Agent 很火，但落地到企业内部，总是有各种障碍。

技术能力不够，还是组织根本没准备好？ROI 怎么算，效果怎么验收？当 FDE 这样的交付模式变得热门，什么样的企业值得重投入，什么样的项目又注定会变成无底洞？

WAIC 期间，我们组织了一场「Builders' Night Talk」，邀请了五位正在一线推进企业 Agent 落地的实践者：特赞 CTO 丁鑫栋，科锐国际 CTO 刘之，得物效率工程负责人任喜亮，百道数据 CEO 吴光宇，Kuse.ai CEO 吴显昆。背景覆盖了企业级智能体产品、AI 招聘垂类、万人规模电商公司的内部转型、300+ 客户的云服务交付，以及 AI 并购整合的全新商业模式。

对于 Agent 落地的困难、考核标准等，大家分享了各自验证过的方法。但对于 FDE 值不值得做、「AI 原生组织」是否应该成为目标等问题，仍然没有形成共识。

以下是本次活动的精华内容。

⬆️关注 Founder Park，最及时最干货的创业分享

Founder Park 正在持续寻找值得被看见的 AI 团队与项目。

我们将通过「AI 产品市集」、内容报道、社群分发等方式，帮你触达早期用户、获得真实反馈，以及建立关键连接。

如果你正在做 AI 相关的事，欢迎和我们聊聊。

01企业 Agent 落地，真正难在哪里？上下文缺失和组织决心，是最大的卡点

特赞 CTO 丁鑫栋：我们在帮企业落地 AI Agent 的时候，发现最大的卡点是，当 AI 不了解企业的历史、不了解最近的业务目标、不了解业务决策逻辑时，它给出的东西是泛化的。所以我们一直在做一件事，把企业过去积累的内容资产和决策方式，变成 AI 真正可以调用的上下文。

我们的产品叫 GEA（Generative Enterprise Agent），是一个企业上下文系统，围绕企业内业务目标运行智能体，主要解决增长、创新和效率提升三个问题。

GEA 的架构分四层。意图层，理解企业要做什么；编排层，所有模型的编排（orchestration），做到六边形最大化；技能层，企业工作流和常规 Agent 能力；上下文层，把企业里的人的知识、已有系统数据和内容资产重新编排，以项目制和知识库形式供 Agent 调用。上下文层本质上是对现有数据的重新组织，是架在现有系统之上的一层 Agent 基础设施。

还有一个卡点，是企业创始人或业务负责人对 AI 的远见和决心。

我们自己 2023 年开始用 AI Coding，第一年很尴尬，所有开发都在用 AI，用 AI 写代码的比例从 30% 到 90%，但整体研发效率没有任何提升。代码速度快了，产品没变好，业务没变化。直到有一天，产品和业务的人开始在需求分析和原型阶段用 AI 搭出整个框架，这才彻底改变了研发流程。

那时我意识到，推 AI 不是引入一个工具，而是需要更大的决心，让整个公司用 AI 原生的方式，为 AI 的特性重新设计工作流。

不同行业卡点不同，解法也不同

科锐国际 CTO 刘之：科锐国际是一家提供人才招聘与配置解决方案的上市公司，探索 AI 在招聘场景中的应用。

我们很早就判断，Agent 主要解决的并非制造业中的标准化生产问题，而是服务业中的个性化问题，比如法律、人力资源、咨询等领域。这些行业高度依赖专业判断和个性化需求，传统信息化手段始终难以有效应对。全球许多公司投入大量资金研发专业服务管理系统，但大多收效甚微。

在科锐国际的实践中，我们发现，判断一个 Agent 是否真正具备应用价值，不能只看模型能力，还要考察其在真实场景中的综合表现。

我跟做律师 AI、做财务 AI 的朋友交流了很多，总结了 Agent 落地的七个核心考量维度：任务完成率、成本、速度、可重复性、精确性、安全、人机协作。

不同场景里这七个点的优先级完全不同。以招聘 Agent 为例，任务完成率是决定用户能否持续使用的基础指标。如果 Agent 无法真正完成寻访、筛选等核心任务， 技术再先进也难以创造价值。同时，招聘高度依赖人与人之间的连接，人机协作也至关重要。

