AI Agent 喧囂的背后，真正做出成績的人很少，對甲方來說還遠(yuǎn)遠(yuǎn)不夠成功。

如何定義 AI Agent？怎樣看待 AI Agent 在這個領(lǐng)域有太多的炒作現(xiàn)象？怎樣找出？ AI Agent的最佳切入點是什么？ KPI 能夠驗證 AI Agent 項目的具體業(yè)務(wù)價值？

“崔牛會計劃”DeepTalk｜在“DeepSeek猜測系列”對話中，崔強(qiáng)創(chuàng)始人&CEO崔強(qiáng)主持人，邀請Gartner 孫鑫，公司副總裁（Julian Sun），圍繞“AIAgent的真?zhèn)危簐s技術(shù)泡沫貼牌圈套主題，進(jìn)行了深入探討。

孫鑫提到，目前國內(nèi)的AI 在接下來的兩到五年里，Agent正處于巔峰時期，AI Agent可能會進(jìn)入制造業(yè)的成熟階段，但是現(xiàn)在企業(yè)已經(jīng)進(jìn)入了AI。 Agent 探索也要保持相對謹(jǐn)慎的態(tài)度，技術(shù)瓶頸、可靠性、成本、情景適用性仍然是重要的制約因素；Deep Seek 將許多企業(yè)在應(yīng)用大模型技術(shù)上的差距拉平，但是企業(yè)更應(yīng)該關(guān)注的是讓自己的數(shù)據(jù)與大模型產(chǎn)生協(xié)同作用，讓大模型為自己所用；談到如何衡量？ AI 投入的 ROI 在這個時候，孫鑫提到了四個維度：效率、質(zhì)量、財務(wù)和安全。

“Agent Washing” ：熱鬧背后的理性思考

崔強(qiáng)：今日就來談?wù)勔粋€大家比較關(guān)注的話題：真?zhèn)?AI Agent，是代工陷阱還是技術(shù)泡沫？今晚的嘉賓是Gartner公司副總裁孫鑫。今晚的話題也來自于Gartner 一篇文章，文章的題目是「Gartner: 警惕 “Agent Washing” ，辨別炒作和本質(zhì)」。

Agent究竟是新瓶裝的舊酒嗎？這個問題在國內(nèi)外都很普遍。對于這個問題，Gartner給出了一個非常嚴(yán)格的AI。 定義標(biāo)準(zhǔn)的Agent。真正的AIAgent在Gartner眼中是什么？怎樣定義企業(yè)級別 AI Agent？目前 Salesforce和國內(nèi)許多制造商也推出了Salesforce AI Agent 商品，這種產(chǎn)品到底算不算AI？ Agent？今天晚上我們來談?wù)勥@個話題。請孫總先介紹一下自己，然后再介紹一下寫這篇文章的背景。

孫鑫：謝謝崔老師，好的。我是孫鑫，大家可能對我的另一個名字Julian比較熟悉。Gartner是一家專門為全球首席信息官服務(wù)的美國研究型咨詢機(jī)構(gòu)，Gartner是一家專門為全球服務(wù)的研究型咨詢機(jī)構(gòu)。 CIO 以及他們的團(tuán)隊，包括大數(shù)據(jù)主管，以及企業(yè) AI 一號位等人群。在Gartner中國區(qū)，我主要負(fù)責(zé)研究團(tuán)隊，主要研究人工智能和數(shù)據(jù)分析。

這篇文章來自美國人常說的一個詞： “FOMO"(錯過恐懼癥，F(xiàn)ear of Missing Out），這意味著公司或個人害怕忘記(錯過)什么事情，事實上，這種事情經(jīng)常發(fā)生。比如多年以來，國內(nèi)相當(dāng)一部分廠家都稱自己為某某云。（Cloud），幾年前是某某中臺，十幾個月前是某某GPT，今天可能是某某。 Agent。

我們覺得“Agent Washing” ，就是這樣一種現(xiàn)象：在供應(yīng)商方面，把它們放在供應(yīng)商方面。現(xiàn)有的技術(shù)重新包裝成Agent，而這些“現(xiàn)有技術(shù)”，實際上是缺少某些產(chǎn)品的自主性和復(fù)雜管理能力是的，這將導(dǎo)致甲方企業(yè)市場混亂，或出現(xiàn)誤導(dǎo)性投資。

