3月17日下午，北京酒仙桥，一场关于企业级智能体的闭门沙龙。

来自传统制造、消费品牌、专业服务、医疗健康等不同领域的二十多位企业决策者，与三位深度参与一线实践的技术厂商、创始人，围绕“企业打造专属智能体，到底该怎么干？”的主题进行了3个小时的碰撞。

沙龙的核心直击三个关键话题“场景从哪来、知识库怎么建、规模化路怎么走“。以下是基于现场对话与分享的内容梳理，萃取自实践者的真实复盘。

01

哪些场景真正跑出来了？

“另一盏灯”创始人朱雀的分享，从一场思想实验开始，“如果明天所有大模型消失，你的公司会瘫痪吗？”

他的答案是。对于深度拥抱AI的人来说，瘫痪才是正常状态，就像没了电和网一样。

这个判断源于他过去一年多亲手在AI上投入的大量时间，在他看来，企业级智能体的价值边界已经非常清晰，即屏幕内的事情，AI都能做。

这意味着，所有与文字、图片、数据处理相关的岗位和工作流，都值得用智能体重做一遍。

现场展示的案例极具说服力。

一个日程管理智能体“阿福”，能自动处理航班提醒、会议签到、甚至记住家人的生日并提醒准备礼物；一个客资管理智能体，通过截图就能自动录入新加微信好友的信息，并分析话术。

更典型的场景出现在业务端。一家外贸企业将金牌销售的能力模型和话术“萃取”成一个谈单智能体，新员工入职三天就能借助它谈下几十万的订单，出单效率提升80%；

一家本地生活企业用智能体做客服，客服团队从20人缩减至4人，并搭建了调货和质检智能体，成功追回500万的问题货品；

服装行业的研发周期从45天压缩到一天，成交率提升50%；大健康行业的客户咨询专业度从60分提升到90分，客户甚至误以为背后是三甲医院的医生。

这些案例揭示了一个核心变化，企业的核心能力正在“中台化”。

老板或业务专家可以将自己的经验、判断和流程，固化为一个或多个智能体，让整个公司复用。

设计师、摄影师、打板师等岗位的界限被打破，一个人借助AI中台可以完成过去一个团队的工作。

而实现这一切的前提，不是懂代码，而是懂业务、会下命令。

现场讨论环节，参会者抛出的问题高度集中，朱雀的建议也很直接。

有人问：“我的业务链条很长，该从哪入手？”

他的建议是看四个维度“公司最擅长的事是什么、人力成本最大的环节是什么、处理某些事情花费时间最多的是什么、这些事情是否发生在屏幕内”，这四个维度的交集，就是最佳切入点。

也有人问：“我们是人力密集型行业，培养一个熟手要两三年，AI能解决吗？”

答案是将头部员工的能力“萃取”出来。比如把最优秀的几个老师的课堂全程录下来，让AI分析总结其优点，形成标准化的教学指南或话术，让新员工快速对齐。

这不仅是提效，更是把核心资产从人身上沉淀到公司。

还有人问：“老板很焦虑，要求全员学AI，但老板自己该不该学？”

朱雀的回答很坚决，老板必须亲自下场，就像当年创业做直播、做投流一样。一号位不在一线，就无法真正理解技术带来的变化，也无法做出正确的判断。

他用了一个例子佐证，某企业创始人，80多岁，仍亲自用AI做创作，是他公司里用得最好的人。

对老板来说，只有你自己在用，才是公司里最强的驱动力；用半个小时，自己亲手养一只“小龙虾”，比看一百篇文章都管用。

02

如何构建“低幻觉”的知识库？

智能体表现的好坏，很大程度上取决于其背后知识库的质量。

积木网创始人乔泳从技术演进的视角，解释了为什么“小龙虾”（Manus类自主智能体）的出现是一个分水岭。

过去的智能体更像一个被动的咨询顾问，需要用户将信息从对话框拷贝到工作台。而新一代智能体能够自主调用工具，访问业务系统，与客户沟通，甚至操作浏览器和软件。

这意味着，智能体从“聊天”进化到了“干活”，但要让它在企业内部真正干活，光有通用大模型是不够的。

乔泳提出了一个关键概念，企业需要为自己的小龙虾绘制一张“语义地图”。

这张地图要能清晰描述企业的业务结构，即有哪些数据（CRM、ERP）、有哪些关系（客户与订单、产品与批次）、有哪些规则和行动。

只有这样，当接到一个“客户投诉产品，找出原因并给出解决方案”的任务时，智能体才能像一位熟悉业务的员工一样，按图索骥，从售后系统找到投诉记录，从销售系统找到发货批次，从生产系统调出质检报告，最终追溯到供应商或原材料，形成一个从问题到原因的完整闭环。

这个过程的本质，是构建企业的实时孪生数据，不是给人看的3D模型，而是给AI看的语义模型。

它将企业散落在各个系统的数据连接成网，让智能体具备感知、思考、执行和进化的能力。

未来的企业，可能会像拥有一个共享的“群体记忆”一样，每个员工智能体的自我迭代，最终汇聚成公司整体的进步。

03

Demo之后，

如何走通“最后一公里”？

从Demo到全行业推广，跨越“最后一公里”的障碍在哪里？

未来式智能创始人、CEO杨劲松的分享，聚焦于落地的组织路径，他指出，即便当前最先进的模型，其任务完成成功率也无法达到企业要求的100%。

因此，现阶段最良性的模式不是完全替代人，而是构建“人机协作”的新工作流。

他以服务的某审计公司为例，还原了整个过程。

审计工作原本极度依赖人力，一个百万级别的项目需要六个人在现场工作一个月，他们基于智能体技术，重新设计了工作流：

审前调查报告由智能体自动完成；审计过程中，智能体批量提取、比对招投标文件中的关键信息，输出审计线索清单；审计人员拿着清单与施工方核实确认；最后，智能体将确认后的线索一键生成标准审计报告。最终，项目时间缩短至两周，效率提升近十倍。

这个案例清晰地展现了规模化落地的几个关键：

第一，场景选择遵循“三高两低”原则。

优先选择高度标准化、高重复性、高耗时，同时复杂度较低、验证成本较低的任务。

第二，团队构成是“业务专家+流程梳理+知识管理+一线用户”的复合体。

业务专家定义SOP和行业知识，流程梳理者设计人机协作的流水线，知识管理者确保上下文准确，一线用户参与构建并最终使用。

这其中，老板和合伙人往往是最佳的产品经理，因为他们最理解业务的价值和判断标准。

第三，建设路径宜采用“试点-扩展-规划”的渐进式策略。

先在办公场景找一个立竿见影的点（如知识库问答）让大家用起来，建立信心，再逐步向核心主营业务拓展，每一个阶段都设定明确的投资回报指标。

整场沙龙透出的信号是明确的，企业级智能体的落地，不再是技术部门的独角戏，而是一场由业务驱动、老板带队、人机协同的组织进化。

那些率先跑通场景、构建起知识地图、重塑工作流的企业，正在将“降本增效”从口号变为实实在在的竞争力。

［本文作者i黑马，i黑马原创。如需转载请联系微信公众号（ID:iheima）授权，未经授权，转载必究。］