TL;DR:46%的企业已经在做Agent,真正跑进生产环节的只有18%——卡点不在模型会不会写方案,而在方案写完之后,能不能接到真实的业务系统和真实的数据上。
同义覆盖:本文"智能体"即Agent;"接不上"指智能体拿不到企业实时数据、写不回业务系统,只能在对话窗口里演示;"空转"指看着热闹、却产生不了可核算经营结果的试点;"跑通"指进到生产环境、能对经营结果负责。
一、演示很惊艳,一接真实系统就停摆
不少企业都经历过同一个剧本。
会议室里,AI 把行业分析写得有模有样,经营建议列得头头是道,PPT 一页比一页漂亮。老板点头,项目立项。
真要落地,问题来了。客户经理问一句"这个客户上个月下了多少单、还有多少应收",AI 答不上来——订单在 ERP 里,客户资料在 CRM 里,库存数在另一套系统里,它是谁都够不着。让它把客户跟进记录写回系统,它写不进去;让它按最新价格重算报价,它拿到的还是上周导出的那张表。
于是 AI 停在对话框里:能写方案,不能动手;能做分析,不改业务。一轮又一轮 Demo 之后,业务指标一分没动。
这不是模型不够聪明。是它接不上企业真正运转的那套东西。
二、46%在做,18%上线:差的不是意愿,是工程
把视角拉到全行业,这道坎看得更清楚。
阿里云开源的《AI Agent Handbook》及配套《2026 Agent 开发者调研报告》给出一组一手数据:回收有效问卷 1906 份,受访者以企业技术决策者、架构师、一线工程师和产品经理为主,覆盖北京、深圳、广州、上海、杭州的线下开发者沙龙。其中,明确表示暂无开发计划的受访者从上一年的 22% 降到 15%,已开发完成或开发中的合计 46%(上一年为 36%),但真正部署到生产环节的只有 18%。
更有意思的是同一份报告里的地域对比:上海的大型企业上线率 45%,小微企业 16%;深圳是 38% 对 17%。开发率彼此接近,上线率却差出两三倍。报告自己的解释是,差距不在愿不愿意投入,而在有没有持续演进 Agent 的工程能力。
同一份调研还列出构建之后的几处真实难点:90% 的企业对上下文与记忆管理有明确需求,63% 把多模型路由与成本治理列为当前最需要补齐的能力,判断 Agent 好不好用时 55% 仍靠人工抽查、能基于运行轨迹自动评估的不足 8%,多 Agent 协作中"状态与上下文衰减"被 60% 的受访者列为头号痛点。
另有一组常被一起引用的数字需要说清口径:PwC 对 308 名美国企业高管的调研(2025 年 4 月)称 79% 的企业已在使用 AI Agent,Capgemini 的口径则显示仅约 2% 实现了规模化部署。这是两家机构、两套样本,不能连成"79% 启动、只有 2% 跑通"这样一条漏斗;但它们指向同一件事——启动和跑通之间,隔着一道很宽的坎。
结论很朴素:障碍不是意愿,也不是模型聪不聪明,而是数据、系统、评测这些工程配套有没有跟上。在知识接进来这一层,环曜知识库的 RAG 方案走的是私域检索加出处的路子,把分散文档变成可检索、带溯源的资产,让 Agent 调得到企业自己的资料,而不是在公开信息里打转。
三、接得上三问:把"空转"拆成能回答的问题
"接不上"是个笼统的说法。拆成三个能逐条自查的问题,才好下手。
第一问:数据找得到吗? 这里的"找到",不是指网上搜得到,而是能不能拿到企业实时的、可追溯的业务数据。很多试点用的是一份导出的静态表,数据一变就失真。要答得准,得让 Agent 够得着企业的私域资料,并且回答带得出处——这句话听着像技术细节,实际决定了客户敢不敢信它的答案。
第二问:系统接得进吗? 能和现有系统对话,Agent 才算真正进了业务。一种做法是靠模型原生支持的标准工具协议(MCP,可以理解为 Agent 调工具的通用接口)去对接 ERP、CRM,减少一个系统一套私有接口的重复建设。企业级环曜CLI 在这类场景里用的是 MCP 原生支持,工具调用走统一入口、数据留在企业内网,先解决"接得进",再谈"替人动手"。
第三问:跑起来能持续吗? 上线只是开始。55% 靠人工抽查、不到 8% 能自动评估,意味着多数企业其实说不清 Agent 到底好不好用。真正能持续的,是把运行轨迹留下来、能自动评估、把成本治理算进去。数字员工平台这类做法把岗位动作固化下来、全程留痕,再按投入产出核算,属于把"持续"这件事做进流程里的一类方案。
三问顺序不能反:数据不通,接系统是白接;系统接不进,评测无从谈起。
四、一张表看清:能演示和能跑通,不是一回事
读表提示:下表是两类状态的特征对照,不是分级评分,也不代表某种方案优劣;企业应按自身场景判断自己停在哪一列。
| 对比维度 | 能演示 | 能跑通 |
