從寫文案到盯數(shù)據(jù)、算 ROI，流量見頂后，AI Agent 正在殺進(jìn)核心業(yè)務(wù)

作者 | 褚杏娟

過去幾年，生成式 AI 在企業(yè)中的典型位置，更多仍停留在工具層面，比如寫文案、做圖片、回答問題、輔助檢索和處理客服等。這些能力當(dāng)然已經(jīng)改變了不少崗位的工作方式，但整體來看，它們大多還處在業(yè)務(wù)外圍。一方面，過去模型能力還不夠穩(wěn)定；另一方面，企業(yè)也缺少一套能夠把 AI 納入主業(yè)務(wù)鏈路的工程化方法。

但最近，AI 在企業(yè)中的角色開始發(fā)生變化。

作為行業(yè)內(nèi)率先布局 AIGC 戰(zhàn)略的營銷科技公司之一，易點(diǎn)天下從 2022 年開始關(guān)注 AI 能力。第一階段是 AIGC 創(chuàng)作引擎，AI 的核心價(jià)值是替人干活；第二階段嘗試讓 AI 輔助決策，從創(chuàng)意到投放、洞察再到數(shù)據(jù)歸因，整個(gè)環(huán)節(jié)都讓 AI 進(jìn)行自主的拆分、規(guī)劃與決策；第三個(gè)階段是探索 Agent。去年發(fā)布的全新一代數(shù)智營銷解決方案 AI Drive 2.0，讓營銷策略到廣告發(fā)布僅需 5 分鐘，創(chuàng)意生產(chǎn)測試效率提升 268%，客戶平均 ROAS（目標(biāo)廣告支出回報(bào)率）提升 190%，使 AI 成為增長基礎(chǔ)設(shè)施。從去年下半年到今年，團(tuán)隊(duì)一直探索 企業(yè)級(jí) AI 智能體開發(fā)平臺(tái) EC-Agent，并上線易鯨靈處理內(nèi)部運(yùn)營問題，解放員工工時(shí)。

易點(diǎn)天下首席算法科學(xué)家 Ady Zhao 表示，過去的 AI 更像一個(gè)問答系統(tǒng)，如今隨著 Agent 技術(shù)的發(fā)展，AI 開始具備感知、規(guī)劃、決策和執(zhí)行能力，能夠圍繞一個(gè)目標(biāo)完成一連串動(dòng)作。對(duì)企業(yè)而言，這種變化的意義在于，AI 不再只是某個(gè)局部環(huán)節(jié)上的輔助工具，而開始有機(jī)會(huì)進(jìn)入從洞察到執(zhí)行的完整業(yè)務(wù)流程。

從邊緣場景到核心業(yè)務(wù)

之所以過去 AI 更多停留在邊緣場景，與企業(yè)早期的落地路徑有關(guān)。此前，企業(yè)部署 AI，大多從客服、問答、內(nèi)部知識(shí)查詢等場景切入。這些場景通常有兩個(gè)共同特征：一是流程相對(duì)清晰，二是容錯(cuò)空間更大。答錯(cuò)一句話，往往還有人工兜底；推薦錯(cuò)一條知識(shí)，也未必會(huì)立刻帶來明顯損失。

但一旦進(jìn)入預(yù)算分配、廣告投放、創(chuàng)意判斷、業(yè)務(wù)策略這類更接近核心結(jié)果的環(huán)節(jié)，情況就不同了。這里不僅要求 AI “會(huì)回答”，更要求它能夠理解上下文、拆解目標(biāo)、協(xié)調(diào)資源，并在執(zhí)行后根據(jù)反饋持續(xù)調(diào)整。如果能力還停留在簡單問答層面，顯然難以支撐這類業(yè)務(wù)場景。

值得注意的是，生成式 AI 最直觀的能力是“生成”，但在營銷場景里，這種能力并不自動(dòng)等于結(jié)果。易點(diǎn)天下首席產(chǎn)品官 Aodi Zhang 表示，大模型可以快速生成內(nèi)容，但并不意味著這些內(nèi)容一定“有效”。素材被生產(chǎn)出來，只是起點(diǎn)，而不是終點(diǎn)。企業(yè)最終關(guān)心的，仍然是 ROI、LTV、預(yù)算效率，以及內(nèi)容進(jìn)入真實(shí)投放后的反饋表現(xiàn)。

這也是為什么，單點(diǎn)工具雖然容易演示，卻很難真正支撐完整業(yè)務(wù)流程。問題并不在于企業(yè)缺少模型，而在于模型很多、工具很多、能力也很多，但這些能力并沒有自動(dòng)組織成一個(gè)能夠圍繞業(yè)務(wù)目標(biāo)運(yùn)轉(zhuǎn)的閉環(huán)系統(tǒng)。