看到很多組織或企業(yè)花費(fèi)過多，而且大大低估了現(xiàn)在的AI部署。 Agent 成本與復(fù)雜性，最終可能達(dá)不到過多炒作所帶來的期望，這是我們寫這篇文章的初衷之一。

崔強(qiáng)：在目前的背景下，制造商肯定愿意占用AI。 Agent這個概念。以前大數(shù)據(jù)出來的時候，大家都是大數(shù)據(jù)公司?，F(xiàn)在 AI 每個人都出來了 AI 企業(yè)。 “Agent Washing”，目前市場的具體特征是什么？

孫鑫：這一特點非常明顯：一是比較簡單粗暴，比如改名字。原先的 RPA 企業(yè)，或應(yīng)用企業(yè)，直接轉(zhuǎn)化為AI Agent 公司，這是一種營銷方面的“簡單敘事”，它可能對產(chǎn)品沒有太多的邏輯追求，但極具感染力，能吸引普通用戶。

AI 商品更有趣，其服務(wù)更多的是 Prosumer客戶(參與生產(chǎn)的消費(fèi)者)，而非普通消費(fèi)者 Consumer 與專業(yè)客戶相比，客戶(客戶)具有觸達(dá)力。因此，一旦制造商將其名稱改為Agent，它將極大地吸引一些人。 to C 端特別喜歡鉆研新產(chǎn)品的用戶嘗試。許多廠家的商品，在幾個月前被稱為某某Copilot，然后改為某某。 Agent。

共享Gartner數(shù)據(jù)：我們： 2024 年 Q2 到 Q4 關(guān)于 Agent 咨詢量增加了750%，這是一個驚人的數(shù)字。但是根據(jù)我們的說法，甲方 Agent 根據(jù)部署的調(diào)查，通過率低于 30% 。看起來很熱鬧，但是真正做出成績，布局成功的比例實際上很低。

所以，這個游戲 “Washing"，對許多乙方來說，也許有一定的成功意義，但是對甲方來說還遠(yuǎn)遠(yuǎn)不夠成功。

崔強(qiáng)：剛才你提到了兩個數(shù)據(jù)， 關(guān)于 Agent 咨詢量增加了750% ，但只有 30% 客戶部署成功 AI Agent。成功部署的情景主要集中在哪些方面？

孫鑫：但是這 30% 很多用戶可能不一定是用戶。 AI Agent，更有可能是一個Ｗo(hù)rkflow(工作流技術(shù))?？蛻舴?wù)，知識庫 Agentic RAG(增強(qiáng)智能體檢索生成)方法，Coding(軟件研發(fā))模塊，都是一些比較成功的情景類別。

崔強(qiáng)：國內(nèi)外的整體趨勢是否相似，還是有差異？

孫鑫：在國外可能會有更多的選擇。不管是什么技術(shù)商品，都有一個“buy or build"(購買或自建)的選擇。

在 ChatGPT 在最初階段，我們可以看到國內(nèi)外市場的明顯區(qū)別：國內(nèi)企業(yè)是國內(nèi)企業(yè) build (自建)的方式，而國外企業(yè)則是 buy (購買)的方式， SaaS 部署非常相似。但是，在自建過程中，中國企業(yè)客戶可能會面臨相當(dāng)多的技術(shù)限制。

然而自今年 1 月份開始了，尤其是 DeepSeek 隨著推理模型的興起， Agent 在幫助下，這種情況發(fā)生了很大的變化。據(jù)我們?nèi)ツ?6 本月的一項調(diào)查，中國企業(yè)客戶生成 AI 部署通過率為8%，當(dāng)時全球成功率為23?！?4%左右；盡管這一數(shù)字今年尚未發(fā)布，但國內(nèi)企業(yè)已接近全球化水平。所以，DeepSeek對此有一定的推動作用。

崔強(qiáng)：是啊，原來和 IT 行業(yè)內(nèi)不相關(guān)的人都在討論如何使用DeepSeek。剛才你提到了兩個數(shù)據(jù)，包括Gartner技術(shù)曲線，現(xiàn)在看來這波生成 AI 技術(shù)曲線的位置在哪里？

