AI 员工

麦肯锡深度分析：Agentic AI不是工具而是数字员工，搞定治理与信任的企业已经抢占先机

2025 年 7 月 17 日

Agentic AI正在重塑企业竞争格局，掌握治理与信任的企业已抢占未来先机。核心内容： 1. Agentic AI的核心特性与市场增长趋势 2. 医疗与金融领域的实际应用案例与挑战 3. 麦肯锡提出的企业治理与信任构建框架

当AI开始“自己做决策”：Agentic AI正在重构企业规则，你还在等什么？
从贷款审批看差距：会“思考”的AI智能体，正在拉开企业的未来距离
不止自动化那么简单：Agentic AI让系统学会“协作推理”，这是企业的必跨门槛
警惕！当AI能自主调整决策，依赖传统流程的企业已站在危险边缘
两种企业，两种结局：用零散自动化的还在挣扎，靠AI智能体的已在领跑

全文约5100字，阅读时间8分钟

Gartner将Agentic AI列为2025年十大技术趋势之首，并大胆预测到2028年，全球15%的日常工作决策将由具备自主决策能力的AI代理完成，而在2024年这一比例近乎为零。2024年全球AI Agents市场规模达52.9亿美元，正式迈入商业化加速期，据预测，到2035年该数值将飙升至2168亿美元，复合年增长率高达40.15%，远远把传统AI市场增速甩在身后。

Agentic AI是指运用机器学习模型，连接各类服务和应用，从而自动执行任务或业务流程的AI Agent。与传统“工具型应用”基于“请求-响应”模式、依赖明确用户指令和预定义业务逻辑不同，它能自主感知环境、规划路径、执行任务并持续学习，实现从“工具”到“智能体”的范式升级，具备自主性、目标导向、动态适应和多模态协作等核心特性。

现实中，已有不少应用初露锋芒。在医疗领域，AI代理能依据患者症状与医学知识库，为医生提供辅助诊断建议，提升诊疗效率与准确性；在投资分析场景，多Agent协作系统通过多个智能体分工协作，成功攻克超复杂任务。但发展之路并非一帆风顺，多个研究团队对当前Agentic AI的实际能力与场景适配性提出了质疑。

例如，卡耐基梅隆大学研究人员开发的基准系统测试结果显示，表现最好的模型Gemini 2.5 Pro，仅能自主完成30.3%的指定测试任务；Salesforce研究团队针对客户关系管理（CRM）场景的AI代理评估基准测试表明，大语言模型代理在单轮交互场景中的平均成功率约为58%，进入多轮交互后，性能大幅下降至35%左右。

那么，在这样充满机遇与挑战的大环境下，企业该如何抉择？是勇敢投身浪潮，还是谨慎驻足观望？近期，来自麦肯锡的Federico Berruti、Lari Hämäläinen、Oana Cheta、Venky Anant合作撰写了一片名为《When can AI make good decisions?The rise of AI corporate citizens》的分析文章，深入探讨了人工智能代理的变革潜力，尤其是在企业决策制定方面的应用。

这篇文章解释了Agentic AI能系统如何超越传统自动化，通过自主决策、学习和协作来优化工作流程和提高效率。强调为了充分发挥这种潜力，企业需要将AI agents理视为企业公民，并重新构想治理、信任和运营模式。可以带你深度洞察Agentic AI对企业的深远意义，以及企业应对这一变革性技术的有效策略。

AGI商业新声翻译了此文，以帮助大家更好地认知Agentic AI。

以下是正文。

随着Agentic AI开始大规模影响决策，有远见的组织需要重新构想治理、信任和运营模式，否则就有可能落后。

设想两家金融机构。第一家通过零散的任务级自动化和预测模型组合来管理贷款发放流程。它依赖历史信用评分、刻板的核保规则和批量处理，按顺序处理申请。虽然部分流程已数字化，但许多决策仍需人工干预——无论是异常情况处理、合规审查还是风险标记。这导致决策速度缓慢、申请人体验参差不齐，且随着申请量攀升，运营成本不断上涨。

现在来看第二家机构。在这里，贷款发放流程由Agentic AI系统协同完成——这些具备自主推理能力的智能体能够端到端执行并动态调整全流程。

它们不仅如传统AI般执行预设流程，或像生成式AI那样将非结构化数据转化为新洞察，还能实时整合数十种数据源——从宏观经济指标、申请人数字行为，到监管变化乃至情绪分析——从而做出复杂决策（图表1）。它们不仅评估信用资质，还能进行实时动态定价调整、推荐最优产品组合，并主动标记异常供人工复核。

图表1：传统AI、Gen AI与Agentic AI的区别点击看大图

这些Agentic AI不止于"执行"，更会"思考"。它们能进行跨时间维度的推理，从结果中学习，并与反欺诈、合规、资金配置等领域的其他AI agents协作，持续优化表现。在运营中，智能体动态调配呼叫中心工作量，结合情境感知与情感智能处理客户咨询，仅在需要人类判断时升级处理。结果是：更优决策、更快周期和显著降低的单笔成本。

