企业级 AI Agent 落地实践圆桌讨论 Memo
活动：FounderPark · WAIC 2026 夜间活动 时间：2026 年 7 月 17 日 主题：从 Copilot 到 AI 员工，企业 Agent 如何真正跑进业务？ 嘉宾：丁鑫栋（特赞科技 CTO）、任喜亮（得物 效率工程负责人）、吴光宇（百道数据 CEO）、刘之（科锐国际 CTO）、吴显昆（Kuse.ai CEO）
一、嘉宾介绍与核心实践
丁鑫栋（特赞科技 CTO）—— GEA：企业级智能体系统
产品定位：GEA（Generative Enterprise Agent），一个企业上下文系统 + 智能体系统，帮助企业在增长、创新和效率提升上取得结果。
核心洞察：AI 不了解企业发展历史、业务目标和决策逻辑时，生成的一切都是泛化的。因此 GEA 的核心工作是把企业过去沉淀下来的内容资产和决策方式，变成 AI 真正可以调用的上下文。
四层架构：
意图层：理解企业要做什么（模糊的需求 + 企业的上下文 = 意图）
编排层：模型调度的六边形最大化
技能层：企业工作流和常规 agent 能力
上下文层：将人的知识、系统数据、内容资产以项目制和知识库形式重新编排
实战案例：某乳制品品牌要在 50 个城市开店。传统方式是访谈大量消费者。GEA 的做法是：先用 AI 帮客户访谈真人消费者，再用 AI 结合社媒数据合成消费者 panel，让市场团队在后续执行和增长过程中持续调用，将一次性报告变成了可持续研究平台。
启发洞察：产品形态的演进路径从生成式工具（Output），到 Copilot（人主导），再到让 AI 为结果负责（Outcome）。Outcome 不是给你一个内容，而是看你能不能带来业务指标的变化。
任喜亮（得物 效率工程负责人）—— 从组织内部推动 AI 转型
角色定位：站在全局看组织效率，三线并行：员工 AI 能力建设与培训、企业级 AI Infra 搭建、与各业务部门合作 agent 项目。
推进策略：首先与全员达成 AI 能力的共识。将企业场景分为四象限，从“可投入”场景（如经营分析类）先切入，追求最高 ROI。
当前覆盖状态：
工具层：全员覆盖，提供 AI 工作台（会议纪要、总结、日常提效）
Copilot 层：内部自建系统提供页面级问答和总结助手
任务层：在指数平台上，通过办公工作台交互完成任务
启发洞察：对于有明确规则定义的过程，保留传统方式（能写代码、跑流程的还是保留传统），因为 ROI 更高，反馈更快，不需要每一步跟大模型交互调优。
吴光宇（百道数据 CEO）—— 300+ 客户的 FDE 实战派
公司定位：提供云资源与 AI 算力供应、基于全栈的技术服务、基于行业经验的 FDE 深度交付。服务客户超过 300 家。
典型案例：
银行放贷评估：从 1 个月缩短至 1 周出报告
出海电商投标：知识库 + 标书框架自动生成
新能源风场：基于业务数据的功率预测
游戏角色设计：整合多源数据（交易市场、电竞、粉丝）分析新角色战力平衡方向
精彩言论：FDE 对我们来说是常态。我们本来就是长期服务客户的，不需要“撤回”。客户业务在增长，AI 能不能做更多？这本身就是我们服务的一部分。
刘之（科锐国际 CTO / Urcd 创始人）—— 招聘领域的自主 Agent
背景：科锐国际覆盖全规划招聘。Urcd 是面向海外市场的 AI Agent 招聘产品，自研 Embedding 模型在全球 MTEB 榜单上曾拿到 SOTA。
核心洞察：这波 agent 不是在解决生产制造环节的问题（那些已经足够高效），而是在解决消费者服务类问题，如律师、销售、招聘等偏个性化的场景，这是原来信息化解决不了的。
海外招聘痛点：大量简历作假、代面试、自动化投递。产品的核心目标是找到“正确的候选人”，而非更快招到人。跳过 Workflow Agent，直接做自主执行的 Agent。
吴显昆（Kuse.ai CEO）—— AI Rollup：彻底的商业模式改造
路径演进：从做 PC workspace，到做交付，最终选择 AI Rollup——买下传统 business service 公司，用 AI 彻底改造。
核心洞察：如果只做浅层工具，模型厂商会做；如果做 FDE，本质还是外包，很难规模化。要么做一个规模化的产品享受疯狂增长，要么就真的相信 AI 有巨大作用，直接买下业务（Own the business）。
当前实践：与 PE 合作买下估值公司，将利益对齐后进行底层 AI 改造，然后再复制到同类公司。
二、圆桌讨论：Agent 进企业的最大卡点与解法
丁鑫栋：卡点在于创始人和业务负责人的决心
