11月13日,新华社《经济参考报》报道了一个产线场景:中兴通讯南京滨江基地的立体仓里,10万多个库位由四向穿梭车、提升机、堆垛机协同作业,而“哪只箱子该在什么时间送到产线哪个位置”,交给多个智能体判断并下发指令。负责仓储优化的智能体在夜间按次日生产订单重排,把高频使用的物料提前挪到近端,月拣选距离从40多万米降到16万米。(经济参考报)
这家基地已有80多名“数字员工”跑在业务线上,有的排生产计划,有的盯订单流转,有的负责产品全生命周期管理,仅供应链场景每天的Token消耗量就超过90亿。数字足够亮眼,但它同时暴露了下一阶段的问题:智能体进入生产流程之后,决定成败的不再是模型演示得好不好看,而是流程、接口、权限与回报这些“重活”。
能算清账的场景,才站得住
这组数字之所以有说服力,是因为衡量它的指标本身就是经营指标——月拣选距离、夜间编排、物料前置,都是仓库主管原本就要盯的账。智能体把“夜里没有拣料任务”的闲置时段用起来,按第二天的订单预排,收益可以直接折算成搬运距离与作业效率。
对照来看,行业整体还处在从“会聊天”向“把事办成”迁移的阶段。报道援引的调研数据显示,我国企业智能体采纳率已从2024年底的17.3%攀升至2026年上半年的40.3%。采纳率上升很快,但采纳不等于生效:装上一个能对话的入口,和让它在真实业务约束下稳定跑完一条流程,是两件难度完全不同的事。
88% 接入,24% 见到回报
报道中另一组数据更值得细看。《毕马威2026全球技术报告》显示,88%的受访企业已将智能体融入系统,但仅有24%的企业能实现投资回报。
原因并不神秘。赛迪研究院人工智能研究中心副研究员钟新龙在报道中指出,智能体长时间执行任务的稳定性仍有欠缺,难以渗透到核心业务环节;同时,隐私泄露、越权操作、行为失控等安全风险制约着规模化落地。
这些问题很难靠“换一个更强的模型”解决。它们更接近系统工程问题:任务边界有没有定义清楚、要调用的系统有没有可用接口、数据质量能否支撑判断、权限模型是否可控、失败之后能否回退、单次任务成本是否可观测。在日消耗90亿Token的供应链场景里,Token本身就是一项需要纳入预算和监控的运营成本,而不是一个宣传数字。
对正在做AI落地的企业来说,一个残酷但有用的判断标准是:如果一个场景讲不清“上线后哪个指标会变好、变好多少”,它就还不适合交给智能体。
定制项目要回答的四个问题
如果把智能体看作一次系统建设,而非一个功能插件,很多争议会立刻变得具体:
第一,任务边界。 哪些步骤由智能体自主执行,哪些必须人工确认,哪些情况必须中止并回退。这些规则要写进需求文档和权限配置,而不是上线后靠提示词临时约束。
第二,系统接口。 智能体要读写订单、库存、工单、客户数据,接口规范和字段口径就是前置条件。接口不通,智能体只能停在一个漂亮的聊天窗口里。
第三,验收指标。 用业务指标验收——处理时效、一次通过率、单位任务成本、人工介入比例,而不是“已接入大模型”。指标定不下来,项目就容易变成一次性演示。
第四,首期范围。 从一条能算清账的流程起步,把权限、日志和异常处理一起交付,再谈横向扩展。范围收得住,才留得下迭代空间。
观察
智能体项目的形态,正在从“AI应用”回归到“系统集成加持续运营”。客户要的不再是一个AI功能点,而是一条能跑起来、能算清账的流程;交付物也随之变成接口、权限、文档、运营指标的组合。对做软件定制的团队而言,这其实是熟悉的主场:先把首期范围和边界谈清楚,再让技术在真实业务里长期跑下去——这套方法在智能体时代依然成立。