夜雨聆风两年来，关于AI Agent的讨论从未停止。理论框架一个比一个复杂，概念演示一次比一次惊艳。然而，当企业真正准备落地时，发现自己面对的是一片"现实的海洋"：老旧的IT架构、混乱的数据质量、复杂的跨国合规要求，以及永远跟不上来的组织能力。
这不是一家企业的问题。 BCG旗下AI Platforms Group在2025年11月发布的深度报告——《Building Effective Enterprise Agents》——试图回答一个被长期回避的问题：如何在大规模、真实企业环境中构建可靠的、可信的AI Agent？
答案远比想象中更务实。
一、为什么企业Agent落地这么难？
报告开篇就撕掉了行业的皇帝新衣：
"Most are theoretical, provide guidance that works only at small scale, are hyperbolic, or conveniently ignore the complexities of the world's businesses."
（大多数现有Agent指南是理论性的，只能在小规模下工作，充斥着夸张表述，有意回避了全球商业世界的复杂性。）
BCG的调研数据印证了这个判断：75%的技术领导者担心"静默失败"——花了钱，看不到效果。
那么，真正的障碍是什么？
BCG明确指出：限制Agent能力的不是LLM本身，而是三个企业级结构性挑战。
第一，数据问题。 企业数据是孤岛化的、低信任的、响应慢的。用这样的数据做Agent决策，结果必然是脆性的。要让Agent在规模化下成功运作，数据必须是干净的、实时的、有良好治理的。
第二，合规问题。 企业要求可解释性、护栏机制和策略控制。医疗、金融、制造等强监管行业，Agent的每一步决策都需要可审计、可回滚、可追责。
第三，遗留系统问题。 企业有大量老旧IT系统，API不完整，文档残缺，集成难度远高于互联网原生应用。Vendor的技术在PPT上看起来很美，但现实中有安全漏洞、扩容限制、延迟和网络复杂性。
二、Agent成熟度五阶段：大多数企业还停留在 Horizon 0
BCG提出了一个清晰的分代框架，把企业Agent应用划分为五个成熟度阶段：
Horizon 0：约束型Agent —— 基于确定性规则，适合高度标准化流程 Horizon 1：单点Agent —— 单一场景、单一目标，如客服问答、文档处理 Horizon 2：深度Agent —— 跨系统协作，处理复杂工作流，今天企业应该聚焦的阶段 Horizon 3：角色型Agent —— 承担特定岗位职责，模拟人类角色行为 Horizon 4：Agent网络 —— 多Agent协作，形成分布式智能体系
大多数企业的实际状态：Horizon 0到1之间。目标却在Horizon 2到3。 这个落差，是大量Agent项目失败的根本原因。
三、Agent设计：从业务结果出发，而不是从技术能力出发
报告提出了一个反直觉的原则：Agent设计要从业务结果（Outcome）开始，而不是从功能（Output）开始。
正确的起点是这样：
"将贷款审批时间缩短30%" "将客户满意度提升25个百分点" "将文档验证的人工介入率降低50%"
然后把这个业务目标，拆解成"依赖树"（Dependency Tree）：每个业务结果下面对应哪些痛点，哪些可以由Agent承担，哪些必须由人处理。
这个分解过程本身就识别出了关键问题：很多时候，不是Agent做不了，而是业务流程本身需要先被优化。
四种人机协作模式
Agent在企业中的角色不是只有"全自动"一种。BCG识别了四种协作模式，对应不同的风险等级和适用场景：
Agent辅助（Agent-assisted）：Agent提供输出，人在自己正常流程中使用。适合高风险场景，Agent是建议者，人是决策者。
人在环中（Human-in-the-loop）：Agent做决策，但必须等人工批准后才能执行。适合合规要求严格的金融、医疗场景。
人在环上（Human-on-the-loop）：Agent自主执行，人监控输出，有问题才介入。适合中风险、可容错的运营场景。
人不在环（Human-out-of-the-loop）：Agent完全自主运行。适合低风险、高频、标准化的场景。
大多数企业今天应该选择前两种，而不是急着上全自动。
四、构建企业Agent：14个核心组件，六阶段开发周期
报告给出了最实操的部分：构建企业级Agent需要什么？
14个核心组件，四层架构
BCG把企业Agent能力归为四层，共14个组件：
平台层
Agent开发生命周期管理 Agent注册与版本管理 MCP服务器与工具注册中心
运行时层
AI Gateway（统一模型接入网关） Guardrails（安全护栏） 可观测性（Observability） LLM编排引擎
数据层
数据平台 上下文工程（Context Engineering） 记忆系统（短时+长时）
安全层
身份认证与授权（AuthN/AuthZ） AI防火墙 安全控制平面（SASE/EDR）
这个清单的战略价值在于：它是一张企业自查地图。 大多数企业在"LLM能力"上投入最多，但在"安全护栏"和"可观测性"上严重欠账——而后者才是Agent在生产环境可靠运行的前提。
六阶段开发周期
