Agentic AI部署的六个关键要素及一年实践经验、
https://pbs.twimg.com/media/G1VqdpDbQAARUvc?format=png&name=900x900
概述
本文汇总了 McKinsey 团队在过去一年推动 Agentic AI（代理式人工智能）企业级转型的经验，总结了六条关键教训。文章指出：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、注重人与智能体的协作、评估与追踪系统的实际效果，强调人类仍将在智能化转型中扮演不可或缺的角色。只有通过合理设计与不断反馈，企业才能充分释放 Agentic AI 带来的强生产力潜力，而非仅仅热衷于“炫酷”的技术演示。
主题详解
聚焦流程而不仅是 Agent
很多企业部署 Agentic AI 时，容易只关注技术本身，却忽略了对整体业务流程的重塑。真正能创造价值的 Agentic AI 项目，都深入于业务实际，分析流程中各环节用户痛点。比如法律服务公司需要不断跟进最新法规和案例，将用户编辑记录反馈给数据团队，推动智能体自我学习和调整。保险公司则通过严格的流程映射与工具选择，实现多环节自动化和协同。高效部署的核心是：流程脱冗、人与智能体协同，通过学习闭环不断提升系统表现。工程团队需全程追踪用户编辑、反馈，以实证方式不断迭代 Prompt（提示词）和知识库，从而实现真正的流程升级。
Agent不是万能解
不少领导在推动智能体落地时，盲目认为“Agent能做一切”。其实，是否应用 Agent，取决于任务标准化和变异性。比如，标准化程度高、流程规范（如投资者入职、合规申报）更适合规则自动化，而变异性高、流程灵活（如金融数据采集、合规检查）则更适合 Agentic AI。企业需要明确每项工作的本质要求，选用最合适的工具；Agent仍需与人协同，并结合传统系统（如规则引擎、分析系统、生成式模型）共同发挥作用。关键是找对工具，组合最适合的团队和技术，不必陷入“要不要用 Agent”的二元思维陷阱。
避免“AI低质输出” 重视评估和用户信任
最常见的问题之一，是智能体表面看起来功能强大，实际体验却导致用户丧失信任（俗称“AI Slop”）。企业唯有像培养员工一样重视智能体开发，设立明确的岗位职责、完善反馈机制，智能体才能不断进步并获得认可。例如全球银行在信用分析和合规流程转型过程中，由专家全程参与，反复检测与修正系统输出。团队需主动标记典型输入输出、“逐层追问原因”，确保智能体能不断适应真实业务场景，只有这样才能打破“上线即弃”的常见困局，把智能体培养成真正可用的“数字员工”。
追踪每一步，强化可验证性
小规模部署 Agent 时，人工审核容易；大规模上线后，若只追踪最终结果，难以快速定位错误源头。工程团队应在流程各环节嵌入可观察性工具，实时收集数据，使问题爆发后能迅速定位和修正。例如，某法律服务商在遇到特定案情后准确监测到数据质量下降，及时改善数据收集规则和文档格式。全过程精细追踪和评估，实现了智能体性能的快速恢复。甚至可以通过系统日志分析，针对不同用户群体制定个性化优化策略。
最佳方案是“可复用案例”
很多企业因每个任务都单独造 Agent，导致大量重复、浪费。实际上，许多重复性强的子任务（如数据提取、检索、分析）可以通过可复用模块实现统一化。团队应识别并抽象出常用任务，将 LLM（大语言模型）监控、Prompt 模板、代码资产和培训材料集中管理，并简化开发者调用流程。这样能将非核心重复工作量减少三到五成，提高平台集成效率。可复用架构也有助于每次升级系统时，不必推倒重来，避免“卡死”在旧方案。
人类仍是核心角色
智能体发展引发了“人会不会被取代”的焦虑。McKinsey 强调，智能体能做很多事，但人仍是流程中的关键，负责监督模型准确性、合规性、判断复杂案例等。未来智能体普及后，从业人员数量会发生变化，但人机协作方案才是组织转型的关键。比如法律工作流程中，智能体可以自动归纳诉请和金额，但必须有律师最终核验。又例如保险公司研发了可视化与交互界面，使人工审核员能一键定位和批阅 AI 摘要，用户体验和信任度提升至95%。企业只有在重构人-智能体协作流程时，系统性设计接口和底层反馈，才能避免“沉默失败”，实现稳定高效转型。
框架 & 心智模型（Framework & Mindset）
业务流程重塑框架
企业部署 Agentic AI 时，应以业务流程为核心，分为：
全面梳理流程结构，识别用户痛点
拆分流程环节，匹配最优技术（规则、分析、Agent、生成式模型等）
引入用户/专家持续反馈形成学习闭环
实际项目中还需针对痛点做颗粒化评估，避免技术泛用或冗余。流程必须由人和智能体深度协同，以反馈带动持续迭代，最终达成效率和体验双提升。
Agent 选型与协同心智模型
领导者应培养“任务导向”，而非“技术导向”，根据流程标准化和变异性判断是否应引入智能体。Agent 不是全部场景的优解，极端复杂或极端规范的任务均可考虑其它技术。
团队选型要点：
明确任务本质，判断Agent/自动化/分析型工具的适用性与边界
组合最合适的人才和技术，以任务产出为目标搭建团队
建立智能体开发和人才培养机制
人员培养与智能体一样，都需持续学习——智能体需要“岗位描述”、反馈与迭代，专家需参与评估动力，确保任务精度和用户信任。
基本信息