这半年做企业 AI 服务，我越来越不迷信最新 Agent

过去半年，我接触了不少企业 AI 服务项目，也在内部社群里反复聊过这件事。越往现场走，我越确定一个判断：企业 AI 落地的关键，通常不在那个最新、最酷的 Agent 上。

真正拉开差距的，是三件东西：老板愿不愿意亲自用，企业有没有可沉淀的 Skills，数据能不能被持续收集和管理。

工具更新很快，模型能力也在变强。可企业现场的问题没有那么轻。它牵涉业务、产品、运营、组织、流程、数据、权限和人的习惯。服务者如果只会讲工具，很快就会撞到墙。

这篇就当一次阶段复盘。我把这半年看到的市场、人和落地方法，整理成一个公式。

01企业 AI 服务，市场还很早

如果你天天刷 AI 内容，会产生一种错觉：好像身边所有人都已经在用 Claude Code、Codex、各类 Agent 工作流，公司也都进入了 AI 时代。

到了企业现场，情况会冷静很多。

不少公司已经知道 AI 重要，也愿意试，但使用方式还停在很浅的一层：问问豆包，查几个问题，让大模型写一段文案，或者让员工自己找工具试试。它们还没有把 AI 放进稳定业务流程里，也没有形成可复用的工作方式。

这就是企业 AI 服务的机会。

一边是模型和工具正在成熟，一边是企业刚刚意识到它可能改变工作方式。中间那条沟，不靠一份工具清单就能跨过去。企业需要有人帮它把问题拆清楚：哪个场景先做，谁来用，数据从哪里来，流程怎么改，风险怎么控，做完怎么验证。

这已经不只是技术活。它同时是咨询、产品、运营、组织协同和工程交付。

市场有缺口，不代表什么客户都适合接。对个人服务者或小团队来说，筛客户很重要。我的体感里，优先级最高的客户通常有三个特征。

02一把手不上手，项目很难动

过去做 SaaS、CRM、ERP，很多一把手不一定亲自用系统。他们关注报表、结果和管理动作，具体推进交给下面的人。

Agent 服务不太一样。

我看到一个有意思的现象：真正用得多的人，经常是部门负责人，甚至是一把手。后台 token 消耗虽然不能解释一切，但它能反映谁在频繁把想法丢给 AI，让 AI 帮他整理、验证、生成、拆解。

老板脑子里的问题太多了。以前一个想法要落地，可能要等团队排期、开会、执行、反馈，几周过去，热度也过了。Agent 部署好以后，老板身边多了一个随叫随到的执行者。白天想到一个方向，晚上就能看到初版方案、数据整理、脚本草稿或内部工具雏形。

这会改变老板和执行之间的距离。

所以我现在看企业 AI 项目，会先看一把手自己用不用。老板如果只把 AI 当成“让员工提效的工具”，自己不下场、不提需求、不改工作方式，团队很容易把 AI 当成又一个临时任务。开几次会，建几个群，发几份教程，最后回到原来的节奏。

老板自己用起来，项目会完全不同。因为他会不断发现真实场景，也会逼着组织回答更具体的问题：这个动作能不能自动化？这份数据为什么取不到？这个审批为什么还要人工传来传去？这个岗位的重复动作能不能沉淀成 Skill？

03先扩展关键员工，再谈部门级改造

另一个反直觉的地方在员工。

很多人一上来会问：能不能用 AI 把某个部门整体效率提上去？这个想法延续了过去 SaaS 时代的思路：买一套系统，覆盖一个部门，统一流程，统一数据。

但这一代 Agent 对个人能力增强更敏感。它很擅长帮助一个人写、查、算、整理、生成、复盘，也能帮一个人把过去做不动的任务先做出初版。部门级协同当然重要，只是直接从部门流程开刀，阻力往往更大。

更现实的路径，是先让关键员工变强。

销售主管能让 Agent 帮他分析客户状态、补全背景、生成跟进策略；运营负责人能让 Agent 每天整理活动数据和异常；内容负责人能让 Agent 把选题、素材、案例、草稿和复盘串起来；老板助理能让 Agent 汇总会议、任务、日程和待决事项。