與此同時(shí)，企業(yè)自身面臨的外部環(huán)境也在變化。以出海營銷行業(yè)為例，Ady Zhao 提到，行業(yè)當(dāng)前承受的壓力，表面上看是流量更貴了、獲客更難了、回報(bào)更不穩(wěn)定了，但本質(zhì)上是傳統(tǒng)增長方式的適用邊界正在收縮。企業(yè)面對(duì)的市場更多、語言更多、合規(guī)要求更多，隨著業(yè)務(wù)復(fù)雜度不斷上升，原來依靠人力擴(kuò)張、經(jīng)驗(yàn)判斷和流程堆疊的做法開始顯得越來越吃力。另一方面，平臺(tái)回傳的數(shù)據(jù)持續(xù)增加，但數(shù)據(jù)本身并不會(huì)自動(dòng)轉(zhuǎn)化為更好的決策。

在 Ady Zhao 看來，最近一年最關(guān)鍵的變化在于，大模型的基線能力出現(xiàn)了明顯提升，尤其是在推理、上下文理解和多步規(guī)劃方面。AI 因此開始從“你問它答”走向“它能夠自己想、自己做”。這也是 Agentic AI 與以往一類 AI 工具之間最關(guān)鍵的區(qū)別。

不過，模型能力的提升，只是 AI 進(jìn)入核心業(yè)務(wù)的前提，而不是全部條件。對(duì)企業(yè)來說，更難的部分在于，如何讓這種能力真正變得可控。

按 Ady Zhao 的說法，要讓 AI 真正進(jìn)入核心業(yè)務(wù)，至少需要幾層工程化工作同時(shí)成立。首先，模型必須具備足夠的業(yè)務(wù)知識(shí)，而不能只停留在通用能力層面；其次，它要能調(diào)用數(shù)據(jù)、查詢系統(tǒng)、執(zhí)行動(dòng)作，也就是要通過 API、Skill、MCP Server 等方式裝上“工具”；最后，用業(yè)務(wù)數(shù)據(jù)微調(diào)模型，它的判斷必須建立在企業(yè)真實(shí)的業(yè)務(wù)數(shù)據(jù)和效果反饋之上，而不只是依賴通用世界知識(shí)。

總的來說，技術(shù)突破打開了天花板，但真正讓 AI 進(jìn)入核心業(yè)務(wù)的，是“模型能力 + 業(yè)務(wù)知識(shí) + 工具約束 + 數(shù)據(jù)微調(diào)”這一整套工程化的落地方法。

像在易點(diǎn)天下的實(shí)踐中，重點(diǎn)并不是把某一個(gè)模型本身做得多強(qiáng)，而是讓創(chuàng)意生成、投放執(zhí)行、數(shù)據(jù)歸因和后續(xù)優(yōu)化真正連接起來。一個(gè)素材表現(xiàn)如何，不是看生成質(zhì)量本身，而是要回到效果數(shù)據(jù)中去驗(yàn)證；隨后，數(shù)據(jù)再反過來影響下一輪創(chuàng)意方向和預(yù)算分配。只有這樣，AI 才不只是“幫忙生成內(nèi)容”，而是開始在業(yè)務(wù)中承擔(dān)一部分實(shí)際責(zé)任。

從更廣義的企業(yè)應(yīng)用來看，這其實(shí)也是很多 AI 項(xiàng)目能否走出試點(diǎn)階段的關(guān)鍵。企業(yè)通常并不缺“可用的 AI 功能”，真正稀缺的，是把這些功能串聯(lián)成業(yè)務(wù)系統(tǒng)的能力。

Agent 來了，對(duì)原架構(gòu)有影響嗎？

過去幾年，關(guān)于“中臺(tái)”的討論已經(jīng)不像前些年那樣高頻。但企業(yè)今天面對(duì)的問題并沒有消失：模型越來越多、工具越來越多、部門需求越來越多，如果缺少一個(gè)統(tǒng)一底座，系統(tǒng)很快就會(huì)重新變得割裂。而在 AI 時(shí)代，這一點(diǎn)反而更明顯。

Aodi Zhang 提到，易點(diǎn)天下最早搭建相關(guān)平臺(tái)時(shí)，優(yōu)先處理的其實(shí)就是底座能力，比如模型接入、鑒權(quán)、分流機(jī)制等。先把基座打通，再讓各個(gè)業(yè)務(wù)部門在此基礎(chǔ)上調(diào)用。這樣做的目的，不是為了“平臺(tái)化”而平臺(tái)化，而是避免每個(gè)部門重復(fù)接模型、重復(fù)做權(quán)限管理、重復(fù)造輪子。

