深度对话：后龙虾时代，企业Agent从“能用”到“生产级”差距在哪里？

本文来自微信公众号： InfoQ ，作者：150 克

这场访谈，发生在一个颇有意味的时间节点——“后龙虾时代”。所谓“后”，指的是热闹仍在，但狂热情绪已开始退潮；概念不再被追捧，真正的落地正在成为进行时。

本期《C位面对面》特邀顺丰集团CIO刘潭仁、深信服科技CIO宋东林，共同探讨全行业正热切关注的命题：Agent到底如何真正走进企业生产场景？

麦肯锡报告显示，2026年，大量AI项目停留在试点阶段，真正进入生产环境的比例并不高，甚至有观点认为，接近九成以上的项目最终没有规模化落地。

问题出在哪里？很多企业的第一反应，是要从“技术”开始：选模型、搭框架、接工具，把一个流程跑通。但在这场访谈中，一个更重要的观察被提出：

Agent落地从“能用”到“生产级”，最致命的差距在于场景选择与知识数据的治理。

顺丰集团CIO刘潭仁分析，Agent落地的四大要素为场景、数据、算法、算力。50%的算法可依托大模型解决，算力多为外采，因此场景选择与数据知识治理，才是决定Agent能否进入生产级的核心障碍，更是企业需长期布局的战略重点。

也就是说，Agent落地真正难的，是让它在真实业务中持续、可靠、可衡量地发挥作用。

访谈期间，“这个深有体会”“我们也踩过坑”...类似感叹不断出现。没有刻意的铺垫，也没有标准答案式的表达，更多是经验被不断唤起、被彼此印证与共鸣的过程。

1选对“高频且痛”的场景，平衡Agent与人的协作关系

Agent落地，首先不是技术问题，而是场景问题。

深信服科技CIO宋东林提出了一个判断标准：只有高频且痛的场景，才值得优先落地Agent。“高频”指需求常态化发生、使用体量充足；“痛”指传统作业方式效率低下，业务端有强烈的优化需求，二者兼备，Agent项目才有立项价值。

顺丰集团CIO刘潭仁也持类似判断。在他看来，企业做Agent之前，首先要算ROI：业务规模是否足够大，人力成本是否足够高，问题是否足够集中。如果答案是否定的，就不值得优先投入。

但在真实企业环境中，ROI只是第一层筛选。Agent落地还取决于几项更隐性的条件：这个问题是否真的适合用大模型解决；企业是否已有可用的数据和知识沉淀；业务团队是否愿意改变流程，并认可这件事的价值。

这意味着，“好场景”并不存在统一模板。它本质上是业务价值、技术可行性与资源约束之间的平衡。

在场景落地过程中，另一个常见误区是对准确率的过度执着。刘潭仁指出，大模型天然存在幻觉，如果追求绝对正确，不仅成本极高，边际收益也会迅速下降。评判Agent的标准应对标人工，只要其综合表现不输普通员工，且在效率、输出一致性上更稳定，就具备落地价值。

因此，企业需建立人机协作新模式，由Agent承担基础工作与初步判断，人工负责校验、决策与责任兜底，才能让Agent真正转化为企业生产力。

2数据治理永无止境，持续进化是关键

不少企业推进Agent应用时，一味追求更强的AI模型，但两位CIO达成共识：决定企业Agent能力上限的核心，并非模型，而是企业的数据与知识体系。

宋东林指出，随着大模型能力逐渐趋同，模型本身可以被快速获取，算力也可以外采，但企业长期沉淀的数据、知识和业务理解，无法被轻易复制。

顺丰集团正在构建的从“服务人”到“服务Agent”的知识体系，本质上就是把原本面向人的知识，重组为机器可以调用的能力结构。

但现实中，大多数企业还没有走到这一步。很多企业虽然意识到数据的重要性，但并不清楚什么是自己的关键知识。企业核心知识，数据零散分布在各类系统中，业务经验沉淀在文档与员工个人认知里，高价值信息与无效历史数据边界模糊。因此，企业落地Agent，绝非简单搭建知识库，而是要全面梳理知识、重构数据结构，搭建可自主迭代优化的数据系统。

随着Agent进入业务流程，AI本身也开始反过来参与数据治理。宋东林提到，在问答、问数、客服等场景中，每一次使用都是一次反馈：正确回答可以沉淀为good case，错误或不理想的回答则成为bad case，进一步暴露知识错误、数据冲突或口径不一致等问题。

这些反馈可以反向推动数据和知识体系优化。例如，AI可以帮助识别不同时间、不同来源之间相互矛盾的冲突数据，也可以帮助清理知识库膨胀过程中产生的冗余信息。

因此，数据治理正在从单纯的人工维护，转向人机协同演进。

未来企业在数据治理上需要持续进化：既能随着数据和知识变化不断更新，也能适配底层模型的持续迭代，不被某一代技术锁定。

归根结底，Agent能否真正发挥作用，不取决于企业拿到了多强的模型，而取决于它能否在持续变化的数据之上，建立并维护一套可进化的信息秩序。