关键在于，AI agents可揭示人类可能忽略的洞见。当某地区贷款表现意外偏离趋势时，Agents能提前发现模式、分析潜在成因并提出缓解策略——甚至在管理层察觉问题之前。其他智能体可自主处理监管报告或压力测试，释放人力资源投入战略创新。

其意义影响深远。Agentic AI不仅代表新技术层级，更是一种新型运营范式。虽潜力巨大，风险亦不可小觑。若缺乏审慎治理、透明度和问责机制，这些系统可能加剧偏见、模糊责任或引发合规失误。

解决方案？将AI agents视为企业公民。这不仅需要打造稳健的技术基础，更需以端到端视角重构决策机制，明确AI的决策权限，并建立新型管理（及成本）结构以确保AI与人类协同共进。

本文将探讨企业如何借助合适工具与实践，在遵循监管要求的同时驾驭这一复杂格局，保持行业领先优势。

Agentic AI：潜力与入场成本

Agentic AI标志着与传统基于确定性规则架构系统的显著不同。过去企业决策依赖硬编码逻辑和静态流程——例如客服话术脚本、核保清单或供应链触发机制。这些方法在可预测环境中尚可胜任，却难以应对当今动态、高并发且上下文丰富的现实。

Agentic systems截然不同。它们并非执行固定指令，而是更像协作者——进行推理、适应并持续学习。其核心是AI agents：能够感知环境、自主决策并执行行动以实现目标的软件实体。这类系统通常遵循以下两种形式之一：

单agent系统（Single-agent system）：可独立执行端到端任务，例如贷款审批、客户投诉分级或根据需求信号动态调整库存；
多Agent系统（Multiagent systems）：由交互协作的代理组成的去中心化网络。以金融服务为例，一个代理评估信用资质，另一个建模风险敞口，第三个确保合规性——它们协同优化客户旅程并实时管理权衡。

Agentic AI的潜力在于其能彻底重塑组织运作方式。它们能实现速度、规模和精确度的指数级提升，使企业可缩短决策延迟、消除流程交接并持续优化结果。想象核保决策可在数秒内生成、合规报告实时自动更新，或以机器的速度和成本提供拟人化的客户体验。简言之：更高生产力、更优决策、更具适应性的企业。

尽管潜力诱人，但入场成本高昂，且转型并非一蹴而就。部署Agentic AI并非即装即用的解决方案，而是需要长期投入：建设稳健的基础设施、互操作的数据生态系统及跨职能的深度整合。除技术外，更需全面重新思考责任、伦理与治理。领导者必须投资运营模式再造，打造新型人才类型，建立信任机制，使人机能在规模上安全高效地协作。

作为企业公民的AI agents——需要被管理

要充分发挥Agentic AI的价值，企业不应仅将其视为实验性工具，而应像管理员工一样管理它们。在面向未来的企业中，AI agents将成为企业公民：需承担责任、接受治理，并创造可衡量的价值。这意味着需要重新思考其资金投入、评估与整合方式。与人类员工类似，AI agents需要以下基础设施：

完整成本结构。企业已熟知人力成本——薪资、福利、奖金与培训。AI agents同样需要同等程度的成本核算。领导者需考虑总拥有成本，包括IT系统、模型再训练、协调架构层、治理工具与合规成本。如同高绩效员工，智能体应能跨职能发挥作用——部署在最具影响力的领域，而非困于孤岛。
明确目标。每个智能体都需要岗位职责。无论是处理理赔、识别欺诈还是优化库存，其任务必须与业务优先级对齐，并像团队成员目标一样追踪结果。
绩效管理。人类员工需接受质量、速度与影响力的评估，AI agents亦不例外。其效率、准确性与用户满意度等表现需被持续测量、监控与改进，表现不佳者应被重新训练或停用。
治理与监督。人类在政策与文化规范下运作，AI agents同样需要护栏：伦理框架、透明度、可审计性及敏感决策的容错机制。在受监管领域，这不是可选项，而是关乎存续的必需条件。
跨职能赋能。优秀员工不会局限于单一任务——他们协作、适应并成长。智能体也应如此。最高效的AI系统具备互操作性，能支持多领域、跨场景学习并实现企业级扩展。

通过以人类标准（包括成本、责任与适应性）要求AI agents，企业可将其从战术工具升级为战略人力资产。它们不仅执行工作，更成为工作方式的一部分。

以"智能运营"重构决策

要释放AI在服务运营中的全部潜力，企业不能仅部署技术，而需重构决策与工作方式——建立人类与AI agents协同互补的"智能运营"架构。

在应用层面：数字Agents的优势

关键在于为任务匹配合适工具。Agentic AI的先行者证明，应从端到端旅程与工作流层面（而非孤立场景）评估机会（见图表2）。

图表2：Agentic AI的端到端用户体验点击看大图

由此可归纳出由以下AI agents类型构成的简易行动框架：

任务级agents（Task-level agents）：精准执行简单指令，从头到尾完成明确可重复的任务（如处理退款或重排预约）。
自主问题agents（Autonomous problem-solver agents）：在限定范围内完成涉及基础判断的多步骤流程（如核验用户资质、提交索赔或发送跟进）。
模型协调者（Model orchestrator agents）：充当数字流程经理，与人类代理协作，实时协调工具、系统与其他AI agents以生成洞见、推荐行动或汇总数据。
领域专属agents（Domain-specific agents）：针对关键业务职能（如客服、销售或财务）定制，为特定结果优化。

