企业 Agent 为什么难落地：组织、数据和流程才是真卡点

企业 Agent 的瓶颈不只是模型，而是组织边界、数据上下文和生产闭环。

企业 Agent 最容易被讲成一个技术问题。模型更强一点，工具调用更稳一点，记忆更长一点，好像系统就能自动跑起来。

真到企业里，事情没这么干净。

Aaron Levie 最近和二十多位企业 IT 负责人聊过 AI Agent 落地，看到的共同问题不是大家不会调 API，而是组织和数据没有准备好。这个判断很重要。因为很多 Agent 项目失败，不是模型不会回答，而是它根本拿不到正确上下文，也不知道应该对谁负责。

图：企业 Agent 要跨过组织边界，先要把权限和责任讲清楚

企业流程通常跨部门运行。一个报价、合同、退款、招聘、采购审批，都会穿过多个系统和多个人。但组织管理却常常是部门烟囱式的：销售管 CRM，财务管账务，法务管合同，IT 管权限。Agent 如果要真正改造流程，就必须跨过这些边界。

问题来了：谁来管理这个 Agent？它能访问哪些系统？它改动数据前要不要审批？出了错算谁的？这些不是模型参数能回答的问题。

这里最值得认真看的，是 数据护城河 这个说法。基础模型会越来越强，也会越来越容易获得。如果所有企业都能用到差不多的模型，那差异就不在模型本身，而在企业喂给模型的上下文。

客户合同、产品路线图、历史工单、定价规则、审批习惯，这些才是 Agent 能不能做对事的关键。

图：真正拉开差距的，是企业自己的上下文数据

所以企业做 Agent，不应该从我们要上一个智能体平台开始。更靠谱的切入点是找一个具体流程，把数据源、权限、审批、异常处理和指标先讲清楚。

比如销售续约场景，Agent 需要知道客户历史、合同条款、折扣权限、风险信号和下一步动作。少一块，它就只能生成一段看起来合理但没法执行的建议。

图：流程、数据、审批和指标形成闭环后，Agent 才有生产环境基础

多模型也会成为常态。企业不会把所有任务押在一个模型上。便宜模型处理标准化任务，强模型处理复杂推理，私有模型处理敏感数据，中间还需要路由层、日志层和评测层。这套工程不性感，但它决定 企业 Agent 能不能进生产环境。

很多人喜欢展示一个 Agent 自动完成十几个步骤。企业真正关心的是，凌晨三点它做错一步时，系统能不能拦住；第二天审计时，团队能不能解释它为什么这么做。

没有这套机制，Agent 只能停留在演示里。

企业 AI 的机会仍然很大，但它更像一场流程改造，不像一次软件采购。模型是发动机，数据和组织才是路。路没铺好，发动机再强也只能原地轰鸣。

AI小老六