孫鑫：我可以簡單介紹一下Gartner的技術(shù)曲線。Gartner認(rèn)為所有的技術(shù)趨勢基本上都會遵循技術(shù)成熟度曲線。（The Hype Cycle，炒作曲線)，一開始就會進(jìn)入技術(shù)萌芽期：當(dāng)一項新技術(shù)取得突破或大規(guī)模傳播時，會引起媒體和行業(yè)的極大興趣，我們稱之為技術(shù)萌芽期；那么它就會進(jìn)入期望膨脹期。當(dāng)外界對一個技術(shù)趨勢給予過高的熱情和不切實際的期待時，一些龍頭企業(yè)可能會大力宣傳，但往往只有一小部分成功。

現(xiàn)在，我覺得生成AI正處于預(yù)期膨脹期，國內(nèi)Agent正處于巔峰時期。，每個人都有很高的期望，甚至有些廠商聲稱做出了通用的。 AI Agent，可以實際上這件事是不可能的；以后會有一些技術(shù)進(jìn)入泡沫破裂的低谷期，從最高點跌到最低點，然后逐步進(jìn)入最低點。復(fù)蘇期穩(wěn)步攀升。伴隨著新技術(shù)的融合，以及更多的商業(yè)化方法論和工具的實現(xiàn)，最終實現(xiàn)成熟期。

(圖源Gartner網(wǎng)站)

在每個階段，我們都會給客戶一些指導(dǎo)，評估技術(shù)投資策略。現(xiàn)在我們對此給予了指導(dǎo)。 AI 在Agent的技術(shù)成熟度曲線中，對其進(jìn)行benefit(有利)評級是很高的。

此外，在兩到五年內(nèi)，我們預(yù)測，AI Agent可能進(jìn)入生產(chǎn)成熟階段，AGI 要早點實現(xiàn)。從某種意義上說，Agent 為很多企業(yè)實現(xiàn)愿望提供了一個很好的渠道，包括 MCP 隨著輔助技術(shù)的出現(xiàn)，很多企業(yè)認(rèn)為過去無法工作的大模型現(xiàn)在可以幫助我們工作，這也是一些甲方期望被廠商實現(xiàn)的例子。

崔強(qiáng)：我們可以看到，SaaS最初受到資本的青睞。 AI 終端重新出現(xiàn)。我想 AI 進(jìn)入Gartner技術(shù)曲線的周期可能比SaaS快。就AI技術(shù)的投入而言，結(jié)合當(dāng)前中國 AI 狀態(tài)，你會給廠家什么建議？

孫鑫：我建議如今對AIAgent來說 探索比較謹(jǐn)慎一點比較合適。。第一，現(xiàn)在的AI Agent 仍然有相當(dāng)多的瓶頸或技術(shù)限制，還沒有辦法做出一個很好的Agent。

第二，最常見的問題是它的可靠性?，F(xiàn)在的 AI Agent 它是由一些不可靠的部件組成的，最常見的部件是大語言模型。假定AI Agent工作流包含 10 每一步，每一步都是基于大模型推理，大概有一些。 10% 總的來說，一個Agent的真實正確率只有三分之一左右，這種錯誤的積累實際上是公司無法接受的。

三是成本問題 。假如不惜一切代價使用token， AI Agent 對于企業(yè)來說，完成某些任務(wù)并不一定是一個合適的選擇。所以，更多的企業(yè)面臨的問題是：是否真的有必要建立一個Agent？ ，還是一定要把項目做成Agent？由于 Agent 其復(fù)雜性及其價值均同比增長。

此外，Agent 并非所有的應(yīng)用領(lǐng)域都適用。并非所有的場景，現(xiàn)在所有的公司都需要去做。 Agent 這件事。

崔強(qiáng)：剛才你提及 AI Agent 只適用于某些場景，目前國內(nèi)還有哪些場景，使用。 AI Agent 能在低成本、相對可靠的狀態(tài)下實現(xiàn)嗎？

孫鑫：把這個問題分成四個維度會更合適。首先，復(fù)雜性。是否足夠復(fù)雜，需要足夠的步驟，需要在一個不可控的外部環(huán)境中實現(xiàn)，這可能非常適合AI。 第二，收入。能否帶來足夠的收益；第三，現(xiàn)有技術(shù)的可行性；第四，這件事的錯誤率。

把這些維度結(jié)合起來，你會發(fā)現(xiàn)敲代碼是很合適的。 Agent 是的。第一，敲代碼這件事充分復(fù)雜；第二，請程序員要花更多的錢，特別是在北美；第三，現(xiàn)在， AI 像Claude一樣，敲擊代碼已經(jīng)更加可靠了。 3.7 Sonnet 已能做得很好；另外，通過一次非常嚴(yán)格的測試，可以對代碼進(jìn)行測試。

