AI Agent 落地之困：为什么“人”与“流程”是最大障碍？

今年 “Agentic AI” 非常火，新产品也层出不穷。当然 Agent 争议也不小，一部分人认为没啥用，一部分人则觉得 Agent 无所不能。

这种争议如果用数据说话就会有说服力的多。MMC 深入访谈了 30 多家正在做 AI Agent 的创业公司创始人和 40 多位企业里的实际用户，写了这篇报告：《AI 智能体（Agentic AI）现状：创始人篇》。

【1】真正限制 AI Agent 的，可能不是 AI 不够聪明

大部分都以为目前 Agent 最大的困难会是“AI 不够聪明”、“幻觉太严重”或者“太难和当前系统集成”。

这些确实是问题，但出人意料的是，在创始人眼中，它们排不进前三。

根据调查，部署 AI Agent 时的三大问题分别是：

1. 1. 工作流集成 和 人机交互（占 60%）
2. 2. 员工抵触 和 非技术因素（占 50%）
3. 3. 数据隐私与安全（占 50%）

也就是说最大的障碍，是“人”和“流程”的问题。

1. “这玩意儿我该怎么用？”（工作流集成）

这是占比 60% 的最大难题。

一个 AI Agent 再牛，如果它是一个需要单独打开的 APP，需要员工在现有的工作软件之外再打开一个新窗口去指挥它，那它的使用率注定高不了。

成功的集成，是把 AI 嵌入到员工已有的工作流里。比如，当销售在 CRM 里更新一个客户状态时，AI Agent 自动跳出来说：“我帮你把刚才的会议纪要总结好了”。

这已经不仅仅是个技术问题了，更需要企业改变观念，企业得先想清楚：“要集成这样的 AI Agent，我原有的工作流程需要怎么改？”这往往比买一套 AI Agent 难得多。

2. “它会不会抢我饭碗？”（员工抵触）

这是 50% 的创始人提到的信任危机。

我们得承认一个现实：在企业里，人类和 AI 的合作，目前大多不太愉快。

• • 一种是“过度依赖”：员工把活儿全丢给 AI，自己不检查，结果 AI 出了错，比如给客户报了个错误的价格，酿成大祸。
• • 一种是“过度怀疑”：员工根本不信 AI，AI 做的每一步，他都要自己再核查一遍。这非但没提高效率，反而增加了工作量。

更深层的，就是对被 AI 取代的恐惧。这导致员工在用的时候束手束脚，或者干脆阳奉阴违，不愿配合。

3. “我的数据喂给 AI，安全吗？”（数据隐私）

这也是 50% 的创始人提到的核心关切。

这个问题在金融、医疗等行业尤其严重。企业会担心：“我把内部的财务报表、客户病历交给这个 AI Agent 分析，这些数据会不会被拿去训练别的模型？会不会泄露？”

这种担忧，有些是真实存在的，比如需要符合 GDPR、ISO 27001 等合规认证，也有些纯粹是感觉上的。但无论哪种，都会让企业在部署时畏手畏脚。

【2】做得好的 AI Agent：高准确率和高自主性

既然有这么多困难，那现在做的好的那些 AI Agent，实际表现怎么样？

报告从两个维度来量化现在的 AI Agent：

• • 准确率 (Accuracy)：AI 干的活儿，多大比例是对的、被人类接受的。
• • 自主性 (Autonomy)：AI 干活儿时，多大程度不需要人来插手。

理想状态当然是高准确+高自主。现实是，超过 90% 的 Agent 创业公司声称自己的方案达到了 70% 以上的准确率。

所以 MMC 把 Agent 划分了三个分类：

1. 1. 中准确、高自主：
   适用于低风险、高重复、易验证的工作场景。比如自动给海量的营销邮件打标签。就算 AI 标错了 30%，但它帮你自动处理了 1000 封，你只需要人工纠错那些明显不对的，总体效率还是远超纯人工。
2. 2. 高准确、低自主：
   适用于高风险、高价值领域，比如医疗场景。比如 AI 帮你起草临床试验的研究报告。它必须保证 90% 以上的准确率，但人类专家必须在每一步进行严格审核（低自主权）。它扮演的是“超级助手”，而不是“决策者”。
3. 3. 高准确率 + 高自主性：
   这可以说是最理想的“甜点区”，是大家努力的方向。它适用于那些 AI 部署相对成熟或规则边界清晰的领域。比如客户服务、网络安全或金融合规。在这些场景下，AI Agent 已经足够可靠，达到 80%-90% 的准确率和自主性，可以被授予高自主权去端到端地处理任务。报告提到，这里的秘诀通常是将概率性的大语言模型与更具确定性的 AI 方法相结合，以提高准确性，从而进一步提高自主性。