洞察：推 AI 不是引入一个工具，而是需要极大的决心，让整个公司用一种 AI 原生的方式重新设计工作流。 实践：曾在研发内部推行 AI Coding，效率提升但产品未变好；直到业务人员开始用 AI 做需求分析和原型，才真正改变了研发流程。企业与其找咨询公司，不如找 AI 服务商用 Agent 重构流程。
任喜亮：卡点在于流程嵌入与效果验收
洞察：落地验收分为四层：平台能力（打通内部系统） -> 工程稳定性（并发与容错） -> AI 效果（成功率超人工） -> 真实人效（AB 实验放量）。 实践：前三层只是时间问题，第四层花费时间最长。权限分配极其严格，从只读权限开始，按任务流分配，不给超范围权限。
吴光宇：卡点因行业而异，需精准拆解任务
洞察：大电商卡在 Token 成本，药企卡在数据安全，制造业卡在对精确性“零容忍”（幻觉可能导致过亿损失）。 解法：不盲目投入。对于缺乏数字化基础的客户先用轻量级工具培养认知；对于复杂任务，拆解为多个小任务，容忍度高的用 AI，零容忍的用传统方式或多模型验证。
刘之：Agent 落地的七大核心维度
洞察：任务完成率、成本、速度、可重复性、精确性、安全性、人机协作。不同场景下优先级完全不同。 解法：数值类精确性靠生成代码+评估器；文本类靠约束式解码+确定性推理；人机协作靠 Canvas、MCP 或生成式 UI。找出一个最核心的点做透。
吴显昆：最大卡点是利益错位（Misalignment）
洞察：AI 落地不仅是技术挑战，更是“适应性挑战”（影响员工职业和利益）。 解法：拒绝中间路线的外包执念。通过买下公司、利益完全绑定来推行彻底的 AI 改造。
三、现场 QA 速记
Q1：得物去年如何做今年 AI 预算？明年预算的思路是什么？
任喜亮回答：得物将 Token 成本与研发人力成本合并计算“项目交付吞吐率”。在预算编制时，Token 成本已经作为标准类目直接嵌入。公司非常期待外部合作伙伴，认为单一团队无法解决所有场景，需要更多全栈解决方案服务商。
Q2：大规模传统制造企业（高容错低），如何推行 AI Native 组织？
丁鑫栋回答：AI 替代的是 80% 的重复性劳动，而非端到端替代整个核心流程。任何规模的公司都能找到这 80% 的场景。不需要一次性重构，而是让系统先跑起来。预计明年会出现 ROI 完全可衡量的 Agent，届时将不再是单点项目，而是系统性融合。
Q3：在零售企业推行完全受控的自动运行 Agent（Auto Research），不依赖人机协同是否可行？
吴光宇回答：可行。关键在于建立统一数仓，将结构化数据（销售、物流）和非结构化数据聚合，在此基础上让 AI 进行深度分析、辅助选品和物流规划，甚至结合外部广告和平台数据联动。
Q4：Agent 工作流拆得太细，决策者短期看不到账面收益，引发复购焦虑怎么办？
丁鑫栋回答：转换思路，不让 AI 去替代人来提高正确率，而是让 AI 去帮助企业里最顶尖的专家“降低错误率”。在成熟流程上叠加 AI，让专家腾出时间解决核心问题，这样的价值更容易被决策者感知。
Q5：FDE 模式如何平衡无限的定制需求与有限资源？
吴光宇回答：首先，FDE 对他们而言并非独立存在，而是基于云和算力供应的长线服务。其次，将客户需求分期交付（一期、二期、三期），把能明确的部分先交付并转化为长期服务，避免无限消耗。
Q6：买下公司做 AI 改造（Rollup 模式），市场的接受度和潜在风险是什么？
吴显昆回答：Rollup 是传统生意，AI 只是新变量。优势在于过去不被看好的无形资产服务业，现在因 LLM 能大幅降本增效而具备了被并购改造的价值。风险在于买错公司代价极高，因此选择先用自有资金稳扎稳打，不向外部机构融资以保持独立性。
Q7：缺乏技术的 Marketing 公司用大模型做出了 70% 完成度的 Agent，接下来是招技术合伙人还是外包？
丁鑫栋回答：继续让业务人员用工具迭代。最终评估效果的一定是业务人员，与其招 CTO，不如让懂业务的人直接搭出跑通的流程。
吴光宇补充：可以借鉴海外电商的做法，先外包搭建一个统一的 Agent 平台和简单指引，然后让前端业务人员自己去生成、发布适合具体场景的 Agent。
Q8：“AI 原生公司”的画面是什么？底层架构成熟后的下半场能做什么？
吴光宇回答：不需要执着于“AI 原生”的标签，就像 20 年前大家用电脑只是为了提高生产力。目前的 AI 还处于初级阶段，并不真正理解物理世界。等模型真正具备世界理解能力时，如今的幻觉问题将不复存在，“多模态”这种词也会像“多媒体电脑”一样成为历史。下半场的想象空间是无限的。