这份麦肯锡的研究报告探讨了AI智能体在企业落地中的核心战略，强调真正的价值源于对业务工作流的深度重构而非单纯的技术堆砌。文章指出，企业应根据任务的复杂性与标准化程度选择合适的AI工具，并像培养员工一样对智能体进行持续的评估与打磨，以解决“AI低质输出”的问题。为了确保系统在大规模部署时的可靠性，建立每一步都可追溯、可验证的监控机制至关重要。此外，报告提倡通过开发可复用组件来提升效率，并强调人机协作在决策流程中不可或缺的核心地位。通过这六大实战启示，作者旨在引导企业从实验阶段转向真正的价值创造，实现生产力的跨越。
根据麦肯锡对50多个AI智能体（AI Agent）项目及行业案例的深入分析，企业在部署AI智能体时应遵循以下六大实战启示：
1. 核心不在智能体，而在工作流
企业要创造真正的业务价值，关键在于重塑整个“从头到尾”的工作流，而非仅仅关注智能体工具本身。
• 重构起点： 应先梳理现有流程并识别核心“卡点”，让智能体与人类高效协作，减少不必要环节。
• 持续进化： 建立工作流中的持续学习机制。例如，通过记录用户在编辑器中的修改反馈来训练智能体，使其具备“自我吸收新知识体系”的能力。
• 协调者角色： 智能体应扮演“协调者与整合者”，利用如AutoGen、LangGraph等框架调用不同工具，将零散输出整合进工作场景，实现流程闭环。
2. 智能体并非万能
企业需对任务本质进行冷静思考，避免盲目引入智能体导致资源浪费。
• 按需选择工具： 对于低变量、高标准化的流程（如开户、监管披露），应采用基于规则的自动化工具；而智能体更适合处理高变量、低标准化的复杂任务（如财务信息提取与综合分析）。
• 高级经验法则： 简单重复任务选规则工具；内容生成选生成式AI；涉及复杂步骤、多步决策且需与环境交互的任务，才最适合使用AI智能体。
3. 杜绝“AI低质输出”，通过投入评估赢得信任
为了避免智能体在真实环境中表现不佳（即“AI slop”现象），企业应像培养员工一样“培养”智能体。
• 入职培训： 为智能体制定明确的“岗位职责”和“系统入职培训”，并由专家制定评估标准。
• 专业性能指标： 使用端到端任务成功率、F1得分（精确率与召回率）、检索准确率、语义相似度及幻觉发生率等指标进行量化评估。
• 专家深度参与： 专家需针对特定输入标注期望输出，并在智能体偏离指引时及时纠偏，通过“连续多次追问”等方式迫使智能体深化思考。
4. 确保每一步可追溯、可验证
在规模化部署中，错误往往难以溯源，因此必须在工作流的每个环节嵌入验证机制。
• 内置监控： 通过设置内置监控与评估，团队能早期发现逻辑错误并修正。
• 可观测性工具： 在设计之初就应内置可观测性工具，以便在系统准确性下降时，能迅速定位是上游数据质量问题还是解析逻辑问题。
5. 最佳用例在于复用
企业应避免“一个任务建一个智能体”的资源浪费，转而识别重复性任务并开发可复用的组件。
• 通用 vs 单一任务： 在“通用模型”和“单一任务体”之间寻找平衡。
• 模块化服务： 集中构建一套经过验证的服务（如提示词库、可复用代码、培训材料），将这些能力整合进统一平台。实践表明，这种复用模式通常能削减30%至50%的非必要工作。
6. 人类不可或缺，但角色与数量将发生变化
企业必须重构人机协作工作流，确保人类与智能体能高效配合。
• 核心职能保留： 人类在职场中的核心作用（如监督模型准确率、确保合规性、做出关键判断及处理特殊情况）始终不可替代。
• 交互设计： 开发简洁直观的用户界面（如交互式可视化元素、自动跳转高亮显示等），降低人机交互门槛。良好的设计能显著提升用户接受度，有时甚至可使接受度接近95%。
微信扫一扫 
