今年以來，Token經濟概念火爆全球。但在剛剛過去的5月底，亞馬遜卻選擇關閉內部AI使用榜單“KiroRank”。

這個榜單原本統計員工在Kiro開發平臺上的Token消耗。然而，榜單啟用后，一些員工讓AI執行無意義任務，只為把使用量刷高。

亞馬遜高級副總裁Dave Treadwell隨后提醒員工，不要為了使用AI而使用AI。外媒報道稱，亞馬遜已經把考核重點從原始Token消耗轉向“標準化部署”，也就是工程師用AI實際交付了多少可用結果。

企業AI第一輪熱潮里，管理層最常問的是員工有沒有用AI，部門有沒有接入AI，業務有沒有做Agent。KiroRank關閉后，第一批大規模應用AI的企業，開始面對另一個問題：AI用量被推高以后，誰能證明它帶來了業務結果？

本月初，一個新詞開始在美國企業AI圈層流行：AI sticker shock（AI賬單震驚）。

按量計費的AI產品進入企業后，企業用戶發現支出賬單變得難以預測。Agent進入企業后，又面臨海量Token消耗帶來的成本攀升。

于是，一個問題被反復提及：企業真正需要的Agent平臺，究竟應該是什么樣？

這個由Agent生態引發的系統性問題，正在等待新一代企業級AI平臺作答。

01

失控的Token

亞馬遜關閉內部AI榜單“KiroRank”背后，是企業大量應用AI后，Token反而“失控”的現實。

亞馬遜原本希望用榜單鼓勵工程師使用Kiro開發平臺，但結果是一些員工讓AI執行無意義任務，把使用量刷高。

這是企業AI落地后的第一重困境：用量會失真。員工用了多少AI，部門建了多少Agent，都可以出現在匯報文檔上。但企業真正關心的是，項目有沒有推進，Agent做出了多少產出，人工鏈路有沒有被縮短。

瑞典金融科技公司Klarna也在客服場景遇到了相似困境。

2024年，Klarna曾對外稱，AI客服承擔了相當于700名全職客服的工作。一年后，公司開始重新招聘人工客服。Klarna CEO Siemiatkowski承認，過度轉向AI影響了服務質量。

Klarna前后兩次動作，讓行業開始重新審視：AI節省下來的成本，如果換來更多復核成本，就不能稱得上是靠譜的生產力。

在組織管理側，企業大規模引入AI后的資源配置問題也開始顯現。

澳大利亞聯邦銀行CEO Matt Comyn在近期談到，企業把AI用于更復雜任務后，相關成本會變得更難預測。他還批評低價值AI產出正在增加，用“work slop”（AI工作垃圾）形容那些看似完成工作，實際價值有限的內容。

換言之，AI消耗了很多Token，組織未必獲得更多結果。

這也是一些咨詢機構調低Agent項目預期的原因。

國際研究與咨詢機構高德納（Gartner）預計，到2027年底，超過40%的Agentic AI項目會因為成本上升、業務價值不清或風險控制不足被取消。Agent項目能否持續，不只取決于模型能力，也取決于企業能否把它放進真正的生產流程。

成本和效率之外，Agent進入企業生產流程后，還會把安全問題推到臺前。

本月初，Meta一款用于Instagram賬號支持的AI客服機器人，被安全研究人員發現存在漏洞。攻擊者通過設計特殊話術誘導AI執行錯誤操作，最終獲得多個高影響力賬號的控制權限，其中包括奧巴馬白宮賬號，絲芙蘭等知名品牌賬號。

當Agent開始連接企業系統后，這類錯誤操作可能在更長鏈路中引發連鎖反應。它不只是回答錯一句話，而可能錯誤修改賬號信息，觸發業務操作，或者訪問本不該訪問的數據。

成本同樣是繞不開的一環。

此前，一篇新加坡南洋理工團隊的研究提到，在工具調用鏈場景下，Agent可能被引導進入極長調用鏈，實驗中單次查詢成本最高被放大658倍，能耗提升100到560倍。隨著Agent接入MCP，插件和企業內部系統，傳統按Token計費開始面臨新的挑戰。

企業今天面對的，已經不是簡單的“接入AI”問題，而是如何讓Agent真正實現有效產出。

“AI下半場更難的是尋找好問題，好場景和好環境。”

在近日舉行的2026騰訊云AI產業應用大會上，騰訊首席AI科學家、騰訊混元大語言模型及AI Infra負責人姚順雨這樣說道。

行業高速變遷下，模型能做的事情越來越多，但企業仍要回答，什么才是值得被Agent解決的問題。

02

可靠的Agent，才能進入系統層

“今天AI原生服務的推理成本仍然較高，用戶提交的任務復雜度不同，成本消耗差異也很大。”在會后的采訪環節，騰訊集團高級執行副總裁、云與智慧產業事業群CEO湯道生，把問題拉回企業AI落地本身。

