企业 AI Agent 的真正门槛，不是模型能力，而是工作底座

这一轮企业 AI 热潮里，很多公司的第一步都很相似：接入一个大模型，上线一个聊天入口，做一个知识问答助手，或者给员工配一个“智能副驾”。

这些尝试当然有价值，但很快大家就会撞上同一堵墙：会回答，不等于能工作。

企业真正需要的，不是一个更会说话的 AI，而是一个能进入真实工作现场、持续理解上下文、调用工具、遵守规则、推进任务完成的 Agent。它面对的，不是一个干净、单一、结构化的世界，而是每天都在变化的群聊、会议、文档、知识库、审批、任务、日历、表格、业务系统和组织权限。

这也意味着，企业 AI Agent 的落地，不能只被理解为“上线一个聊天入口”。真正有价值的 Agent，不只是能答问题，而是能进入真实业务，理解工作上下文，调用正确工具，并在企业规则内推动结果发生。

说得再直接一点，企业要的不是一个封闭的“万能助手”，而是一套面向 AI 的工作底座。没有这套底座，AI 只能停留在演示层；有了这套底座，AI 才有机会从问答工具进化成真正的数字劳动力。

一、先看清现实：AI 很热，但真正进入企业流程的还不够深

从公开研究看，企业对 AI 的采用已经很广泛，但“从试点走向规模化业务价值”仍然是最大鸿沟。

麦肯锡在 2025 年全球调研中提到，接近九成受访企业已经在常态化使用 AI，但多数组织仍未把 AI 深度嵌入关键流程，因此尚未形成足够显著的企业级收益。更值得注意的是，麦肯锡反复强调：影响 AI 价值释放最大的因素，不是模型本身，而是工作流的重构。

这句话之所以重要，是因为它点破了很多企业当前的误区：

• • 以为部署了模型，就等于完成了 AI 转型。
• • 以为给员工一个入口，就等于 AI 已经进入组织。
• • 以为知识问答做起来了，后面自然会过渡到自动执行。

但现实是，问答系统和任务系统之间，隔着一整套企业运行机制。

AI 回答“客户为什么迟迟没有签约”很容易，但如果它要真正解决这个问题，就必须同时理解并连接：

• • 客户群聊里的反馈
• • 销售会议纪要里的风险信号
• • CRM 里的商机状态
• • 报价文档的版本差异
• • 合同审批卡在哪个节点
• • 谁是真正的决策人
• • 当前动作是否超出权限边界

这时你会发现，企业场景中的 Agent，面对的其实是和编程 Agent 类似的问题，只不过“代码上下文”变成了“工作上下文”。

二、AI 正在从“生成内容”走向“执行任务”

如果说 2023 年是大模型的“问答年”，2024 年是“Copilot 年”，那么 2025 到 2026 年，行业更明显地进入了“Agent 年”。

这个变化不只是概念升级，而是能力重心在变：

• • 早期 AI 的核心价值，是生成文本、摘要、翻译、问答。
• • Copilot 阶段的价值，是在人工作业过程中提供辅助。
• • Agent 阶段的价值，则开始转向任务拆解、跨系统调用、流程执行和持续运营。

简单说，过去企业关心的是：“AI 能不能帮我写？”

现在企业更关心的是：“AI 能不能替我把这件事推进下去？”

这也是 Agent 真正吸引企业的原因。企业并不是只缺几个写得更快的人，而是缺一套能降低协作摩擦、压缩流程延迟、提升组织响应速度的新机制。

从这个角度看，Agent 不是聊天机器人的升级版，而更像是企业里的“数字员工”雏形。它需要具备几种能力：

• • 持续理解上下文：不是只看当前一句话，而是理解任务前因后果。
• • 多步规划与拆解：知道先做什么、再做什么。
• • 调用工具和系统：能读文档、查数据、改表格、发消息、走审批。
• • 遵守组织规则：知道什么能做、什么不能做、做到哪一步要人确认。
• • 沉淀经验和记忆：不是每次从零开始，而是越做越懂企业。

