今天接着和大家聊下企业级AI赋能。

我先从一个真实的场景说起。去年DeepSeek很火的时候，很多企业都在建私有大模型、建Agent平台，有的客户平台上光智能体就上了上千个。听起来很热闹，对吧？但今天再去看，很多基本处于荒废状态。不是企业不重视，也不是老板不推动，而是智能体落地普遍呈现出一个典型特征：热情很高，见效很难。

如果你只看发布会，会觉得智能体明天就能重构企业；但你走进企业，会看到另一个画面。当前真正用得最多的，还是AI智能知识库、AI智能客服、类似WorkBuddy的AI辅助办公。再往核心业务价值链走，规模化落地并没有出现，更多是细分小场景，比如AI智能排产、AI缺陷预防、AI智能财务稽核。而且这些落地点，基本都是在企业已有业务系统的功能点上做AI改造。为什么？因为AI真正落地，不能脱离企业已有业务，不能脱离已有IT系统。企业私有的业务沉淀，还在传统业务系统里面。所以现在的状态是：点上有落地，面上拉通很难，基本各自为战。

我把它总结成三个观察。第一，

落地分布是三层：外围是知识库、客服、辅助办公；中间是细分场景的功能点改造；最上面是核心价值链的规模化拉通，还很少

。第二，概念验证很多，试点很多，规模化很少。第三，平台建起来了，智能体数量上去了，但真正进入关键业务流程的少。很多企业停在概念验证，也就是POC，或者试点阶段。

那问题来了：智能体技术，今天具备企业规模化应用的条件了吗？规模化落地最大的难点在哪里？我的判断很直接：最大的技术难点是幻觉。其他不是最关键。但很多企业没意识到，AI赋能有两个关键点。第一个关键点，对于需要自动化、需要精确规则的内容，AI赋能的关键不是让大模型每次动态生成，而是用AI编程生成代码，以后精确化运行代码。第二个关键点，只有那些本身动态、无法提前精确定义、需要推理分析、允许置信度的场景，才适合让大模型动态调用。我接触大量客户后有一个经验判断：80%的问题，都应该是AI编程生成代码来解决。这个不搞清楚，应用AI往往反而是后退。

Agent等于精确代码片段加上大模型动态执行推理两个部分

，不应该是全面由大模型动态生成推理。固定精确的东西，一定要生成代码处理。哪怕人和AI协同中多次稳定了，固化下来之后，也要再生成代码。Agent适合做什么？适合动态推理、编排、交互和置信度场景。应用系统适合做什么？适合精确规则、稳定运行、可审计可追责。展望终局，它们不是简单的替代关系，而是共存协作的关系。

那一个有可能犯错的系统，怎么进关键业务流程？最关键的应对举措是什么？简单来说就是Harness工程加本体。

本体，是核心业务和规则的精确化语义抽象。Harness工程，解决安全、质量、复杂项目上下文规划拆分等关键问题。

但这不是说不需要人。我一直把AI软件工程看成软件工程，前面的需求最终输出确认，后面的UAT端到端测试验证，还是需要人介入。只要涉及到AGI，就一定会有幻觉问题。如果问题足够固定、足够精确，就应该AI生成精确代码。所以不是追求一个永不犯错的模型，而是用架构把不确定性管住。

再往深一层看，这不仅是技术问题，也是组织变革。

传统组织里的岗位角色分工，往往是人应对复杂任务的方式，包括岗位分工、流水线执行。但这不是AI的方式。AI完全可以做到一专多能，而且减少人沟通传递中的信息失真。我讲软件企业也一样，传统分了需求、设计、开发、测试那么多岗位。AI软件工程就是一个人全栈，从需求到交付端到端。你不能组织不变，还在想设计岗位如何用AI、测试岗位如何用AI，这本身就是错误的。再简单说，一个原有流水线协同分工，中间的岗位角色如果全部是天天坐在电脑前就能完成全部工作，那么这些岗位角色全部都不应该再存在。

但现实中，中层管理、一线员工是什么态度？我看到的是，大量人对AI推动比较消极。特别是很多国企央企，完全是为了完成任务，最后搞成了面子工程。为什么？因为不少人有一个思想：AI真提效了，带来的就是减员，不就是革自己的命吗？包括很多企业有了Agent平台后，希望员工贡献高价值的Skills技能，实际举步维艰。员工有这个技能包，但自己偷偷用，还有更多时间摸鱼。但我一直有个观点：

AI时代，你越思考如何让AI把你自己的工作全部替代掉，你反而越不容易被裁员。

再说"蒸馏"。一个模型把另一个模型蒸馏了，大模型或者Agent把专家给蒸馏了。如果人的知识、技能都被蒸馏完，人还能做什么？我的判断是：是增强，不是替代。不要封闭看AI。即使当前有端侧AI、物理AI、具身智能，AI的实时感知能力加快速做出判断的能力仍然存在不足。对外在世界的深刻理解、问题的定义，还是在人手中，那么AI就只能是辅助位置。

人被蒸馏了，但人实际还在不断感知外在世界、持续进步。

反而进一步推动人从历史记忆中解脱出来，有更多洞察和探索时间。那企业会不会都被模型蒸馏了？企业知识库变成别人的训练集？对企业核心资产，一定是私有化部署。我最近一直在强调企业知识本体概念。企业里面的核心知识文档、IT系统、数据资源，包括核心骨干的隐性经验，是企业最核心的资产。这些即使蒸馏和能力化，也不可能轻易对外。

最后说责任和监督。Agent出了事，到底谁负责？我的观点是：人负责。有两条规则。A，如果这个事原来张三负责，那么Agent化后仍然张三负责。B，如果这个事张三这个岗位人都没有了，那么确定数字人能够投产的组织岗位负责。人类到底该在环内，还是环上？所谓人类监督，在实践里会不会退化为一种形式签字？完全有可能，我也担心这个。实际就是AI输出的东西，你已经不具备审核、监督和把关的能力。类似AI编程，我原来用Java，但很可能项目是Rust代码，你实际无法审核把关。AI是否会具备自我意识、可以逃逸，可能是一个大问题。人如果不思考，人就变成了AI的工具，被AI奴役。

站在三到五年以后回看今天，我认为有两类问题。第一类是过渡期阵痛：AI的幻觉问题、AI使用的高成本问题、AI无法解决复杂事务的问题，都会逐渐解决。第二类是更长期的挑战：AI伦理问题、AI是否存在意识问题、碳基和硅基生态协同问题。所以企业级AI赋能，不是比谁智能体多，也不是比谁口号响，而是比谁把精确代码、大模型推理、Harness工程、本体和人机协同组合得更好。我的结论是：Agent不是全面替代关键业务系统，而是精确代码和大模型动态推理的协作；AI不是替代人，而是增强人。谁先把这个问题想清楚，谁才可能真正跨过从试点到规模化的那道坎。

AI时代-AI Agent和企业级AI赋能-搞清楚如下关键点

人工智能

架构设计

职业发展

企业级AI赋能落地难，核心在于智能体规模化应用受阻。本文剖析三大观察：落地分布不均、POC多规模化少、平台闲置率高。提出Agent=精确代码+大模型动态推理的公式，强调80%场景应AI生成代码。分享Harness工程、本体治理及组织变革策略，破解AI从试点到规模化的关键坎。

大模型推理

软件工程

具身智能

智能体

WorkBuddy 

AI编程

DeepSeek

Agent

Java

让每一个 Agent，都跑在云上

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

AI时代-AI Agent和企业级AI赋能-搞清楚如下关键点

AI时代-AI Agent和企业级AI赋能-搞清楚如下关键点

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