結(jié)合以上四個維度，可以很好地判斷一件事是否值得通過 Agent 來實現(xiàn)。

崔強(qiáng)：有網(wǎng)友問，有哪些比較好的、已經(jīng)走通的智能體商業(yè)化例子？

孫鑫：目前市場上比較認(rèn)可的幾個？ Agent 也許每個人都聽說過，比如， OpenAI 的 Deep Research，它是一個研究型的智能體；有Cursor、Devin，它們都是很好的智能體，能夠在統(tǒng)一的平臺下，端到端地解決某一類問題。

崔強(qiáng)：它們都是國外的商品，國內(nèi)還有一些比較成功的例子嗎？

孫鑫：現(xiàn)在我在國內(nèi)還沒有確切地看到哪一個？ Agent 公司是一家非常好的公司，可以提供現(xiàn)成的、更好的Agent產(chǎn)品，但是確實有很多好的公司。 Agent Builder(智能體平臺) 企業(yè)，能提供工具集，讓企業(yè)自建。 Agent，有很多這樣的企業(yè)。

回歸顧客期望：如何定義AIAgent？

崔強(qiáng)：看完那篇關(guān)于它的文章 “Agent Washing“文章之后，第一感覺就是這個標(biāo)準(zhǔn)很苛刻。按照這個標(biāo)準(zhǔn)，目前國內(nèi)幾乎沒有商品，或者只有少數(shù)商品可以稱之為 AI Agent 沒錯。為什么要用這么嚴(yán)格的標(biāo)準(zhǔn)來定義？能不能再給大家介紹一下這個標(biāo)準(zhǔn)？

孫鑫：第一個是大的市場趨勢。AI Agent之所以能夠吸引大量的資金投入，是因為它必須構(gòu)建一個非常巨大的愿景，并且能力必須匹配。Gartner對AI Agent 的定義是：利用人工智能技術(shù)感知、做出決策、付諸行動的自主或半自主軟件實體，在數(shù)字和物理環(huán)境中實現(xiàn)企業(yè)或個人的業(yè)務(wù)目標(biāo)。。

我再整理一下這些關(guān)鍵字：首先是軟件實體是自主或半自主的。假如它是一種半自主的形式，也不能說它不是Agent，在某些重要節(jié)點，它可以包括人類的角色，但是最重要的一點是，它必須具備自主決策的能力。

其次，它是一個軟件實體，而不是一個大模型。該軟件實體 AI 部件放入其中，但最終執(zhí)行仍在軟件層進(jìn)行協(xié)調(diào)，換句話說，軟件實體仍在最后工作。

三是提到使用 AI 技術(shù)，AI Agent，并非而且只有大語言模型才能稱之為大語言模型 AI Agent。在大型模型出現(xiàn)之前，已有許多公司試圖使用它。 Agent 做一些工作的方法，比如用更傳統(tǒng)的機(jī)器學(xué)習(xí)，或者用符號。 AI （symbolic AI） 的方式來做 Agent，使得結(jié)果更加可預(yù)測，更加持久，甚至通過代碼來實現(xiàn)某些工作，這仍然可以稱之為 AI Agent。

AI Agent需要使用人工智能技術(shù)來感知和獲取外部信息，這可能是目前技術(shù)上的一個大瓶頸，因為外部環(huán)境很可能需要在統(tǒng)一的環(huán)節(jié)中更好地協(xié)調(diào)，甚至在統(tǒng)一的云平臺和大工廠環(huán)境中。

四是做出決定， AI Agent 也許會調(diào)用不同的功能來制定行動計劃，并做出一些決定。 五是付諸行動，要把工作付諸行動。我們必須使用它。 Agent 調(diào)用某些工具、接口、技能和功能，影響目標(biāo)環(huán)境。

上面提到了一系列的AI定義系列。 關(guān)鍵字Agent，都是關(guān)鍵字，根據(jù)我們現(xiàn)在客戶提到的信息，或是客戶對AI。 Agent 的一個期待。現(xiàn)在的市場環(huán)境，的確充滿了很多炒作的聲音，很難實現(xiàn)這樣的愿景。

當(dāng)前我國市場可稱為Agent。 軟件實體很少。也許企業(yè)應(yīng)該更加關(guān)注如何通過？ Agent Builder Platform，建立符合自己需要的東西 Agent 。

