作者 | 150 克

這場訪談，發生在一個頗有意味的時間節點——“后龍蝦時代”。所謂“后”，指的是熱鬧仍在，但狂熱情緒已開始退潮；概念不再被追捧，真正的落地正在成為進行時。

本期《C 位面對面》特邀順豐集團 CIO 劉潭仁、深信服科技 CIO 宋東林，共同探討全行業正熱切關注的命題：Agent 到底如何真正走進企業生產場景？

麥肯錫報告顯示，2026 年，大量 AI 項目停留在試點階段，真正進入生產環境的比例并不高，甚至有觀點認為，接近九成以上的項目最終沒有規模化落地。

問題出在哪里？很多企業的第一反應，是要從“技術”開始：選模型、搭框架、接工具，把一個流程跑通。但在這場訪談中，一個更重要的觀察被提出：

Agent 落地從“能用”到“生產級”，最致命的差距在于場景選擇與知識數據的治理。

順豐集團 CIO 劉潭仁分析，Agent 落地的四大要素為場景、數據、算法、算力。50% 的算法可依托大模型解決，算力多為外采，因此場景選擇與數據知識治理，才是決定 Agent 能否進入生產級的核心障礙，更是企業需長期布局的戰略重點。

也就是說，Agent 落地真正難的，是讓它在真實業務中持續、可靠、可衡量地發揮作用。

訪談期間，“這個深有體會”“我們也踩過坑”... 類似感嘆不斷出現。沒有刻意的鋪墊，也沒有標準答案式的表達，更多是經驗被不斷喚起、被彼此印證與共鳴的過程。

點擊觀看精彩內容

1 選對“高頻且痛”的場景，平衡 Agent 與人的協作關系

Agent 落地，首先不是技術問題，而是場景問題。

深信服科技 CIO 宋東林提出了一個判斷標準：只有高頻且痛的場景，才值得優先落地 Agent。“高頻”指需求常態化發生、使用體量充足；“痛”指傳統作業方式效率低下，業務端有強烈的優化需求，二者兼備，Agent 項目才有立項價值。

順豐集團 CIO 劉潭仁也持類似判斷。在他看來，企業做 Agent 之前，首先要算 ROI：業務規模是否足夠大，人力成本是否足夠高，問題是否足夠集中。如果答案是否定的，就不值得優先投入。

但在真實企業環境中，ROI 只是第一層篩選。Agent 落地還取決于幾項更隱性的條件：這個問題是否真的適合用大模型解決；企業是否已有可用的數據和知識沉淀；業務團隊是否愿意改變流程，并認可這件事的價值。

這意味著，“好場景”并不存在統一模板。它本質上是業務價值、技術可行性與資源約束之間的平衡。

在場景落地過程中，另一個常見誤區是對準確率的過度執著。劉潭仁指出，大模型天然存在幻覺，如果追求絕對正確，不僅成本極高，邊際收益也會迅速下降。評判 Agent 的標準應對標人工，只要其綜合表現不輸普通員工，且在效率、輸出一致性上更穩定，就具備落地價值。

因此，企業需建立人機協作新模式，由 Agent 承擔基礎工作與初步判斷，人工負責校驗、決策與責任兜底，才能讓 Agent 真正轉化為企業生產力。

2 數據治理永無止境，持續進化是關鍵

不少企業推進 Agent 應用時，一味追求更強的 AI 模型，但兩位 CIO 達成共識：決定企業 Agent 能力上限的核心，并非模型，而是企業的數據與知識體系。

宋東林指出，隨著大模型能力逐漸趨同，模型本身可以被快速獲取，算力也可以外采，但企業長期沉淀的數據、知識和業務理解，無法被輕易復制。

順豐集團正在構建的從“服務人”到“服務 Agent”的知識體系，本質上就是把原本面向人的知識，重組為機器可以調用的能力結構。

但現實中，大多數企業還沒有走到這一步。很多企業雖然意識到數據的重要性，但并不清楚什么是自己的關鍵知識。企業核心知識，數據零散分布在各類系統中，業務經驗沉淀在文檔與員工個人認知里，高價值信息與無效歷史數據邊界模糊。因此，企業落地 Agent，絕非簡單搭建知識庫，而是要全面梳理知識、重構數據結構，搭建可自主迭代優化的數據系統。

隨著 Agent 進入業務流程，AI 本身也開始反過來參與數據治理。宋東林提到，在問答、問數、客服等場景中，每一次使用都是一次反饋：正確回答可以沉淀為 good case，錯誤或不理想的回答則成為 bad case，進一步暴露知識錯誤、數據沖突或口徑不一致等問題。

這些反饋可以反向推動數據和知識體系優化。例如，AI 可以幫助識別不同時間、不同來源之間相互矛盾的沖突數據，也可以幫助清理知識庫膨脹過程中產生的冗余信息。

因此，數據治理正在從單純的人工維護，轉向人機協同演進。

未來企業在數據治理上需要持續進化：既能隨著數據和知識變化不斷更新，也能適配底層模型的持續迭代，不被某一代技術鎖定。

歸根結底，Agent 能否真正發揮作用，不取決于企業拿到了多強的模型，而取決于它能否在持續變化的數據之上，建立并維護一套可進化的信息秩序。

更多精彩內容，點擊觀看視頻