过去一年，我看到和听到的大多数企业都陷入了“自主代理热潮”，他们认为，只要部署能够独立决策的智能代理，他们的运营问题就会自行解决。 

媒体报道铺天盖地，不容错过，引人入胜。 

但据我所知，自主代理难以持续发展，最终无法大规模改进。 

然后我意识到需要改变看法，真正利用人工智能取得成功的组织并没有部署更多的自主代理， 而是在构建更智能的工作流程。

我并不是说自主代理没有用武之地，它们当然有。但这次我主要关注的是企业如何成功部署人工智能，而模式是，那些能够实现可衡量的投资回报率、保持合规性并可靠扩展的公司，并没有把所有赌注都押在代理的自主性上。他们投资的是： 

1. 工作流智能 

2. 人机交互系统 

3. 精心策划的自动化流程，将控制权交还给真正了解自身业务的人。 

4. 决策的透明度和可观察性，使团队能够了解系统运行的原因，并充满信心地进行干预。 

本文旨在探讨其底层工作原理。 

将代理与工作流程混淆，正是人工智能风险悄然潜入的方式。

在深入探讨之前，我们先来明确一下术语，因为这很重要。企业人工智能领域的许多讨论之所以会产生混淆，正是因为混淆了本质上不同的方法。 

当我们谈论 自主代理 时，我们指的是基于基础模型构建的系统，它们不仅能够进行规 划，还能执行多个步骤，并在极少人为干预的情况下做出决策。它们的设计目标是独立运行。 

例如，客服人员收到支持工单后，会独立决定将其转交给哪个部门、向客户索取哪些信息以及何时升级处理，所有这些决策之间都没有人为指导。 

相比之下， 工作流程是由人协调的结构化操作序列。它们遵循既定路径，并设有明确的决策点。当人工智能增强工作流程时，它能够优化特定步骤，例如准确分类客户工单、推荐最佳解决方案或标记升级案例，但整个流程仍然由人控制。

这就像是在流程中添加一个智能助手，而不是替换流程管理器。 

这种区别听起来很细微，但实际上并非如此。这关乎优化与变革、控制与信任、渐进式改进与生存风险之间的区别。 

根据 麦肯锡最近的研究 ，虽然 62% 的组织正在试验自主人工智能代理，但只有 23% 的组织真正将其扩展到各个业务职能的生产环境中。 

支持自主代理的理由是存在的，但还不充分。

我想公平地评价 代理 的说法，因为它并没有错，只是不够完整。 

自主代理的吸引力是深刻而真实的。我们能够轻松访问互联网，在智能手机时代，我们希望随时随地与各行各业的系统互动。 

理论上，自主客服代理可以处理 90% 的日常咨询，无需人工干预。自主采购代理可以自动识别供应链中的潜在成本节约机会。自主代码审查代理可以在代码进入生产环境之前标记出潜在的漏洞。 

业务逻辑没问题。技术在一定程度上也行得通。问题不在于能力，而在于管理以及受控实验与复杂生产环境之间的差距。 

让我们来看看企业大规模部署自主代理时会发生什么： 

1.问责问题 ：当一个自主系统做出损害客户利益的决定时，谁该负责？是公司、人工智能供应商还是数据科学团队？这个问题很快就会变得复杂，尤其是在受监管的行业中。 

2.黑箱问题 ：即使借助可解释性工具，自主代理的运行方式也与人类预期不同。它们从训练数据中学习到的模式，有时在统计学上完全合理，但在商业上却毫无意义。 

3.一致性问题 ：自主系统在大规模运行中的表现与试点项目中的表现不同。它们会遇到极端情况、分布变化以及在训练期间从未遇到过的场景。 

4.漂移问题 ：现实世界瞬息万变，客户偏好不断转变。监管法规也在不断演进，新的竞争对手层出不穷。你的自主代理是针对昨天的市场环境进行优化的。如果它真的实现了自主运行，那么除非有人主动对其进行重新训练和调整，否则它将继续针对昨天 的市场动态进行优化。这并非真正的自主，而只是延迟的人工干预，并且增加了额外的开销。 

这些并非纸上谈兵。 麦肯锡的最新研究 表明，虽然近三分之二的企业尚未开始在全企业范围内大规模应用人工智能，但那些已经看到人工智能对息税前利润产生实际影响的企业都有一个共同的特点：它们正在重新设计工作流程。它们并非试图用自动化取代现有流程，而是让流程更加智能。 

01

让人类参与其中，并让人工智能发挥作用

现在，让我带你了解一下哪些方法有效以及它们成功的原因。 

基于工作流的人工智能系统秉持着一个自主代理难以企及的基本原则： 人类仍然是决策者，人工智能提供智能 。这改变了一切。 

当你用人工智能增强工作流程而不是用自主系统取代它时，你构建的是一个这样的系统： 

1.清晰性得以保障 ：每个行动都有其原因，每个决定都有决策者。无论索赔获得批准、被驳回还是升级，都有人（无论是人还是人为设定的程序逻辑）负责。您可以解释结果，监管机构可以审核，客户也能理解。 