崔強(qiáng)：就像你剛才提到的，中國更喜歡用自建的方式，而不是購買完美的商業(yè)產(chǎn)品。而且國內(nèi)完美。 Agent 商品幾乎看不見。DeepSeek 這波AI 浪潮過后，是不是也是為了很多？ CIO 或企業(yè)提供了一種快速的AI建設(shè) Agent的概率？

孫鑫：DeepSeek 出現(xiàn)，或者說國外很多大廠商推出的開源模式，拉平了很多企業(yè)之間的差距，但對一些甲方公司影響不大，對蒂 Two(二級供應(yīng)商)，或者原來很難獲得大模型的公司帶來了新的概率，但是很多時候這也需要公司自己去掌握。

企業(yè)也許更需要考慮的是怎樣才能使自己的數(shù)據(jù)真正與大模型產(chǎn)生協(xié)同作用，讓大模型為自己所用。假如每個人都使用相同的大模型，怎樣才能突出自己的差異？身為供應(yīng)商，如何通過大型模型實現(xiàn)自己的愿景，建立自己的環(huán)城河，這才是真正值得思考的。

另外，現(xiàn)在我們很巧妙地設(shè)計了一些Workflow，通過這些Workflow。 AI 一些工程建設(shè) Agent，未來某個時間點可能會有問題。因為大模型的能力會延伸到越來越多豐富的場景，一方面可以處理多模態(tài)數(shù)據(jù)，另一方面可能是工具，也可能是工具由大語言模型轉(zhuǎn)變?yōu)榇笮袆幽Ｐ汀?/strong>

也就是說，今天你可能做了相當(dāng)多的Agent，但是在未來，大模型稍微用力一點，就直接取代了這種能力。

所以，我們要做的不是等待一個新的大模型出現(xiàn)，而是應(yīng)考慮如何將自己的數(shù)據(jù)與公司相結(jié)合。 Know-how，通過Reinforce learning(加強(qiáng)學(xué)習(xí))實現(xiàn)一些新的功能，建立自己的環(huán)城河，這一點非常重要。。

崔強(qiáng)：的確如此。這兒有個評論，好的 Agent 必須有數(shù)據(jù)邊界，數(shù)據(jù)質(zhì)量的高度就是數(shù)據(jù)邊界。 Agent 高度。你覺得這個觀點怎么樣？

孫鑫：一個好的數(shù)據(jù)質(zhì)量高度可以決定這個大模型本身的高度，因為現(xiàn)在公司已經(jīng)基本認(rèn)識到：要做一個通用的類型 Agent 不可能，更重要的是如何把它放在一邊。 Agent 邊界劃分清楚。例如進(jìn)行文檔處理，數(shù)據(jù)獲取，可視化等。邊界的劃分，以及如何在predefine(預(yù)定義)的良好工作流下順利完成工作，有效實現(xiàn)企業(yè)的一些愿望。這是一個 Agent 的邊界感。

大部分企業(yè)都要做，很可能是Multi。-Agent(多智能體協(xié)同)，單個Agent很難給客戶帶來好的期待。當(dāng)然，你的數(shù)據(jù)越好，質(zhì)量越高，這是一個非常好的基礎(chǔ)。

崔強(qiáng)：剛才你提及DeepSeek的出現(xiàn)，為一些不能有頭部企業(yè)預(yù)算的中小企業(yè)提供了一個建設(shè)。 AI 如何找到Agent的最佳切入方法？，您有什么建議？

孫鑫：盡管國內(nèi)可以直接購買，好的，現(xiàn)成的 Agent 商品很少，但是我們的建議是，如果你想涉足這個領(lǐng)域，可以從一些AI先驅(qū)那里學(xué)習(xí)。buy to build（ 先買再自建)或者嘗試兩條路并行的方法。

我們看到的最為成功的試點項目，應(yīng)重點展示業(yè)務(wù)潛力，而非技術(shù)可行性。企業(yè)在進(jìn)行一些技術(shù)試點時，如果只是在我們的系統(tǒng)或工作流中驗證當(dāng)前智能體的方式是合理的，只會給企業(yè)帶來細(xì)微的改進(jìn)，反而會忽略這項技術(shù)可能帶來的真正改變能力。

因此，我們不建議企業(yè)現(xiàn)在一定要做一個通用的Agent，而是先做一個你認(rèn)為可以讓企業(yè)受益，可以實現(xiàn)業(yè)務(wù)潛力的點，然后再考慮更多的Agent方法。

