深夜，一家游戏公司的客服中心依然忙碌。
深夜，一家游戏公司的客服中心依然忙碌。
电话那头，一名玩家急着找回账号，但客服并不能立即进行处理，而是得先核验一串信息：玩的哪款游戏，在哪个区服，角色叫什么、多少级，注册时间和充值记录也要一一确认。一通电话 8 到 12 分钟，信息收集占了客服八成的精力。高峰时段，30 人的团队排着队接不过来，玩家越等越焦躁。
为了缓解这一压力，这家游戏公司最初的设想很直接：让 Agent 接管整个流程，减少人工客服投入。但真正深入业务后才发现，想让 AI 独立完成整个流程，远没有想象中简单。
这也是当下 Agent 落地的一个缩影。
2026 年，Agent 成为企业服务市场最热闹的关键词之一。但 Gartner 预测，到 2027 年底，超过 40% 的 Agentic AI 项目可能被取消，很多项目停留在演示和试点，真正跑进生产、持续见效的很少。
问题到底出在哪里？网易智企副总经理、云商业务负责人肖钰妍给出了一个判断：「模型与算力并非核心瓶颈，卡点更多出在企业业务落地环节。」
她长期与企业客户打交道，看到过技术焦虑驱动的立项，也见过 Agent 上线后效果逐渐下降。而开头那家游戏公司，正是在云商团队参与梳理业务后，最终选择让 AI 负责前置信息采集和工单生成，人工把关安全审核，落地后通话时长缩减 50% 以上，信息采集完整率达 100%，年节约人力成本约 150 万至 200 万元。
看似没有把自动化做到极致，反而真正解决了业务问题。
深耕企业服务营销十年、累计服务 40 万余家企业的网易智企·云商，也从这样的实践中逐渐总结出一套 Agent 落地的「铁三角」：场景要选得准，能力要接得住，运营要扎得深。
这三道关，决定了 Agent 能否真正从试点走向生产。
01
「落后的恐惧」，正在制造 Agent 落地的三重错位
为什么有些企业愿意投入大量资源建设 Agent，却迟迟算不清回报？
肖钰妍观察到一个有意思的现象：这一轮企业 AI 投入中，「落后的恐惧大于真实的降本诉求」。很多企业首先想的是不能错过 AI，至于 AI 应该解决哪个问题、投入多久能够回本，反而是在立项之后才开始讨论。
于是，第一重错位出现了：技术上能做的，不一定是经营上该做的。
客服降本、流程审批、智能问答容易展示，也容易启动，但企业真正需要的，不一定是自动化率最高的方案，而是能产生明确经营价值的方案。更麻烦的是，有些工作场景适合 AI 参与，却不适合 AI 独立完成。例如游戏账号找回，前置信息收集可以交给 Agent，最终安全审核仍需要人工。
第二重错位，是模型通用能力与企业业务要求之间的落差。
肖钰妍把能力短板排了序：人的认知第一，知识第二，业务流程第三。
为什么人的认知排在最前面？她提到了一个服装零售的例子：顾客想找「颜色浅一点」的衣服，人类导购凭经验就能挑出几件，Agent 却要知道商品颜色、色号明度关系、相近款式和实时库存。通用模型理解这句话不难，难的是把它转化为企业系统里确定、可执行的动作。
知识层面也一样。「知识和文档不是一个概念。文档是给人看的，知识是给 AI、给 Agent 看的。」企业有成千上万份文档，不代表拥有一套 Agent 能可靠调用的知识体系。再往下，几十甚至上百套系统彼此割裂，接口不通，同一指标在不同部门定义都不一样。肖钰妍把这些工作称为「脏活累活」。它们不够光鲜，却决定 Agent 是在演示环境里表现出色，还是能进入企业生产系统。
第三重错位发生在上线后。商品、政策和流程不断变化，Agent 却可能停留在旧版本。肖钰妍打了个比方：「你雇佣了一个 AI 的员工，一开始做了上岗培训，表现还不错。但业务变化了，要有新的上岗培训。」这揭示了一个经常被忽略的问题：企业 Agent 不仅需要开发和交付，还需要持续管理。
场景选错，ROI 难以成立；能力不足，任务办不成；运营缺位，上线时的效果也留不住。三重错位叠加，才构成了 Agent 落地真正的最后一公里。
