做AI智能体，企业最常踩的坑是什么？

维度一：业务价值——这事到底值不值做

1. 有没有真实的业务痛点？不是说"我们想用AI"，而是业务上确实存在低效、重复、质量不稳、响应慢的问题。
2. 问题影响的是不是关键岗位或关键流程？一个人的便利和一类岗位的效率改善，价值量级完全不同。
3. 做成以后能改善什么？省时间？降差错？提速度？减转派？说不清楚改善点，说明场景还没被定义清楚。

• 看发生次数：每天发生 vs. 每月发生，持续发生 vs. 偶尔触发。
• 看覆盖人群：少数专家用 vs. 一线、业务、管理人员都会用。
• 看是否嵌入工作节奏：完成任务时自然调用，还是需要额外打开入口、额外想起它、额外输入一堆内容？

• 背后有大量制度文档、业务规范、历史案例。
• 依赖经验判断，不是查一个字段就能完成，而是要知道"通常怎么处理""特殊情况怎么办"。

• 一线人员频繁问专家、问群、问老员工——说明知识没有结构化，也说明智能体有介入空间。
• 同一类问题，不同人回答口径不一致，说明知识需要被标准化。

1. 相关知识和数据是否存在：制度文档、业务规则、历史记录、处理案例、系统数据。
2. 能否被合法获取：不是"理论上有"，而是项目里能不能稳定访问。
3. 数据能否被治理：是否有结构？知识是否有版本？口径是否统一？
4. 能否持续更新：企业知识和业务数据会变化，效果如果不能同步更新，智能体结论会越来越偏。

维度五：流程嵌入性——能不能进真实业务流程

1. 场景有没有明确流程节点：智能体在哪一步介入？发起前？处理中？审批时？还是结束后复盘？
2. 智能体能不能触发业务动作：只是回答问题，还是能辅助填写、分类、派单、生成材料、推荐下一步？
3. 能不能和现有系统形成连接：OA、工单、知识库、CRM、数据分析平台，不一定全接，但至少要知道未来怎么接。
4. 用户使用成本高不高：如果用智能体比原来更麻烦，它就很难长期留下来。

1. 错误后果是否严重：错了是改一下就行，还是会造成客户投诉、资金损失、合规问题？
2. 有没有人机协同机制：智能体是直接执行，还是先给建议，由人确认后再执行？
3. 是否可以追溯：它为什么这么回答？用了哪些知识？调用了哪些数据？
4. 有没有兜底和回退机制：当智能体不确定、数据缺失、权限不足时，能不能转人工、提示风险、停止执行？

---