AI重力 使用者：大模型時代的“環(huán)城河”

崔強(qiáng)：DeepSeek 給每個人帶來的焦慮是巨大的，幾乎每一個行業(yè)都會受到影響。 AI 重塑、改造，專注于企業(yè)軟件或 SaaS 領(lǐng)域，Agent 與 SaaS 或者企業(yè)軟件接下來的關(guān)系會是什么樣子？在Gartner看到的一些觀點中，我想聽聽你的意見。

孫鑫：這是一個特別有趣的問題。同時，我們也經(jīng)常討論大模型和 Agent 未來廠商將是一種怎樣的“糾纏不清”關(guān)系。因為Agent 這些工具的能力可能來自于調(diào)用某些工具的能力。 SaaS 、傳統(tǒng)軟件。

從 SaaS 廠家的視角，只要能把握 SaaS 更好地使用工具，能帶來用量，它也愿意被調(diào)用。另一方面，大型制造商也想做這項工作，他們也有實力構(gòu)建這些工具，所以他們不需要通過MCP連接外部工具，這相當(dāng)于原來的工具。 SaaS 制造商的工作是在模型中實現(xiàn)的，這與大型云制造商和大型云制造商相似。 ISV 這是一種關(guān)系。

我們在國外已經(jīng)看到了類似的線索，比如 OpenAI 的 Deep Research 并沒有開放 API ，它希望用戶打開 ChatGPT頁面，將大模型視為一個頁面 Agent 為了使用它，它將成為一個平臺，在未來可以實現(xiàn)各種業(yè)務(wù)水平。

對于前端 SaaS 對于制造商和工具制造商來說，短期的做法可能會像 Salesforce 同樣，結(jié)合自己的Know-how，在自己的平臺上建立各種各樣的Agent。但是在未來，他們肯定會考慮如何建立自己的大模型，讓自己擁有一個“中心大腦”，為客戶保持一個 AI 對重力的吸引，這一點對 SaaS 制造商也很重要。

長遠(yuǎn)來看，SaaS 制造商、工具型制造商也將投入到自己的模型建設(shè)中，例如 Perplexity 建立自己的大模型。每個人都會向用戶側(cè)更加努力，逐步將過去的數(shù)據(jù)重力和平臺重力轉(zhuǎn)移到用戶端。 AI 重力轉(zhuǎn)移。

為何要提“AI “重力”？過去，我們經(jīng)常談?wù)摂?shù)據(jù)重力，這意味著如果我能掌握企業(yè)數(shù)據(jù)，我就有更多的機(jī)會吸引公司在我的數(shù)據(jù)平臺上建立各種應(yīng)用能力。例如，如果公司從制造商那里購買數(shù)據(jù)庫，它很可能會從制造商的數(shù)據(jù)庫中購買它的數(shù)據(jù)分析產(chǎn)品，包括構(gòu)建和應(yīng)用能力。

AI 重力的吸引力來自于它帶來的獨特性。 Agentic 感覺，也會使許多企業(yè)， AI 能力，愿意在平臺上購買更多的工具，所以，未來的競爭必然存在 AI 重力上。

在 AI 在技術(shù)發(fā)展方面，中國和西方實際上有非常不同的評價標(biāo)準(zhǔn)。西方包括美國的一些主流媒體，可能更注重大模型本身的能力。中國可能更注重一些基本指標(biāo)，比如日常生活和月亮生活。

OpenAI 在最近的一些CEO奧特曼采訪中，他還提到，建造最好的模型并不一定是最重要的，最有效的方法是 10 億日生活在我的平臺上。

近期，GPT 4o推出了一種圖形渲染能力，可以讓更多的用戶在平臺上使用，也就是利用它。 AI 重力，讓更多的用戶使用，從而構(gòu)建最堅固的環(huán)城河。AI 重力 使用者使用，無疑是一種很好的配套設(shè)施。

崔強(qiáng)：剛才你提到了大廠和 SaaS 它們之間的糾纏不清。這種相愛相殺的狀態(tài)初期在大廠和大廠。 ISV 它們之間已經(jīng)經(jīng)歷了一輪，現(xiàn)在可能會重現(xiàn)第二輪。未來，Salesforce等制造商與通用大模型制造商的關(guān)系將如何變化？是否也要自己建造？ AI 生態(tài)圈，以及生態(tài)圈 ISV 他們一起成長。這一點到了 SaaS 或是 ISV 端子會變成什么樣子？