2.控制权始终掌握在手中 ：您可以决定哪些步骤需要自动化，哪些步骤需要借助人工智能洞察进行增强，哪些步骤需要人工判断。您无需寄希望于智能体能够学习到正确的优化函数，而是可以精心安排哪些步骤需要自动化，哪些步骤需要人工专业知识。 

3.迭代速度更快 ：当工作流程中出现问题时，您可以定位到具体步骤，了解 AI 推荐错误的原因，并改进该组件。您不是在调试一个晦涩难懂的多步骤流程，而是在优化一个透明的流程。 

4.风险可控 ：与其赋予自主系统在多个决策中广泛的权限，不如进行权限划分。人工智能可以协助数据录入，但复杂的案例仍需人工审核。人工智能可以提出定价建议，但最终由定价团队批准。这样，既能在安全且有价值的领域享受自动化带来的好处，又能在关键领域保留人工监督。 

5.合规性是可以管理的 ：监管机构希望了解你的决策。采用增强型人工智能的工作流程是可审计的。而那些能够基于多个因素做出相互关联决策的自主代理，则更难解释和辩护。 

这就是为什么真正推动人工智能投资回报率提升的公司都在重新设计工作流程，而不是放弃现有流程。他们会问自己这样的问题： “在目前的流程中，人工智能建议究竟能在哪些方面真正改善决策？”“哪些步骤可以自动化而不失问责制？”而不是“我们能否用自主代理来取代这个过程？”

工作流程重新设计胜过客服人员数量

让我先给大家介绍一下市场实际发生的事情，因为炒作周期往往会掩盖真相。 

根据麦肯锡最新发布的 《人工智能现状研究报告（2025）》 ，我们看到了以下情况： 

1. 88% 的组织表示已在至少一项业务职能中使用人工智能。这表明人工智能的应用范围很广，但只有大约三分之一的组织真正开始在整个企业范围内推广其人工智能项目。大多数组织仍处于实验或试点阶段。 

2. 就智能体而言，62% 的组织正在试验人工智能智能体，这听起来令人印象深刻。但实际上，只有 23% 的组织真正将自主智能体扩展到生产环境。而在这些已经扩展规模的组织中，大多数也仅应用于一到两个业务功能。如果单独考察任何业务功能，只有不到 10% 的组织在扩展人工智能智能体的应用。 

代理最常见的应用领域是信息技术和知识管理。因为这些领域的流程清晰明确、可重复，出错的风险较低。 

服务台自动化和研究协助是代理的良好用例，正是因为工作流程已经结构化，并且出错的后果是可控的。 

因此，与人工智能的实际影响相关性最强的指标不是“我们部署了多少自主代理”，而是“我们重新设计工作流程以利用人工智能洞察的程度如何”。 

02 工作流与代理的使用时机框架

我不想让你们觉得自主代理毫无用处。在合适的场景下，它们当然有用武之地。让我给你们提供一个思考这个决定的实用框架。 

1.何时使用基于工作流的人工智能系统 ： 

您的流程涉及需要问责的关键决策。您身处受监管的行业（金融服务、医疗保健、保险），需要向监管机构和客户解释您的决策。任何错误都可能造成严重后果。您拥有比任何数据模式都更了解流程的领域专家。您需要根据反馈快速迭代。您的环境会定期变化（新的市场状况、监管政策的调整、客户偏好的演变）。 

这涵盖了大多数企业运营。

提供有监督的客户服务。

理赔处理需人工审核。

贷款审批流程透明化。

招聘过程中需要人为判断。

大多数内部运营都能从增强型工作流程中受益，因为它们既能保留领域专业人员的专业知识，又能增加人工智能的洞察力。 

2.何时使用自主代理 ： 

您的流程定义明确、重复性高，且出错后果轻微。该解决方案已在您的特定环境中经过广泛验证。您已部署监控和回滚机制。您接受代理可能会犯错，并拥有相应的系统来捕获和纠正这些错误。相对于您通过自主性节省的时间而言，错误成本很低。 

自动客服人员在处理日常客户服务咨询方面表现出色。

用于内部知识管理和研究协助。

用于IT服务台运营。

适用于低风险场景下的资源分配。

适用于已经深度优化训练数据并广泛测试极端情况的专业领域。

关键在于，选择并非“工作流还是代理”，而是要识别运营中哪些部分适合哪种模式，并构建能够充分利用两种方法的混合系统。大多数企业工作流大约 80% 采用工作流增强，20% 采用选择性代理自主性，并根据具体的业务环境进行定制。 

