腾讯云ADP升级：企业智能体如何跨过权限与责任关

在华润信托，一笔债券交易的起点常常是聊天群里的一条消息。

交易员得在上千个交易群里接指令、找出交易要素，再录入交易系统；碰上客户问持仓、问交易进度，他们又要打开系统查一遍，把结果发回群里。

这项工作既繁琐，又容不得差错。

现在，华润信托把其中一部分活儿交给了一个智能体。它直接进交易群，识别并拆解交易指令、录入系统，还能查持仓和交易进度，自动回复群里的咨询。

▲华润信托苏南

腾讯云披露，这个债券助手基于智能体开发平台ADP打造，拆单准确率已从最初的80%以上提升到98%。

不过到了关键节点，华润信托仍留着人工确认。

这背后是行业里一个非共识：大模型不断展示自己能完成多少复杂任务，可模型能正确理解一条指令，跟企业愿意让它执行这条指令，是两回事。

有人认为，模型能力持续进步，终将抹平企业AI落地的种种技术门槛。

现实未必如此。2026年8月，麦肯锡发布全球AI调查：80%的受访者称AI提高了个人工作效率，但只有37%认为AI对所在企业利润产生了正向贡献。9月，麦肯锡进一步提到，企业大量时间消耗在不同部门和系统之间的任务传递、协调与等待上。

可见，企业AI难以突破的是模型之外的整个企业生产体系。

这也是不少专注模型或单点应用的中小To B AI公司面临的挑战。模型能力和产品功能可以快速迭代，但要进入企业核心系统，获得客户信任，并建立覆盖不同行业的交付体系，需要更长时间的投入与积累。

10月30日，在腾讯全球数字生态大会上，腾讯云升级智能体开发平台ADP，发布AgentPortal 2.0，并宣布与WorkBuddy双向打通。

这次升级，腾讯云还进一步明确了ADP的Service Agent定位，聚焦企业数据和业务场景，推动Agent深入业务流程，创造实际经营价值。

从企业业务系统接入，到智能体统一管理，再到行业场景与交付生态，腾讯云正在尝试提前占据企业Agent规模化落地的战略要地。

这些探索能否在模型之外，为腾讯云建立起一道更难被后来者快速复制的企业AI护城河？

一、AI敢不敢进入核心业务？企业Agent先要跨过管理关

从理解指令到执行交易，企业Agent首要解决的，是权限与责任问题。

华润信托债券助手仍保留人工确认与操作记录，原因其实不难理解。一个金融智能体可以查询客户持仓，不意味着它能够查看所有客户的数据；一个负责办理业务的Agent能够调用系统接口，也不意味着它有权完成所有操作。

企业管理Agent，首先要做的就是划清业务权限。

对应这一需求，腾讯云ADP此次升级了安全私网连接、租户及权限隔离等能力，支持不同Agent按照权限访问数据库、ERP等企业内部资源，并将企业系统连接能力统一提供给沙箱、工作流、MCP、连接器等不同模块。

再来看，在云南白药也是如此：云南白药的员工日常需要查询内部制度、药品信息和医学资料，但这些知识的使用对象和权限要求各不相同。

为此，云南白药依托ADP与乐享，将权限管理细化到员工ID。员工通过“白药钉”一个入口提问，智能体自动判断问题类型、路由至对应知识库，再根据员工的实际权限返回内容。

从华润信托的交易群到云南白药的知识库，企业Agent要真正进入核心业务，权限与责任这道管理关卡先得过。

云南白药党亚斌提到，员工那边只是抛出一个问题、拿到一个答案；可这套动作背后，要靠多个知识库加上一整套权限规则一起支撑。

权限划清只是其中一面。企业也不能一味追全自动——不同业务对Agent自主程度的要求并不一样。拿标准审批、工单处理这类有固定规则的业务来说，通常要的是明确的执行顺序和可预测的结果；而跨部门分析、经营决策辅助这类工作，可能就得让多个智能体分工协作。

针对这些差异，腾讯云ADP给出了Claw、标准、多智能体、工作流四种模式，企业可以按自身业务需要，挑选不同的智能体构建与执行方式。

华润信托用的就是一套组合：自主规划任务交给Claw，规则清晰的业务流程走Workflow，而关键交易环节始终由交易员确认。

这与行业对Agent治理的判断方向一致。2026年5月，全球权威研究机构Gartner提醒，企业若对所有Agent采取统一的治理方式，可能带来两种结果：简单任务被管得过死，高风险任务反而拿到了过多权限。