这也解释了为什么企业 AI 的竞争，正在从“模型能力竞争”转向“运行环境竞争”。

三、海外企业的竞争，已经从“谁模型更强”转向“谁拥有工作现场”

过去一年，海外企业级 AI 的主战场已经越来越清晰。真正跑在前面的，不只是模型公司，而是那些掌握工作入口、数据上下文和系统记录权的平台公司。

1. Microsoft：从办公入口切入，优势是“工作表面”

Microsoft 的优势并不只是模型，而是 Teams、Outlook、Word、Excel、SharePoint、Power Platform 和 Microsoft Graph 组成的工作表面。

它的强项在于：员工本来就每天在这些地方工作，所以 Agent 很容易“贴着工作发生”。

这类路径适合什么场景？

• • 内部知识问答
• • 会议纪要与行动项跟进
• • 文档协作与信息检索
• • 跨邮件、日历、团队协同的任务辅助

它的本质不是造一个新入口，而是把 AI 植入已有工作流中。采用率往往跟工作表面重合，谁离一线员工更近，谁就更容易先落地。

2. Salesforce：从客户与收入场景切入，优势是“业务记录”

Salesforce 的重点不是所有场景通吃，而是围绕 CRM、客户服务、销售和营销闭环做深。

它为什么有竞争力？因为销售和客服 Agent 的核心不是“会不会说”，而是能不能基于真实客户记录采取动作。 比如：

• • 判断客户当前处于什么商机阶段
• • 调取历史沟通记录
• • 生成下一步跟进建议
• • 更新 CRM 字段
• • 发起报价或转交人工

也就是说，谁掌握业务记录，谁更容易把 Agent 变成可执行的业务能力。

3. ServiceNow：从流程与治理切入，优势是“流程骨架”

ServiceNow 在企业 Agent 里很值得重视，因为它抓住的是另一个核心：流程系统和治理能力。

IT 服务、HR 服务、工单、审批、变更、合规，这些天然就是强流程、高审计、重权限的场景。在这些地方，Agent 的价值不只是“提高效率”，更是“在规则内自动处理大量标准化事务”。

所以你会发现，海外领先平台的路线虽然不同，但底层逻辑一致：

• • Microsoft 占据工作入口
• • Salesforce 占据客户记录
• • ServiceNow 占据流程骨架

它们争的不是谁更像聊天机器人，而是谁更接近企业 AI 的运行底座。

四、国内企业的探索，也正在从“办公智能化”走向“AI 原生工作平台”

国内的路径也越来越清楚，而且很有中国特色：企业 AI 的落地，往往不是从单独的 AI 产品出发，而是从协同办公平台、业务连接平台和组织管理能力出发。

1. 飞书：从协作与知识上下文切入

飞书这一路线很典型，核心在于文档、会议、知识库、多维表格、群聊这些高频协作资产。

这类平台的优势在于，它能天然理解“知识工作现场”：

• • 一项任务是怎么在聊天里发起的
• • 一次决策是如何在会议里形成的
• • 一个项目状态是如何在文档和表格中变化的
• • 哪些信息是公开的，哪些只对特定角色可见

公开案例里，飞书也在强调 Agent 不只是问答，而是通过知识接入、业务系统连接和 MCP、插件等方式，进入具体业务流程。这种模式更像是：先把信息流打通，再逐步进入流程流。

2. 钉钉：从组织系统和业务执行切入

钉钉近两年的方向更激进一些，明显不满足于“办公协同 + AI 助理”，而是试图往“AI 原生工作平台”推进。

其思路很值得关注：不是让人继续操作系统、AI 只在旁边辅助，而是让 AI 在组织权限和安全边界内，直接去调用系统、执行动作、串联任务。

这背后其实是一种范式变化：

• • 过去是“人用钉钉工作”
• • 未来可能是“AI 通过钉钉代表人去工作”

