智能体AI实战手册：100位企业领导者战略洞见重新定义AI的价值创造

智能体AI实战手册： 100位企业领导者战略洞见：重新定义 AI 的价值创造 目录 摘要1 关于本研究2 背景：智能体AI发展的阻碍4 智能体AI实战手册7 ↗流程规范7 ↗跨职能赋能与协作9 ↗落地实施10 结语：智能体AI的应用前景11 咨询智能体AI前沿专家13 摘要 随着生成式人工智能 (Generative AI) 日益普及，追求竞争优势的企业管理者开始将目光投向一类与之相关却又截然不同的技术：智能体 AI(Agentic AI)。这种 AI 依托大语言模型、机器学习和自然语言处理技术，可实现自主决策。凭借极低的编码依赖、宽松的监管要求，以及处理复杂任务和目标的能力，智能体 AI 有望为企业乃至整个行业带来颠覆性的变革。 目前，智能体 AI 仍处于发展初期，释放其全部潜力仍面临诸多挑战。为了应对这些挑战，企业管理者必须深刻理解组织内部的业务流程，跳出单纯追求成本效率的思维，以更具创造性的视角思考：哪些工作环节可以且应该被重塑；同时，他们还需主动拥抱变革，因为智能体 AI 正在打破部门壁垒，催生出更高效的组织形态。成功落地，既需要扎实专业的知识，也离不开严谨周密的执行。 这还需要雄心。企业管理者往往缺乏对智能体 AI 的清晰愿景，员工对这类 AI 的目标、应用场景与潜在影响也大多尚未形成共识。因此，当前大多数组织在应用智能体 AI时，仍主要聚焦于降本增效。尽管收益十分可观，却远未触及这项技术所能释放的变革性价值。 为指引前行方向，GLG 调研了 100 位负责在企业内部部署与管理智能体 AI 解决方案的资深企业领导者，并对另外 10 位企业领导者进行了深度访谈。我们基于这些真知灼见撰写了本报告，为大胆前瞻的智能体 AI 落地提供实战指南，详细阐述关键挑战、破局的最佳实践，以及创造全新价值所需的战略视野。 100 GLG 调研了 100 位负责在企业内部部署与管理智能体 AI 解决方案的资深企业领导者。 关于本研究 格理集团 (GLG) 是专家网络行业的开创者与领导者。我们助力客户对接全球顶尖专业智慧，帮助其获得构筑战略优势的关键商业洞见。2025 年 10 月，GLG 调研了来自北美、南美、欧洲、中东及亚洲地区、负责在企业内部部署与管理智能体 AI 解决方案的100 位高层管理者。同时，GLG 还对 10 位具有类似背景的高层管理者进行了深度访谈，以收集更详尽的背景信息与深度洞见。 本次研究发现，成功实施智能体 AI，离不开以下关键条件： 识别当前依赖主观决策来处理的流程漏洞：模糊性是应用智能体 AI 的最大障碍。成功应用的企业应能够清晰理解自身业务流程，明确流程中的薄弱环节，以及哪些环节往往需要依靠主观决策来衔接弥补。 构建数据集成与管理架构：要实现自主化运行，智能体系统需要获取关键业务数据。这要求组织加强网络安全建设与跨职能协作，从而最大限度地确保 AI 智能体的安全性，并发挥其影响力。 赋能跨职能团队，共同打造智能体：要充分释放智能体 AI 的潜力，组织应整合 IT 专家与业务部门的专业能力，在团队内部培养创建和应用 AI 智能体的核心能力。 制定稳健的实施落地方案：目前大多数组织更关注智能体 AI 在降本增效方面的价值，而这项技术真正的核心价值，在于帮助组织重新设计工作岗位和业务职能。这也对组织的数字化转型、创新领导力，以及清晰的智能体 AI 应用愿景提出了更高要求。 下图展示了受访者的资历背景、职能角色，以及其所在公司的年收入规模和行业分布情况。 背景：智能体AI发展的阻碍 智能体 AI (Agentic AI) 建立在现有人工智能能力之上，并非一项独立技术或单一解决方案。它在过往自动化浪潮的基础上创造新价值，为已完成基础工作的组织带来优势——这些基础工作包括梳理业务流程、明确极端场景处理规则，以及对数据进行整理和清洗。