等Agent真正进入生产环境，管理也不能停在上线那一刻。传统软件一般按预先定好的程序规则运行，模型输出却没有同等程度的确定性。一次任务跑成功，不代表Agent以后都能稳定完成相似任务。

企业让Agent持续运行之后，新的管理需求就出来了：每次操作怎么追踪、成本怎么监控、故障怎么定位，出了问题又怎么及时纠正。腾讯云ADP这次强化了运行记录、成本与状态监测、故障定位和版本回滚等能力。另外，ADP还能借助AI分析真实业务反馈，给出智能体优化建议，经人工审核后才生效，让Agent在运行过程中一直处于被评估、被调整的状态。

说到底，企业管理Agent，是要让它在明确的业务规则下持续执行任务。企业级工程与治理能力，正在成为模型之外的第一层技术壁垒。腾讯云ADP此次升级，围绕的正是这些生产环境中的管理需求。

二、员工都用上AI了，为什么企业还没同样“快提效”？

企业不是一群员工的简单相加。每个人省下一小时，不等于公司完成一笔业务就能少花同样多的时间。企业AI的第一个问题在于，它把员工的工作拆成了一个个彼此独立的任务。

过去两年，AI最先落地的是文档撰写、数据分析这类个人办公场景。这些工作有个共同点：任务边界比较清楚，结果好坏员工自己就能判断。

可企业业务的运行方式不是这样。一项任务往往要经过相关负责人、区域团队和一线人员等多个环节，在不同部门、人员和业务系统之间流转。只让某个环节快起来，AI带来的效率优势很可能被原有流程消耗掉。

由此延伸到企业AI的第二个问题：交接与等待，拖慢了整个业务流程。

2026年9月，麦肯锡在一项研究中分析了一家财富500强工业企业的生产流程，发现整个业务流程花掉的时间，大部分是在等任务进入下一环节。麦肯锡把这种现象称为“协调接口成本”（Coordination Interface Tax）。

对大型企业来说，单独优化一个步骤，未必能解决不同团队和系统之间的协作问题。这也解释了为什么员工用AI越来越频繁，企业整体的效率和经营收益却未必同步增长。企业AI要解决的，已经不只是让每个员工更快完成自己的工作，还包括让AI真正进入业务流程，把不同环节连接起来。

伊利与腾讯云的这次合作，是另一个可参考的样本。伊利把区域销售、导购表现以及市场数据集中到一起，借助智能体帮助分析经营状况、拟定策略，随后把相应能力推到一线导购场景中。

这当中，WorkBuddy承接了业务人员调用AI、做经营分析的那部分活儿；ADP打造的导购智能体则更进一步，走进面向消费者的销售环节，依据客户需求产出商品推荐与沟通话术。

按照腾讯云的说法，两者搭配后，导购运营团队的效率提高逾50%。导购智能体在A/B测试中还带来了26%的销售订单增长。前者反映内部效率，后者直接作用于经营结果。

AI的价值不只体现在员工少干了多少活，也可能落在企业多做了多少业务上。

不过，要从个人工作流走到企业级服务，AI能力还得能跨系统、跨人员被反复使用。

这正是Personal Agent和Service Agent的关键分野。腾讯云副总裁吴永坚告诉我们，Personal Agent更多站在个人使用的角度，Service Agent则要从企业立场出发，掂量不同角色的权限与安全，以及建好的能力能分享给谁、又该怎么管。

▲腾讯云副总裁吴永坚

举个例子，员工可以通过个人办公入口分析销售数据，但一段AI对话并不能让经营策略自己跑进全公司的销售流程。权限验证、能力分发、任务执行、效果反馈，这些环节企业都得补上。

腾讯云这回把ADP和WorkBuddy双向打通，想缩短的正是个人用AI与企业执行业务之间的距离。

一个方向是，企业在ADP上构建的Agent和Skill能进入WorkBuddy，员工日常办公时直接调用；另一个方向是，员工在WorkBuddy里摸索、验证过的个人工作流，也能转成ADP智能体，纳入企业统一管理和分发的体系。

也就是说，个人攒下来的有效工作方法，有机会变成企业可复用的AI能力，不用一直锁在某个员工的电脑里。

个人Agent管的是员工怎么用AI，服务Agent则把AI带进企业业务流程。企业AI要想获得更大收益，可能的落点恰在于重新梳理这些步骤之间的衔接关系。

三、Agent造得越来越容易，企业也为“养Agent”发愁

智能体开发门槛一降，企业或许会重新撞上软件时代的老毛病：Agent太多了。

各部门有自己的知识库、流程和业务需求，也可能各建各的智能体。单个Agent看都有用，可数量一多，企业未必清楚到底哪些Agent在跑、谁在维护、哪些功能重复、各自又握着多少权限。

