AI Agent虚热太旺，还是沦为“假Agent”？

AI Agent 喧嚣的背后，真正做出成绩的人很少，对甲方来说还远远不够成功。

如何定义 AI Agent？怎样看待 AI Agent 在这个领域有太多的炒作现象？怎样找出？ AI Agent的最佳切入点是什么？ KPI 能够验证 AI Agent 项目的具体业务价值？

“崔牛会计划”DeepTalk｜在“DeepSeek猜测系列”对话中，崔强创始人&CEO崔强主持人，邀请Gartner 孙鑫，公司副总裁（Julian Sun），围绕“AIAgent的真伪：vs技术泡沫贴牌圈套主题，进行了深入探讨。

孙鑫提到，目前国内的AI 在接下来的两到五年里，Agent正处于巅峰时期，AI Agent可能会进入制造业的成熟阶段，但是现在企业已经进入了AI。 Agent 探索也要保持相对谨慎的态度，技术瓶颈、可靠性、成本、情景适用性仍然是重要的制约因素；Deep Seek 将许多企业在应用大模型技术上的差距拉平，但是企业更应该关注的是让自己的数据与大模型产生协同作用，让大模型为自己所用；谈到如何衡量？ AI 投入的 ROI 在这个时候，孙鑫提到了四个维度：效率、质量、财务和安全。

“Agent Washing” ：热闹背后的理性思考

崔强：今日就来谈谈一个大家比较关注的话题：真伪 AI Agent，是代工陷阱还是技术泡沫？今晚的嘉宾是Gartner公司副总裁孙鑫。今晚的话题也来自于Gartner 一篇文章，文章的题目是「Gartner: 警惕 “Agent Washing” ，辨别炒作和本质」。

Agent究竟是新瓶装的旧酒吗？这个问题在国内外都很普遍。对于这个问题，Gartner给出了一个非常严格的AI。 定义标准的Agent。真正的AIAgent在Gartner眼中是什么？怎样定义企业级别 AI Agent？目前 Salesforce和国内许多制造商也推出了Salesforce AI Agent 商品，这种产品到底算不算AI？ Agent？今天晚上我们来谈谈这个话题。请孙总先介绍一下自己，然后再介绍一下写这篇文章的背景。

孙鑫：谢谢崔老师，好的。我是孙鑫，大家可能对我的另一个名字Julian比较熟悉。Gartner是一家专门为全球首席信息官服务的美国研究型咨询机构，Gartner是一家专门为全球服务的研究型咨询机构。 CIO 以及他们的团队，包括大数据主管，以及企业 AI 一号位等人群。在Gartner中国区，我主要负责研究团队，主要研究人工智能和数据分析。

这篇文章来自美国人常说的一个词： “FOMO"(错过恐惧症，Fear of Missing Out），这意味着公司或个人害怕忘记(错过)什么事情，事实上，这种事情经常发生。比如多年以来，国内相当一部分厂家都称自己为某某云。（Cloud），几年前是某某中台，十几个月前是某某GPT，今天可能是某某。 Agent。

我们觉得“Agent Washing” ，就是这样一种现象：在供应商方面，把它们放在供应商方面。现有的技术重新包装成Agent，而这些“现有技术”，实际上是缺少某些产品的自主性和复杂管理能力是的，这将导致甲方企业市场混乱，或出现误导性投资。

看到很多组织或企业花费过多，而且大大低估了现在的AI部署。 Agent 成本与复杂性，最终可能达不到过多炒作所带来的期望，这是我们写这篇文章的初衷之一。

崔强：在目前的背景下，制造商肯定愿意占用AI。 Agent这个概念。以前大数据出来的时候，大家都是大数据公司。现在 AI 每个人都出来了 AI 企业。 “Agent Washing”，目前市场的具体特征是什么？

孙鑫：这一特点非常明显：一是比较简单粗暴，比如改名字。原先的 RPA 企业，或应用企业，直接转化为AI Agent 公司，这是一种营销方面的“简单叙事”，它可能对产品没有太多的逻辑追求，但极具感染力，能吸引普通用户。

AI 商品更有趣，其服务更多的是 Prosumer客户(参与生产的消费者)，而非普通消费者 Consumer 与专业客户相比，客户(客户)具有触达力。因此，一旦制造商将其名称改为Agent，它将极大地吸引一些人。 to C 端特别喜欢钻研新产品的用户尝试。许多厂家的商品，在几个月前被称为某某Copilot，然后改为某某。 Agent。

