Agent 卡在哪了
过去两年，企业 AI 应用走过了一条清晰的路径。2024 年大家热衷于「接一个大模型，做个智能问答」——把大模型接到企业知识库上，员工可以问「今年的报销政策是什么」「这个客户的合同条款是什么」。有用吗？有。但半年后回头看，这类应用的活跃度普遍在下降。原因是：它能回答问题，但不能解决问题。
到了 2025 年，「AI Agent」概念兴起。业界开始意识到，光回答问题不够，Agent 需要能「做事」——比如自动填一个审批单、自动发起一笔调拨、自动生成一份对账单。但问题也随之而来：Agent 怎么知道什么时候该做什么事？它怎么拿到做事所需的数据？做完之后怎么把结果写回系统？
答案是：它需要嵌入流程。一个孤立的 Agent，就像一个有大脑但没有手脚的人——它可以思考、可以回答，但改变不了任何事。
只有对话，没有动作
「帮我查一下这个月的采购金额」——Agent 查出来了，然后呢？采购经理还是要自己打开系统去走审批流程、去调拨预算。Agent 只是把「查」这一步从 30 秒变成了 3 秒，但后面 30 分钟的工作流程一点没变。
没有上下文，判断就浅
一个不嵌入流程的 Agent，不知道这笔采购申请是哪个部门的、历史报价是多少、供应商的评价如何。它只能基于当前对话的有限信息做判断，而真正的业务决策需要跨流程的上下文。
不写回系统，就没有闭环
Agent 分析完数据、给出建议，但如果结果不能自动写回 ERP、不触发工作流、不更新记录状态——那它产生的所有价值都停留在「建议」层面，而不是「执行」层面。而企业需要的，恰恰是后者。
两个 Agent，两种价值
用一个具体的场景就能看清差异。
场景：费用报销超标预警
❌ 不嵌入流程的 Agent
财务经理在 Agent 对话框里输入：「上个月哪个部门的差旅费超标了？」
Agent 回答：「销售部超标 23%，其中华东区域超标最严重，达 41%。」
财务经理知道了结论，然后呢？她还是要自己进系统查明细、截图、写邮件给销售总监、等回复、再决定要不要调整预算。Agent 完成了一次信息检索，但整个管理动作一点没少。
场景：费用报销超标预警
✅ 嵌入流程的 Agent
每月 1 号，Agent 自动扫描上月差旅数据。发现销售部超标 23% 后，它：
① 从 ERP 拉取销售部各区域明细数据
② 自动生成一份超标分析报告（含趋势对比、人均数据）
③ 将报告推送到销售总监的审批待办列表
④ 同时在 HR 系统中自动触发一条「超标预警」记录，关联到该部门的绩效考核流程
财务经理不需要手动做任何事。Agent 从「检测到问题」到「推进到处理流程」形成一个完整闭环。
差异的本质是什么？不是模型更聪明了——两个 Agent 可能用的是同一个大模型。差异在于：左侧的 Agent 只碰了「信息层」，右侧的 Agent 碰到了「流程层」。信息层的价值是线性的——省几秒查询时间。流程层的价值是指数级的——省掉的是整个管理动作的人工接力。
另一个角度：为什么很多企业试了 AI 但觉得「用了跟没用差不多」？问题不在模型——GPT-5、DeepSeek、Qwen，任何一个主流模型的能力都足够应对企业日常场景。问题在于企业把 Agent 部署在了「信息层」而不是「流程层」。不改变业务流的部署方式，再升级模型也不会产生质变。
为什么多数 Agent 进不了流程
道理不难理解，但真正落地时企业会遇到几个现实问题。
一、系统封闭——Agent 跟业务系统「说不上话」
这是最常见也最直接的障碍。企业的核心业务系统——ERP、WMS、OA——大部分是封闭的。有些没有开放 API，有些虽然有 API 但权限管控严格，IT 部门不愿意为 Agent 开接口。结果是：Agent 可以读数据（通过数据库只读账号），但写不回去。Agent 的「建议」和「执行」之间永远隔着一层人工。
这个问题在医疗供应链企业中尤其突出。企业的核心流程跑在 ERP 和 WMS 上，但这些系统的接口开放程度参差不齐。Agent 想要「自动创建一笔调拨单」「自动更新供应商档案」——看似简单的操作，背后是对系统接口的深度调用能力。
二、流程本身就是模糊的——Agent 不知道该做什么
很多企业以为自己的流程是清楚的。真要推 Agent 进去的时候才发现：这个环节的审批标准是什么？那个环节的触发条件是什么？数据异常时谁来兜底？这些问题在人工操作时靠「经验」就能覆盖，但要写成 Agent 能理解的规则，就需要重新梳理流程本身。
