AI终将走向“实用”

新闻

作者：微信文章
2025年，人工智能产业站在了一个意义深远的分水岭：
一边是“AI泡沫论”的警钟不断敲响——资本市场开始审视那些空有技术演示却无法兑现商业承诺的项目；
另一边，“AI效用论”的呼声日益高涨——先驱企业通过精心的工程化与业务融合，正在将AI转化为实实在在的生产力工具。
这两种看似矛盾的论调，实则揭示了同一本质：AI产业规模的爆炸式增长，并未同步转化为相应比例的商业价值。无论是在消费端的创新应用，还是在企业端的效率提升与投资回报，AI的实际表现都暂时落后于市场曾经有过的超高期待。
这种落差的核心，并非源于AI本身智能能力的不足。恰恰相反，以大型语言模型为代表的生成式AI，其理解、推理与创造能力已达“技术奇迹”之境。真正的瓶颈在于将这种“奇迹”转化为稳定、可靠、可规模化商业应用的“工程化能力”。正如亚马逊云科技CEO Matt Garman在2025年re:Invent大会上指出的，当下AI应用的堵点不是“智能能力”，而是“工程化的能力”。企业需要的不是在实验室里令人惊叹的演示，而是在生产环境中能以低成本、可控、规模化方式部署和使用的实用工具。
1、
AI部署的成本结构存在一个关键特性：训练成本高但相对集中，而推理成本虽单次较低却因持续发生而总量巨大。这导致了一个可能让企业管理者困惑的现象：一个AI项目在概念验证阶段表现良好且成本可控，一旦进入规模化应用阶段，成本曲线却可能陡峭上升。
以处理客户咨询为例。使用最先进的大模型处理每个复杂查询，可能需要消耗相当于数美分的计算资源。如果企业日均咨询量达到百万级别，仅此一项的年化成本就可能高达数百万美元。若该AI应用带来的直接收益（如客户满意度提升、转化率增加）无法覆盖这笔“推理税”，那么“用得越多，亏得越多”便成为残酷的现实。
更隐蔽的在于边际效益递减。为了追求极致响应质量或处理更复杂场景，企业可能选择参数规模更大、能力更强的模型，但这往往意味着成本呈非线性增长。为提升最后5%的质量而付出50%的成本增加，在商业逻辑上通常难以成立。
企业应用AI的真正挑战，始于将通用大模型接入自身专属系统的“最后一公里”。这一过程远不止简单的API调用，而是一整套复杂的工程化改造：上下文构建与知识注入：通用模型不了解企业的内部术语、产品细节、业务流程和历史数据。要让AI“理解”企业语境，需要投入大量资源进行知识库构建、提示工程优化和检索增强生成（RAG）系统开发。这个过程既需要技术专家，也需要业务专家的深度参与。
效果评估与持续优化：AI的输出存在不确定性。在企业场景下，一句不合规的客服回复、一段有安全漏洞的生成代码，都可能带来实际损失。因此，企业必须建立一套严谨的评估体系，对AI输出进行监控、评审和迭代。这个评估循环本身就需要消耗可观的人力与时间。
安全、合规与可控性：企业不能接受“黑盒”AI。数据隐私、输出合规、决策可追溯、防止有害内容生成……每一项要求都需要额外的防护层与审计机制，进一步增加了系统的复杂性与成本。
与现有系统和工作流的集成：AI不是孤立存在的。它需要与企业的CRM、ERP、开发工具链等数十甚至上百个既有系统无缝对接。这种集成工作的复杂程度往往被低估，成为项目延期和预算超支的主要原因。
Matt Garman所言的“工程化能力”缺失，正体现在这里：企业为AI付出的“部署、适配、管控”成本，有时甚至会超过AI所替代或优化的人力成本，导致投资回报率为负。这也是“AI泡沫论”的核心论据——当技术炫酷的演示无法转化为财务报表上的正向数字时，质疑声自然四起。
过去两年，大多数AI应用遵循着“单一问答”的简单范式：用户输入问题，AI返回回答。这种模式在消费级场景下（如创意写作、知识查询）取得了成功，但在复杂的企业业务流程中却显得力不从心。
企业任务往往是多步骤、需要判断、依赖上下文且涉及执行的。例如，处理一个客户投诉，可能需要：
1）理解问题本质；2）查询该客户的订单历史和服务记录；3）根据公司政策拟定解决方案；4）生成回复草稿；5）在必要时为客服人员标注需要人工复核的关键点。
将这一系列动作拆解成几十个独立的问答回合交给大模型，其效率低下和用户体验之差可想而知。
这造成了AI应用的“鸡肋”困境：不用，恐落后于时代；用了，却发现员工将大量精力花在了“如何向AI提问”和“如何验证AI回答”上，整体效率不升反降。AI没有成为期盼中的“协作者”，反而成了一个需要小心伺候的“问答机”。
2、
针对上述困境，产业界给出的答案是Agentic AI（智能体驱动的AI）。Agent不是更强大的模型，而是基于大模型构建的“行为框架”。它将AI从被动的信息处理器，转变为能够主动感知、思考、规划、执行并完成多步骤复杂任务的“数字员工”。