这和前面的判断高度一致。企业真正需要的，不是一个封闭的万能助手，而是一个可构建、可连接、可扩展的开放生态，让企业能把自己的流程、数据和能力封装为 Agent 可调用的能力单元。

3. 企业微信、WPS 及其他平台：从现有资产延伸

企业微信的价值更偏向客户连接和微信生态延展，适合私域、客户运营、内外部沟通协同。WPS 的优势则更偏文档资产、协作和办公入口，尤其适合文档密集型组织。

这些平台未必会以同样的方式做 Agent，但它们都在回答同一个问题：AI 如何进入企业已经存在的工作基础设施，而不是另起炉灶。

五、企业真正的难点，不是“没有模型”，而是“没有工作上下文”

一个通用助手不可能天然理解所有业务，也不可能预置所有工具。这几乎可以看作企业 Agent 落地的分水岭。

很多个人场景下，AI 之所以体验已经很好，是因为任务边界相对清晰、上下文相对短、工具链相对简单。但企业不是这样。

企业里的问题往往有三个特征：

1. 上下文分散

一个销售跟进问题，散落在客户群、会议纪要、CRM、报价文档、审批流里。一个项目延期问题，隐藏在任务状态、周会纪要、需求变更、跨部门沟通里。一个财务报销问题，同时涉及制度文档、审批节点、表格数据和权限规则。

对人来说，这已经很复杂；对 AI 来说，如果没有统一的上下文组织能力，几乎不可能稳定完成任务。

2. 系统异构

不同企业有不同系统，不同部门有不同流程，不同业务有不同数据结构。同样一个“查客户状态”的动作，在不同公司背后可能对应完全不同的 CRM、ERP、知识库和审批引擎。

所以，企业 AI 不可能只靠一个预置产品通吃。它一定需要：

• • 开放接口
• • 工具连接机制
• • 可编排能力
• • 可扩展的技能体系
• • 面向企业数据结构的二次构建能力

3. 责任边界复杂

企业 Agent 一旦能发消息、改表格、发起审批、访问客户数据，它就不再是一个“建议系统”，而是一个“执行主体”。

而执行主体一定绕不开四个问题：

• • 它以谁的身份做事？
• • 它能看到哪些数据？
• • 它做过什么，能否追踪？
• • 它消耗了多少成本，是否可控？

这也是为什么，Agent 越能干，越需要治理。

六、企业 AI 的真正竞争，不在模型层，而在“AI 工作底座”层

如果把今天企业里的 Agent 看成新一代数字劳动力，那么企业真正要建设的，其实不是一个应用，而是一套让数字劳动力能长期工作的基础设施。

如果把今天企业里的 Agent 看成新一代数字劳动力，那么企业真正要建设的，其实不是一个应用，而是一套让数字劳动力能长期工作的基础设施。

这套基础设施，至少包含四层：

第一层：工作上下文与协作入口

这是 Agent 能否“看见真实工作”的前提。

它至少要接入：

• • 聊天和消息流
• • 会议和纪要
• • 文档和知识库
• • 任务和项目系统
• • 表格和数据库
• • 日历和组织关系
• • 业务系统中的记录与状态

很多企业今天的问题，不是 AI 不聪明，而是 AI 根本没进入工作现场。它只能在一个孤立对话框里等人提问，当然无法承担真正的工作。

谁掌握高频协作入口，谁就更有机会成为企业 Agent 的第一现场。

第二层：AI 与 Agent 产品能力

这是从“能回答”走向“能完成”的关键。

这一层至少包括：

• • 长上下文理解
• • 多步任务拆解
• • 记忆与状态管理
• • 工具调用与执行反馈
• • 异常处理与回退机制
• • 人机协同与人工接管
• • 结果复盘与经验沉淀