02
「选择对的道路」，比拥有更强的模型更重要
面对这些问题，企业服务市场并不缺解决方案。
有厂商提供模型和算力，有厂商提供 Agent 开发平台，也有企业选择自己搭建 Workflow。技术工具越来越丰富，但企业仍然需要回答一个最基本的问题：究竟应该从哪里开始？
网易智企·云商的做法，首先是把场景判断放到技术部署之前。
肖钰妍提到，今年业内热议 FDE，即前沿部署工程师模式，云商也从中看到了与自身实践相似的地方：深入客户业务，识别高频、重复、价值明确的工作，先判断有没有必要做，再考虑如何实现。
一家宠物用品零售企业就是典型案例。起初，这家企业线下门店、线上即时零售两头都要兼顾，服务需求繁杂，但夜间客服人手不足，常因咨询响应不及时而错失订单。云商选择先从需求明确、效果易衡量的夜间售前咨询切入，让 Agent 承担高频答疑。上线后，AI 承接约 70% 的售前咨询，企业在未增加人力的情况下，夜间订单量明显提升。
这个案例的意义，在于企业不必一开始就挑战最复杂的任务，先找到真实存在、收益可验证的业务缺口，让 AI 解决一个具体问题，后续投入才更容易形成正循环。
场景确定之后，能力与运营必须跟上。
云商把这三件事组织成一套相互衔接的机制：场景判断决定 AI 应该进入哪里；知识治理、工具调用和流程编排决定它能完成哪些工作；持续评测、知识更新和人工协同，则决定它能否长期稳定运行。
比如，Agent 遇到超出权限的操作，不必强行完成，可以交给人工；回答出现偏差，不是重新训练整个模型，而是追溯知识、工具或流程中的具体问题；企业业务变化后，相关知识和规则也需要同步调整。
这意味着，云商交付的不只是一个上线即可使用的 Agent，而是一套从场景识别到持续运营的机制。
场景、能力、运营，缺一不可。
03
从「能聊天」到「能办事」，双中台如何撑起 AI 数字员工？
方法要变成经营结果，需要一套能复用的技术底座。对企业而言，Agent 必须回答三个问题：是否懂这家公司的业务？能否执行真实任务？出了问题怎样纠正？
「AI 落地最终一定会回归到企业经营的本质。」肖钰妍在采访中反复强调，技术能力再先进，最终也要看能否为企业带来实际的业务价值。
第一步，让 Agent 懂业务。
一份 50 页的产品说明书，员工可以逐页查阅，Agent 却不一定能直接找到正确答案。文档要经过解析、抽取和治理，才能成为可靠的企业知识。
云商的 Mind Studio 承担这部分工作：接入文档、知识库、业务系统和历史客服对话，将分散内容整理为 Agent 可检索、可引用的知识；通过对接飞书、钉钉、腾讯文档等平台，同步不断变化的规则。底层结合 RAG、Graph RAG、LLM Wiki 等检索方式，匹配不同类型的问题。
但云商并不满足于建设通用知识库。肖钰妍举例说，商品的知识结构与普通文档不同，Mind Studio 会针对商品信息设计专门的解析方式，尽可能将商品详情页直接转化为 AI 能够理解的知识。
更重要的是，知识不能只在上线时准确。「我们会特别看重知识的迭代，帮助企业发现哪里知识已经腐坏了，更有效地自动更新。」肖钰妍介绍道，这是 Mind Studio 产品设计的重要方向。据披露，其长期知识工程实践中的知识准确率能够稳定在 90% 以上，具体效果仍取决于客户场景和知识质量。
第二步，让 Agent 会办事。
客服遇到订单问题，光回答「建议联系售后」没有意义。真正完成任务，还得查订单、核对物流、判断售后规则、调用系统推进处理。
Agent Studio 负责把这些动作串起来。它通过 Workflow、Skill、工具调用、多 Agent 协作等能力，将业务规则封装成可执行的流程。但执行并非越自主越好：涉及身份、资金和高风险决定时，人工应当能够随时确认或接管。
第三步，让 Agent 长期在岗。
「我们不希望等问题已经出现了再去治理，而是希望能够提前发现、提前预警。」肖钰妍这样解释云商为什么重视持续运营。