這也解釋了為什么企業級Agent面臨的“痛點”。當Agent真正進入生產流程后，企業更關心的是三件事：哪些業務場景值得做，Agent接入系統后能不能被安全管理，最后有沒有形成可核算的業務結果。

會上，騰訊云智能體開發平臺4.0的推出，讓這一話題再度引發討論。它瞄準的正是Agent進入企業生產環節后面對的這些問題，定位為企業級AgentOps平臺，打通企業級Agent從構建、連接、分發到治理的全生命周期。

ADP 4.0要做的，是把這些問題放進一條可管理的生產鏈路里。

第一步是找場景。

當前，行業內的一個共性問題是，很多企業不是沒有AI預算，而是不知道哪些流程適合做Agent。

ADP 4.0提供50多個場景化模板和行業精選應用，首批上線近40個精選Connector，并支持150多個Skills。企業可以把CRM，ERP，OA，工單，客服，企業網盤，知識庫，文檔系統等已有資源接入Agent，而不是手動搬運數據或重復整理材料。

這降低了企業從零試錯的成本，不管是客服場景的接高頻問題和工單流轉需求，還是營銷Agent商品推薦場景，都有對應的場景和Skill資源支持。

Claw模式則進一步降低了復雜Agent的構建門檻。

在原有LLM+RAG，工作流和Multi-Agent三種構建模式基礎上，ADP 4.0新增支持Agentic Loop機制的Claw模式。創建者無需配置復雜表單，只需要用自然語言描述需求，平臺即可自動生成提示詞，掛載知識庫，配置工具并編排工作流。

Claw模式面向更復雜，更長鏈路的業務任務。Agent可以在云端沙箱中自主編碼運行，調用企業Skills，執行長時任務。創建完成后，可以通過API接口集成到企業業務系統中，也可以通過企業微信，微信等渠道觸達員工和客戶。

騰訊工業質檢平臺TI-AOI提供了一個樣本。傳統視覺檢測高度依賴工程師現場經驗，數據檢查，日志查看，模型判斷和參數調整，往往需要在多個頁面之間切換。

基于Claw模式打造的質檢Agent，可以閉環完成一系列工業流程。工程師只需用自然語言輸入查詢指令，Agent即可自動完成數據健康檢查，訓練可行性判斷，并給出后續優化建議。

第二步是控風險。

一個Agent在進入企業核心流程之前，必須先知道它能做什么，不能做什么。

ADP 4.0將治理能力前置到開發源頭。平臺支持企業級，空間級，應用級的分層權限架構，并結合RBAC角色權限矩陣，實現功能權限與數據權限隔離。

企業可以根據組織架構，部門，崗位和角色配置訪問范圍，確保不同團隊，不同應用，不同知識庫之間權限邊界清晰。

Skills治理也被納入生產流程。員工提交的自定義Skill需要經過代碼靜態掃描，數據訪問，網絡出站，依賴白名單等安全檢查及多級審批后，才能進入企業專區被調用。Skill不再是個人隨手寫的工具，而是經審批，可共享，可調度的企業資產。

Agent Portal負責跨平臺納管。企業可以對不同平臺，不同業務場景中的Agent進行集中管理，查看調用量，活躍度，響應質量，運行成本和異常報錯，并定位問題原因。

部署方式也開始決定Agent能不能進入核心數據流。ADP 4.0支持公有云，私有化，混合云和專有云四種部署模式。智能工作臺與安全沙箱的私有化方案，也將支持在客戶內網中安全運行代碼，調用Skills和執行長時任務。

第三步是看結果。

在既有ADP落地中，伊利把導購，下單和營銷做成智能體矩陣。導購智能體上線后，社群商品鏈接點擊率提升15.7%，導購訂單數增長26.02%。智能下單智能體接入語音識別，意圖理解，商品推薦和下單跳轉后，需求識別準確率達到93%，下單轉化率提升39%。

而在酒旅場景下，華住基于騰訊云智能體開發平臺升級“華小AI”，協同搭建38條工作流。住客提出“需要一瓶水”后，系統5秒內完成理解與響應，自動生成工單，并聯動機器人完成配送。

目前，“華小AI”已落地上萬家門店，累計執行近150萬次任務，可自動處理70%以上高頻問詢。酒店服務里，Agent不再停留在問答，而是進入客需送物，酒店信息，服務設施，周邊查詢，續住開票等住中流程。

在大會上，騰訊云副總裁，騰訊云智能體開發平臺負責人吳運聲表示，企業級Agent不是比誰更快地搭建，而是比誰能讓Agent穩定，安全，持續地運行在業務現場。

會后采訪環節，字母AI提到，當前不少企業帶著預算和業務場景進入AI建設，但真正落地時，需求往往并不清晰。很多企業知道“要做AI”，卻并不確定哪些流程適合交給Agent，哪些環節真正能產生業務價值。

