麦肯锡发布：全球企业智能体Agentic部署的6大教训

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 → 用规则自动化。
• • 如果输入非结构化，但任务是抽取或生成 → 用生成式 AI、NLP 或预测分析。
• • 如果任务基于历史数据做分类或预测 → 用预测分析或生成式 AI。
• • 如果任务需要综合判断、创意解释 → 用生成式 AI。
• • 如果任务涉及多步决策、高度变异输入与情境 → 可考虑智能体。

关键在于：不要陷入「必须用 AI / 不用 AI」的二元思维。
更重要的是判断「哪个工具适合这个任务」「人和 AI 如何搭配」。

教训 3：重视评估机制，建立用户信任

许多团队在演示中看似完美，但实际用户体验却因「AI 输出质量差」而失去信任。
一旦信任瓦解，采用率会极低，自动化带来的效率提升也会被抵消。

企业应像培养员工一样培养智能体。正如一位负责人所说：

「启用智能体更像雇用一名新员工，而不是部署一个软件。」

智能体应有：

• • 明确的岗位说明；
• • 入职与培训流程；
• • 持续反馈机制。

常见评估指标包括：

• • 任务成功率（端到端自动完成比例）
• • 准确率 / 召回率 (F1 分数)
• • 检索准确率
• • 语义相似度（与参考输出的余弦相似度）
• • 主观质量（由 LLM 或人工评估清晰度、助益性）
• • 偏差检测（不同用户群体输出差异）
• • 虚构率（生成无依据内容的比例）
• • 校准误差（信心水平与正确率一致性）

专家应持续参与性能监测与反馈，不可「上线即放任」。
例如，一家全球银行在「了解客户 (KYC)」与信用风险流程中，当智能体与人工结果不一致时，团队追踪逻辑缺口、细化标准、再次测试。
后来，团队要求智能体「多次问为什么」，使其分析更深入，最终显著提升用户信任。

教训 4：让每一步都可追踪、可验证

部署少量智能体时，审查尚可手动完成；但当智能体数量达到上百上千个，若无监控机制，就难以定位问题。

很多公司只追踪最终结果，而不审查中间步骤，导致出错时无法查清原因。
因此，必须在流程中嵌入「可观测性」：
记录智能体的每一步决策、输入输出与状态。

例如，某公司在合同审查系统中发现智能体在新案例上准确率骤降。
通过流程日志，他们发现问题根源是上游用户数据质量不足，于是改进数据格式指导并调整解析逻辑，性能迅速恢复。

教训 5：可复用性比数量更重要

许多企业在 AI 浪潮中为每个任务都建一个智能体，结果产生大量重复劳动。
其实，许多任务（如提取、搜索、分析）共享相似的组件。

最佳实践：

• • 开发「可复用智能体」或通用组件；
• • 建立集中式能力平台；
• • 提供监控、提示模板、知识库、代码片段等通用服务。

这样做可减少 30–50% 的重复建设工作量，并提升一致性与安全性。

教训 6：人仍是核心，只是角色在变化

随着智能体的广泛部署，人类的角色将转变，但不会被取代。
AI 将接管一些重复性、规则化的任务，而人类将更多承担：

• • 策略判断；
• • 创意设计；
• • 模型监督；
• • 系统调优。

未来的组织结构将更像「人机混编团队」：AI 负责执行，人类负责方向。
那些能快速调整分工模式的组织，将在智能体时代更具竞争力。

总结

智能体式 AI 不只是一个技术新潮，而是一种工作方式的变革。
它要求企业从「造工具」转向「重构流程」，从「单点部署」转向「系统协同」，从「一次性上线」转向「持续训练与反馈」。

真正成功的组织，不是那些拥有最多智能体的公司，
而是那些 让智能体与人协作得最好的公司。

以上，既然看到这里了，如果觉得有用，随手点个赞、在看、转发三连吧，如果想第一时间看到更多产品思考、技术分享和洞见，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。

回复agent即可获取原文链接