孫鑫：Salesforce、ServiceNow，他們在自己的領(lǐng)域有著非常獨特的經(jīng)驗，有著自己獨特的環(huán)城河。在短期內(nèi)，它將推出各種各樣的GPT，今天是各種各樣的Agent。他們可能在邊界感方面保持得最好，但現(xiàn)在他們只使用更好的Agentic頁面，讓用戶有更好的體驗。

對這些制造商而言，下一步肯定會優(yōu)先考慮數(shù)據(jù)層的力量。。例如 Salesforce 在最近的財務(wù)報告和電話財務(wù)報告會議上，他們會反復(fù)強(qiáng)調(diào)自己 Data Cloud 的重要性。

這表明，Salesforce認(rèn)為，數(shù)據(jù)是一個真正重要的環(huán)節(jié)，而且肯定會在自己的數(shù)據(jù)上更好地培養(yǎng)出適合自己公司情況的模型。

Salesforce之所以能夠制作這個平臺式 Agent 一方面，協(xié)同的方式是為用戶提供更好的體驗；另一方面，是為了讓客戶有更好的粘性，讓客戶看到未來的使用。 Salesforce 一個場景或一個概率。

相比之下，中國企業(yè)可能更真實，不在乎背后用的是什么模型，更注重實際價值，而不是在跑分上贏你。

崔強(qiáng)：也就是更加務(wù)實，更加落地。有網(wǎng)友在問，Agent 怎樣才能更好地處理端到端的問題？

孫鑫：以前的Agent ，更像是一個全棧自研的過程，MCP 新協(xié)議的出現(xiàn)帶來了從全棧自研到協(xié)議組裝的轉(zhuǎn)變。許多中小企業(yè)可以通過MCP將一些標(biāo)準(zhǔn)化的零件放入Agent。 組裝式建筑，雖然不能稱之為端到端，但是更省時、更合理，而且是在一個管理體系中建立起來的。 Agent的過程。

另外，ServiceNow還有另外一種方法。、Salesforce 這類大廠推出的Agent，所有應(yīng)用程序都在自己的平臺上生長。

崔強(qiáng)：將來，許多 SaaS 企業(yè)，比如Salesforce這樣的大平臺，是否也有可能通過Salesforce這樣的平臺？ MCP 調(diào)用平臺之外的能力。假設(shè)ServiceNow 需要一個銷售模塊，還能通過嗎？ MCP 調(diào)用協(xié)議。從用戶的角度來看，很多來自不同平臺和廠商的產(chǎn)品在處理特定場景的過程中可能會被調(diào)用。有這種可能嗎？

孫鑫：這依賴于 MCP 協(xié)議的進(jìn)一步發(fā)展。一方面取決于這些大工廠， SaaS 制造商會開放他們的MCP嗎？ 服務(wù)；另一方面也要看顧客是否真的需要。

假設(shè)一位中國顧客從未使用過 Salesforce 服務(wù)，他會選擇去連接。 Salesforce 的 Agent 嗎？

另外，成本也是一個重要因素。本來， 10 錢可以做的事情，如果現(xiàn)在要花錢， 15 錢，要看顧客是否愿意花這筆錢，這是一個非?，F(xiàn)實的問題。對許多企業(yè)來說，是否真的需要建立一個 Agent Swarm 實現(xiàn)你的數(shù)字化欲望的方法(多Agent框架)？事實上，這是不必要的。

崔強(qiáng)：您說得很務(wù)實，不追求技術(shù)，花最少的錢解決企業(yè)的核心問題，才是最重要的。

提到連接和開放問題，前幾天我去了國內(nèi)的RPA。 Agent 企業(yè)，他們還提到MCP可以讓我們連接，但問題是每個人都不打開界面，所以他們不得不使用原來的界面。 那種RPA方式，反而可能更符合實際情況。所以，不能不考慮國內(nèi)現(xiàn)有的情況。

此外，在用戶方面，在自主研發(fā)和采購之間，國內(nèi)客戶對商業(yè)產(chǎn)品的接受度不夠。雖然這些年發(fā)生了變化，但本質(zhì)上并沒有太大的變化。你認(rèn)為最關(guān)鍵的問題是什么？