为此，云商在双中台之外引入 Harness 能力体系，将风控、评测和运营纳入 Agent 交付。Trace 追踪知识引用、工具调用和任务处理过程，帮助定位问题；AI 体检检查准确性、稳定性与业务效果，推动知识、流程持续更新。
Harness 并非云商独有的技术框架，真正的差异在于对业务的理解和适配。肖钰妍介绍：「客服和私域等营销服务场景有一些特殊性，我们针对这些特殊需求做了自己的工具和 Harness 层，也把企业交付过程中的经验固化进去，让 Agent 有更好的表现。」
平台还支持 20 余种大模型切换，根据任务复杂度进行大小模型分流。简单、高频的问题交给响应更快、成本更低的模型，复杂任务调用能力更强的模型，不必为每次咨询付出同样的推理成本。
Mind Studio 提供知识依据，Agent Studio 负责执行，Harness 持续校准，组成一条从「懂业务」到「办成事」的能力链。由此延伸出的 AI 客服、AI 私域、AI 调研，分别服务效率、客户经营和用户洞察，共享同一套底座。
但能力齐备，不代表所有企业都能用同一种方式部署。
金融机构、国央企以及运行多年旧系统的大型企业，往往受数据安全、系统环境和经营要求限制，无法直接照搬公有云方案。针对这类客户，云商还推出了 AI Desk 私有化部署解决方案。
它并非新的业务场景，而是 Agent 能力的另一种交付方式：通过访客端、协同工作台和管理端，连接用户、真人员工与数字员工，覆盖客户服务、内部员工服务及营销导购，并依托知识引擎、Agent 内核和订阅式服务，实现持续升级。
同一套智能能力，既要能执行，也要适应不同企业的系统和交付条件。技术走到这里，才真正具备进入客户现场的可能。
04
走进服务与营销现场：企业究竟需要怎样的 Agent？
如果把 Agent 放到企业经营现场，会发现客户的需求往往非常朴素。
在服务端，企业希望提高客服效率、降低人工成本，却常常受困于咨询量的波动和复杂多变的用户问题，既怕高峰期接不住，也怕机器人答不好；在营销端，企业希望进一步挖掘客户价值，但用户需求千差万别，如何实现精准触达、持续经营，又是另一道难题。
这两类需求，正在成为服务营销 Agent 的重要落地入口。
语音呼入：景区最忙的时候，电话不能没人接
服务端的难题，在旅游旺季的景区客服中心体现得尤为明显。每逢节假日，大量游客的咨询电话集中涌入，从索道几点停运、门票如何退，到天气变化会不会影响行程，问题大多重复，却都需要及时回应。
黄山智慧旅游的压力就很直观：每月全渠道咨询约 8 万次，其中呼入电话近 7 万通。淡季并发只有一两通，节假日却能达到 21 通。按淡季配人，旺季接不住；按高峰配人，又会产生闲置成本。
传统语音机器人也难以应对。肖钰妍解释：「呼入的问题通常比较开放，用户问得非常发散，用小模型去接，实施成本会非常高，效果也不是特别好。」
云商的大模型呼入机器人通过自然语言理解、多轮对话和企业知识检索承接常见咨询，复杂问题再转交人工。但语音服务对实时性要求更高。「在线机器人慢慢打字，用户可以接受，但在语音领域，用户的耐心基本上就是三秒钟。」肖钰妍说，这要求机器人在极短时间内准确回应，也考验模型微调和工程化能力。
黄山项目通过分析约 6.5 万通历史录音，识别出 64% 的规律性咨询，以及约 78% 有望标准化承接的场景。高频问题优先交给 AI，突发的情况和复杂协调仍由人工处理。按项目测算，一年有望释放约 1500 小时人工话务时间。
但肖钰妍更关注呼损：「消费者打不进来就直接离开了，这种呼损对企业来讲，其实是一个机会的损失。」
毕竟，一通没接通的电话，流失的不只是一次咨询，还可能是潜在的购票需求和服务机会。对景区而言，呼入机器人的价值不只是减少人工投入，更在于高峰期接住原本可能流失的客户需求，将降低呼损转化为实实在在的经营价值。
AI 私域：AI 接手重复劳动，客服如何创造新的增长？