律师场景人机协作最重要，你一定需要审阅界面；财务计算场景精确性最重要，需要代码沙箱来执行验证；有些场景毛利本身就低，成本是第一位的。关键是进到每个不同的赛道，找出这七个维度里最核心的那一个，把它做透，也许就能打开局面。

百道数据 CEO 吴光宇：百道数据是 Google Cloud 的核心合作伙伴，业务有三块，提供 Google Cloud 全部资源和 AI 相关算力；基于 Google 全栈技术给客户提供技术服务；以及基于我们 300 多个客户的行业积累，通过 FDE 的方式深入客户内部做 AI 方向的交付。

不同客户、不同行业、不同 AI 发展阶段，卡点是不一样的。

游戏和大型电商客户，技术能力强，天生接受度高，他们遇到的卡点往往就是成本，Token 消耗太快。

药企客户非常渴望用 AI，但对数据安全有极大顾虑。他们希望可以用 Deep Research 去抓竞品的研发进展，但自己的研发数据绝对不能暴露一丝商标和数据。

制造业客户对 AI 的态度比较犹豫，同时对精确性要求极高。我们做过一个芯片相关客户，生产辅助时有非常长的 SKU 代码，一个 0 和 1 的差别就代表不同产品。AI 幻觉率哪怕做到 99.9% 的准确率，剩下 0.1% 的不可靠性也是零容忍，因为一次识别错误可能就是一个亿的订单或一大批错误物料。

我们的解决方式是把大任务拆成多个小任务，对幻觉容忍度高的用 AI，对幻觉零容忍的用渐进式方式，或者用多个不同的 Agent 来适配一个完整的任务链。

02大型企业，怎么推进 AI 转型？把 80% 的重复性工作交给 AI

特赞 CTO 丁鑫栋：我始终觉得，AI 替代的是大约 80% 的重复性工作。不管多大规模的公司，永远能找到那 80% 的重复性工作可以让 AI 替代，我们需要做的就是让这套 AI 系统先进去。

我们自己做 Agent 开发时，也没有主张让 Agent 端到端跑完整个软件生命周期，中间始终需要人做决策、做反馈、做优化。不是让 AI 替代人去提升正确率，而是让 AI 帮企业里最顶尖的专家降低错误率。在成熟的业务流程上叠加 AI，让专家腾出时间解决核心问题。这样既能先跑起来，结果也更可衡量，决策者能感知到价值。

做企业应用，产品形态的选择非常重要。市场上已经有很多工具做生成、做批量内容，提升了运营效率，但本质上没有解决最终问题，如何衡量结果？这个产品形态决定最终给你的是一个视频，不是一个增长解决方案。

后来 Agent 工具调用能力和思考能力增强，我们开始做 Copilot 形态，人主导、AI 辅助，包括编程辅助、数据员工等。这时遇到新问题，这个员工跟我什么关系？它这么强，但谁来为结果负责？

从去年开始，我们就在想，如何让 AI 为一个结果负责，让 AI 产生的是 Outcome，不是 Output。要产生业务质量变化，就得理解你的现状是什么。所以 GEA 的第一层叫「意图」，就是一个模糊的需求加上企业的上下文。

有了意图后让系统主动运作，知道什么时候该推进、什么时候该停下来找人决策，在反复沟通中优化执行和决策方式，沉淀经验，最终给出结果，从而系统为企业带来的 ROI 是可衡量的。

那时就不再是一个个项目，而是一套系统在运行，和组织融合在一起。人去解决最难最重要的部分，80% 交给 AI。

科锐国际 CTO 刘之：科锐国际做了 30 年人才服务，手上有大量真实的招聘场景和人才数据。大模型和 Agent 技术起来之后，我们一直在想一个问题：AI 究竟应该如何真正落地到招聘场景。