同樣的邏輯也適用于 Skill 管理。對(duì)于知識(shí)庫問答這類通用能力，可以由統(tǒng)一體系來建設(shè)；而業(yè)務(wù)經(jīng)驗(yàn)和個(gè)性化內(nèi)容，則按照業(yè)務(wù)單元進(jìn)行抽象，再疊加到統(tǒng)一底座之上。只有這樣，企業(yè)才能在復(fù)用與差異化之間維持平衡。

在這個(gè)體系里，數(shù)據(jù)平臺(tái)的重要性并沒有下降。易點(diǎn)天下中臺(tái)研發(fā)負(fù)責(zé)人兼架構(gòu)師 Henry He 表示，數(shù)據(jù)平臺(tái)負(fù)責(zé)分析和反饋，AI 平臺(tái)負(fù)責(zé)提效，而 Agent 的判斷要持續(xù)變好，就必須有反饋機(jī)制來驗(yàn)證對(duì)錯(cuò)。只有當(dāng)數(shù)據(jù)和 AI 兩套系統(tǒng)真正打通，企業(yè)才有機(jī)會(huì)形成完整閉環(huán)。

Ady Zhao 總結(jié)道，AI 智能體系統(tǒng)并沒有完全取代原有系統(tǒng)。在 Agent 底座構(gòu)建上，易點(diǎn)天下結(jié)合亞馬遜云科技主導(dǎo)的開源 Agent 開發(fā)框架 Strands Agents 能力進(jìn)行工程化擴(kuò)展，并持續(xù)沉淀自身業(yè)務(wù)場景的 Agent 體系。隨著業(yè)務(wù)場景增多，把更多場景封裝成 Skill，持續(xù)豐富平臺(tái)能力。同時(shí)，底層模型能力也在進(jìn)化，比如上下文記憶、推理壓縮這些能力越來越強(qiáng)，這樣把新能力逐步融入現(xiàn)有架構(gòu)中，不好的再迭代掉，期間架構(gòu)在持續(xù)演進(jìn)。

Agent 熱起來之后，另一個(gè)常見問題是：它和過去的 RPA 到底有什么本質(zhì)區(qū)別？

對(duì)此，Ady Zhao 認(rèn)為，傳統(tǒng) RPA 更接近固定腳本和流程編排，它的優(yōu)勢在于精準(zhǔn)和穩(wěn)定，尤其適用于路徑清晰、規(guī)則明確、變化不頻繁的場景。但它的問題也同樣明顯：一旦軟件界面發(fā)生變化、按鈕位置調(diào)整，腳本往往就需要重寫。

Agent 的不同之處在于，它并不完全依賴預(yù)設(shè)路徑，而是可以借助圖像識(shí)別、目標(biāo)理解和工具調(diào)度來完成任務(wù)。在流程更復(fù)雜、變化更頻繁的場景里，這種能力會(huì)更有價(jià)值。

但 Agent 的代價(jià)也很現(xiàn)實(shí)。Ady Zhao 提到，Agent 會(huì)消耗 Token，如果企業(yè)希望調(diào)度更智能、更穩(wěn)定，就往往需要使用更強(qiáng)的模型，成本也會(huì)相應(yīng)上升。因此，企業(yè)在選擇方案時(shí)，最終仍然要回到 ROI，而不是簡單地用“新”替代“舊”。

當(dāng) AI 從邊緣場景進(jìn)入核心業(yè)務(wù)，安全問題也會(huì)立刻變得具體起來。這里涉及的不只是模型本身，還包括數(shù)據(jù)分級(jí)、權(quán)限控制、工具開放范圍、調(diào)用邊界，以及系統(tǒng)是否具備可觀測性。對(duì)于企業(yè)來說，一個(gè)能夠自主規(guī)劃和執(zhí)行的 Agent，如果運(yùn)行在黑盒之中，實(shí)際上很難被放心接入主流程。

在這方面，Aodi Zhang 的判斷是，風(fēng)險(xiǎn)重點(diǎn)并不在模型微調(diào)本身，而在模型選擇和工具管理。比如在處理財(cái)務(wù)、客戶合同等敏感數(shù)據(jù)時(shí)，會(huì)優(yōu)先使用私有化部署模型；在工具層面，則通過白名單機(jī)制管理 Skill，每一項(xiàng)工具都要經(jīng)過 IT 和安全團(tuán)隊(duì)審核。這樣，即便 Agent 調(diào)用出錯(cuò)，也仍然處在可控邊界之內(nèi)。

與此同時(shí)，企業(yè)還需要知道 Agent 做了什么、為什么這么做、在哪一步出了問題。Henry He 提到，在企業(yè)級(jí) AI 智能體開發(fā)平臺(tái) EC-Agent 中，Amazon Bedrock AgentCore 主要承擔(dān)了 Agent 生命周期管理、長期和短期記憶管理、穩(wěn)定性維護(hù)以及成本優(yōu)化等工作。

