當Agent成為企業AI轉型中最熱的關鍵詞，真正的問題已經不再是「要不要用AI」，而是企業究竟該把AI放到哪裡、怎樣放進去，以及如何判斷它是否值得投入。
在一場以「企業如何用好Agent」為主題的原點Talk分享會暨上下樓就是下游的系列活動上，至頂AI實驗室聯合主理人路飛與智體紀元科技有限公司創始人、Agently AI應用開發框架負責人莫欣，雲蝠智能創始人魏佳星，朗伯餘弦科技創始人杜嘉平展開討論。大家的共識是，Agent不是一個被包裝好的Agent概念，而是一套能夠嵌入業務、穩定執行、可觀測、可度量，並最終帶來業務價值的能力。
從Demo到上線，中間隔著工程化
莫欣在分享中直指企業AI落地的常見斷點：很多團隊可以在一周內用大模型堆出一個Demo，但當項目真正進入4周、8周乃至12周的上線周期，問題會集中暴露出來。輸出格式不穩定、流程不可控、過程不可見、效果不可度量，都會讓一個看起來「能跑」的Demo難以成為企業級業務系統。
圖：智體紀元科技有限公司創始人、Agently AI應用開發框架負責人 莫欣
在他看來，從Demo到上線，至少要跨過三個門檻：輸出要穩，過程要可見，效果要可度量。企業並不是要把Claude Code、Codex或者某個聊天機器人直接放進業務里，而是要獲得一套能把任務執行下去的能力，並且這套能力必須滿足安全、穩定、可靠、可控以及可二次修改等企業級要求。
圍繞這一判斷，莫欣介紹了Agent里開源框架的方向：通過結構化輸出、受控工具調用、流程編排、過程觀測、日誌度量、動態任務規劃和Skills復用等能力，幫助開發者把模型能力轉化為可落地的應用底座。他強調，結構化輸出是工程化基座，如果模型無法穩定按照結構化方式輸出，後續的工具調用、流程控制和業務集成都很難繼續推進。
這也解釋了為什麼企業級Agent不是一個簡單的「模型調用」。在企業系統里，模型只是能力供應項之一，真正決定項目能否上線的，是業務鏈條能否被拆解、觀測和驗證。
企業主真正關心的，是業務價值而不是技術名詞
杜嘉平的觀察來自另一條路徑。他們的團隊早期曾做企業級AI平台，但在銷售過程中反覆遇到同一個問題：客戶並不關心底座本身多麼工程化，而是追問它到底能帶來怎樣的業務價值。
圖：朗伯餘弦科技創始人 杜嘉平
因此，他將新公司的業務重心轉向更貼近業務場景的垂類應用和標準化服務。團隊會先通過C端產品證明研發能力，再以項目服務進入企業，識別各行業中「很垂、很細、但可復用」的場景，進而孵化垂類產品。
比如說，在裝配式建築場景中，傳統流程需要多人圍繞Excel反覆測算，在滿足國家裝配率要求的同時儘量降低成本。杜嘉平表示，AI可以把行業標準、設計數據和成本約束放進同一套優化流程中，過去4個人兩周完成的工作，有機會通過系統在數秒內生成多套方案。
在養老與自傳場景中，他看到了另一個方向：面向高淨值老年人，用一個智能體做訪談、另一個智能體做撰寫，把傳統高價自傳服務壓縮為可規模化的AI產品。除此之外，知識付費博主的小紅書運營、律所主任數字分身和文稿工具，也都來自服務過程中對共性需求的抽象。
這些案例背後有一個共同邏輯：AI應用的價值不一定來自宏大的通用平台，而可能來自足夠具體、足夠深度垂直的行業流程。
語音客服證明了Agent的商業化窗口
相比底座和垂類應用，魏佳星帶來的語音智能體案例更接近一個正在兌現收入的商業樣本。雲蝠智能從2018年開始聚焦「讓大模型打電話和接電話」，產品可以通過一通電話現場演示。
魏佳星透露，公司從早期無收入起步，經歷300萬元、800萬元收入階段，去年收入約5000萬元，今年預計接近9000萬元；受智能體熱度帶動，今年商機增長了兩到三倍，目前單月收入約800萬至900萬元。
圖：雲蝠智能創始人 魏佳星
在他看來，語音智能體之所以更容易成交，是因為驗證路徑非常短：客戶聽一通電話，判斷聲音能力是否可接受，隨後就能進入商務談判。語音智能體主要覆蓋營銷、通知、回訪、調研、外呼和客服接聽等場景。
魏佳星用客服行業解釋了AI替代的經濟賬。「客服平均在崗時間約6個月，培訓周期短，知識上下文有限；一名客服每天處理約50通電話後嗓音就會成為瓶頸，而AI單通電話成本可以降到幾毛錢級別。在不良資產處置、投訴工單等高負面情緒場景中，AI甚至可能因為沒有情緒損耗而表現得比人更穩定。」