吳運聲回應稱，企業AI落地正在要求云廠商“往前走一步”。在他看來，云廠商不能只停留在模型和平臺提供層，而是需要真正深入客戶業務場景。“深入到客戶的業務場景里面去了解他的業務，再讓業務流程和模型能力更好結合。”

03

瞄準企業生態，進擊的騰訊AI

ADP 4.0真正折射出的，是騰訊AI戰略的一次重心切換——從追求模型打榜，轉向聚焦場景、好用與提效。

過去幾年中，騰訊的AI戰略，更多時候把它放在內部效率和生態的存量優化里。

2023年，騰訊CEO馬化騰曾在內部談到，AI是幾百年不遇的機會，但騰訊最開始不要急著爭先。

到了2026年股東大會上，馬化騰用“上船”形容騰訊在AI浪潮中的位置，并表示希望“船速能快一點”。

這種變化，很快反映在騰訊AI業務節奏里。

今年一季度，騰訊營收1964.58億元，同比增長9%。資本開支319.36億元，同比增長16%。騰訊管理層稱，一季度資本開支大部分用于AI相關投入。

若剔除混元，元寶，CodeBuddy，WorkBuddy及QClaw等新AI產品影響，騰訊非國際財務報告準則下經營利潤增速將從9%提高至17%。新AI產品單季影響經營利潤約88億元。

模型側也在同步加速。

混元重構后推出Hy3 preview，主打性價比和實用性，在OpenRouter最新調用量月榜單中穩居前二。

但對騰訊而言，更大的變化發生在產品和組織層面。

去年，知名AI科學家、前OpenAI研究員姚順雨加入后，騰訊把混元大模型和AI Infra放到更重要的位置。到了這次大會，騰訊討論的重點已經從模型參數轉向產品落地。

在上午的對談中，姚順雨解釋了“AI下半場”的含義。他說，這個概念來自自己去年的一篇博客，“方法論已經變得非常成熟，但尋找問題變得更加困難。”在他看來，預訓練和后訓練讓大模型像一個“萬能錘子”，可以解決各種問題，接下來更重要的是找到好的問題、好的產品和好的環境。

湯道生則把AI時代的產品變化概括成“預制菜”和“開放式服務”的區別。

他表示，PC和移動互聯網時代做產品，更多是產品方預先設計功能，用戶在菜單里點選；但AI時代，用戶可能用自然語言或語音提出需求，產品方并不知道用戶會問什么，“所以要充分利用模型能力去理解用戶的需求”，再通過推理和工具調用應對開放式需求。

而要做好AI時代的產品，湯道生認為，核心要具備三種能力。

一是場景聯接能力，通過高頻場景觸點，把大模型嵌到真實業務流。二是工程駕馭能力，通過Harness體系，讓Agent能夠穩定，可信，持續運行。三是模型驅動力，依托模型和產品Co-Design，兼顧實用性，性價比和ROI。

湯道生的觀點，從騰訊云ADP中，也能窺探一斑：騰訊云開始把Agent本身當成企業里的“新軟件層”來做。

在場景連接方面，ADP 4.0 讓Agent不只停留在對話，而是開始調用企業知識庫、CRM、OA、工單系統和MCP工具；還把企業落地經驗，沉淀成50多個行業應用模板，覆蓋金融、文旅、交通、教育、傳媒、零售等典型場景。企業不需要每次都從零開始，只需要一鍵復制模板，配置自己的知識庫、權限和業務工具，就可以快速生成一個可運行的垂直Agent。

在工程駕馭方面，ADP云端Harness則負責把原本分散在個人端的Agent運行過程，統一納入權限、日志、成本和安全體系，解決了企業級 Agent 的統一管理、穩定運行、長任務續跑和低成本運營。

在模型驅動方面，企業通過ADP可以使用騰訊混元，也能接入外部模型，平臺提供多種模型，供企業根據不同場景需要靈活選擇。

ADP的這套做法和騰訊整體AI方法論形成呼應。這一產品升級也意味著，騰訊正在把過去云計算時代“應用跑在云上”的邏輯，進一步推進到“Agent跑在企業系統里”。ADP承擔的角色，也不只是Agent開發平臺，而更像騰訊企業AI的一層運行中間件。

過去，騰訊更多把AI用在廣告推薦，內容生產，游戲研發等內部場景賦能中。現在，騰訊云深入到各類企業業務場景的一線中。

毫無疑問，下一階段企業AI的競爭，不會只看誰讓員工多用AI，而會看誰能把Agent接進真實業務流程、守住安全邊界、減少無效調用，最終，觀察Agent運行的結果，能否體現在真實業務產出中。

騰訊云ADP 4.0想回答的，正是這個問題。