内部自用，适用的是另一套口径。 这条界线要在动手之前问清楚。

三问答完，多数项目会自然落到非智能体一侧——这比开头那句"真需要的不多"更看得见，因为它落在了数据、人、错这三个你躲不开的现实上。 前面几步都在排除，最后这一步才是收口。

对中小企业来讲，你会发现绝大多数工具根本不必进入视野，而真正该选到智能体的场景，比你一开始以为的少得多。

最后

真需要智能体的场景不多，这是好消息——因为它意味着你不必在工具上赌。

多数企业要的是流程里多一段自动处理、一个能问能干活的助手、一次判断上的辅助。都有用，都不贵，都不需要交出下一步的决定权。

决定权交不交出去，是这条线上最贵的一个选择。 路径写得完就别交，写不完才轮到智能体，而那意味着编排、记忆、权限沙箱和长期的运维，都是你自己的账单。

先看清要不要交决定权，再按两边看代价，最后用三条约束把选项收口。

AI 落地的分水岭，从来不在工具清单上。