编者按:过去五年,企业AI绕不开"试点"二字;往后五年,绕不开的会变成"底座"。智能体开始替人执行任务,而不只是给人提建议,企业要改的就不止是模型,而是整个组织的运行方式。
从"实验清单"到"业务底座"
过去几年,多数企业把AI当成一串彼此独立的实验:一个客服问答机器人、一个合同摘要工具、一个销量预测模型。它们各自都证明过自己的价值,却很少真正连成一片。等AI智能体(AI agents)进入采购审批、订单履约、财务对账、客户支持这些驱动业务运转的核心工作流,"单点试验"就越来越不够用了。
MIT Technology Review Insights在报道中表示,正在从孤立试点转向智能体与自主工作流的企业,面对的是更深一层的挑战:数据、业务流程与治理如何协同设计,必须重新想清楚,而不是把新模型直接接到旧系统上。智能体与以往AI工具的根本差别,在于它不只给建议,还要执行动作、调用系统、触发下一环节。动作一旦发生,数据质量、权限边界和责任归属的问题马上会被放大。
三类摩擦:数据、流程与治理
第一是数据。分析型AI对脏数据有一定容忍度,因为它输出的是报表和概率;执行型智能体不行。它要的是实时、可追溯、语义一致的数据视图,否则跨系统调用时就会"看错账本"。
第二是流程。多数企业的流程是按人工审批和管理层级设计的,中间塞满例外与兜底。智能体进来后,这些隐含规则必须被显式写出来。不然自动化只会在第一个异常处卡住,最后还是得人工接管,投资回报也就无从谈起。
第三是治理。智能体能够自主发起退款、修改订单或与外部供应商交互,传统的事后审计就太慢了。权限、可解释性和人工干预点,企业需要把它们前置到设计阶段,让每一次自主行动都有边界、有记录、有回滚路径。
治理不是刹车,而是路权规则
到了智能体时代,治理的意义不再是限制AI能做什么,而是明确它在什么条件下、以什么权限、替谁做决定。
对企业来说,AI 治理不能只停留在合规部门的纸面文件上,得做成架构层面的能力:身份与权限要统一,运行日志要可观测,模型与数据血缘要清晰,还得有一套运维机制,能快速升级或下线智能体。这些要是缺了,智能体铺得越多,系统性风险反而越往一处挤。
组织能力:谁为智能体的行为负责
技术之外,责任边界更棘手。一个人工流程被智能体替代后,出了问题是业务负责人、数据团队还是平台团队来担?领先企业开始设跨职能的"AI产品负责人"角色,把智能体当作有明确KPI、有生命周期、有值班机制的产品来运营,而不是一次性交付的IT项目。
人才结构也随之调整:既懂业务语义、又能与工程团队对话的复合型人员,正变成稀缺资源。企业如果还用"创新实验室"的方式推进AI,规模化和合规审查这两道关口很容易卡住。
落地路径:从小切口到可复用底座
比较务实的路径是:先挑高频、规则相对清晰、失败代价可控的场景,比如内部IT支持、订单异常处理或供应商准入初筛;在真实流程里打磨数据接口与权限模型;再把沉淀下来的连接器、评测集、审计日志和治理策略抽象成可复用的企业AI底座。这样,下一个智能体的上线成本才会明显下降。
说到底,企业 AI 的比拼不看模型本身,看的是谁更快把模型嵌进组织的肌理。只有把数据、流程与治理一并重构的公司,才有可能让智能体真正扛起业务,而不是停在演示视频里。