Token经营:政企AI应用交付,除了Agent和Skill,还有哪些主要形态?

随着AI智能体的日益流行和指数级增长，在当前的政企AI交付市场中，很多人认为，“智能体（Agent）”和“技能（Skill）”是当前政企AI应用的主要交付形态，这其实是一个错觉。

对普通的AI用户来说，Agent和Skill只是大模型时代最吸引眼球的显性形态。但在真实的客户现场，尤其是面对对安全、稳定、合规要求极高的政企客户时，纯粹的Agent/Skill交付往往只占一部分，甚至在很多核心生产场景中，客户是排斥纯Agent形态的，因为它不可控、有幻觉风险。

因此，对于电信FDE来说，你需要具备“全景视角”。当前交付给政企客户的AI应用，实际上是生成式AI（大模型）与判别式AI（传统小模型）并存、显性AI与隐形AI交织的状态。

除了Agent和Skill，当前政企AI应用还有以下6种主流交付形态：

一、 知识驱动型：RAG（检索增强生成）应用

这是目前政企客户最容易接受、落地最多的大模型形态。它不是让AI自己去“思考”和“执行”，而是让AI成为“超级图书管理员”。

• 形态特征：基于企业内部私有知识库（文档、规章制度、历史工单、产品手册），进行精准的问答和信息提取。
• 与Agent的区别：RAG通常不具备自主规划和跨系统调用的能力，它只负责“查资料+总结回答”，边界清晰，幻觉可控。
• 电信交付场景：
• 政务/企业智能客服：基于12345热线知识库或企业内部IT运维知识库的问答机器人。
• 政策/合同大脑：政务大厅的“政策计算器”（输入企业条件，匹配可申报政策）；法务部门的“合同比对与风险审查助手”。

二、 交互增强型：Copilot（智能副驾/助手）

Copilot的核心理念是“人机协同，人为主导”。AI不直接做决定，而是作为侧边栏或悬浮窗，辅助人类完成工作。

• 形态特征：嵌入在现有的办公软件、业务系统（如OA、CRM、IDE）中，提供草稿生成、摘要提炼、润色、翻译等辅助功能。
• 电信交付场景：
• 政企客户经理助手：在CRM系统中，根据客户画像和历史沟通记录，一键生成拜访纪要和跟进建议。
• 公文/报告副驾：在政务OA系统中，辅助公务员起草通知、总结报告、会议纪要。
• 代码/运维副驾：为电信内部或政企IT部门提供的代码补全、SQL生成、脚本编写助手。

三、 规则与视觉型：CV/传统AI流水线（视频流/图像分析）

这是中国电信 “视联网”和“天翼看家” 业务的基本盘。这类AI不需要大模型，而是基于卷积神经网络（CNN）等视觉小模型，结合业务规则运行。

• 形态特征：通常以“算法仓/算法商城”的形式存在，通过拉取视频流或图片，进行结构化分析，输出告警事件。
• 与Agent的区别：它是“触发式”和“条件判断式”的（If-Then），没有自然语言交互，也不具备大模型的涌现能力。
• 电信交付场景：
• 明厨亮灶/阳光餐饮：识别后厨是否戴口罩、是否有老鼠。
• 智慧工地/安全生产：识别是否戴安全帽、是否抽烟、是否越界进入危险区域。
• 城市治理：识别占道经营、垃圾满溢、车辆违停。

四、 业务融合型：隐形AI（系统原生功能增强）

这是最高级的交付形态——“润物细无声”。客户感知不到“这是一个AI应用”，只觉得“现在的系统变聪明了”。AI被拆解成无数个微服务，深度嵌入到客户现有的ERP、OA、MES系统中。

• 形态特征：没有独立的AI前端界面，AI只是后台的一个“计算节点”或“API接口”。
• 电信交付场景：
• 智能审批路由：在OA系统中，根据请假/报销单据的内容，AI自动判断该走哪条审批流，无需人工选择。
• 智能工单派发：在电信或政企的运维系统中，根据故障描述，AI自动将工单派发给最合适的网格经理或技术专家。
• 商机/流失预测：在CRM中，后台模型每天自动给全量客户打分，标记出“高流失风险”或“高增购潜力”的客户，推送到业务员的工作台。

