代理式 AI 的一年：实践者的六条经验教训

摘要

本文汇总McKinsey团队过去一年推动企业级Agentic AI转型的实践经验，总结出六条关键教训。核心观点是：成功部署Agentic AI不只是技术问题，更关键在于重新规划业务流程、注重人机协作、建立评估追踪机制。文章强调人类在智能化转型中仍扮演不可或缺的角色，只有通过合理设计与持续反馈，企业才能真正释放Agentic AI的生产力潜力。

内容框架与概述

文章以McKinsey在50多个Agentic AI项目中的实践为基础，开篇指出当前企业部署智能体面临的普遍困境：许多公司难以从投资中看到价值，甚至出现"退回人工"的情况。这些挫折是新技术演进的自然过程，因此有必要总结早期经验教训。

正文围绕六个核心教训展开。首先强调要聚焦工作流程而非单纯的Agent技术本身，通过流程映射识别痛点，设计学习闭环实现持续优化。其次指出Agent并非万能解，需根据任务的标准化程度和变异性选择最适合的工具组合。第三条教训针对"AI低质输出"问题，强调投资评估机制、像培养员工一样培养智能体以建立用户信任。

后三条教训聚焦于工程实践和组织转型。文章主张在系统各环节嵌入可观察性工具，实现全流程追踪和快速问题定位；同时倡导构建可复用模块来避免重复建设，将非核心工作量减少30%-50%。最后回归到人的价值，强调人机协作方案才是组织转型的关键，需系统性设计人与智能体的协作接口和反馈机制。

核心概念及解读

工作流程重塑（Workflow Redesign）：部署Agentic AI的核心不在于技术演示，而在于重新设计涵盖人员、流程和技术的整体工作流程，通过学习闭环和反馈机制创建自我强化的系统。

任务导向选型（Task-Oriented Selection）：根据流程标准化程度和变异性判断是否引入智能体。低变异高标准化任务适合规则自动化，高变异低标准化任务更适合Agentic AI，避免陷入"用或不用Agent"的二元思维。

AI Slop（AI低质输出）：指智能体表面功能强大但实际体验导致用户丧失信任的现象。解决之道是像培养员工一样为智能体设立明确职责、建立完善反馈机制。

可观察性（Observability）：在流程各环节嵌入追踪工具，实时收集数据以便快速定位和修正问题，是大规模部署的必要基础设施。

可复用架构（Reusable Components）：将数据提取、检索、分析等常用子任务抽象为可复用模块，集中管理Prompt模板和代码资产，避免重复造轮子并提升系统升级效率。

原文信息

此摘要卡片由 AI 自动生成