如果说呼入机器人解决服务承接，AI 私域则要回答客服降本之后如何创造增量价值。过去，消费者的咨询、购买和后续服务分散在客服、导购、会员运营环节，客户需求是连续的，企业服务却常常割裂。
肖钰妍观察到，「今年 AI 私域的需求，其实比往年更多了」。一些企业开始重新思考 AI 带来的效率提升，不再只关注降低客服成本，而是希望让 AI 承担重复劳动，让员工转向主动服务、复杂问题处理和客户关系维护。正如肖钰妍所说：「让他们去做一些主动性的服务，无论做多少，对于企业来讲都是增益。」
云商的 AI 私域产品结合企业知识、用户互动信息和 Agent 执行能力，支持需求识别、商品推荐、个性化沟通与后续运营。
更逸私域健康让 AI 承担营养解析、信息整理等标准化工作，顾问负责复杂沟通与持续关怀。据项目披露，人效提升 40% 以上，客户满意度从 58% 提升至 91%。
不过，肖钰妍坦言：「如果说落地挑战，我会觉得 AI 私域的挑战更大一些。」相比被动应答，私域还涉及主动触达、营销策略和复杂的业务判断，客户需求与经营规则也在持续变化。
而云商此前搭建的双中台与 Harness 体系，恰好为应对这些复杂需求提供了支撑。同一套底座，在不同业务场景中复用，最终指向的都是让 AI 承担重复劳动、让人专注更有价值的工作，把效率改善转化为长期经营收益。
05
模型之外：真正难复制的，是业务里滚出来的能力
Agent 走进企业，只是拿到了入场券。真正的竞争，才刚刚开始。
一边是高速增长的市场。IDC 数据显示，2025 年中国企业级 AI 智能体市场规模约 212 亿元，2026 年预计增至 449 亿元。另一边，Gartner 预测，到 2027 年底，超过 40% 的 Agentic AI 项目可能被取消；麦肯锡调查则显示，88% 的企业已在至少一个业务职能中使用 AI，但仅 39% 报告了利润层面的影响。
市场在涨，项目却未必活得下来。
当模型越来越强、Agent 开发门槛越来越低，企业级 AI 真正的护城河在哪里？从产业分工来看，大模型厂商拼基础智能，通用 Agent 平台拼工具和生态，垂直服务商则要深入具体业务，解决知识、流程、执行和运营问题。
三类玩家，各有赛场。但越接近企业经营，越难只靠技术取胜。肖钰妍认为，组织级 Agent 应用「比较吃企业的 Know-how，也比较吃企业的业务积累」。
云商选择的，正是离业务更近的一条路。
「两个关键词，一个是业务领域聚焦，第二个是为结果负责，尤其是后者。」肖钰妍这样总结云商的差异化。在她看来，真正的竞争力，是「懂客户的业务，能够拿得出对企业有建设性的落地方案和建议」，并且长期陪伴客户，为落地效果负责。
但这条路也有挑战。当客户越来越多、需求越来越复杂，深度服务如何规模化？如何避免每个项目都从头开始？
云商尝试通过双中台、Skill 复用与 Harness，把交付经验沉淀为产品能力，让下一次落地不必完全从零开始。当然，这套体系能否支撑更大规模的客户需求，还需要持续验证。
技术决定谁能入场，业务积累与持续交付能力，才可能决定谁能留下。
06
结语：做最前面的浪花
十年前，网易智企·云商从智能客服起步。十年后，大模型浪潮席卷而来，过去积累的技术优势也面临被重新改写的可能。
肖钰妍坦言，ChatGPT 刚出现时，团队也曾慌张、自我怀疑，但最终选择了另一种态度：「即便未来会被拍在沙滩上，也要先做跑在最前面的浪花。」
她还用「滚雪球」形容 To B 这门生意。客户理解、产品能力和交付经验，都需要长期积累，而 AI 的到来，恰恰「让这个雪球滚得更快」。
回看 Agent 热潮，模型决定智能的上限，业务决定价值的终点。场景选得准，能力接得住，运营扎得深，AI 才能真正成为企业长期信赖的数字员工。
未来技术如何更迭，没人能够预言。但模型可以替换，技术会被超越，唯有对客户价值的理解和长期积累，无法一键复制。
浪潮终将更迭，雪球仍要向前。
来源：互联网