一个真正的Agent具备几个核心特征：
目标导向：用户只需设定一个相对宏观的目标（如“优化下个季度的服务器预算”），Agent可自主拆解任务、规划步骤。
工具使用：Agent可以调用API、查询数据库、操作软件，将“思考”转化为实际“动作”。
持续运行与记忆：能够在长时间内保持连续工作，记忆对话历史和任务上下文，形成持续的学习和适应。
协同能力：多个Agent可以分布式协作，共同完成更宏大的目标。
传统模式下，企业要构建一个AI客服，需要：1）聘请专家撰写海量的标准问答对；2）定义复杂的对话流程树；3）不断根据新问题调整规则。这是一个昂贵且僵化的过程。
而采用Agent模式，企业只需：将已有的商品数据库和过往的客服对话记录提供给Agent。Agent通过分析这些数据，自主“学习”产品知识、客户常见问题以及优秀客服的沟通模式和解决方案。它不再是基于固定脚本的应答机，而是一个能够理解客户意图、查阅最新商品信息、参考历史类似案例并生成个性化回复的“智能客服代表”。
这一转变的深刻之处在于：Agent将企业花费多年积累的、隐含在业务流程和数据中的“默会知识”，转化为了可被AI理解和应用的“显性知识”。它跳过了繁琐的人工规则制定和流程设计环节，直指问题的核心——让AI直接向企业自己的“经验”学习。
当AI以Agent的形态工作，我们衡量其价值的尺度也应发生改变。不再仅仅是“回答一个问题省了多少钱”，而是 “自动化一个完整的高价值业务流程，创造了多少新收益或节省了多少全流程成本”。
例如，一个能自动完成从需求分析、代码编写、单元测试到生成部署文档的软件开发Agent，其价值远非按代码行数节省的成本所能衡量。它缩短了产品上市时间，降低了沟通损耗，并可能通过更优的代码实现带来长期的性能红利和运维成本节约。
Agent范式让AI的“用”变得更加深入和彻底，使得其创造价值的规模有望超越其消耗资源的规模，从而从根本上扭转了“越用越亏”的潜在风险。
3、
然而，将企业未来寄托于几个孤立的“超级Agent”同样是危险的。当企业试图部署成百上千个Agent，覆盖研发、销售、客服、财务、人力资源等全业务流程时，新的系统级挑战便浮出水面：
如何管理？ 如何监控所有Agent的健康状态、性能指标和工作负载？
如何确保安全与合规？ 如何防止Agent越权访问、执行非法操作或产生有害输出？如何将统一的企业安全策略注入每一个Agent？
如何保证质量与一致性？ 如何评估Agent的输出质量？当底层模型升级时，如何确保所有Agent的性能不出现退化？
如何实现协同？ 不同部门、不同功能的Agent之间如何安全、高效地交换信息和协作？
这意味着，Agent范式的规模化成功，不能仅靠Agent自身的“智能”，更依赖于一个强大、稳固、智能的底层“AI操作系统”。
当企业拥有这样一个“AI操作系统”时，AI的定位将发生根本性转变。它不再是采购来的、需要小心集成的外部“工具”，而逐渐演变为像电力、网络一样的基础设施，一种内生的“组织能力”。
对管理者而言，AI从难以估值的“科技项目”，变成了有明确指标（如Agent任务完成率、成本节省、效率提升）、可量化投资回报的业务单元。
对业务部门而言，他们可以基于这套操作系统，像组装乐高积木一样，快速定制和部署解决本部门痛点的智能体，而无需事无巨细地求助中央技术团队。
对IT和安全部门而言，他们获得了统一的控制平面，能够以治理传统IT资产的方式，来治理成千上万的AI智能体，确保全局的安全、合规与效率。
2025年，AI产业在“泡沫论”的警醒与“效用论”的实践中，完成了一次至关重要的“压力测试”和方向校准。
行业共识已经清晰：AI的未来不在于追求参数规模的无限膨胀，而在于工程化深度的无限探索；不在于创造更多令人惊叹的演示，而在于解决更多具体而微的商业痛点。
“越用越亏本”的悖论，揭示的是粗放应用模式的不可持续性。而Agent与AI操作系统的兴起，则指明了通向规模化价值创造的可行路径：通过将AI封装为能够承担端到端任务的智能体，并为其搭建一个安全、可控、可扩展的运营环境，让AI的价值创造效率最终超越其资源消耗成本。
这标志着AI产业从“技术狂热期”步入“理性繁荣期”。泡沫被挤出，根基被打牢。企业不再问“我该不该用AI”，而是问“我该如何最好地利用AI来解决我的特定问题”。正如Matt Garman所言，AI正从一种“功能”转变为企业里的“协作者”，而其真正的力量，终将来自于与每个企业独有的数据和流程知识的深度融合。