避免“锤子思维”：如何精准定位代理 AI 的应用场景
心理学家亚伯拉罕·马斯洛（Abraham Maslow）曾提出著名的“工具定律”：如果你手里只有一把锤子，那么所有问题看起来都像钉子。在人工智能领域，这一隐喻同样适用。当人们了解到代理式人工智能（Agentic AI）的能力后，潜在的应用案例清单迅速膨胀。然而，如果将 AI 视为万能答案，往往会导致对真正问题的忽视。
在评估 AI 投资回报时，确定已取得的成果及其重要性变得愈发困难。许多组织在 ChatGPT 热潮中盲目部署工具，却未定义明确的价值目标或最终结果。员工的工作方式随之改变，但由于缺乏基线数据，难以量化具体的改进幅度。例如，撰写一封连贯邮件所需的时间，或通过 AI 重写内容所节省的成本，往往处于未知状态。
价值优先于技术形式
麦肯锡将这种现象称为“生成式 AI 悖论”。其 2025 年的调查显示，尽管 AI 被大规模采用，但仅有 39% 的组织报告其 AI 投资对企业层面的财务产生了影响。
组织需要精确界定衡量指标，这通常包含三个层面，而多数企业仅关注第一层：
- 采纳率：员工是否在使用该工具？
- 行为改变：工作流程是否发生了实质性变化？
- 业务结果：如每位销售人员的收入增长、每位工程师关闭的工单数量、审查门上的周期时间缩短等。
虽然采纳率与业务结果之间存在相关性——例如使用 AI 的销售人员业绩更高——但往往被忽视的中间层“行为改变”，才是将这种关联转化为因果关系的关键。即因为员工利用 AI 更高效地填写客户报告，从而腾出更多时间进行电话沟通，进而提升销售额。
深入理解实际工作流
若组织无法洞察工作的真实完成方式，将面临两大风险：一是基于错误流程建立基线，使得任何声称的改进都失去意义；二是赋予代理错误的步骤，导致其无法完成任务。
以 Atos 公司的采购流程为例，表面看似四步工作流，但深入调研发现，实际操作涉及在企业资源规划系统（ERP）、Outlook 和电子表格之间频繁切换，包括复制信息、等待回复及手动重新输入数据。若仅基于表面的四个步骤设定基线，不仅测量失准，一个设计为执行四步操作的代理也无法完成实际需要十个步骤的工作。
并非所有问题都需要代理 AI
厘清工作流有助于判断智能 AI 是否为最佳技术方案。对于某些场景，机器人过程自动化（RPA）、工作流自动化或单纯的过程变更可能更为适宜。
代理式 AI 更适合那些需要解释上下文、跨工具协调、提供建议或在既定边界内采取行动的工作流。即便如此，它仍需明确的成功指标和可信的商业案例支撑。目前，部署代理式 AI 的经济效益仍处于起步阶段，市场筛选机制将自然淘汰低价值用例，聚焦于最具潜力的场景。
先验证价值，再投入建设
构建坚实的商业案例是核心前提。在编写代码之前，必须证明代理流程的价值。这需要高质量的数据集支持，并在预算承诺前提供成本与商业价值的证据。
如果收益可衡量且数据开放程度足够，团队甚至可以在一周内构建原型。反之，若数据尚需完善，建议在尝试证明商业案例前先优化现有数据。前期的准备工作能有效节省成本和时间，并为价值验证奠定基础。
构建投资组合而非简单排队
拥有应用案例列表后，组织应基于财务影响、可行性、流程影响、技术要求、人力影响及风险等多维度进行优先级排序，而非仅依据投资回报率（ROI）排名。
策略上，高价值但实施周期长（如两年运行期）的用例可能需要等待；而低价值但能快速产生影响的用例，则可用于早期证明价值，为后续更复杂的代理项目建立信誉。
预留转型预算
即便选对了案例，许多组织仍难以看到显著影响力。谷歌将此现象称为“转型抵押”。与传统技术相比，AI 采用需要更多的支持资源，通常要求增加 25% 的培训力度以及高达 200% 的额外变革管理投入。
在实际操作中，不同地区和团队常独立开发工具以解决相同的业务问题，导致重复努力、成本浪费和资源分散。建立清晰的用例监督机制至关重要，重点不在于工具质量本身，而在于消除冗余。
从明确场景入手
管理层应从少数几个价值清晰、工作流明确、基线可衡量、数据可用且代理角色定义明确的用例开始。随后，需为沟通、采纳、测量和扩展预留专门预算。
代理式 AI 的价值不应由部署的数量来衡量，而应通过工作方式的实质变化及其可证明性来评估。代理式 AI 是一把强大的“锤子”，成功的关键在于准确识别哪些问题是真正的“钉子”。