共享Gartner数据：我们： 2024 年 Q2 到 Q4 关于 Agent 咨询量增加了750%，这是一个惊人的数字。但是根据我们的说法，甲方 Agent 根据部署的调查，通过率低于 30% 。看起来很热闹，但是真正做出成绩，布局成功的比例实际上很低。

所以，这个游戏 “Washing"，对许多乙方来说，也许有一定的成功意义，但是对甲方来说还远远不够成功。

崔强：刚才你提到了两个数据， 关于 Agent 咨询量增加了750% ，但只有 30% 客户部署成功 AI Agent。成功部署的情景主要集中在哪些方面？

孙鑫：但是这 30% 很多用户可能不一定是用户。 AI Agent，更有可能是一个Ｗorkflow(工作流技术)。客户服务，知识库 Agentic RAG(增强智能体检索生成)方法，Coding(软件研发)模块，都是一些比较成功的情景类别。

崔强：国内外的整体趋势是否相似，还是有差异？

孙鑫：在国外可能会有更多的选择。不管是什么技术商品，都有一个“buy or build"(购买或自建)的选择。

在 ChatGPT 在最初阶段，我们可以看到国内外市场的明显区别：国内企业是国内企业 build (自建)的方式，而国外企业则是 buy (购买)的方式， SaaS 部署非常相似。但是，在自建过程中，中国企业客户可能会面临相当多的技术限制。

然而自今年 1 月份开始了，尤其是 DeepSeek 随着推理模型的兴起， Agent 在帮助下，这种情况发生了很大的变化。据我们去年 6 本月的一项调查，中国企业客户生成 AI 部署通过率为8%，当时全球成功率为23。～24%左右；尽管这一数字今年尚未发布，但国内企业已接近全球化水平。所以，DeepSeek对此有一定的推动作用。

崔强：是啊，原来和 IT 行业内不相关的人都在讨论如何使用DeepSeek。刚才你提到了两个数据，包括Gartner技术曲线，现在看来这波生成 AI 技术曲线的位置在哪里？

孙鑫：我可以简单介绍一下Gartner的技术曲线。Gartner认为所有的技术趋势基本上都会遵循技术成熟度曲线。（The Hype Cycle，炒作曲线)，一开始就会进入技术萌芽期：当一项新技术取得突破或大规模传播时，会引起媒体和行业的极大兴趣，我们称之为技术萌芽期；那么它就会进入期望膨胀期。当外界对一个技术趋势给予过高的热情和不切实际的期待时，一些龙头企业可能会大力宣传，但往往只有一小部分成功。

现在，我觉得生成AI正处于预期膨胀期，国内Agent正处于巅峰时期。，每个人都有很高的期望，甚至有些厂商声称做出了通用的。 AI Agent，可以实际上这件事是不可能的；以后会有一些技术进入泡沫破裂的低谷期，从最高点跌到最低点，然后逐步进入最低点。复苏期稳步攀升。伴随着新技术的融合，以及更多的商业化方法论和工具的实现，最终实现成熟期。

(图源Gartner网站)

在每个阶段，我们都会给客户一些指导，评估技术投资策略。现在我们对此给予了指导。 AI 在Agent的技术成熟度曲线中，对其进行benefit(有利)评级是很高的。

此外，在两到五年内，我们预测，AI Agent可能进入生产成熟阶段，AGI 要早点实现。从某种意义上说，Agent 为很多企业实现愿望提供了一个很好的渠道，包括 MCP 随着辅助技术的出现，很多企业认为过去无法工作的大模型现在可以帮助我们工作，这也是一些甲方期望被厂商实现的例子。

崔强：我们可以看到，SaaS最初受到资本的青睐。 AI 终端重新出现。我想 AI 进入Gartner技术曲线的周期可能比SaaS快。就AI技术的投入而言，结合当前中国 AI 状态，你会给厂家什么建议？

孙鑫：我建议如今对AIAgent来说 探索比较谨慎一点比较合适。。第一，现在的AI Agent 仍然有相当多的瓶颈或技术限制，还没有办法做出一个很好的Agent。

第二，最常见的问题是它的可靠性。现在的 AI Agent 它是由一些不可靠的部件组成的，最常见的部件是大语言模型。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% 总的来说，一个Agent的真实正确率只有三分之一左右，这种错误的积累实际上是公司无法接受的。