企业不是需要一个“永远正确的 AI”，而是需要一个在不确定中仍能持续推进任务的系统。因此，Agent 产品的核心能力，不只是生成答案，而是管理任务生命周期。

第三层：应用构建与开放生态

这一层决定 Agent 是否能真正连接企业现实。

企业不需要一个封闭的万能助手，而需要一个开放平台，支持：

• • CLI
• • OpenAPI
• • MCP
• • Skill 或插件体系
• • 工作流编排
• • iPaaS 集成
• • 自定义应用构建

未来企业的竞争，很可能不是“谁买了更贵的 AI”，而是“谁更快把自己的流程、知识和工具封装成可复用的 Agent 能力”。

换句话说，Agent 平台的价值，不在于替企业做完所有事，而在于让企业自己能持续构建新的 AI 劳动力。

第四层：安全、权限、审计与成本治理

这是 Agent 能不能从试点走向规模化的真正门槛。

Deloitte 在 2026 年的调研提到，很多企业预计未来两年会大幅增加 Agent 使用，但真正具备成熟治理能力的组织仍然是少数。这个现象非常真实：Agent 扩张速度，往往快于治理能力建设速度。

而治理不能只停留在一句“注意安全”，它至少要落实到：

• • 身份治理：Agent 以谁的身份访问和执行
• • 权限治理：能看什么、能改什么、能调用什么
• • 审计治理：做了什么、为什么做、链路是否可追踪
• • 成本治理：模型调用、工具调用、自动执行的预算与优化
• • 风险分级：哪些动作可自动完成，哪些必须人工确认
• • 数据治理：敏感信息、客户数据、财务信息如何隔离和脱敏

企业如果没有这一层，就很容易陷入两难：要么放不开，Agent 永远只能做演示；要么放得太快，最后因为风险失控而被整体叫停。

七、接下来企业 AI 会怎么演进？三个值得重视的判断

判断一：企业 AI 的主入口，不会只是聊天框，而会回到工作流本身

聊天依然重要，但它更像入口，不是终点。真正高价值的 Agent，最终会嵌入会议、表格、审批、CRM、工单、项目流和业务动作里。

也就是说，未来不是“员工去找 AI”，而是“AI 在工作发生的地方出现”。

判断二：企业不会只有一个总 Agent，而会有一组面向场景的专业 Agent

企业的现实太复杂，一个万能 Agent 很难同时胜任销售、客服、财务、法务、HR、研发和采购。

更可能的形态是：

• • 有统一的 Agent 平台和治理底座
• • 在其上生长出不同部门、不同流程、不同权限级别的专业 Agent
• • 再通过编排层协同工作

这和企业软件的发展路径其实一致：不是一个系统包打天下，而是平台化加专业化并存。

判断三：未来真正拉开差距的，不是模型参数，而是组织是否完成“AI 可工作化改造”

很多企业现在还停留在“给旧流程接一层 AI”的阶段。但真正长期有效的做法，应该是反过来问：

• • 哪些工作天然适合由 Agent 接手？
• • 哪些流程需要为了 AI 重构？
• • 哪些知识和规则需要被结构化？
• • 哪些系统要先打通，Agent 才能稳定工作？

这才是企业 AI 真正的分水岭。AI 不是附着在旧组织上的一个插件，而是倒逼组织重新设计信息流、决策流和执行流。

八、最后结论：企业 Agent 落地，不是采购命题，而是组织基础设施命题

回到最初的问题，企业 Agent 落地的关键，绝不是再多买一个 AI 工具。

真正的关键是：建设一个能让 AI 真正工作的环境。

这个环境不是单点产品，而是一套底座：

• • 让 AI 进入真实工作上下文
• • 让 AI 从问答走向任务执行
• • 让 AI 能连接工具与外部生态
• • 让 AI 在权限、安全、审计和成本中被长期治理

未来企业之间的差距，不只是“有没有 AI”，而是“有没有面向 AI 的工作底座”。

没有底座，AI 只是一个更聪明的聊天框。

有了底座，AI 才可能成为真正参与经营和协作的数字劳动力。

这也许才是企业 Agent 时代最本质的变化：企业不是在给组织增加一个新工具，而是在为组织建设一种新的工作操作系统。