经过近一年的实践，企业对AI智能体的认识已经从最初的狂热转向理性。麦肯锡团队跟踪了50多个AI智能体的工作表现，发现了一些值得深思的现象：这些数字员工需要大量培训才能胜任工作，它们并非解决所有问题的灵丹妙药，而且产出的内容质量常常让人失望。
认清AI智能体的真实能力，把它们放在合适的位置，才是创造价值的关键。
工作流程重于工具本身
很多企业在部署AI智能体时犯了一个错误：过度关注工具本身，却忽略了整体工作流程。结果做出的系统虽然技术先进，但无法真正改善业务效果。
麦肯锡发现，成功的案例都有一个共同点：它们重新设计了整个工作流程，而不是简单地把智能体塞进现有流程。一家法律服务公司的做法很有启发性。他们知道法律推理在不断演变，新判例、司法解释层出不穷，很难把所有专业知识都预先编码。于是他们让系统在工作中学习——每次律师修改文档，系统都会记录并分析这些修改，工程师据此调整智能体的逻辑。时间越长，智能体掌握的专业知识越丰富。
对于复杂的多步骤流程，比如保险公司的理赔处理，需要在不同环节部署不同的技术组合。智能体在其中扮演协调者角色，把各个系统的输出整合起来，减少人工干预。
选对场景比技术更重要
"评估智能体就像评估团队成员，"麦肯锡的专家说，"关键是搞清楚需要完成什么工作，以及每个工具的相对优势。"
标准化程度高、变化少的流程，比如投资者开户，有固定的规范和可预测的逻辑。在这些场景中，基于大语言模型的智能体反而可能增加不必要的复杂性。相反，变化大、标准化程度低的工作更适合智能体。一家金融机构用智能体提取复杂财务信息，大幅减少了人工验证的工作量。
关键是避免陷入"用不用智能体"的二元思维。有些智能体擅长特定任务，有些能辅助人类工作，很多情况下其他技术可能更合适。找到最佳的人机配合方式，才是价值所在。
质量问题动摇用户信任
"AI垃圾（slop）"是麦肯锡观察到的最普遍问题。智能体在演示时表现出色，实际使用却经常输出低质量内容，用户很快失去信任，最终放弃使用。
解决这个问题需要把智能体当作新员工来培养。它们需要明确的工作说明、系统的培训和持续的反馈。一家全球银行在改造KYC流程时，每当智能体的判断与人工不同，团队就会分析差异原因，完善决策标准。他们还通过连续追问"为什么"来确保分析深度，直到智能体的输出达到实用水平。
这种细致的调教工作耗时耗力，但不可或缺。专家必须持续参与测试和改进，没有"一劳永逸"这回事。
规模化部署的挑战
几个智能体时，监督相对简单。但当数量达到成百上千，问题定位就变得困难。很多公司只关注最终结果，出错时很难追溯原因。
一家法律服务商的经验值得借鉴。他们在工作流的每个环节都部署了监控工具。当系统处理新案例时准确率突然下降，通过这些工具，团队迅速发现是部分用户提交的数据格式不规范。找到原因后，他们改进了数据收集规范，调整了解析逻辑，性能很快恢复。
这种端到端的可观察性不是锦上添花，而是规模化部署的必要条件。
复用思维降低成本
急于求成的公司往往为每个任务开发专属智能体，造成大量重复工作。实际上，很多任务都包含相似的操作：数据摄取、信息提取、搜索分析等。
识别这些共性，开发可复用的组件，建立便于调用的资产库，能显著提高效率。麦肯锡的经验表明，这种做法能减少30%到50%的非必要工作。但这需要在快速迭代和长期架构之间找到平衡，考验的是判断力和前瞻性。
人机协作的新模式
智能体能做很多事，但人类仍不可替代。人们需要监督准确性、确保合规、处理特殊情况。更重要的是，随着智能体的引入，人类的角色和数量都会发生变化。
一家保险公司在设计人机界面时特别用心。审核员点击AI生成的结论，系统会自动跳转到相关页面并高亮关键信息。这种细节上的优化让协作变得自然流畅，用户接受度达到95%。
没有精心设计的人机协作，即使最先进的智能体系统也可能遭遇无声的失败、错误的累积和用户的抵制。
小结
AI智能体技术还在快速演进，今天的经验明天可能就会过时。但有些基本原则不会改变：理解技术的真实能力和局限，把它用在合适的地方，持续学习和改进。正如一位企业高管所说，他们年初制定的"完美"AI战略，到现在已经面目全非。
在这个快速变化的领域，保持学习心态比任何具体经验都更重要。否则，明年的"绩效考核"可能依然不及格。