三是成本问题 。假如不惜一切代价使用token， AI Agent 对于企业来说，完成某些任务并不一定是一个合适的选择。所以，更多的企业面临的问题是：是否真的有必要建立一个Agent？ ，还是一定要把项目做成Agent？由于 Agent 其复杂性及其价值均同比增长。

此外，Agent 并非所有的应用领域都适用。并非所有的场景，现在所有的公司都需要去做。 Agent 这件事。

崔强：刚才你提及 AI Agent 只适用于某些场景，目前国内还有哪些场景，使用。 AI Agent 能在低成本、相对可靠的状态下实现吗？

孙鑫：把这个问题分成四个维度会更合适。首先，复杂性。是否足够复杂，需要足够的步骤，需要在一个不可控的外部环境中实现，这可能非常适合AI。 第二，收入。能否带来足够的收益；第三，现有技术的可行性；第四，这件事的错误率。

把这些维度结合起来，你会发现敲代码是很合适的。 Agent 是的。第一，敲代码这件事充分复杂；第二，请程序员要花更多的钱，特别是在北美；第三，现在， AI 像Claude一样，敲击代码已经更加可靠了。 3.7 Sonnet 已能做得很好；另外，通过一次非常严格的测试，可以对代码进行测试。

结合以上四个维度，可以很好地判断一件事是否值得通过 Agent 来实现。

崔强：有网友问，有哪些比较好的、已经走通的智能体商业化例子？

孙鑫：目前市场上比较认可的几个？ Agent 也许每个人都听说过，比如， OpenAI 的 Deep Research，它是一个研究型的智能体；有Cursor、Devin，它们都是很好的智能体，能够在统一的平台下，端到端地解决某一类问题。

崔强：它们都是国外的商品，国内还有一些比较成功的例子吗？

孙鑫：现在我在国内还没有确切地看到哪一个？ Agent 公司是一家非常好的公司，可以提供现成的、更好的Agent产品，但是确实有很多好的公司。 Agent Builder(智能体平台) 企业，能提供工具集，让企业自建。 Agent，有很多这样的企业。

回归顾客期望：如何定义AIAgent？

崔强：看完那篇关于它的文章 “Agent Washing“文章之后，第一感觉就是这个标准很苛刻。按照这个标准，目前国内几乎没有商品，或者只有少数商品可以称之为 AI Agent 没错。为什么要用这么严格的标准来定义？能不能再给大家介绍一下这个标准？

孙鑫：第一个是大的市场趋势。AI Agent之所以能够吸引大量的资金投入，是因为它必须构建一个非常巨大的愿景，并且能力必须匹配。Gartner对AI Agent 的定义是：利用人工智能技术感知、做出决策、付诸行动的自主或半自主软件实体，在数字和物理环境中实现企业或个人的业务目标。。

我再整理一下这些关键字：首先是软件实体是自主或半自主的。假如它是一种半自主的形式，也不能说它不是Agent，在某些重要节点，它可以包括人类的角色，但是最重要的一点是，它必须具备自主决策的能力。

其次，它是一个软件实体，而不是一个大模型。该软件实体 AI 部件放入其中，但最终执行仍在软件层进行协调，换句话说，软件实体仍在最后工作。

三是提到使用 AI 技术，AI Agent，并非而且只有大语言模型才能称之为大语言模型 AI Agent。在大型模型出现之前，已有许多公司试图使用它。 Agent 做一些工作的方法，比如用更传统的机器学习，或者用符号。 AI （symbolic AI） 的方式来做 Agent，使得结果更加可预测，更加持久，甚至通过代码来实现某些工作，这仍然可以称之为 AI Agent。

AI Agent需要使用人工智能技术来感知和获取外部信息，这可能是目前技术上的一个大瓶颈，因为外部环境很可能需要在统一的环节中更好地协调，甚至在统一的云平台和大工厂环境中。

四是做出决定， AI Agent 也许会调用不同的功能来制定行动计划，并做出一些决定。 五是付诸行动，要把工作付诸行动。我们必须使用它。 Agent 调用某些工具、接口、技能和功能，影响目标环境。

上面提到了一系列的AI定义系列。 关键字Agent，都是关键字，根据我们现在客户提到的信息，或是客户对AI。 Agent 的一个期待。现在的市场环境，的确充满了很多炒作的声音，很难实现这样的愿景。

当前我国市场可称为Agent。 软件实体很少。也许企业应该更加关注如何通过？ Agent Builder Platform，建立符合自己需要的东西 Agent 。