03 策略性地结合工作流程和代理

企业人工智能的未来将是混合系统，它会结合两种方法，在每种方法发挥其最佳优势时进行部署。 

这就像一场国际象棋比赛，你不是要取代棋手，而是给他们提供一个强大的分析引擎，帮助他们找到最佳着法。最终的决定权仍然在棋手手中，但他们掌握的信息更加完善。 

企业组织真正成熟的人工智能战略大致如下： 

第一层——工作流程增强（AI 价值的 80%） ：您的运营核心是通过智能增强的工作流程运行的。 

例如，您的客户服务流程可以通过人工智能得到增强，人工智能能够理解用户意图、提出解决方案并进行适当的路由。又如，您的招聘流程可以通过人工智能得到改进，人工智能可以筛选技能和文化契合度，而最终决策则由人工做出。这些领域代表了您人工智能投资的大部分方向，也是您获得最大投资回报的来源。 

第二层——选择性代理自主性（占人工智能价值的 15%） ：某些高置信度、低风险的操作获得真正的自主性，例如： 

针对常见问题的常规客户服务回复。

基本数据录入和分类。

内部知识管理和研究协助。

在这些领域，自动化实际上可以提高速度和降低成本，而不会带来风险。 

第三层——人类决策增强（占人工智能价值的 5%） ：剩余价值来自帮助人类更快做出更好决策的工具，例如： 

展示关键信息的仪表盘

有助于规划的预测模型

可缩短研究时间的分析工具

这些并非自主系统，而是以人为本的工具，旨在改善人类的决策。 

这种 80-15-5 模式并非随意设定，而是反映了那些在人工智能领域取得显著成效的组织中实际行之有效的方法。大部分投资回报率来自智能增强，而显著的效率提升则来自低风险领域的自主选择。此外，为人类决策者提供更完善的工具也能带来额外的价值。 

04 治理决定人工智能是规模化发展还是停滞不前

如果你要构建可扩展的基于工作流的人工智能系统，你需要认真考虑治理问题。 

治理框架 ：您需要明确决定人工智能在您的工作流程中可以做什么和不能做什么。 

人工智能可以自主做出哪些决策？

哪些需要人工审核？

哪些是禁区？

这应该形成文档，让相关团队理解，并定期审查。这并非为了繁文缛节，而是为了避免代价高昂的错误。 

监控和指标 ：您需要跟踪您的 AI 建议是否真正改善了结果。 

人工智能推荐的客户路线真的比人类判断更好吗？

欺诈检测功能是否真的能在不产生误报的情况下减少欺诈行为？

简历筛选是否能找到更优秀的候选人？

如果不衡量影响，就无法管理系统。 

审计追踪 ：每一个受人工智能影响的决策都应该有记录，说明做出该决策的原因。 

考虑了哪些数据？

人工智能的建议是什么？

人类最终决定了什么？

这对于合规性、学习和改进都至关重要。它还能确保你的人工智能系统在受到质疑时 能够自圆其说。 

反馈循环 ：当人工智能推荐出现错误时，需要建立机制来收集反馈并改进系统。这可能包括重新训练模型、调整权重，或者简单地承认某些推荐需要人工审核。优秀的系统都拥有明确的反馈循环，以推动持续改进。 

适应机制 ：您的业务会变化，市场会变化，甚至客户也会变化。您的工作流程应该设计成能够适应这些变化，而无需进行重大重新设计。这可能意味着将决策规则与模型分开维护，构建季节性调整机制，或创建便捷的机制来添加新的决策路径。 

能够做好这一治理方面的组织，不仅仅是部署人工智能，而是将其融入到运营模式中，从而随着时间的推移不断创造价值。 

05 把关注点聚焦在哪里

你必须做出选择。每个大规模部署人工智能的组织都必须做出这个选择。 

你可以追求自主代理带来的刺激，沉迷于全自动流程的诱惑，梦想着无需人工干预就能运行的系统。在精心限定的场景下，其中一些或许能够实现。 

或者，你可以选择一条道路，根据我从那些真正利用人工智能取得成功的组织所看到的，这条道路能够带来更可靠、更可审计、更可持续的价值，那就是构建由智能增强、由人控制、并根据结果不断改进的工作流程。 

我知道我为合作的企业应该押注哪一方。而且，根据麦肯锡的最新数据，以及我观察到的那些真正取得显著人工智能成效的公司，我认为你也应该如此。 

企业人工智能的未来并非要取代人类，而是要让人类比以往任何时候都更聪明、更有价值。我认为这才是我们应该努力的方向，也是我在本文中一直试图阐述的观点。 

技术已经成熟。问题在于我们是否有足够的智慧，在实现商业目标的同时，真正地促进人类福祉。我认为，通过工作流程而非自主代理来实现这一目标才是关键。