文章摘编自《代理式人工智能》，2026年3月出版

6月1日，台北流行音乐中心的灯光亮起来。

黄仁勋还是那件黑色皮衣，还是那副架势。只是这一次，他说的话，比以往任何一次都要直白：代理式AI的浪潮，已经来了。“有用的AI”时代，正式到来。

算力即收入，算力即利润。AI不是抢工作的，是帮你把时间腾出来干更重要的事的。

舞台上的黄仁勋在描述未来，台下的企业却还在对着现实发愁。

什么时候不应该使用代理式AI？

哪些任务需要真正的人类创造力或情商？

哪些决策需要理解更广泛的市场背景？

哪些流程对AI来说过于复杂？

比“怎么用”更重要的，是“该不该用”。 

《代理式人工智能》

2026年3月出版

什么时候不应使用代理式AI

代理式AI并不是能解决所有问题的神奇工具。就像你不会用锤子来解决所有家庭维修问题一样，不是每个业务都适合用代理式AI来解决。

一个常见误区就是，创业者和企业高管急于部署代理式AI，却没有先预判它们是不是完成任务的合适工具。

我们应先明确哪些地方不应部署代理式AI。根据经验，我们识别出以下几个危险信号。

其一，那些需要真正的人类创造力或情商的任务，通常应由人类来完成。例如，在营销机构中，代理式AI可以进行数据收集和处理基本报告，但创意活动的构思和客户关系管理仍牢牢掌握在人类手中。

其二，那些需要理解更广泛的市场背景或基于不完整信息做出判断的战略决策也应由人类来做。

其三，有些任务对于代理式AI来说过于复杂，无法有效处理。例如，一家科技企业曾要求打造一个智能体来管理其整个客户支持业务。尽管潜在影响力巨大，但该过程涉及许多独特场景和情感互动。当前代理式AI在能力无法完全适配，不少企业因此踩坑。

比如在Salesforce，这个道理被验证得尤其惨烈。2024至2025年间，该公司裁撤约4000名客服，由代理式AI接管一线客户支持。但没过几个月，高管就公开承认高估了AI的成熟度。AI在面对复杂背景、长尾需求和需要上下文判断的工单时大面积“翻车”，客户投诉激增，运营陷入混乱，最终公司不得不收缩AI策略，重新调整人工与智能的配比。同样，澳洲联邦银行也曾一口气裁掉45名客服、寄希望于语音AI机器人，结果连基础的登录验证也屡屡出错，业务混乱导致来电飙升，最终银行道歉并被迫重新聘用所有被裁员工。

在其他情况下，代理式AI可能缺少做出关键决策的权限。例如，一家金融服务企业希望一个AI智能体能够自主做出投资决策。这不仅带来很大风险，而且明显违反了监管要求。在分配任务时，企业必须考虑代理式AI对所承担的任务是否具有适当的决策权限。

通过了解这些局限性，企业可以确保在能发挥价值的地方部署代理式AI，同时在最重要的地方保留人工监督。

智能体三大机遇圈

我们开发了一种简单的方法帮助企业确定实施代理式AI的最佳切入点，称为“智能体三大机遇圈”(见图8-1)。想象三个相互重叠的圆圈，你的代理式AI的最佳切入点就在这些圆圈的交点处。

第一个圈：影响，省下来的时间能做什么？

第一个圈，看的是自动化能否带来有意义的改变。关键不在于节省多少时间，而在于节省下的时间能让团队做什么。

想想那些耗费拖住你们团队人才的琐事：销售团队花数小时在更新客户管理记录，却没空建立真正的客户关系；研究人员把大量精力耗在数据排版，而非分析洞察；HR忙于应付常规请求，无暇关注员工发展。

最具影响力的机会，往往不是最复杂的流程，而是那些阻碍顶尖员工发挥所长的常规任务。评估时请自问：如果这项任务明天就能自动化，团队可以转而完成什么？

一家营销机构每月要花200多个小时生成客户报告，更致命的是，这让他们最优秀的分析师无法投入客户真正需要的战略思考。

第二个圈：可行性，基本要素是否都已备齐？

第二个圈，评估代理式AI能否安全有效地完成任务。像烹饪前检查食材一样，你需要确认所有基本要素就位。

最适合自动化的流程通常具备：清晰的决策规则、易获取的数据与系统、可定义的成功标准、可控的出错后果，以及能在影响运营前验证结果。

关键是，这个流程的规则能否不用“视情况而定”或“但有时……”就解释清楚？例外和主观判断越多，越不适合作为首个代理式AI项目。

以营销机构为例，报告流程完全可行：所需数据可通过API获取，规则一致，结果易于检查，即便出错也能由人工介入处理。

第三个圈：低投入，高回报

最后一个圈，看的是实际落地：资源、时间与变革准备。这不只是技术问题，更在于企业是否愿意拥抱变化。

作为领导者，你需要判断：流程是否有详细记录？团队是否愿意适应？能否从小处起步、逐步扩大？收益是否值得投入？能否在不干扰核心业务的前提下推进？最佳初始项目通常可分阶段实施，逐步积累信心与能力。