近 90% 的受访者表示，组织此前在自动化领域积累的经验，有助于推动智能体 AI 的落地应用。 那些此前未参与过RPA“ （机器人流程自动化）或类似项目的组织，往往需要从零搭建方法论，并调配或引进专业人才。相较于已具备成熟流程优化体系和实践经验的组织，这会延缓智能体 AI 的落地速度，并降低生产力。” AI 负责人某大型交通基础设施运营机构 然而，尽管有 37% 的受访者表示，其组织正面临来自高管层、董事会或股东的巨大压力，要求部署智能体 AI，但大多数组织仍处于该技术的早期应用阶段。仅有 46% 的受访者表示，其组织目前至少已有一套智能体解决方案正式投入生产环境使用。 除复杂的技术挑战外，许多组织对智能体 AI 显见的风险也保持高度警惕。71% 的受访者对可能出现的错误输出或决策表示担忧，65% 的受访者担心 AI 智能体可能会滥用或不当访问敏感的客户或业务数据。科技行业的受访者则是明显的例外：仅有 13%对敏感数据的滥用表示担忧。但总体而言，由于目前缺乏明确界定错误决策和意外数据泄露责任的法律框架，组织在预测风险、建立防护机制方面很大程度上只能依靠自身，这也使得他们在推进这项技术时更为谨慎。 你对错误结果的容忍度有多高？这将决定你如何为特定应用场景寻找最合适的工具。”“ 总计占比 (%) 前董事总经理某国家级航空公司 所有数据相关项目普遍存在的挑战，同样会阻碍智能体 AI 的落地应用，包括资源与预算限制、数据碎片化或信息孤岛，以及对数据驻留和主权的担忧。而智能体 AI 还带来了独特的数据管理难题：随着智能体在执行任务时自主整合数据， 识别由输入数据的局限与错误所引发的问题将变得愈发困难。过去，人工监管手动流程时，尚能发现数据缺失或错误对输出质量造成的负面影响；然而，如果缺乏适当的防护机制与错误排查流程，自动化智能体可能会直接采纳错误的输入数据并继续执行任务，最终不仅会输出错误结果，还会让数据层面的隐患长期存在。 人工智能领域的快速迭代进一步提升了落地复杂度。在选择构建 AI 智能体的工具时，组织面对日益拥挤且持续变化的市场，很容易在众多选项中难以抉择——尤其是当下，许多组织仍在努力部署近三年才推出的生成式 AI 技术。 贯穿上述种种挑战的核心，是组织要真正用好智能体 AI，必须完成一次重大的思维范式转变：从传统自动化的确定性工作流，转向更灵活、更具自主性的智能体模式，这要求企业在运营理念上实现根本性变革。 当前之所以极具挑战，“ 尤其是对那些在生成式 AI 出现之前就已存在的业务而言，是因为企业仍在试图将这些新能力嵌入到原有基础设施中。这不仅关乎技术，还涉及人员和流程。转向完全不同的、以智能体搜索为核心的浏览器使用体验，或从架构中移除应用层，这些都是极具颠覆性的变革，尤其是，很多企业已经部署了大量传统架构和技术，且这些架构仍在正常运行。” 全球技术总监某服装品牌 智能体AI实战手册 GLG 通过对行业领先专家开展调研与深度访谈，总结了组织克服挑战、稳妥落地智能体 AI 的关键举措。 流程规范 一个成功的智能体 AI 项目，始于清晰识别企业最能受益于新技术的业务环节。调研显示，大多数组织在优先布局客户服务 (85%) 和 IT (72%) 领域，许多组织还利用智能体 AI 来缓解金融支付处理等复杂重复工作带来的繁重压力。正如某大型银行技术风险管理负责人所言，在“纠错流程明确”的表单类场景中，智能体 AI 可有效减少人为或系统漏洞造成的高频错误。“我们很清楚该怎么做，因此可以把这些规则教给智能体。” 智能体AI的应用场景 一旦明确智能体 AI 如何创造价值，组织就必须清晰界定 AI 智能体要执行的业务流程，梳理流程的正常运行逻辑与潜在失效路径，并为智能体提供处理模糊场景、异常情况与信息缺失的关键指引。70% 的受访者表示，明确的流程定义与异常处理指南，对于成功部署至关重要。 