这也是为什么「先梳理流程，再部署 Agent」往往比「先买模型，再找场景」更有效。流程不清楚，Agent 就不清楚；Agent 不清楚，它就退化成只能回答"不支持这个功能"的昂贵聊天机器人。
三、组织顾虑——人信不过 Agent
这是一个容易被低估的障碍。即使技术上打通了系统、理清了流程，业务部门仍然不愿意让 Agent「自己做主」。财务不放心让 Agent 自动过账，采购不放心让 Agent 自动下单，仓库不放心让 Agent 自动调拨。
这种顾虑不是没有道理的。Agent 的决策逻辑是概率性的，不是确定性的。在「人犯错」和「机器犯错」之间，企业天然更容忍人犯错——因为人可以被解释、被问责，而机器的错误往往让管理者觉得失控。解决这个信任问题的关键，不是「让 Agent 更准确」，而是 让 Agent 在流程中走有「兜底」的路径——建议而不是直接执行，审批待办而不是自动过账，人工确认后再闭环。
我们的观点
观点一：Agent 的「智能」不来自模型，来自流程上下文
这是最核心的判断。行业内热衷于比较模型参数和推理能力，但真正让 Agent 做出「聪明」决策的，不是模型本身的智商，而是它能获取到的流程上下文。
想象两个 Agent 都使用同一个大模型。一个只知道当前用户的问题，另一个知道：这个用户是哪个部门的、上个月的预算还剩多少、历史采购均价是多少、供应商最近三个月的交货准时率——后者的回答质量必然远超前者，尽管模型完全一样。
所以评估一个 Agent 项目的价值，不是问「用了什么模型」，而是问 「它接了哪些系统的数据，写了哪些流程的动作」。
观点二：流程嵌入的深度，决定了 Agent 的价值天花板
我们按照 Agent 与流程的耦合深度，把企业 Agent 分为三个层级：
L1：信息层
Agent 能查询数据、回答问题，但不改变任何业务状态。价值：减少信息检索时间。天花板：低。
L2：执行层
Agent 能读写业务系统、触发工作流、自动完成重复性任务（如自动对账、自动生成审批单）。价值：替代人工操作。天花板：中高。
L3：决策层
Agent 基于多维度数据自主判断、提出方案、推动流程闭环，关键节点留给人确认。价值：放大管理者的决策半径。天花板：高。
多数企业目前的 Agent 建设停留在 L1。而真正产生业务价值的，至少要到 L2。到达 L3 需要流程梳理、数据治理和组织信任三者的配合——这不是技术问题，是认知问题。
观点三：嵌入流程不意味着「一步到位」——建议从兜底模式起步
我们不主张一开始就让 Agent 全自动执行。企业还没有准备好，技术也还没有可靠到那个程度。
更好的路径是：先让 Agent 能够读写系统、理解流程上下文，但所有的「写操作」都走审批待办——Agent 生成建议，人确认后执行。这个「兜底模式」有三个好处：
第一，建立信任。人看到 Agent 的建议 10 次中有 9 次是合理的，逐渐放手让 Agent 承担更多。第二，积累数据。每一次人的确认或修改，都在训练 Agent 的决策边界。第三，降低风险。即使 Agent 在某个边界案例上出错了，人的兜底也保证了业务不会受影响。
我们的经验是：大多数企业用 3-6 个月就能从「兜底模式」过渡到「半自动模式」——常规操作 Agent 自主完成，异常和边界情况留给人处理。过渡期的长短取决于流程的标准化程度，而不是模型的能力。
观点四：打通系统比训练模型更紧迫
我们在与企业的交流中发现一个普遍现象：企业愿意花大量预算去对比、采购和微调模型，却不太愿意投入资源去打通系统接口、梳理流程节点、统一数据标准。
这是一个认知偏差。模型能力是「天花板」——它决定了 Agent 的上限在哪里。但系统互联程度是「地板」——它决定了 Agent 的下限在哪里。天花板再高，地板太低，Agent 能做的事情仍然有限。
对企业来说，把现有系统的 API 打通、把关键流程节点梳理清楚、把核心数据标准对齐——这些「笨功夫」的价值，可能远远大于把一个 70 分的模型微调成 72 分。因为前者让 Agent 从「不能用」变成「能用」，后者只是「能用」的基础上再好一点点。
写在最后
AI Agent 不是第一个被过度期待的企业技术，也不会是最后一个。每一次技术浪潮中，最终胜出的都不是技术最先进的公司，而是把技术用到了正确的业务流程里的公司。
今天的 Agent 正处于这个分水岭上。选择做一个聪明的聊天机器人，还是做一个嵌入流程的数字执行者——决定了它在企业中的价值是「锦上添花」还是「雪中送炭」。
模型会越来越聪明，但流程的深度不会自动增长。嵌入流程这个「笨功夫」，值得现在就开始做。