【科技资讯】WAIC演讲实录：企业级智能体落地现状与路径

📌 信息分类：数据要素
🗄️ 信息来源：用户推荐
🔗 原文链接：点击访问原文
📅 原文发布时间：2026-07-18
⏱️ 本站采集时间：2026-07-19 18:38:10

—

以下内容为IDC研究总监卢言霞7月18日WAIC论坛演讲原文，分享对**企业级智能体**落地的观察与思考：

## 一、企业级智能体落地现状：规模化落地早期，意愿与落地存在巨大鸿沟

过去一年多，智能体AI从一个技术热词迅速演变为企业IT议程上的优先事项。但它到底处在什么阶段？企业落地时遇到了哪些真实的挑战？从现状到规模化，路径又是什么？

结论：智能体AI的投入意愿很强，但规模化程度仍处于早期。意愿和落地之间存在巨大鸿沟，这个鸿沟正是今天企业落地的核心。

二、企业级智能体面临的核心挑战：主战场已从技术可行性转向组织可行性

IDC调研数据对比2025年和2026年，核心挑战排名发生了关键变化：

• 技能开发和资源限制：从39%上升到45%，成为排名第一的挑战 —— 人才短板正在取代技术本身，成为最大的瓶颈

• 预算限制与ROI论证：从33%跃升到40%，几乎追平管理AI预期 —— 企业已经过了「先投了再说」的阶段，开始追问投入产出比

• 管理AI预期：仍然高达40% —— 业务方对AI的期望值和实际交付之间存在落差，管理不好会直接侵蚀项目话语权

这三项加在一起，指向同一个判断：智能体落地的主战场已经从技术可行性转向了组织可行性。

技术架构层面同样存在深层问题：智能体AI对数据的要求远高于传统分析，它不仅需要数据「有」，还需要数据「对」、「快」、「懂」。数据团队从过去支持报表和BI，变成了要支撑实时推理和智能体决策，工作量和复杂度都上了一个台阶。