BCG将Agent开发映射到标准的软件工程生命周期：
Frame the agent —— 确定Agent目标和业务价值 Design framework & logic —— 设计Agent架构和政策逻辑 Prepare evals & environment —— 建立评测体系和沙箱环境 Engineer policy & prompts —— 编写策略和提示词 Test & tune —— 迭代测试和调优 Launch, monitor & evolve —— 上线、监控、持续演进
这里有一个反直觉的关键点：评测（eval）必须在编码之前就建立。 BCG的数据显示，在真实评测框架下迭代的Agent团队，六个Sprint后性能提升可达25%（F1 Score从50提升到75）。
五、多Agent协作：技术挑战被严重低估
单个Agent的挑战已经够大了。多Agent协作呢？
BCG在附录中坦承：多Agent协调是当前技术尚未解决的最大挑战之一。
第一，Context共享与目标对齐。 如何在多个Agent之间有效共享上下文，如何让不同Agent的政策逻辑对同一个目标保持一致，当前没有标准解法。
第二，冲突解决。 没有显式层级或规则的约束下，持有不同建议的Agent会陷入僵局。
第三，长程规划与记忆。 LLM存在"逆行性遗忘"问题，无法在长序列任务中保持跨阶段一致性。
第四，循环检测。 Agent之间可能陷入无限循环的调用模式。
这意味着：企业今天不应该追求多Agent网络，而应该聚焦单Agent深度集成。 把一个Agent做到稳定可靠，比同时跑五个不稳定的Agent更有价值。
六、平台选型：买优于建，除非有差异化需求
这是整份报告最具战略价值的结论之一：
"Default to off-the-shelf platform solutions unless driving differentiating impact."
（除非能带来差异化影响，否则默认选择现成的平台方案。）
BCG提出了一个平台选型的决策框架，从两个维度划分出四个选项：
外采SaaS方案：快速上线、零定制，适合通用能力（如客服Agent、合规筛查Agent） 嵌入现有套件：在已有ERP、CRM里做Agent扩展，迁移成本最低 Agent构建平台：Salesforce AgentForce、Microsoft Copilot等，适合有定制需求但无自建能力的团队 自建：仅当Agent能力是核心竞争壁垒时，才值得自建
大多数企业的真实答案：买 + 轻度定制。 完全自建Agent平台是一个资源黑洞。
七、Agent通信协议：A2A + MCP 将成标准
2025年下半年，Google先后开源了两个关键协议：
MCP（Model Context Protocol）：Agent调用工具和服务的标准化协议，解决"如何让Agent使用工具"的问题 A2A（Agent to Agent Protocol）：Agent之间通信、协调、任务交接的协议，解决"如何让Agent互相说话"的问题
BCG在报告中明确将这两个协议作为企业Agent架构的推荐标准。MCP处理工具调用层，A2A处理Agent间对话层，两者解决的是不同层次的问题。
对企业架构师的实践意义：在选型Agent平台时，优先选择已支持MCP和A2A协议的产品。 这决定了未来Agent生态扩展的天花板。
八、安全维度：Agent攻击面正在扩大
报告最后专门讨论了安全，这是一个被大多数Agent讨论所忽视的维度。
Agent带来了五类新的安全攻击面：
身份认证失败：Agent的权限配置错误或被滥用 数据供应链攻击：Agent摄入、存储、检索了错误或有害数据 编排层故障：工具调用逻辑出现异常 目标推理失败：Agent的内部逻辑出现对齐问题 治理缺失：缺乏人对Agent决策的有效监督
对应的安全控制必须升级：AI防火墙需要部署在边缘（检查输入输出和注入攻击），本地遥测需要覆盖所有端点设备上的Agent行为，零信任架构需要延伸到Agent身份层。
九、核心结论：这份报告到底说了什么
BCG这份报告的核心信息，用一句话总结就是：
AI Agent落地的障碍不在AI本身，而在企业数字化成熟度。
具体来说：
第一，聚焦Horizon 2，不要好高骛远。 Horizon 2（深度单点Agent）是今天企业应该投入的阶段，既能产生实际价值，又在技术能力边界内。
第二，数据平台先行，Agent开发后置。 没有干净、实时、有治理的数据，任何Agent都是在沙漏上建大厦。数据层的投入应该占总预算的40%以上。
第三，评测体系必须在编码之前建立。 没有量化基准的Agent开发，是成本失控和价值失联的根本原因。
第四，安全和治理是基础设施，不是附加项。 Guardrails、可观测性、审计追溯，这些必须在第一版就到位，而不是等产品上线后再打补丁。
第五，平台优于自建，协议锁定优于厂商锁定。 选择支持MCP和A2A标准的平台，确保未来的扩展性和生态兼容性。
两年来，AI Agent行业产出了大量"未来已来"式的乐观叙事。BCG这份报告的可贵之处，在于它主动戳破了这些泡沫，承认构建企业级Agent的真实复杂性，并把讨论从"LLM能做什么"拉回到"企业准备好了什么"。
这是一个更困难、但更有价值的命题。
真正的障碍，从来不是技术本身。
