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。常见卡点真实含义数据碎片化Agent 找不到完整上下文回答就会飘部门边界流程跨部门但权限和责任不跨部门指标不清Token 用量不能说明业务有没有变好多模型并存企业要在成本、性能和合规之间路由落地人才不足懂流程又懂 AI 工程的人太少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。推荐阅读Meta AI 管理实验翻车指标化正在伤害工程组织AI 编程正在变天从“写代码”走向“管系统”AI 搜索摘要正在吃掉开放网页Google 答案层背后的内容生态危机AI 手机进入 Agent 时代Siri、Gemini、豆包都在争夺下一代移动入口豆包、千问下线智能体平台 Agent 正在告别开放广场