找到最佳契合点

理想的代理式AI项目，就在这三个圆圈的重叠处。首先，将你的流程与这三个圆圈逐一对照。找出团队反复抱怨的任务，这通常意味着高影响力的机会。接着，评估这些任务是否有明确的规则和可访问的数据。最后，考虑你是否有足够资源，是否已准备好应对变化。

请记住，部署代理式AI项目应该像试做第一道菜：别一上来就挑战满汉全席。选一道拿手的、工序清晰的，做成了，再慢慢丰富菜单。

成功打造代理式AI的要点

为总结关键经验，我们整理了以下要点，以帮助你从概念走向成功部署。

第一步：寻找合适的代理式AI机会

(1) 找到你的最佳契合点：找出三个关键因素交汇的机会——对你的业务有重大影响、现有技术具有可行性以及适当的实施难度。

(2) 认识到代理式AI的固有局限性：将真正需要人类创造力、战略判断力或情商的任务留给人类，并非所有流程都应实现自动化。

(3) 思考任务而非角色：请记住，智能体并非员工，以它们目前的能力而言，它们擅长执行特定的任务，而非扮演宽泛的角色。一名员工或许能管理五个流程，而要实现同样的工作自动化，你可能需要五个代理式AI。

(4) 从有据可查的流程入手：代理式AI的最佳基础是清晰的流程文档。现有的流程文档通常能提供理想的训练材料，包括具体步骤、工具、决策树和示例案例。

(5) 只对已验证的流程进行自动化：绝不要对从未手动执行过的流程进行自动化。这要求首先确保手动流程通畅，之后再使之自动化。

(6) 分解复杂问题：采用分而治之的方法，一次构建一个组件，而非一次性构建整个系统。

第二步：定义代理式AI的角色和能力

(1) 详细定义代理式AI的目标和指令至关重要：花时间精心制定每个代理式AI的精确目的、角色和操作权限。请记住，示例胜过千言万语，应将最重要的指令放在提示词的末尾。

(2) 越简单越好：更多的智能体、工具或任务会带来更高的复杂性、成本，加大维护难度。应从最简单开始，逐步扩展。

(3) 一智能体，一工具：在大多数情况下，应将每个智能体限制为一个单一且定义明确的工具，而非试图构建复杂的多用途智能体。简单性带来可靠性。

第三步：成功设计代理式AI

(1) 为人类协作而设计：打造能够增强人类能力而非完全取代人类的智能体。在质量保证和战略决策方面让人类参与其中。

(2) 在用户已使用的系统中集成：确保智能体在现有系统内运行。如果用户觉得访问不便，再好的智能体也毫无价值。

(3) 启用对智能体的反馈：为智能体提供工具来分析其行动的结果。它们应当能够核实其任务是否成功完成。

(4) 标准化输入和输出：严格定义所有输入和输出的格式，防止因数据结构不匹配而引发错误。

(5) 将过程数据与操作分离：确保智能体所知内容与所能执行的操作之间有清晰的区分。这既提高了安全性，又增强了可维护性。

第四步：实现你的代理式AI

(1) 优先考虑速度而非完美：不要陷入寻找完美平台的困境。先从可用的平台开始，从实施中学习，再逐步改进。

(2) 设计容错：构建健全的错误处理机制、断路器、优雅降级方案及人工介入路径。智能体程序都会出错，如何恢复才是最重要的。

(3) 构建决策轨迹：确保智能体记录其做出每个决策的推理过程，以实现责任追溯并推动有针对性的改进。

(4) 持续收集反馈：建立机制以获取用户意见和系统性能指标，从而推动持续改进。

(5) 采用信任进阶模型：实施分阶段监督，随着智能体证明其可靠性，逐步减少人工干预。

(6) 使用真实场景进行测试：在部署前严格针对极端情况和意外输入进行测试。

(7) 接受迭代是不可避免的：没有任何智能体在首次尝试时就能完美运作。将多次改进周期纳入你的实施时间表中，很有必要。

(8) 部署智能体比构建智能体要难得多：集成方面的挑战往往超过开发的复杂性。在部署上投入的时间和资源至少要与初始开发投入的一样多。

(9) 从小做起，逐步扩大：先从能创造价值的最小组件入手，证明其价值，然后再系统地扩大规模。

以上要点是我们在为各种规模的企业实施代理式AI的过程中积累的宝贵经验。尽管技术在不断快速发展，但这些原则始终是代理式AI成败的关键。专注于这些基本要素，你就能避开许多智能体项目失败的常见陷阱。■

阅读推荐

人工智能的下一个前沿是代理式AI。它不再只是回答问题，而是能运用复杂推理和迭代规划，自主解决多步骤难题，真正提升各行业的生产力与运营效率。

这本书不跟你讲空洞的趋势，而是回答企业管理者最关心的几个实战问题：

该不该用？用在哪里？怎么落地？

书中通过完整案例，拆解了从识别机会到分阶段实施的全过程，帮你避开那些代价高昂的坑。