这种模块化且基于角色定位的方法能精准部署agents，确保其与业务价值、运营需求及用户场景匹配。但agents部署仅是第一步，要构建真正的智能服务运营，人类员工的角色定位也需要同步演进。

人类主导的领域

当Agents承担高频或事务性工作时，员工将转向需要更多监督、伦理考量和决策判断的角色，包括：

数据管理者：确保数据完整性、模型性能和客户成果。
关键决策者：处理需要情境理解、细微差别和信任的高风险模糊决策。
审批与审计者：审查例外情况、管理升级事件并强化合规边界。

这种转变需要的是劳动力设计思维，而非单纯的技术实施计划。每个数字员工（如同人类员工）都需要明确定义的职责目标、可衡量的业务影响、治理监督机制，以及持续发展的机会。

这揭示了一个简单事实：就像人类员工一样，并非每个数字员工都能立即展现投资回报，而其中的关键在于人机协作系统的整体效能。

由此引出一个关键问题：当企业搭建智能运营基础并重塑角色后，哪些决策应交由AI，哪些仍需人类介入？

流程重构：不是"能否自动化"，而是"该自动化哪些决策"

尽管agentic AI几乎适用于所有职能，但服务运营仍是最理想的验证场景。这类环境充斥着高重复性任务和数据孤岛问题，正是智能自动化的理想土壤。但企业不应再局限于"哪些环节可实现自动化"，而应思考"该自动化哪些决策"——以及何处仍需人类判断。

此时基于风险与复杂度的决策框架至关重要（图表3）。企业应依据决策固有风险与判断需求进行分类：

低风险低复杂度决策（如账户验证、理赔状态查询）适合全自动化；
高风险高判断场景（如欺诈处理、复杂政策例外）仍需人类监督，由AI辅助支持。

图表3：Agentic AI决策框架与决策过程点击看大图

在流程重构阶段，可逐一评估工作流中的各项决策是否适用自主型AI。Agentic AI已能独立处理广泛的前线交互。比如在医疗领域，Agentic AI能够动态预约管理、预约缺席率预测、临床资源优化。在公用事业领域，使用Agentic AI进行网络性能监控、触发预防性维护、客户通知，全程无需人工干预。

但真正的价值在于让这些系统服务整个组织。每次服务交互都成为数据节点，AI能够识别投诉趋势、定位上游流程故障以及在系统性问题升级前预警。这种服务数据共享化，让洞察从客户触点无缝流向产品设计、营销与运营，推动企业全域决策的加速与更紧密的协同。

领先企业正超越"减少交互量"的传统思维。在智能运营模型中，交互量不仅不是负担，反而是智能层的组成部分。当AI有效捕获、解析并路由服务数据时，更高的交互量意味着更丰富的信号、更快速的学习和更大的价值创造，曾经的成本中心可转化为竞争优势。

实现这一愿景需要投入：企业必须升级基础设施、清除技术债务、建立跨业务单元的实时数据流。但先行者将通过效率提升、战略洞察与跨部门协同，重新定义服务运营对增长的贡献。

AI入门指南

随着AI agents承担更多运营任务，企业需要重新思考工作设计、人员支持及价值衡量方式。规模化部署Agentic AI不仅是技术转型，更是组织变革。企业可从以下举措着手：

通过领导问责制弥合技术与业务差距。AI成功取决于跨部门协同。嵌入式团队、共享KPI、精通业务与技术的AI产品经理能确保项目既具技术可行性，又符合商业战略。高管层（从COO和首席信息官开始）需对结果负责，建立问责机制，并按照AI要求的思维方式转变进行建模。

重构岗位与投资技能重塑。自动化重塑任务边界时，岗位需转向异常处理、基于判断的决策和客户体验。企业应投资AI素养、数据解读和系统思维培训，帮助员工胜任更具价值的新工作。

提升文化与变革管理。拥抱AI需文化适配。透明沟通、领导者的示范作用和跨部门责任制对建立信任、减少阻力、实现规模化落地至关重要。

加强数据和架构基础。AI效能依赖实时、合规、互联的数据。企业应升级数据基础设施，确保统一治理，构建可扩展的体系架构，使AI能够跨职能安全高效运行。

要释放AI在服务运营中的全部价值，企业需从任务自动化转向决策设计——关注"应自动化哪些决策"而非"能自动化什么"。这要求将AI agents视为企业公民：即具有明确职责、问责制和绩效指标的数字化员工，将其嵌入运营模式。未来的竞争焦点不在于谁拥有最多的AI，而在于谁能最明智地决策人类与AI的协作方式。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

麦肯锡深度分析：Agentic AI不是工具而是数字员工，搞定治理与信任的企业已经抢占先机

立即咨询 JOTO

想把这些做法用到你的业务里?

开启企业级 AI 落地

填写需求单