不過，他也強調，企業不能只把Agent理解為「替人」。在組織內部，雲蝠智能會要求研發、HR、財務、營銷等崗位真正使用AI工具，並把員工沉澱Skills、提升需求交付效率與激勵機制相綁定。換句話說，企業要讓Agent落地，往往要改造組織制度。
什麼才算企業級Agent？三位嘉賓給出同一方向。
當討論進入「什麼是真正的企業Agent」時，幾位嘉賓並沒有給出一個狹義定義。莫欣認為，Agent在企業主眼中常常是一個營銷化的統稱，背後真正代表的是某個業務場景需要的能力。杜嘉平則更直接指出，只要能用AI解決企業業務問題，它可以是直接調用大模型，可以是知識庫問答，也可以是一套工作流。
但「企業級」有更硬的要求。杜嘉平提到，安全、審計、工程化和穩定性是前提。莫欣則進一步提出「首輪成功率」的概念：企業用戶對錯誤的容忍度並不高，如果一個AI在第三輪、第四輪還繞不出問題，用戶開始失去耐心，這在企業級場景里就已經失敗。魏佳星從組織側補充了另一層問題：很多企業自身的數據和文檔並不適合AI閱讀。企業如果想讓Agent發揮作用，需要反向調整自己的知識資產、文檔命名、流程材料和內部制度，讓AI更容易理解和使用。
因此，企業級Agent不是「買來即轉型」。中大型企業需要考慮數據、系統、內網、安全、審計和算力環境；中小企業則可以先從相對獨立的系統入手，在業務效果驗證後逐步推進系統改造。
從哪裡開始？離錢近、容錯高、流程確定的場景最適合
對於企業第一次做Agent，幾位嘉賓給出了相對一致的建議：先選離錢近、ROI容易衡量、容錯度相對可控的場景。
魏佳星認為，客服是最明確的切入口；如果跳開客服，Marketing也有很大提效空間。營銷相對於生產系統隔離，內容、圖片、影片、數字人和個人IP口播等物料，可以藉助AI快速生成和疊代。
杜嘉平則總結出兩個高適配場景：一是有大量數據或知識需要處理，二是有大量人力參與且流程可以固化。裝配式建築優化、銷售線索處理、私域評價分析、400電話錄音分析等，都屬於這種類型。
莫欣提出了一個更可操作的判斷框架：一看成本替代性，二看成功率和容錯要求。如果原本3000元崗位可以完成的事，換成AI後每月Token成本反而更高，就未必適合；如果場景允許人工覆核、允許一定誤差，例如一線客服分流、OA自動填表、會議紀要、資料搜集，則更容易先上。
相反，醫藥客服、診斷建議、關鍵報價、訂單系統聯動等高合規、低容錯場景，則不適合一開始就完全交給AI。杜嘉平舉例，在醫藥代表問答場景中，AI可以負責從問題中找到相似原文，但最終呈現給用戶的答案應來自知識庫原文，以保證準確性。魏佳星也提到，醫療回訪可以做，但必須明確AI是「護士」而不是「醫生」，不能給出診斷意見。
未來機會：標品先跑通，非標做集成，核心系統再內化
在「企業應該自研還是購買現成產品」的問題上，魏佳星和杜嘉平都傾向於先買現成產品，用低成本工具跑通POC。魏佳星認為，大多數Agent任務可以先通過現有服務拼接完成，中間允許人工搬運和干預；只有當POC跑通、需求被驗證後，才進入規模化、安全化、國產化和系統化改造。杜嘉平從商務角度給出類似判斷：如果市場上已有成熟產品，企業沒有必要從0到1重新開發，因為交付質量和ROI都更難保證。真正的機會在於把不同標品連接起來，或者進入沒有成熟標品覆蓋的極深行業場景。
莫欣則補充了邊界：如果企業的核心業務強依賴自身資訊系統，例如外賣、金融、製造、能源等場景，Agent最終必須與企業內部系統深度結合，成為資訊系統的一部分。此時購買標品只能解決前端體驗或單點能力，後端業務系統仍需要Agent化改造。
這也引出對創業機會的判斷。簡單的AI PPT、通用物料生成等場景，可能很快被低成本通用工具吞掉；而語音通話因為運營商體系、業務適配和交付實施複雜，仍保留獨立窗口。未來真正能賺錢的企業級Agent機會，往往不在「做一個萬能智能體」，而在行業適配、交付實施、系統集成以及把AI內化為企業自身能力。
Agent的落地，是企業生產關係的再設計
這場討論最終給出了一個相對清晰的判斷：Agent不是一個可以孤立購買的工具，而是一種新的生產力接口。企業要用好Agent，不僅要選對模型和產品，更要調整數據、流程、組織激勵、人工覆核和系統架構。
如果說大模型讓企業第一次看到了「機器可以理解任務」，那麼Agent真正要回答的是下一步：機器如何在業務中可靠行動。對企業來說，最現實的路徑不是一步到位替代人，而是先從高頻、低風險、可度量的場景切入，讓AI成為員工的工具、業務的流程節點，並在一次次可驗證的POC中，逐步融入企業自己的系統里。