我们的答案是做了一个招聘 Agent Mina。但 Mina 的定位从一开始就不是替代招聘顾问，而是成为顾问的「数字搭档」。它更多负责信息搜集、研究分析和流程执行工作，让顾问能够把更多精力投入到人才评估、候选人沟通和客户服务等高价值环节。

目前 Mina 已经在科锐内部服务超过 1000 名招聘顾问，跑出了三项核心能力。

第一，Search & Research 能力。Mina 能连接企业人才库、公开人才数据和 Github、Hugging Face 等技术社区，快速完成候选人搜索、企业研究、人才地图绘制和背景分析。

第二，Skill 能力。我们希望将优秀顾问积累的方法论沉淀为可复用的 Skill 模块，例如职位需求分析（Intake）、人才地图构建（Mapping）等能力，让优秀经验能够规模化复制。

第三，工具协同能力。Mina 不仅能够调用企业授权的数据源和业务系统，还能够执行邮件触达、电话外呼等任务，让 AI 真正参与到招聘流程之中。

随着实践深入，我们也开始探索 Agent Team 模式。很多复杂招聘任务已经不是单个 Agent 能够高效完成的，不同 Agent 可以像招聘团队成员一样分工协作，分别负责信息搜集、市场研究、人才筛选和候选人沟通等工作，共同完成复杂任务。

AI 转型的三步：共识、场景、知识

得物效率工程负责人 任喜亮：得物的效率工程部门，可以理解为站在全局视角看组织效率和 AI 原生转型的部门。得物算中等偏大体量，AI 转型的第一步是跟全员达成共识，降低 AI 工具使用门槛，让所有人先用起来。

第二步是把企业场景按容错空间分成四象限，把容错空间大的场景作为优先 AI 覆盖的场景。比如经营分析类，在企业内落地效果相对更好，ROI 也更高。

专家知识积累方面，我们设了专门的知识运营小组，进入业务团队去挖掘跟生产和专家经验相关的有价值知识，把它从个人空间搬到 AI 可见的空间，不断完善上下文。

03AI 这笔账，企业怎么算？AI 能覆盖大部分企业场景，但不一定是最优解

得物效率工程负责人 任喜亮：得物非常看 ROI，预算控制精细化。

推进 AI 项目时，我们把项目预算和人力投入合并在一起看。技术推进 AI coding 时，我们看提效空间，计算方式是项目交付的普及率和速度，分母是 Token 消耗加整个研发人力成本。所以我们现在 AI 预算的标准类目包括人的成本、项目成本、Token 成本，三项合并来做预算规划。

我们发现，AI 目前在企业场景里大部分都可以覆盖，但不一定是最优解。对于有明确规则定义的过程，比如能写 SQL、能用 Code 或 Config 搞定的，我们保留传统方式。因为这类场景 ROI 更高，响应也更快，不需要每步都和大模型交互调优。

一个电商公司里线上交易、仓库作业、时效物流场景太多了，一个效率工程部门或一家供应商不可能解决所有场景，需要更多合作伙伴一起挖掘，我们非常期待外部合作。

AI 项目验收，最终看的是人效

得物效率工程负责人 任喜亮：我们通常分几个层面来做验收。

第一层，平台能力。AI 的知识库能否和企业私有云配套，MCP 能否打通内部自建和采买的第三方系统。这层解决的是「AI 能力是否可用」的问题。

第二层，工程稳定性。错误率、吞吐、能支撑多少人同时在线，我们有对应的准出模板。

第三层，效果，AI 任务完成率是否超过人工，这是真正的效果验收。

第四层，人效验证。这层和真实生产数据以及企业人效完全挂钩，我们通常采用类 AB 实验的方式，一点点放量，看 AI 重构的流程是否已经优于传统流程，再逐步把流量迁移过去。

第四层往往比前三层花的时间都多。前三层，随着模型能力进步，技术上的门槛会越来越低，都是时间问题。但第四层最终落在组织人效上的结果，这个层面我们花的关注时间会拉得很长。

