从聊天机器人到智能体：企业 AI 真正拉开差距的那条线

最近看完 Anthropic 2026年4月30日公开发布  《Building AI agents for the enterprise》，第一感觉是：决定一家公司能不能从 AI 里赚到钱的，已经不是「用不用」，而是「怎么用、用到什么深度」。

文档里给出了一组数字——2025 年 9 月，美国在岗员工里说自己工作中用 AI 的比例已经到 40%，两年前这个数字还是 20%。翻倍听上去很猛，但真正的分化不在使用率，而在「使用方式」。

我把这份文档完整啃了一遍，挑了几条最值得说的，配上自己的一些观察，整理成下面这篇阅读笔记。

一、真正的分水岭：是聊天，还是干活

报告把企业用 AI 的姿势分成两类。

一类是把 AI 当作 chatbot：装个客服问答、加个文档摘要、做个写邮件的小助手。每个点上都看得到效果，但换不来组织级的变化。Demo 跑得漂亮，落到日常流程里，半年之后基本回到原样。

另一类是把 AI 当作 agent：能拆解多步任务，能调工具，能跨系统跑流程，能根据中途的反馈调整方向。这种用法里 AI 不是某个员工的「外挂」，而是组织底层的一部分。

我自己的体会是，第一类公司其实在做的是「把 AI 塞进现有工作流」，第二类公司在做的是「重写工作流，AI 是其中一个角色」。前者的天花板是降本，后者的天花板是开辟新业务。距离非常远，且每过一个季度差距还在拉大。

二、给员工的 AI，必须懂你这家公司

文档里反复强调一句话——通用模型只能给通用结果。

听起来像废话，但实际工作中踩到的坑全在这里：员工拿 ChatGPT 写出来的东西，几乎都得花时间改成「我们公司说话的样子」。

L'Oréal 的做法值得参考。他们并没有给每个部门发一套 ChatGPT 账号了事，而是搭了一个内部多智能体平台：销售问的问题被路由到销售那条链路，市场问的问题用市场的术语和数据源回答，研发自己有研发的智能体集合。这背后是 15 个以上的专门 agent，外加一层 Claude 做调度。

结果挺夸张：每月 4.4 万活跃用户，250 万条消息，对话式数据分析的准确率从过去那套生成式方案的 90%，提升到 99.9%。

99.9% 这个数字我多读了几遍。重点不是「Claude 比谁强」，而是当你把公司术语、数据口径、合规边界、品牌调性灌进去之后，AI 输出会从「能用但要改」直接跨到「同事写的水平」。信息密度补到位，准确率才有质变。

三、流程类工作的 AI 复利

第二个让我印象深的，是「流程的复利」这个角度。

很多人对企业上 AI 的担心是质量：速度快没意义，如果还得改三轮人工。报告给出的反例是 Lyft——客服解决时长砍了 87%，决策准确率提升 30% 以上。

更有意思的是他们的搭法。Claude 不是孤立地接客户消息，而是接入了一套会被持续喂养的知识库：每次人工坐席覆核后修正的标准答案，都会回流变成下一次回答的基线。

这就是报告里所谓 self-educating, compounding system。我把它翻成大白话——专家每改一次，整个系统就长一点经验，而且这点经验对未来每一个会话都生效。

传统的 SOP 写完只是写完，新人加入要重新培训，老员工的隐性知识跟着人走。AI 加进来之后，组织知识第一次有了可以「累积复利」的容器。

我的观察是：流程岗位的同事一开始最怕被 AI 替掉，但在跑过两三个月之后，他们的工作其实是从「重复打字」变成了「审阅与判断」。日子是更轻松了一点，专业感反而更强了。

四、产品级 AI：靠的不是模型，是边界

第三章讲产品改造，用的案例是 Rakuten。

要点很现实——金融、医疗这类强监管行业，AI 产品能不能上线，不取决于模型多强，而取决于能不能跑在现有的合规边界里。客户数据一离开自家安全域，合规审查动辄三个月起步，最后还经常被否。

Rakuten 的解法不是自己再造一套 agent infra，而是直接接 Claude Managed Agents，把执行层整体外包出去，自己专心打磨「这个 agent 在 Rakuten 里到底要解决什么业务问题」。

切换之后他们的产品迭代节奏从「一个季度一次大版本」变成「两周一次」，专家级 agent 的上线时间从几周压到一周内，初期严重错误率下降 97%。

这一段我读得最有共鸣。很多团队卡住，不是模型不够好，是把工程基建当成了产品本身。 当公司里最好的工程师整天忙着维护底层调度、内存管理、任务编排，留给业务创新的脑力就所剩无几。能够分清「我们必须自己做的部分」和「应该外包给平台的部分」，是企业 AI 路线图里最容易被低估、又最关键的一道判断题。

五、Claude Cowork：不用每家公司都从零造轮子

前几个案例都很猛，但读到第四章时我合理地犯了点嘀咕——这都是大厂自己造平台造出来的，普通公司怎么玩？

Anthropic 的回答叫 Claude Cowork。它的定位是「让非工程师也能拿到 agent 的能力」，员工设目标、派任务、拿成品，输出物直接是 Word、Excel、PPT、报告、分析图，而不是一堆需要再加工的草稿。

让 Cowork 落地的关键是 plugin 这个概念。一个销售 plugin 装上去，Claude 就立刻懂这家公司的 CRM、销售流程、报价模板；一个法务 plugin 装上去，Claude 就立刻知道合同模板和风控红线。

部门花一次时间把自己的「行规」打包成 plugin，剩下的人装一下就能用。过去那种「老员工脑子里」的隐性知识，第一次有了组织级别的传承介质。

我自己感觉，这种 plugin 化的玩法可能是接下来两三年最值得跟进的方向。它把「私域知识」做成了可分发、可治理的单元，比写 wiki、写 SOP 实在太多。SOP 是人来读、人来执行；plugin 是机器读、机器执行，员工只负责审。

六、落地节奏：先窄后宽，比先全再做更靠谱

文档最后一章给了一个非常朴素、但被反复忽视的建议——别等战略想清楚再动。

里面给出的四条原则我抄一下，并加点自己的注解：

操作上他们建议的节奏是六个月：前两到三周定义评估和成功标准，第二到第三个月跑 2–3 个团队的冠军试点，第四到第六个月扩面、上治理。

这个节奏的妙处在于，每个阶段产出的不是「最终产品」，而是「下一个阶段的输入」：试点跑出来的 plugin 直接成为扩面阶段的资产，扩面里跑通的治理流程又会反哺第二批团队。

七、写在最后：差距是从「下一个动作」开始的

通读这份文档，最让我有触动的不是某个百分比，而是它一直在重复的一个意思：

AI 不会马上让所有人变厉害，但它会让那些早一点行动、早一点把组织知识喂进去的公司，越走越快。

这其实跟过往任何一次基础设施升级都一样。云不是把所有公司变好，是把愿意上云的公司变快；移动互联网不是把所有公司变好，是把先做 App 的公司喂大。AI agent 现在差不多就在那个时点上。

公司不需要一份完美的 AI 战略，需要的只是：一个具体的起点、一组能数得清的成功标准，以及对接下来发生的事情保持诚实复盘的耐心。

真正落差，是从你「下一个动作」开始拉开的。

看完记得关注我，及时收看更多好文！