2026年4月，Gartner把这种现象叫作Agent Sprawl（智能体蔓延）。该机构当时的调查显示，只有13%的受访组织认为自身具备适当的Agent治理机制。

企业也许还没把AI用透，就先得应付新的管理负担。

腾讯云对此给出的办法是“两手并进”：ADP负责降低Agent开发门槛，AgentPortal 2.0负责智能体的统一使用和管理。

其中，ADP这次升级有两个重要变化：一是从对话式搭建智能体，转向AI原生贯穿整个开发流程；二是从搭建智能体，转向构建与部署完整的业务应用。ADP正从4.0版本的“智能体构建专家”，升级为“智能体全生命周期专家”。

以往，业务人员得向技术团队提需求，再由开发者分别完成智能体配置、系统集成和应用界面搭建。如今，部分构建工作能在同一工作区里完成，配置、预览、调试和评测也能接得上。

AgentPortal 2.0进一步处理智能体统一使用和管理的问题，企业可以把不同部门构建的Agent收进统一入口，同时支持对ADP及第三方智能体的集中管理。

员工能直接提出业务需求，由系统自动挑选合适的智能体来处理；企业也能按部门、职能分发Agent，统一管理上下架和使用权限。

碰上要长期协作的复杂项目，可以让多个智能体搭成一个团队，任务由项目经理智能体来统筹；而面向消费者的业务，则能把多个专业Agent聚到同一个服务入口后面。

这样一来，员工不必分头寻找和调用不同的AI工具，通过统一入口就能完成任务分派与多智能体协作。

另一边，一套跟过去软件年代不一样的AI建设路子，也慢慢清晰起来。

以前企业软件的套路是IT部门先买、先部署，然后催着业务部门去学、去用。个人Agent铺开之后，情况反了过来：一线员工往往先摸出某种管用的AI工作方法，再反过来推着公司把它做成正式应用。

这种路子要落地，技术上有道坎。ADP和WorkBuddy双向打通之后，坎就低了不少。

员工可以先用WorkBuddy试、去验证工作方法，跑通了再把好的工作流转成ADP智能体，交给企业统一管；企业里现成的Skill，也能回到员工日常办公的入口接着用。

AI能力就这样从个人经验变成组织资产。企业Agent平台的较量，也因此往企业内部AI能力的组织和运营上延伸。

四、从1个项目到1000个项目，腾讯云能否抢下企业AI的生态位？

前面三个问题，说的是企业Agent怎么进业务、怎么产生经营价值、怎么统一管起来。接下来这道题更难：一个项目跑成了，怎么复制到更多企业去？

企业Agent扎进真实业务越深，越需要专业工程团队到客户现场。FDE（前沿部署工程师）模式重新被关注，原因就在这里。

在海外企业软件行业，FDE这种干法已经存在多年。工程师直接进客户的业务环境，跟业务团队一起把问题定下来、把系统接上、把方案开发出来。

AI起来之后，FDE在企业Agent交付里担的担子更重了。

2026年10月，澳大利亚软件龙头Atlassian披露，其FDE团队已经与超过100家企业客户合作，推动80多个AI Agent进入生产环境。

FDE被看重，恰恰是因为真实企业往往没法只靠一本产品说明书就把Agent部署完。

业务数据可能散在不同系统里，权限规则和实际工作流程也未必对得上。不少问题，只有工程师真进了业务现场才会冒出来。

可定制化交付本身有个悖论：越依赖专家，交付成本越难降下来。

2026年9月，Gartner给出一项预测：到2028年，70%的企业可能放弃由供应商FDE团队构建的Agent，主要障碍包括成本增加、独立维护困难。

这个预测也在提醒行业：一个项目如果只能靠最初那拨实施团队撑着跑，可持续的商业模式就很难成形。

企业Agent要的不只是做完一个项目，还得把项目里的经验沉淀下来，让后面的客户能低成本复用。

吴永坚告诉我们，腾讯云不想把企业Agent交付做成单纯的项目生意或人力外包生意。他打了个比方：过去做企业Agent项目，有点像开一家私房菜馆，每个客户上门，都得厨师按具体需求现做。可要想把生意做大，就得根据服务大量客户攒下的经验，慢慢沉淀出能复制的菜品。