我们不会直接谈「给人级别的权限分配」。我们的思路是按任务来分配权限，给的是完成这个任务流最小范围内的权限，不超出。甚至一开始所有落地产品，全部从只读权限开始。

原因很简单，在电商公司的生产业务流里，越权或异常访问带来的损失是不可接受的。

我们期待的下一个阶段是 AI 自治。现在的方式是我分发一个任务给 AI，AI 执行完了给我反馈状态。下一步是数字员工挂在组织架构里，有明确职责，每天自己跑，跑到某个状态才来问我，而不是等我分发任务。即使到了这种状态，权限的授予依然是可收回、可审计、可观测、可回溯的。

04FDE能帮助 AI 落地，但不是所有客户都适合企业 Agent 落地，需要有人陪跑

特赞 CTO 丁鑫栋：陪跑这件事非常重要。

哪怕是做软件开发，你也需要一个专家来告诉公司里的所有人，这套系统应该怎么搭建。企业要做 AI 主架构转型，与其找咨询公司，不如找最终落地 Agent 系统的服务商。因为我们可以用 Agent 去重构那套咨询流程，帮企业快速拿到价值。

Agent 类产品其实可以更早进入企业。现在有两个普遍问题，第一，大家都见过 Codex、Workbench 很厉害，但拿过来放到自己企业里跑不起来，因为不知道给它什么东西。第二，不知道整个公司的痛点是什么，不知道哪些东西适合用 AI、用什么工作流来解决。

我们通常第一步是为企业做一次诊断，对企业全员做访谈。以前是结构化问卷，现在用 Agent 做更自主的访谈，根据不同场景和不同人的实际痛点做差异化沟通，最后收集全员痛点和工作流现状。然后用 AI 做即时总结，告诉你，每条产品线处于哪个阶段？痛点是什么？哪个产品线适合用什么方式推进？有了这个全局诊断结果，我们就知道接下来如何推进项目。

FDE 的前提是有明确的需求点

百道数据 CEO 吴光宇：百道数据做 FDE 的底层逻辑不同。我们本身就是长期服务客户的云服务商，不存在「交付后撤退」。客户业务在增长，就帮他在 AI 上做更多适配，就像以前做云架构调整一样。

FDE 是相对比较新的一种打法，但不要盲目投入，并不适合所有客户。我们有两个典型对比案例。

一个是机顶盒客户，目标极其明确，「怎么在机顶盒里用 AI」。我们的 FDE 和他们泡在一起，最后做出了一个陪你看剧、聊八卦的 Agent。需求聚焦、场景明确，投入产出比很高。

另一个是出海客户，老板说要投 100 万美金做 AI，但签合同时每次修改都是打印纸质合同用笔圈改，连 Word 的修订功能都不用。这种数字化基础都没有的客户，FDE 投进去肯定没产出。我们直接告诉他，先买 100 个 Gemini 账号让全员用起来，有了具体思路再谈。

FDE 的前提是客户有明确的需求点，对于模糊的、没有边界的需求不要轻易投入。可以把需求拆成一期、二期、三期，先做清晰的部分，交付结果后，后续需求自然可以转化成长期服务合同，变成持续产生收益的模式，而不是无限消耗。

05FDE 太重，那就 own the businessAI Roll-up，把企业转型变成一门生意

Kuse.ai CEO 吴显昆：我们最早做了一个 ToC 的 workspace 产品，有六七十万用户，但毛利很薄。后来做了 ToB 产品，几十个客户，主要在美国和日本，交付成本很高。在这个过程中我发现了一个问题，如果做很浅的产品化，模型厂商自己会做。如果做深度交付，本质上还是外包，不管怎么美化，交付成本高且难以规模化。

我们选的是在亚洲做得比较少的一种方式：做 AI Roll-up（整合并购）。核心逻辑是解决利益 misalignment 的问题。客户担心把数据给我们会泄露，我们的团队觉得给别人做外包有违初衷。所以我们的选择是，把公司买下来，所有人利益保持一致，整个公司底朝天可以全部改掉。改完以后，可以按这套方法论继续收购类似的公司。

