引言
进入「智能体式 AI」(Agentic AI)时代已满一年,有一点非常清楚:要真正做好,并非易事。 虽然有公司已经在此类技术上取得早期成果,但更多公司发现,投入后的价值并不如预期,甚至因为智能体未能兑现承诺而重新聘用了原先的人工岗位。
所谓智能体式 AI,是指基于生成式 AI(Generative AI)基础模型,能够在真实世界中执行多步流程、主动采取行动的系统。 换句话说,AI 不只是「提供建议」,而是可以主动承担任务、推进流程。
为了探究这些系统为何成功、为何失败,麦肯锡调研了 50 多个智能体式 AI 项目,并结合其他企业案例,最终总结出六条关键教训。
教训 1:关注流程,而不只是「智能体」
成功实现业务价值,不仅是部署一个智能体那么简单——关键在于 流程的改变。
很多组织将焦点放在智能体工具本身,结果造出了看起来很酷、但流程没有改善的系统,从而带来低于预期的价值。 相比之下,那些从头「重新构想」包括人、流程与技术在内的完整工作流程的公司,往往更容易获得真正的成效。
关键在于理解:智能体如何在流程中的每一步协助人与技术,让整体更高效。
例如,一家法律服务公司希望改造其合同审查流程。由于法律推理常随判例、司法区和政策解释变化而变动,难以完全编码。 团队因此设计了「流程内学习」机制:用户每次在文档编辑器中修改内容,系统就记录、分类,并将数据反馈给工程师和数据科学家,用于训练智能体、优化提示逻辑、丰富知识库。 随着时间推移,智能体逐步具备了新的专业知识。 他们的重点不是「AI 能做什么」,而是「人和 AI 如何协作」。
教训 2:不是所有场景都适合用智能体
AI 智能体的能力虽强,但它并非万能钥匙。 一个常见的问题是,领导者没认真评估「需要完成的任务是否真的适合智能体」,结果投入大量资源却效果平平。
在评估时,可以像选择团队成员一样问:
「要解决什么问题?每个候选成员(或工具)具备怎样的能力?他们如何协同?」
很多业务问题其实用更简单的自动化、预测分析或 LLM 提示即可解决,往往比直接部署智能体更可靠。
经验判断:
- • 如果任务基于规则、重复且输入结构化…