三、投资逻辑：从技术主导向以结果为导向转变

IDC调研显示，企业在选择智能体AI举措时，最重要的因素是：

• 与业务目标战略对齐：60%，排名第一

• ROI潜力：50%

• 易于实施：47%

这说明：企业的投资逻辑正在从「技术主导」转向「以结果为导向」。过去是「这个技术很酷，我要试试」，现在是「这个场景对业务目标有没有贡献」。

成本价值曲线显示：

• 盲目热情阶段：行动成本迅速攀升，成本很高但价值很低

• 高度焦虑阶段：成本继续上升，价值增长缓慢

• 战略对齐阶段：随着治理成熟，成本开始下降，价值开始加速上升，两条曲线交叉，出现价值拐点

• 价值优化阶段：价值持续上升，成本稳步下降

核心信息：成本管理不是可选项，而是穿越「高度焦虑」谷底的唯一路径。谁先建立治理框架，谁先触达价值拐点。

四、开发模式：从软件开发向AI智能体开发转变

对比传统软件开发生命周期（SDLC）和智能体开发生命周期（ADLC），两者看似都是六个阶段，但内涵完全不同：

• 需求分析 → 智能体职责：不再定义功能清单，而是定义智能体负责完成什么工作、权限边界在哪里

• 设计 → 运行上下文：智能体需要哪些信息、权限、记忆和任务指令

• 开发 → 工具与行动设计：智能体可以用什么工具、能采取什么行动、哪些需要审批

• 测试 → 行为验证：不是测代码路径，而是测智能体是否完成任务、是否遵循策略、是否在需要时进行了人工升级

几个关键转变：

• 架构形态：从「应用孤岛」到「统一AI底座」—— 企业不能再为每个场景建一个孤立的AI系统

• 模型策略：从「绑定单一模型」到「多模型动态路由」—— 模型市场两年洗牌一次，不能把命运绑在一个模型上

• 治理意识：从「事后补课」到「前置贯穿」—— 安全和合规必须在设计阶段就嵌入，而不是上线后再补

这些转变意味着，企业需要一套全新的工程化能力体系来支撑智能体开发。

五、核心数据洞察：智能体的行动速度不可能快于数据的移动速度

• 近86%的组织增加了对数据管理的关注，以支持生成式AI和智能体

• 组织平均管理22.3个数据源和14个不同的数据存储库 —— 企业数据仍然是高度碎片化的，数据还没准备好

• 36%的企业采用混合部署，31%跨多个云服务商，只有14%用单一云 —— 数据的分布式已经是既成事实，治理框架必须接受这个现实

四种常见数据缺陷：

• 如果数据是孤立的，智能体就根据不完整的信息做决策

• 如果数据是过时的，智能体就根据昨天的条件采取行动

• 如果数据不受监管，智能体就可能违反政策或隐私规则

• 如果数据无法访问，智能体就找不到所需的内容

智能体的行动速度不可能快于数据的移动速度 —— 这是今天最重要的一句话。

训练 vs 推理：数据要求截然不同

• 训练：可以容忍陈旧，面向批量分析，历史数据是重点，质量胜过数量 —— 管理一次，永远使用

• 推理：需要新鲜感，决策点需要最新信息，低延迟访问至关重要，事件驱动的上下文感知是基本要求 —— 必须是新鲜的、实时的、安全的，直接定义智能体的决策质量

趋势：随着智能体的扩展，推理工作负载的增长速度快于训练工作负载。这意味着架构重心会从批处理转向实时数据准备。企业的数据架构如果不能支撑毫秒级到秒级的延迟，智能体就无法在生产环境中稳定运行。

AI的三个核心数据环境

• 结构化数据：事务记录、关系数据库，用于历史模式识别和批量分析，延迟要求小时到天

• 半结构化/非结构化数据：文档、图像、视频、日志、JSON，用于内容理解、RAG知识库，延迟要求小时到分钟

• 事件和实时数据：IoT流、点击流、消息队列，用于实时决策和智能体推理，延迟要求毫秒到秒

智能体需要同时访问这三类数据才能做出完整决策 —— 这就是为什么数据架构如此复杂，不是选一个数据库，而是要构建一个能同时支撑三种延迟要求的统一数据底座。

六、企业级智能体AI平台：六层完整架构

企业级智能体AI平台不是一个大模型加一个对话框，而是一个从算力到应用、从数据到治理的完整工程体系：

• 第一层：AI基础层：多模型统一接入与管理（通用大模型/多模态/专有小模型）；算力管理支持云端/本地/混合部署；向量数据库/OCR/Embedding数据增强；AI网关统一路由/限流/成本分摊

• 第二层：数据层：数据集成与数据编织连接多源异构系统；非结构化数据处理能力；数据治理与资产管理；高质量数据集生产；知识库体系（文档+QA+知识图谱）

• 第三层：智能体开发层：AI Agent平台支持自主规划/工具调用/记忆管理/多Agent协同；工作流编排确定性流程；低代码无代码支持AI辅助搭建；技能工具市场支持MCP开放标准

• 第四层：流程与业务层：BPM智能流程平台，让AI作为流程中的数字员工节点，实现BPM与AI引擎的双向调度融合

• 第五层：应用入口层：统一AI门户、超级助手、行业场景化AI应用

• 第六层：治理与安全层：可观测性平台、权限访问控制、数据安全合规、成本治理、生命周期管理、应用评测与A/B测试 —— 这一层贯穿全栈，是所有其他层的安全保障

七、平台建设六条关键建议

• 第一，治理与安全必须前置：Agent出错难以回滚，后果可能很严重；AI生成代码约45%选择不安全写法；影子AI使企业数据泄露成本高出约67万美元；MCP存在工具投毒风险，需要建立签名发布、私有注册表和运行时白名单

• 第二，数据质量与数据语义化是AI效果的天花板：企业数据往往「非事实」、缺乏实时性和元数据；数据语义化是关键 —— 不仅被看见，更要被理解；数据准备是落地中最痛苦、耗时最长的环节

• 第三，成本必须精细管控到任务级：Token消耗使运营成本可能是过去十年最高的；需要按部门和任务级分摊成本，防止Agent循环调用烧钱；要建立Token生产力意识

• 第四，避免被单一供应商锁定：模型市场两年洗牌一次，能力要沉淀到数据层、流程层、技能层，模型层做成可替换的发动机；选择支持多模型灵活接入、随时可换的平台架构

八、智能体AI时代人类技能框架

这页展示了智能体AI时代的六大人类技能域：

• AI辅助批判性思维（问题框架构建、假设分析、证据评估、偏见与风险检测、幻觉识别）

• 负责任AI治理（伦理判断、风险感知决策、透明度与可解释性）

• 领导AI增强型团队（角色重新定义、人机协作仪式感、韧性教练）

• AI战略规划、建立AI信任、跨团队AI协作、适应AI变革

核心信息：智能体越自主，人类越需要具备监督和判断能力。技术可以交给机器，但责任不能。

企业的人才战略必须从「培养AI开发者」扩展到「培养AI监督者」。

九、总结：三个核心判断

• 第一，智能体AI正处于规模化落地的早期，意愿很强但落地存在鸿沟

• 第二，数据、架构和ROI是三大核心挑战，其中数据质量和数据语义化是AI效果的天花板

• 第三，落地路径需要系统工程思维 —— 从数据底座到平台架构到人才技能到治理流程，缺一不可

核心结论：智能体的行动速度不可能快于数据的移动速度。

—

🔗 阅读原文

WAIC演讲实录-企业级智能体落地现状与路径