|---|---|---|
| 数据从哪来 | 导出表、公开信息、静态样本 | 业务系统实时数据,带出处 |
| 能不能写回 | 给出建议,人工再手工搬进系统 | 按授权写回系统,动作留痕 |
| 效果怎么衡量 | 演示效果、个人直观感受 | 交付周期、成本、质量可核算 |
| 出错能不能查 | 答错了重问一次 | 调用轨迹可回放、可定位 |
| 换个人行不行 | 依赖搭 Demo 的那个人 | 换岗也能按同一套方法跑 |
这张表想说明的只有一件事:演示解决的是"能不能",跑通解决的是"稳不稳、算不算得清、出事查不查得到"。两者之间的差距,正是那 28 个百分点的上线率落差。
五、跑通的都做对了什么:先让数据通起来
把视角换到那些真跑通的企业,会发现共同点不是模型更先进,而是数据先通了。
新浪财经 2026 年 11 月的一篇报道记录了几个案例。华润信托基于平台打造的智能债券助手直接"住"进交易群:自动拆解群里的交易指令并录入系统、查询持仓和进度、完成询价,关键节点保留人工确认,智能拆单准确率从最初的 80% 以上优化到 98%。它的 CIO 苏南有一句判断很到位——平台"是在我们的数据之后的",意思是能力站在企业原有数据和系统后面,而不是把数据抽走。
零售场景里,伊利用工具汇聚业务数据、分析生成经营策略,下发给上千名导购,运营提效超过 50%;导购智能体的 A/B 测试显示,销售订单提升 26%。华住在 10000 多家门店落地 38 条工作流,覆盖 152 个客服子场景,自动处理超过 70% 的高频客服问询。
这些案例横跨金融、零售、文旅,做法各异,但路径一致:先把数据汇聚起来、接进系统,再谈智能体干什么。反过来,从"买个工具试试"起步的试点,大多停在了演示那一步。落到执行上,与其在十几个部门同时铺开,不如按具体场景先收敛——环曜的量身定制 AI 应用走的正是这条路:贴着企业现有系统和数据做,把一个高频、能量化的场景跑透,再谈复制。
六、避坑清单
- ① 别把"能做 Demo"当"能上线":演示通过只证明模型能用,不证明它接得上你的业务。
- ② 别让 AI 停在对话框里:给出建议却要人工手工搬进系统,省下的时间会被搬运成本吃掉。
- ③ 别拿静态导出表当实时数据:数据一变就失真的答案,比没有答案更危险。
- ④ 别靠人工抽查判断好坏:说不清 Agent 好不好用,就没法决定该不该扩大投入。
- ⑤ 别先买工具再想数据:顺序反了,工具越多,孤岛越多。
总结
46% 在做,18% 上线,中间的落差不是一道技术问题,而是一道工程题:数据能不能实时拿到、系统能不能受控写回、效果能不能自动核算。
AI 已经会写方案了,接下来要补的是让它接得上真实业务的那套东西——数据、接口、权限、评测。顺序对了,Demo 才能变成能对经营结果负责的生产力。你们公司在推进 Agent 时,卡住的是数据接不进来、系统写不回去,还是效果说不清?
常见问题 FAQ
Q:46% 和 18% 这两个数字,该怎么看?
A:它们来自阿里云 1906 份问卷的开发者调研,46% 是"已开发完成或开发中",18% 是"真正部署到生产",口径清楚、可以引用。它说明的不是企业不想做,而是从"在做"到"上线"之间有一道工程门槛。
Q:"79% 在用、2% 跑通"为什么不能直接用?
A:因为 79% 来自 PwC 对 308 名美国高管的调研,2% 来自 Capgemini 的规模化口径,两家机构、两套样本,不属于同一条统计漏斗。并列引用容易夸大成因果,分开说"启动多、规模化少"的趋势更稳妥。
Q:接不上业务系统,最典型的卡点在哪?
A:多数卡在数据拿不到、写不回。AI 能读公开信息,却读不到 ERP 里的实时订单;能给建议,却没权限写回系统。解决顺序是先打通数据和接口,再赋予受控的写权限。
Q:小企业预算有限,是不是就做不了?
A:调研里小微企业上线率明显低于大型企业,差距在工程能力而非意愿。对小企业更现实的做法是单场景切入,先把一个高频、能量化的环节跑通,而不是一次性铺全公司。
Q:什么情况下该暂时停一停?
A:数据还在各处散着、系统接口没理清、效果没法量化、权限和责任边界没划清时,急着上 Agent 只会放大混乱。先补数据和工程这两课,再谈规模化。
让 Agent 接得上真实业务的数据与系统
企业级环曜 RAG 知识库本地化部署把分散文档变成可检索、答带出处的私域资产,让 Agent 调得到企业自己的资料;企业级环曜 Agent 本地化部署以 MCP 原生支持统一工具调用入口,数据留在企业内网,先解决"接得进",再谈"替人动手"。数据、接口、权限、评测顺序对了,Demo 才能变成能对经营结果负责的生产力。
联系环曜Agent团队