当这些关键岗位开始变强，组织才会看到 AI 对业务节奏的影响。

这里还有一个更深的原因：公司流程里最慢的环节，经常是人和人之间的传话、确认和等待。

人跟 Agent 的协作可以很快，Agent 跟 Agent 的协作也会越来越快。真正拖慢速度的，往往是一个人等另一个人回复，一个部门等另一个部门确认，一个数据要问三个人才知道口径。

AI 落地的目标，不只是让每个人写东西更快，而是减少没必要的信息交换。能由 Agent 帮人查清楚的，就不要再反复问；能由系统自动同步的，就不要靠人转发；能沉淀成流程的，就不要每次重新解释。

04我的落地公式：Agent + Skills + Data

这半年下来，我越来越常用一个公式看企业 AI 场景：

Agent 是智能体，是任务执行者。Skills 是可复用的工作方法，包括流程、SOP、判断标准、操作步骤和固定认知。Data 是企业的文档、会议记录、业务数据、客户上下文、行业信息和历史结果。

这个循环跑起来，企业 AI 才开始从“临时调用工具”变成“组织能力积累”。

Agent 听起来最酷，大家也最爱聊，但它反而不是最该纠结的部分。对大多数企业来说，选现成、成熟、稳定、能付得起的模型和 Agent 工具就够了。除非你本来就在做 Agent 产品，否则没有必要从零搭一个框架，去和专业团队比基础能力。

难点在 Skills 和 Data。

05Skills 的难点，是重做流程

Skills 可以理解成企业里所有可重复的工作方法。

一个销售怎么判断客户意向，一个客服怎么回答标准问题，一个运营怎么复盘活动，一个财务怎么核对异常，一个交付团队怎么推进项目，这些都可以沉淀成 Skills。

第一阶段，企业可以先把原来的 SOP 和员工固定动作整理出来，让 Agent 按照现有方法执行。这一步已经能解决不少问题，因为不少团队连“到底怎么做才算对”都没有写清楚。

第二阶段更关键：按照 AI 的能力重新设计流程。

电脑刚出现时，有人把它当成更快的打字机。文档已经数字化了，最后还是打印出来塞进档案袋，因为旧流程就是这样走的。

企业今天用 AI，也会掉进类似的坑。Agent 生成了方案、文案、报告，回头还是丢进旧 OA、旧 SaaS、旧审批流里，继续按原来的节奏传递和等待。AI 负责的那一段变快了，整体流程却没有变短。

流程改造慢，也不够性感，但它会变成企业自己的数字资产。一个流程被重做过，后面所有同类工作都会受益。

06Data 的难点，是上下文管理

比 Skills 更难的是 Data。

企业的文档、会议记录、业务数据、客户上下文、行业信息，决定 Agent 能不能做出真正贴业务的结果。没有这些数据，Agent 再聪明，也只能给出通用答案。

数据难在两层。

第一层，是怎么拿到数据。线上会议能不能自动记录？线下会议和拜访怎么留痕？业务系统有没有接口？客户沟通记录能不能合规接入？公司本来没有的数据，是购买、录入，还是用工具采集？这些都需要设计。

第二层，是拿到以后怎么管。哪些资料放企业知识库，哪些放传统数据库，哪些需要向量检索？每天新增的数据怎么归档、清洗、更新？过期资料怎么处理？Agent 回答时应该引用哪一层数据？权限边界怎么做？

这就是企业上下文管理。

模型会越来越强，调用成本也会继续下降。等大家手里的 Agent 工具差距变小，真正拉开企业差距的，就是谁的数据更完整，谁的上下文更干净，谁能让 AI 持续吃到真实业务反馈。

Data 不显眼，却最像护城河。

07慢的地方，才会沉淀成壁垒

企业 AI 落地没有外面看起来那么轻。

先让老板和关键岗位真的用起来，再把重复动作沉淀成 Skills，最后把数据一点点收集、清洗、更新、管理起来。这个过程慢，也琐碎，还会碰到大量旧流程、旧系统、旧习惯。

但也正因为它慢，别人很难简单复制。

最新 Agent 可以买，模型 API 可以调用，工具教程可以学习。企业自己的流程、判断标准、客户上下文、历史数据和组织习惯，必须在真实业务里一点点长出来。

这就是我这半年做企业 AI 服务后最强的体感：企业 AI 的胜负手，最后会落在那些看起来不够酷的地方。

Agent 只是入口。Skills 和 Data，才是企业真正留下来的资产。