崔强：就像你刚才提到的，中国更喜欢用自建的方式，而不是购买完美的商业产品。而且国内完美。 Agent 商品几乎看不见。DeepSeek 这波AI 浪潮过后，是不是也是为了很多？ CIO 或企业提供了一种快速的AI建设 Agent的概率？

孙鑫：DeepSeek 出现，或者说国外很多大厂商推出的开源模式，拉平了很多企业之间的差距，但对一些甲方公司影响不大，对蒂 Two(二级供应商)，或者原来很难获得大模型的公司带来了新的概率，但是很多时候这也需要公司自己去掌握。

企业也许更需要考虑的是怎样才能使自己的数据真正与大模型产生协同作用，让大模型为自己所用。假如每个人都使用相同的大模型，怎样才能突出自己的差异？身为供应商，如何通过大型模型实现自己的愿景，建立自己的环城河，这才是真正值得思考的。

另外，现在我们很巧妙地设计了一些Workflow，通过这些Workflow。 AI 一些工程建设 Agent，未来某个时间点可能会有问题。因为大模型的能力会延伸到越来越多丰富的场景，一方面可以处理多模态数据，另一方面可能是工具，也可能是工具由大语言模型转变为大行动模型。

也就是说，今天你可能做了相当多的Agent，但是在未来，大模型稍微用力一点，就直接取代了这种能力。

所以，我们要做的不是等待一个新的大模型出现，而是应考虑如何将自己的数据与公司相结合。 Know-how，通过Reinforce learning(加强学习)实现一些新的功能，建立自己的环城河，这一点非常重要。。

崔强：的确如此。这儿有个评论，好的 Agent 必须有数据边界，数据质量的高度就是数据边界。 Agent 高度。你觉得这个观点怎么样？

孙鑫：一个好的数据质量高度可以决定这个大模型本身的高度，因为现在公司已经基本认识到：要做一个通用的类型 Agent 不可能，更重要的是如何把它放在一边。 Agent 边界划分清楚。例如进行文档处理，数据获取，可视化等。边界的划分，以及如何在predefine(预定义)的良好工作流下顺利完成工作，有效实现企业的一些愿望。这是一个 Agent 的边界感。

大部分企业都要做，很可能是Multi。-Agent(多智能体协同)，单个Agent很难给客户带来好的期待。当然，你的数据越好，质量越高，这是一个非常好的基础。

崔强：刚才你提及DeepSeek的出现，为一些不能有头部企业预算的中小企业提供了一个建设。 AI 如何找到Agent的最佳切入方法？，您有什么建议？

孙鑫：尽管国内可以直接购买，好的，现成的 Agent 商品很少，但是我们的建议是，如果你想涉足这个领域，可以从一些AI先驱那里学习。buy to build（ 先买再自建)或者尝试两条路并行的方法。

我们看到的最为成功的试点项目，应重点展示业务潜力，而非技术可行性。企业在进行一些技术试点时，如果只是在我们的系统或工作流中验证当前智能体的方式是合理的，只会给企业带来细微的改进，反而会忽略这项技术可能带来的真正改变能力。

因此，我们不建议企业现在一定要做一个通用的Agent，而是先做一个你认为可以让企业受益，可以实现业务潜力的点，然后再考虑更多的Agent方法。

AI重力 使用者：大模型时代的“环城河”

崔强：DeepSeek 给每个人带来的焦虑是巨大的，几乎每一个行业都会受到影响。 AI 重塑、改造，专注于企业软件或 SaaS 领域，Agent 与 SaaS 或者企业软件接下来的关系会是什么样子？在Gartner看到的一些观点中，我想听听你的意见。

孙鑫：这是一个特别有趣的问题。同时，我们也经常讨论大模型和 Agent 未来厂商将是一种怎样的“纠缠不清”关系。因为Agent 这些工具的能力可能来自于调用某些工具的能力。 SaaS 、传统软件。

从 SaaS 厂家的视角，只要能把握 SaaS 更好地使用工具，能带来用量，它也愿意被调用。另一方面，大型制造商也想做这项工作，他们也有实力构建这些工具，所以他们不需要通过MCP连接外部工具，这相当于原来的工具。 SaaS 制造商的工作是在模型中实现的，这与大型云制造商和大型云制造商相似。 ISV 这是一种关系。

我们在国外已经看到了类似的线索，比如 OpenAI 的 Deep Research 并没有开放 API ，它希望用户打开 ChatGPT页面，将大模型视为一个页面 Agent 为了使用它，它将成为一个平台，在未来可以实现各种业务水平。