支持成功部署的关键因素 如果你从一开始就采用“ 总计占比 (%)，按排名从第 1 至第 3 降序排列 成熟、文档完备、已在组织内部落地的优质流程，再对其进行自动化，就能建立信任并实现规模化推广。” 数字转型总监 某全球保险供应商 数据集成与管理 57% 的受访者表示，其组织正投资于数据管理和数据质量提升，以确保智能体 AI能够获得完整、高质量的数据集。 AI模型的关键基石是底层数据“ - 企 业 需 要 建 立 完 善 的 数据 管 理 体 系 ， 包 括 数 据 管理 、 数 据 集 成 、 数 据 血 缘分 析 、 数 据 质 量 控 制 、 数据 分 析 、 安 全 与 隐 私 以 及报表。AI 模型的性能和准确 性 高 度 依 赖 坚 实 的 数 据基 础 ， 以 用 于 模 型 训 练 、性能调优及运营。” 总计占比 (%) 54%的受访者所在组织正投资于数据管理和数据质量提升，以支持智能体AI的落地 前任高级董事总经理兼数字化体验全球负责人某领先金融服务公司 事实上，许多组织都已意识到，其数据现状尚不足以有效支持 AI 智能体的运行。正如某大型电信运营商的 IT 架构负责人所言：“在过去的四五年里，我们一直致力于消除数据孤岛，提升数据相关性，以确保数据不仅可用，还能提供真正的附加价值。” 数据安全问题则带来了额外的复杂性：59% 的受访者表示，新的网络安全风险是他们对智能体 AI 最主要的担忧之一。随着组织加大对数据管理与数据质量的投入，同步投资基础设施也至关重要，以此确保人员和 AI 智能体均能安全、合规地使用这些数据。 跨职能赋能与协作 同时，组织内各跨部门利益相关者共同承担智能体 AI 相关责任，这一点也至关重要。最具实用价值的智能体，通常专注于与特定领域、行业及部门高度相关的极度细分任务。因此，如果组织将智能体 AI的过多责任交由 IT 团队承担——而 IT 团队往往缺乏其他部门的专业领域知识——就可能会限制智能体可处理任务的范围与复杂程度。 正如某大型金融机构的 IT 高级总监所言：“若要为法务部门构建智能体，显然需要法务团队参与其中；若要部署与 CRM 系统交互的智能体，则需要销售和营销团队介入。” 因此，将 IT 能力与业务线专家的专业能力相结合，有助于组织精准识别最具价值的应用场景，完整明确特定 AI 智能体的需求，并设定合理的约束规则以保护数据、减少不当操作。 基于此，组织应优先赋能各职能团队，以构建和使用智能体 AI。组织必须确保非技术专业人员理解智能体 AI 的运行原理（及其局限性），并能够向智能体开发人员有效传递业务和流程知识，从而打造出不仅能实现系统流程自动化、更能创造更高业务价值的智能体。 74%的受访者表示，其非技术团队在构建业务职能所需的 AI 智能体时，需要IT 部门提供支持。 这是许多组织面临的突出痛点：74% 的受访者表示，其非技术团队在构建业务职能所需的 AI 智能体时，需要IT 部门提供支持；仅24% 的受访者认为，其员工具备在日常工作中运用 AI 智能体的相应能力。构建完备的内部能力，既需要对现有员工开展培训，也需要引进新的专业人才。 总计占比 (%) 落地实施 随着 AI 智能体执行的任务范围不断扩大，专业人员的核心角色可能会从直接的“执行者”转变为“协调者”。借助各类 AI 工具，个体工作者可以将重复性工作交由智能体处理，并弥补复杂工作流程中的能力短板。例如，过去在采购设备组件时，往往需要整个采购部门参与——从识别和审查供应商，到评估标书及长期扩展性——而现在， AI 智能体即可完成所有必要的审核工作，并处理相关文档。 相应地，随着智能体逐步承担原本由专门团队完成的任务，许多部门和职能壁垒将发生改变，甚至逐步消失。这一趋势可能让组织内部更加青睐“通用型人才”，而非单一领域的“专才”。IT 和网络安全团队也将愈发重要，他们需要适配并支持智能体基础设施，同时严格监控数据的使用与安全保护。部分 IT 部门甚至可能转型为“智能体工坊”，为业务部门定制开发专属的智能体。