在智能體開發(fā)上，易點(diǎn)天下采用開源 Agent 開發(fā)框架 Strands Agents，使 Agent 的構(gòu)建與部署效率大幅提升，實(shí)現(xiàn)從開發(fā)到生產(chǎn)環(huán)境的快速落地；在知識(shí)和數(shù)據(jù)接入層面，依托 Amazon Bedrock 知識(shí)庫構(gòu)建 RAG 能力，用來實(shí)現(xiàn)基礎(chǔ)模型與內(nèi)部數(shù)據(jù)源的連接；在模型層面，選擇 Amazon Nova 模型構(gòu)建 EC-Agent。

不是替代人，而是分工方式變了

討論 AI 時(shí)，一個(gè)高頻問題是“它會(huì)替代多少人”。但從易點(diǎn)天下落地的實(shí)際情況看，更先發(fā)生的往往不是崗位數(shù)量的變化，而是崗位內(nèi)部任務(wù)被重新切分。哪些部分由系統(tǒng)承擔(dān)，哪些部分仍由人負(fù)責(zé)，決定了 AI 在組織中的真實(shí)位置。

在廣告投放場景里，這種變化尤為典型。過去，預(yù)算分配、競價(jià)調(diào)整、素材更換等動(dòng)作很大程度依賴優(yōu)化師的經(jīng)驗(yàn)。一個(gè)優(yōu)化師能管理多少 Campaign，能否及時(shí)發(fā)現(xiàn)數(shù)據(jù)波動(dòng)、快速處理異常，都會(huì)直接影響最終結(jié)果。這種模式本質(zhì)上高度依賴人的注意力和經(jīng)驗(yàn)密度。

但如果系統(tǒng)能夠 7×24 小時(shí)監(jiān)控?cái)?shù)據(jù)，并按照預(yù)設(shè)目標(biāo)持續(xù)做調(diào)整，人的角色就會(huì)發(fā)生變化。Aodi Zhang 提到，智能投放系統(tǒng)能夠自動(dòng)完成素材生成、批量投放、實(shí)時(shí)監(jiān)控和反饋等環(huán)節(jié)。按照他的說法，這類系統(tǒng)幾乎可以覆蓋“70 分以下優(yōu)化師”的大量工作。對(duì)組織來說，這并不意味著優(yōu)秀投放師失去價(jià)值，恰恰相反，優(yōu)秀投放師的角色會(huì)進(jìn)一步轉(zhuǎn)向設(shè)定策略、監(jiān)督系統(tǒng)、處理復(fù)雜例外，并把經(jīng)驗(yàn)抽象成可復(fù)用的方法。

按 Aodi Zhang 的介紹，易點(diǎn)天下也已經(jīng)把 Agent 能力持續(xù)引入內(nèi)部運(yùn)營，包括內(nèi)部幫辦、問答和調(diào)度的企業(yè)級(jí) AI 賦能平臺(tái)，面向客戶的智能助手。AI 在這里并不是一個(gè)獨(dú)立產(chǎn)品，而是逐步嵌入日常操作環(huán)節(jié)，承擔(dān)一部分重復(fù)性、高頻、標(biāo)準(zhǔn)化的工作。

這也是為什么，一些企業(yè)不再把目標(biāo)簡單定義為“自動(dòng)化率提高”，而是轉(zhuǎn)向“每個(gè)崗位是否都能擁有一個(gè)業(yè)務(wù)助手”。在 Aodi Zhang 看來，后續(xù)更明確的方向，是把已有能力進(jìn)一步沉淀成以業(yè)務(wù)為單元的個(gè)人助手，為每位員工提供一個(gè)相對(duì)標(biāo)準(zhǔn)化、能夠先給出七八十分解法的 AI 幫手，再由人去補(bǔ)足個(gè)性化和復(fù)雜部分。

會(huì)議推薦

QCon 全球軟件開發(fā)大會(huì)·2026 北京站將于 4 月 16 日 -18 日正式舉辦。本屆大會(huì)以“Agentic AI 時(shí)代的軟件工程重塑”為主題，聚焦 100+ 重磅議題，匯聚來自阿里、騰訊、字節(jié)跳動(dòng)、小米、百度等一線科技企業(yè)與創(chuàng)新團(tuán)隊(duì)的技術(shù)專家，圍繞 AI 工程化、系統(tǒng)架構(gòu)與研發(fā)模式演進(jìn)展開深入探討。更多詳情可掃碼或聯(lián)系票務(wù)經(jīng)理 18514549229 進(jìn)行咨詢。

今日薦文

你也「在看」嗎？