对于前端 SaaS 对于制造商和工具制造商来说，短期的做法可能会像 Salesforce 同样，结合自己的Know-how，在自己的平台上建立各种各样的Agent。但是在未来，他们肯定会考虑如何建立自己的大模型，让自己拥有一个“中心大脑”，为客户保持一个 AI 对重力的吸引，这一点对 SaaS 制造商也很重要。

长远来看，SaaS 制造商、工具型制造商也将投入到自己的模型建设中，例如 Perplexity 建立自己的大模型。每个人都会向用户侧更加努力，逐步将过去的数据重力和平台重力转移到用户端。 AI 重力转移。

为何要提“AI “重力”？过去，我们经常谈论数据重力，这意味着如果我能掌握企业数据，我就有更多的机会吸引公司在我的数据平台上建立各种应用能力。例如，如果公司从制造商那里购买数据库，它很可能会从制造商的数据库中购买它的数据分析产品，包括构建和应用能力。

AI 重力的吸引力来自于它带来的独特性。 Agentic 感觉，也会使许多企业， AI 能力，愿意在平台上购买更多的工具，所以，未来的竞争必然存在 AI 重力上。

在 AI 在技术发展方面，中国和西方实际上有非常不同的评价标准。西方包括美国的一些主流媒体，可能更注重大模型本身的能力。中国可能更注重一些基本指标，比如日常生活和月亮生活。

OpenAI 在最近的一些CEO奥特曼采访中，他还提到，建造最好的模型并不一定是最重要的，最有效的方法是 10 亿日生活在我的平台上。

近期，GPT 4o推出了一种图形渲染能力，可以让更多的用户在平台上使用，也就是利用它。 AI 重力，让更多的用户使用，从而构建最坚固的环城河。AI 重力 使用者使用，无疑是一种很好的配套设施。

崔强：刚才你提到了大厂和 SaaS 它们之间的纠缠不清。这种相爱相杀的状态初期在大厂和大厂。 ISV 它们之间已经经历了一轮，现在可能会重现第二轮。未来，Salesforce等制造商与通用大模型制造商的关系将如何变化？是否也要自己建造？ AI 生态圈，以及生态圈 ISV 他们一起成长。这一点到了 SaaS 或是 ISV 端子会变成什么样子？

孙鑫：Salesforce、ServiceNow，他们在自己的领域有着非常独特的经验，有着自己独特的环城河。在短期内，它将推出各种各样的GPT，今天是各种各样的Agent。他们可能在边界感方面保持得最好，但现在他们只使用更好的Agentic页面，让用户有更好的体验。

对这些制造商而言，下一步肯定会优先考虑数据层的力量。。例如 Salesforce 在最近的财务报告和电话财务报告会议上，他们会反复强调自己 Data Cloud 的重要性。

这表明，Salesforce认为，数据是一个真正重要的环节，而且肯定会在自己的数据上更好地培养出适合自己公司情况的模型。

Salesforce之所以能够制作这个平台式 Agent 一方面，协同的方式是为用户提供更好的体验；另一方面，是为了让客户有更好的粘性，让客户看到未来的使用。 Salesforce 一个场景或一个概率。

相比之下，中国企业可能更真实，不在乎背后用的是什么模型，更注重实际价值，而不是在跑分上赢你。

崔强：也就是更加务实，更加落地。有网友在问，Agent 怎样才能更好地处理端到端的问题？

孙鑫：以前的Agent ，更像是一个全栈自研的过程，MCP 新协议的出现带来了从全栈自研到协议组装的转变。许多中小企业可以通过MCP将一些标准化的零件放入Agent。 组装式建筑，虽然不能称之为端到端，但是更省时、更合理，而且是在一个管理体系中建立起来的。 Agent的过程。

另外，ServiceNow还有另外一种方法。、Salesforce 这类大厂推出的Agent，所有应用程序都在自己的平台上生长。

崔强：将来，许多 SaaS 企业，比如Salesforce这样的大平台，是否也有可能通过Salesforce这样的平台？ MCP 调用平台之外的能力。假设ServiceNow 需要一个销售模块，还能通过吗？ MCP 调用协议。从用户的角度来看，很多来自不同平台和厂商的产品在处理特定场景的过程中可能会被调用。有这种可能吗？