孫鑫：事實上，關(guān)于自我研究和采購的討論是持續(xù)存在的，國內(nèi)生態(tài)相對封閉。我們會在國外看到所謂的東西 Data Ecosystem(數(shù)據(jù)生態(tài)系統(tǒng))，或Cloud Ecosystem(云生態(tài)系統(tǒng))，廠商和廠商各自賺錢，由顧客選擇，只要使用您的產(chǎn)品，您就能獲得收益。

然而，國內(nèi)制造商可能更愿意封閉自我發(fā)展，而不是與他人聯(lián)系，以至于許多制造商說他們在做終端業(yè)務(wù)。當(dāng)然，這也是甲方的需求，無可非議。

從甲方的角度來看，自主研發(fā)和采購的比例可以通過情況來判斷。如果是核心差異化業(yè)務(wù)，自主研發(fā)的比例可能更高；如果是一般的高頻需求，比如文檔分類，可以通過采購的方式進(jìn)行，自主研發(fā)的比例可以很低；這就要求企業(yè)有一個清醒的頭腦 AI 一號位，判斷自己的場景是適合自己開發(fā)還是購買。

AI 衡量投資標(biāo)準(zhǔn)和落地“三步走”

崔強(qiáng)：前幾天我們還在開玩笑，一些老板說要制定未來三年的事情。 AI 規(guī)劃，但 AI 幾乎每周都有變化，計劃一個月可能會有點長。在這方面，你可以給。 CEO 什么建議，比如用什么KPI來衡量CIO在這波浪潮中？ AI 里面奉獻(xiàn)？

孫鑫：我們在這方面一直有很多調(diào)查報告，在這里我簡單介紹一下四層評估模型。第一層是效率層，即有 AI 和沒 AI，究竟會使企業(yè)的任務(wù)耗時減少多少？它是一種防御性的 KPI。

二是質(zhì)量層，它是一種比較進(jìn)取的類型。 KPI。以前我們總覺得大模型會有幻覺，或者不能很好地滿足公司的需要，比如， Chat BI，它的決策準(zhǔn)確性值得審視。質(zhì)量層對于如何使用大模型來滿足公司在做決策時的預(yù)期，或者讓準(zhǔn)確性被接受非常重要。

三是財務(wù)層面，這個指標(biāo)比較進(jìn)取。舉例來說，過去做不到的事情，現(xiàn)在由于DeepSeek和各種開源模型，我們可以開發(fā)出來。 AI 賦能商品，進(jìn)而給企業(yè)帶來新的收益增長點，這是財務(wù)層面的一個指標(biāo)。

四是安全指標(biāo)，那是底線。也許過去很多企業(yè)并不那么在意，但是現(xiàn)在有很多企業(yè)。 MCP 協(xié)議，因為還處于起步階段，可能存在很多安全隱患。如何最大限度地降低潛在風(fēng)險？或者如何在利用好的同時保護(hù)公司最重要的數(shù)據(jù)資產(chǎn)？ AI 能力，這也是如此 CIO 需要注意的。

簡而言之就是效率、質(zhì)量、財務(wù)和安全。

崔強(qiáng)：你還寫了一個建筑 Agent 能力的“三步走”路線圖。關(guān)于這個問題，我們會給你什么建議？

孫鑫：的確，我們有一個AI Roadmap設(shè)計，但是它不像三個階段那么簡單。下面也可以簡單地說一下這三個步驟：首先，首先要做一些能力試點。，對于試點的選擇，有些能力要放棄，很多事情不能做；有些試點成功的話，可以嘗試在多個業(yè)務(wù)上做一些擴(kuò)展。

其次，能力拓展。過去，一些公司可能不太關(guān)心他們的能力，但現(xiàn)在他們可以把它們附加到用戶身上。企業(yè)能否建立更多？ Prosumer ，開發(fā)一些自己想要的應(yīng)用程序，甚至是一些 Agent 的能力。

三是生態(tài)整合，如何把我們 AI 賦能商品融入大業(yè)態(tài)，能在大環(huán)境中為企業(yè)創(chuàng)造新的業(yè)務(wù)創(chuàng)收點。這三個階段的智能躍升主要是因為這三個階段。

本文來自微信公眾號“牛透社”（ID：Neuters），作者：保文，編輯：燕子，36氪經(jīng)授權(quán)發(fā)布。

本文僅代表作者觀點，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請在文中注明來源及作者名字。

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時與我們聯(lián)系進(jìn)行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com