五、 预测与决策型：判别式AI模型（机器学习/深度学习）

主要用于处理结构化数据（表格、时序数据），解决“预测”、“分类”、“聚类”问题。

• 形态特征：通常以“数据模型服务”或“BI看板”的形式交付。输入是Excel/数据库表，输出是概率、评分或趋势图。
• 电信交付场景：
• 工业设备预测性维护：通过采集工厂设备的传感器数据（温度、震动），预测设备何时会出故障。
• 智慧零售/销量预测：根据历史销量、天气、节假日，预测门店未来一周的备货量。
• 金融风控/信贷审批：基于企业流水和税务数据，自动给出信用评分。

六、 软硬一体型：边缘AI与智能终端

结合中国电信 “云网边端” 的优势，将AI能力下沉到边缘节点或终端设备。

• 形态特征：交付的不只是软件，而是“AI盒子”、“智能摄像头”、“AI PC”或“5G定制网+边缘计算节点”。
• 电信交付场景：
• 矿区/港口无人驾驶：通过5G专网+边缘AI节点，实现低延迟的远程控制和环境感知。
• AI PC/云电脑办公：交付预装了本地大模型的电信天翼云电脑，满足政企客户“数据绝对不出本地”的安全合规要求。
• 智能巡检机器人/无人机：结合5G网络，交付具备自主巡检和图像识别能力的硬件设备。

💡 为什么政企客户不全用 Agent/Skill？（FDE避坑指南）

在现场交流时，客户可能会问：“现在外面都在炒Agent（智能体），你们能不能给我们做一个能自动操作所有系统的Agent？” 作为FDE，你需要清楚Agent在政企落地的三大阻碍，并引导客户选择更合适的形态：

1. 容错率极低（幻觉与失控风险）：
• 问题：Agent的核心是“自主规划+调用工具”。如果Agent在调用财务系统API或生产控制系统（如MES/SCADA）时发生“幻觉”或逻辑错误，会导致资金损失或生产事故。
• 对策：在核心生产环节，坚决不用纯Agent，而是降级为 Copilot（人确认后再执行） 或 RAG（仅提供信息参考）。
2. 存量系统包袱（API接口缺失）：
• 问题：Agent需要调用各种系统接口（Tools/Skills）。但很多政企客户的系统（如老旧的ERP、内网OA）根本没有开放API，或者接口文档缺失，Agent根本“无手无脚”。
• 对策：采用 RPA（机器人流程自动化） + AI 的形态，通过模拟鼠标键盘操作来弥补接口缺失，或者采用 隐形AI 形态直接在数据库层面做处理。
3. 权限与安全合规（数据不出域）：
• 问题：Agent在思考过程中，可能会把敏感的上下文数据发送给外部大模型API；或者Agent越权访问了它不该看的数据。
• 对策：采用私有化部署的小模型/本地大模型，结合严格的RBAC（基于角色的权限控制），确保AI只能看到当前用户有权限看的数据。

🛠️ FDE实操工具：场景与AI形态匹配矩阵

在客户现场发现场景后，你可以用下面这个矩阵，快速判断应该向客户推介哪种交付形态：

总结

作为中国电信的FDE，不要被客户或市场的“Agent焦虑”带偏。客户买的不是Agent，也不是大模型，而是“解决问题的确定性”。

• 如果场景需要自主决策和行动，且容错率高（如：自动回复普通咨询、自动收集竞品信息），用 Agent/Skill。
• 如果场景需要严谨准确，且依赖内部文档，用 RAG。
• 如果场景需要人机配合，降低员工负担，用 Copilot。
• 如果场景是看视频/看图，用 CV流水线。
• 如果场景需要无缝融入现有系统，用 隐形AI。

能够根据客户的数据基础、系统现状、安全要求和业务容错率，组合使用上述形态，才是中国电信FDE在AI时代最核心的交付竞争力。

— END —