企业变革分两种。一种是技术性挑战（Technical Challenge），比如选什么 CRM、什么 ERP。另一种是适应性挑战（Adaptive Challenge），比如改销售分成制度。AI 落地不只是讨论用什么数据库、RAG 方法怎么做、用什么模型。企业里都是活生生的人，做了一件事可能就影响了一群人的家庭，职业轨迹就变了，这些阻力时时存在。

FDE 很难成为一个好的商业模式，AI 当前的发展阶段想做软件化也非常困难。于是我们就主要投入精力在少量的合作伙伴上。解法是通过解决利益上的 misalignment，让双方都成为股东，一起创造新价值。

AI 正在打开并购整合的新空间

Kuse.ai CEO 吴显昆：Roll-up（并购整合）本身是个几十年的传统行业。AI 引入的新变量是，以前 Business Service（律师、会计、审计、估值）这些领域没法被软件替代，核心依赖专家，既不能裁人也不能让产出提高。但 LLM 改变了这一点，初级到中级的专业人员可以被替代了。这就创造了两个机会。第一，以前不在并购范畴内的行业，现在可以被买了。第二，以前买了也改不了的公司，现在能有效降本增效。

比如一家一年挣 1000 万的估值公司，2000 万买下来，真的把 EBIT 提高 30%，两年就回本。为什么没人做？因为大家处在 VC 的环境里，mindset 不同。VC 要的是 0 到 5 亿的爆发增长，而不是 5 到 10 的稳健提升。

我们的杠杆在于不需要外部投资人，立场中立，PE 或 Buyout Fund 跟我们合作不会担心信息泄露，可以用其他利润承担较长项目周期。如果你真的相信 AI transformation 有巨大价值，那就应该 own the business。

当你给国央企做服务，没有办法拒绝那些不在项目范围内的需求，你的杠杆在哪里？是否会在深夜怀疑自己成了廉价外包？我觉得这是所有做 FDE 的人都要面对的问题。所以我们在「比较有得选」的时候，就想清楚了，如果这件事不能像软件一样 scalable 最终 100 倍 PS，那就去做那个从 5 亿到 10 亿的资产增值。把价值做好、少量做好，帮他们长更大，这可能是一个可行的选择。

06AI 的下半场：「AI 原生」不是目标，创造价值才是

百道数据 CEO 吴光宇：我不太认同「AI 原生公司」这个标签。就像 20-30 年前大家用电脑，只是为了提高生产力，没人说「我是电脑原生企业」。如果你是 AI 产品提供商，可以说你是 AI 原生公司。但如果你是做电商、物流或其他业务的，没必要强调这个标签。AI 只是工具，关注点应该是，AI 能帮我做什么？我怎么用好 AI？

下半场的想象空间非常大。我们现在面对的 [ 听不清 ] 幻觉、精确性、多模态等问题，本质上是因为 AI 还在初级阶段，它并不真正理解世界。就像 30 年前有「多媒体电脑」这个概念，现在你不会再听到有人说这个词了，因为它成了所有电脑的标准配置。未来 Agent 会是同样的。模型天然就是多模态的，就像谷歌的世界模型目标那样，真正理解物理世界、理解空间和认知。当它真的理解了，现在很多幻觉问题就不存在了。

Kuse.ai CEO 吴显昆：每次新的 Paradigm 出来，都是一个微笑曲线。第一、二天所有人疯狂尝试，觉得世界被改变了。到第二、第三周，发现跟真实生产结合没那么简单。到第四、第六周，又找到了真正结合的点，回到最初的期待。让子弹飞一会。我的 AI Conviction 很强，AI 非常伟大，以至于解决问题是确定性的。如果问题被解决是确定性的，那有没有意愿去解决、怎样被解决，就是一个商业模式的问题。

转载原创文章请添加微信：founderparker