“只有复制效率提升了，我觉得这个生意才能够跑得转。”吴永坚说。

为此，腾讯云正试着用“FDE＋ADP＋场景包”来破定制化交付这个局。

腾讯云在本届大会上发布了 FDE 认证，同时对 ADP 开放接口和 ADP CLI 做了升级，目的是让企业、开发者以及生态伙伴都能参与智能体的搭建与交付。

除此以外，腾讯云还将过去几年积累的项目经验，进一步沉淀为一套可以交给合作伙伴使用的交付方法论。

FDE 体系分成五个阶段。接入期先把系统和数据打通，把权限和安全边界定清楚；建设期把 Claw Agent 与 Workflow 组合起来，落成业务方案；验证期拿真实场景检验成效、管住风险；推广期让 Agent 从试点走向规模化应用；治理期则对知识、效果、成本和安全做持续管理。

每个阶段都配有相应的任务、交付物和验收标准，以及模板、评测用例和操作手册，让合作伙伴能够按照相对统一的流程完成交付。

腾讯云还把过去项目里攒下的经验，整理成了25个服务场景包，覆盖零售、制造、教育、金融、医疗五个行业。

另外，智能客服、视觉智能体等垂直应用的进展也在会上亮相，思路是把更多成熟能力放到ADP平台上。

眼下ADP覆盖的公有云应用场景已有千余个，私有云应用场景也有百余个，零售、金融、医疗、工业等行业都沉淀出了能直接复用的场景包。

这些场景背后，不少需求是相通的。比如安全接入企业内部系统、管理Agent权限、监控运行状态，再根据业务反馈调整应用，各家都要面对。

这些能力若由平台统一提供，工程师就不必在每个项目里把同样的问题再解一遍。不过行业场景包不等于所有企业拿来就能用，FDE和企业内部团队仍要参与适配。

在部分业务流程相近、标准化程度偏高的场景里，这种模式已经显出批量部署的潜力。

基于ADP打造的酒店智能体管家“华小AI”就是一例：38条工作流覆盖152个客服子场景，已落地超过10000家门店，自动处理的高频客服问询超过70%。酒店门店的客服需求大量重复，智能体可以复用共通的工作流，再按各门店的具体情况调整。

能在大量门店反复部署的场景，更容易拿到规模上的优势。

所以腾讯云这次推FDE生态，也是想借ADP和行业场景包，让工程师不用在每个项目里重复解决相同的问题。

现场进入靠FDE，重复开发成本靠平台化压下来，进一步复制则靠行业场景与生态伙伴。企业AI的护城河，或许就慢慢长在这些地方。

对中小To B AI公司来说，做出相似的模型应用或产品功能，未必是跨不过去的技术门槛。难的是进到企业核心业务系统里、赢得客户信任、攒下跨行业经验，再搭起覆盖开发、交付和持续运营的伙伴网络，这些都要时间。

吴永坚的判断也差不多。他认为模型和围绕模型的基础技术能力当然重要，但企业Agent落地还卡在大量“最后一公里”的问题上。逐个解决、把方案沉淀进产品，再经由合作伙伴规模化交付，这一串做下来难度不小。

他打了个比方：从做好一道菜，到经营上万家门店。前者看的是单个产品的能力，后者要的是一整套能长期稳定运转、不断复制的体系。

企业AI的护城河，靠的是客户连接、行业经验与交付生态的持续积累。

腾讯云手里有现成的企业生态和行业落地基础，正在抢这个先发位置。这条路能不能跑出规模优势，会决定它在企业Agent市场里的护城河有多深。

结语：模型之外，企业AI的护城河才刚刚开始

从前企业买软件，是为了让员工干活更快。现在Agent直接连上业务系统、动手执行任务，人的角色慢慢转向定目标、审决策、处理异常。

可企业能把活交给AI，责任却交不出去。

腾讯云这次升级ADP，正是冲着这些问题去的：

• 向下，靠安全连接、权限隔离、运行监控和反馈优化，让Agent进得了业务系统，还能持续跑下去；
• 向上，用AgentPortal 2.0统一管理和分发智能体，打通WorkBuddy，让个人工作流沉淀成企业可复用的服务；
• 向外，借行业场景包与FDE生态，试着把不同企业重复开发和交付的成本降下来。

这也照出企业Agent行业的一个变化：竞争重点正从让Agent多长本事，转向怎么把这些本事组织起来，变成能长期运行的企业服务。

腾讯云围绕ADP的这一系列探索，正是想在模型能力之外，为企业AI的规模化落地筑起第一道护城河。