孙鑫：这依赖于 MCP 协议的进一步发展。一方面取决于这些大工厂， SaaS 制造商会开放他们的MCP吗？ 服务；另一方面也要看顾客是否真的需要。

假设一位中国顾客从未使用过 Salesforce 服务，他会选择去连接。 Salesforce 的 Agent 吗？

另外，成本也是一个重要因素。本来， 10 钱可以做的事情，如果现在要花钱， 15 钱，要看顾客是否愿意花这笔钱，这是一个非常现实的问题。对许多企业来说，是否真的需要建立一个 Agent Swarm 实现你的数字化欲望的方法(多Agent框架)？事实上，这是不必要的。

崔强：您说得很务实，不追求技术，花最少的钱解决企业的核心问题，才是最重要的。

提到连接和开放问题，前几天我去了国内的RPA。 Agent 企业，他们还提到MCP可以让我们连接，但问题是每个人都不打开界面，所以他们不得不使用原来的界面。 那种RPA方式，反而可能更符合实际情况。所以，不能不考虑国内现有的情况。

此外，在用户方面，在自主研发和采购之间，国内客户对商业产品的接受度不够。虽然这些年发生了变化，但本质上并没有太大的变化。你认为最关键的问题是什么？

孙鑫：事实上，关于自我研究和采购的讨论是持续存在的，国内生态相对封闭。我们会在国外看到所谓的东西 Data Ecosystem(数据生态系统)，或Cloud Ecosystem(云生态系统)，厂商和厂商各自赚钱，由顾客选择，只要使用您的产品，您就能获得收益。

然而，国内制造商可能更愿意封闭自我发展，而不是与他人联系，以至于许多制造商说他们在做终端业务。当然，这也是甲方的需求，无可非议。

从甲方的角度来看，自主研发和采购的比例可以通过情况来判断。如果是核心差异化业务，自主研发的比例可能更高；如果是一般的高频需求，比如文档分类，可以通过采购的方式进行，自主研发的比例可以很低；这就要求企业有一个清醒的头脑 AI 一号位，判断自己的场景是适合自己开发还是购买。

AI 衡量投资标准和落地“三步走”

崔强：前几天我们还在开玩笑，一些老板说要制定未来三年的事情。 AI 规划，但 AI 几乎每周都有变化，计划一个月可能会有点长。在这方面，你可以给。 CEO 什么建议，比如用什么KPI来衡量CIO在这波浪潮中？ AI 里面奉献？

孙鑫：我们在这方面一直有很多调查报告，在这里我简单介绍一下四层评估模型。第一层是效率层，即有 AI 和没 AI，究竟会使企业的任务耗时减少多少？它是一种防御性的 KPI。

二是质量层，它是一种比较进取的类型。 KPI。以前我们总觉得大模型会有幻觉，或者不能很好地满足公司的需要，比如， Chat BI，它的决策准确性值得审视。质量层对于如何使用大模型来满足公司在做决策时的预期，或者让准确性被接受非常重要。

三是财务层面，这个指标比较进取。举例来说，过去做不到的事情，现在由于DeepSeek和各种开源模型，我们可以开发出来。 AI 赋能商品，进而给企业带来新的收益增长点，这是财务层面的一个指标。

四是安全指标，那是底线。也许过去很多企业并不那么在意，但是现在有很多企业。 MCP 协议，因为还处于起步阶段，可能存在很多安全隐患。如何最大限度地降低潜在风险？或者如何在利用好的同时保护公司最重要的数据资产？ AI 能力，这也是如此 CIO 需要注意的。

简而言之就是效率、质量、财务和安全。

崔强：你还写了一个建筑 Agent 能力的“三步走”路线图。关于这个问题，我们会给你什么建议？

孙鑫：的确，我们有一个AI Roadmap设计，但是它不像三个阶段那么简单。下面也可以简单地说一下这三个步骤：首先，首先要做一些能力试点。，对于试点的选择，有些能力要放弃，很多事情不能做；有些试点成功的话，可以尝试在多个业务上做一些扩展。

其次，能力拓展。过去，一些公司可能不太关心他们的能力，但现在他们可以把它们附加到用户身上。企业能否建立更多？ Prosumer ，开发一些自己想要的应用程序，甚至是一些 Agent 的能力。

三是生态整合，如何把我们 AI 赋能商品融入大业态，能在大环境中为企业创造新的业务创收点。这三个阶段的智能跃升主要是因为这三个阶段。

本文来自微信公众号“牛透社”（ID：Neuters），作者：保文，编辑：燕子，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com