Agent演示成功,不代表业务真正可用
企业引入AI Agent时,最容易高估“会回答”与“能办事”之间的差距。演示环境通常数据经过挑选,任务边界明确,失败还可以人工接管;生产环境面对的却是多年积累的多套系统、互相冲突的业务规则,以及无法提前枚举的异常情况。Agent即使能够生成一段看起来合理的分析,也不代表它理解了企业实际如何运转。
因此,企业Agent落地的核心问题并不是再换一个更强的通用模型,而是建立一层可被机器可靠理解的业务上下文。它需要知道“客户”“成本中心”“预算缺口”等概念在本公司究竟如何定义,也要知道哪个系统才是权威数据源、哪个流程拥有最终审批权。没有这层语义基础,Agent越自主,错误动作的扩散范围反而越大。

三道鸿沟决定了生产效果
第一道是业务语义断层。同一企业的ERP、财务、供应链和人力资源系统,可能使用不同的字段口径,甚至对同一对象采用不同分类。模型掌握行业知识,却无法自动推导出这些企业特有约定。知识图谱、标准化主数据和流程治理的价值,正在于把散落的数据关系整理成Agent可以调用的上下文。
第二道是异构系统集成。Agent的优势是能根据情况选择工具和路径,而不只是按照固定规则点击界面。问题在于,系统间不仅有接口,还有依赖、顺序和事务边界。一个Agent读取到的数据可能尚未同步,另一个Agent修改后的状态又可能触发后续审批。若权限、状态和接口契约没有统一管理,所谓的自主编排很容易变成不可控的连锁操作。
第三道是生产环境的鲁棒性。演示通常覆盖正常流程,生产环境却必须处理超时、重复调用、数据缺失、权限变化和业务规则冲突。企业还要明确失败策略:哪些动作可以自动执行,哪些必须二次确认,哪些应立即转交人工。SAP提出的Joule Work与Joule Studio,分别对应任务协调和智能体构建,但产品能力最终仍要落在这些工程问题上。
| 比较维度 | 演示或POC | 生产部署 |
|---|---|---|
| 数据 | 经过筛选,口径相对统一 | 来源分散,存在冲突与时延 |
| 任务 | 边界明确,结果容易复核 | 跨系统、长链路,异常难穷举 |
| 失败处理 | 通常由工程师现场修正 | 需要重试、降级、回滚和人工接管 |
| 治理重点 | 验证单次效果 | 管理权限、版本、审计与持续监控 |
真正的技术债在智能体数量增加之后
单个Agent可以靠重新测试完成修改,多个Agent组成采购、审批、结算等流程后,治理难度会明显上升。某个Agent升级,可能改变输入格式、调用顺序或权限范围,其他协作组件却仍然按旧契约运行。企业需要一张完整的智能体清单,记录每个Agent的负责人、适用范围、依赖关系、版本和运行状态。
权限同样不能停留在“用户能看什么”这一层,而要延伸为“Agent以谁的身份做什么”。每个数据读取和业务修改都应可追踪、可解释、可回滚。自主权也不宜简单划分为允许或禁止,而应按执行层、管理层和策略层分别设置边界:低风险、可验证、频繁重复的任务更适合优先自动化;涉及资源分配、重大判断和长期影响的决策,则应保留人工审批与责任归属。
给企业和技术团队的可执行建议
- 先选高频、低风险流程。优先覆盖信息查询、数据校验和标准化操作,避免一开始就授权Agent处理不可逆或高金额业务。
- 建立业务语义和主数据清单。明确关键概念的权威定义、数据来源、同步时效和冲突裁决规则,再接入模型。
- 把权限控制放到执行层。复用既有授权体系,对工具调用、数据读取和写入操作分别设置最小权限。
- 为异常设计完整路径。在上线前定义超时重试、重复执行防护、结果回滚、人工接管和通知机制。
- 保留传统界面作为安全出口。AI入口适合作为统一入口,但关键页面仍应便于人工核验、接管和审计。
对企业而言,Agent带来的并非传统ERP立即消失,而是一种新的使用层:员工用自然语言表达目标,由Agent协调后台应用完成流程。对于开发者,新的竞争点也不只是提示词,而是企业知识建模、工具契约、权限治理、评测体系和全链路可观测性。能否把过去积累但分散的业务规则变成机器可执行的约束,可能比模型参数规模更直接地决定项目成败。