【3】企业开始为 Agent 付费了

聊 AI Agent 落地，绕不开收费的问题。

好消息是企业开始真掏钱付费了

报告发现，62% 的 AI Agent 创业公司，已经拿到了企业的“业务线预算（Line of Business budget）”。

这是个超级积极的信号。大公司内部的预算分两种：一种叫“创新预算”（Innovation budget），就是实验经费，图个新鲜。

而“业务线预算”，是各部门用来保证自己核心业务运转的支出。

当 AI Agent 开始动用“业务线预算”时，意味着它已经从可有可无的玩具变成了能帮我干活的生产力工具。

坏消息是现在还没摸索出最佳的收费模式

虽然知道这玩意儿值钱，但到底该怎么定价？报告显示，大家都在摸索，主流的两种方式是：

1. 1. 混合定价（23%）：比如“基础服务费 + 超出部分按用量付费”。
2. 2. 按任务次（23%）：AI 帮你干成一件事（比如发出一张发票），收一次钱。

而大家最期待的按照按效果付费（Outcome-based），目前只有 3% 的公司在用。

为什么？因为太难了。

比如，一个“销售 AI 助手”，它帮销售赢了个大单。这个功劳，到底 80% 算销售的，还是 20% 算 AI 的？怎么衡量？这根本算不清。

所以，目前最现实的还是按苦劳付费，而不是按功劳付费。

【4】最重要的部分：成功的 AI Agent 落地策略

既然 AI Agent 落地这么难，那些成功的 Agent 公司是怎么说服企业客户的呢？MMC 的访谈总结出了一套非常实用的落地经验。

秘籍一：“Think Small”（从小处着手）

报告总结了一个非常务实的落地策略：Think Small (从小处着手)。

忘掉那些“彻底颠覆行业”、“全自动替换人类”的宏大叙事。成功的 AI 智能体，往往从一个非常小、非常具体的切口进入：

• • 起点： 选一个低风险、中等收益的任务。
• • 关键： 选一个员工最讨厌干的活儿。比如，销售团队最烦的手动录入客户数据，或者财务团队最烦的核对发票。
• • 定位： 永远不要说你是“替代品” (Replacement)，要说你是“副驾驶” (Copilot)。

你的目标不是让老板开除员工，而是把员工从那些重复、枯燥、没人想干的破事儿里解放出来。

当员工发现，这个 AI 真的帮我省了每周 5 小时填表的时间，信任的种子才算种下了。

秘籍二：“保姆式”服务（Hand-holding）

现在的 AI Agent 还远没到即插即用的程度。企业买的不仅是软件，更是一整套陪跑服务。

成功的创业公司都在用“前线部署工程师（FDE）”模式。这帮人既是程序员，又是咨询顾问，他们会直接“扎”到客户的办公室里，手把手帮客户梳理流程、清理数据、调整 AI。

同时，人机交互界面要做到“3E”：

1. 1. Education（教育）：AI 要能主动教用户“我能干啥，你该怎么用我”。
2. 2. Entertainment（趣味）：交互得有趣。
3. 3. Expectation Management（预期管理）：AI 必须坦诚地告诉用户“我干不了啥”，别吹牛。

秘籍三：定位决定生死（Positioning）

最后，你怎么“说”你是谁，可能比你“是”谁更重要。

• • 是“副驾驶”，不是“替代者”：
• • 一定要把姿态放低。你的产品是“Copilot”（副驾驶、领航员），是来“Augment”（增强）员工能力的，不是来“Replace”（替换）他们的。哪怕你的技术真的能替换掉 80% 的人，也千万别这么说。
• • 看人下菜碟：
• • 在医疗这种保守行业，你最好少提“AI”，多谈“自动化”、“效率提升”。
• • 在金融这种激进的行业，你就得猛吹“Agentic AI”，显得你很前沿。
• • ROI 要具体：
• • 对于成熟流程，就说“节省了 XX 小时”或“降低了 XX% 成本”。
• • 对于 AI 创造的新能力（比如“千人千面”的网页），就把它和你已有的工具挂钩，比如：“能让你的谷歌广告转化率提升 20%”。

【最后】

这份报告质量还是很高的，尤其是给我最大感触的点是：

决定 AI Agent 落地成败的，最重要的因素已经不是模型能力够不够强，而是它怎么和企业内部的流程整合，怎么取得员工的信任，怎么证明它存在的价值。

另外从准确率和主动性这两个维度来量化评估 AI Agent，是挺科学的。要做好 Agent，最终还是要做到像一个情商高的真人那样，在你还没开口时，就洞察到你的需求，默默帮你把事情搞定。