“下一轮 AI，卖的不是工具，而是收益。”——红杉资本合伙人Pat Grady 把这句话称为“万亿美元机会”，而OpenAI首席执行官 Sam Altman和谷歌首席科学家Jeff Dean 也点头表示赞同。
当大模型风浪逐渐趋于平息后，智能体接过了大模型的交接棒，将AI带到了另一个新时代。英伟达具身智能研究主管Jim Fan在上述观点的基础上，又补上一句——“当机器人能通过物理图灵测试时，收益=自动化的现金流。”
近日，笔者在与IBM大中华区技术销售总经理、首席技术官翟峰的对话中，他也提出了同样的观点。在此基础上，翟峰还认为，AI的试验阶段已经结束，企业核心竞争力将取决于定制化AI应用和可量化的业务成果方面。
在前不久举办的IBM Think大会上，IBM董事长兼首席执行官（CEO）阿温德·克里希纳（Arvind Krishna）曾指出，当前的AI需要聚焦四个层面，分别是：智能体、数据、集成、基础设施。
在翟峰看来，企业想要通过AI获得收益的过程中，首先需要面对三个问题：第一，高质量的数据有没有？第二，有没有在用？第三，有没有发挥作用？“企业级AI落地最重要的因素是数据，这是核心生产力，没有数据一切都是空谈，”翟峰进一步指出，“现在大家在谈的大模型，可能有很多互联网数据，但是企业最核心的数据有没有整合出来？这是最关键的因素。”
另一方面，在AI技术风潮步入智能体时代的背景下，AI技术如何与传统自动化技术融合，成为接下来AI技术发展的关键点。
以制造业为例，在生产制造过程中，原本工厂就已经应用上了诸如自动化流水线、自动化机器臂等自动化设备，在AI时代，这些传统的自动化设备如何与AI智能体融合，产生更大的力量是个值得关注的方向。
从AI技术层面上看，视觉识别类的技术其实已经得以在制造业工厂中应用，比如，通过AI技术的加持，企业已经可以实现对生产零部件的自动识别优良，从而提升检测效率，提高检测准确度；通过动态捕捉和识别技术，可以对员工的操作流程进行规范化监控，降低生产过程中人为因素导致的设备故障及安全事故的发生概率。
通过安装传感器等设备，可以对大型制造设备进行实时监测，并基于一些运行数据，进行AI智能分析，对设备的维修进行预警。这些应用已经实实在在的”跑“在了智能化工厂中。
回到智能体上，在翟峰看来，当下企业更为关心的是智能体能否真正发挥作用、AI技术在场景下的复用性，以及ROI这三个方面。
Agent落地按下加速键
智能体的火热不仅是甲方企业对于技术赋能的追求，更是乙方服务商的一场”狂欢。这点从今年初各个厂商的大会上分享的内容不难看出—智能体已经接下来各个厂商重点布局的方向。
4月17日，OpenAI推出了具备更强Agent能力的推理模型o3和o4-mini，并预测至2029年，AI Agent及其他新产品的销售额将超越ChatGPT，将总营收提升至1250亿美元，2030年总营收有望达到1740亿美元。
4月24日，阿里巴巴旗下AI智能体“心流”开启了高级研究模式公测，用户可填写问卷等待邀请，该智能体宣传称能像人类专家一样，自动帮做研究、写报告、写代码。
4月25日，在Create2025百度AI开发者大会上，百度发布文心大模型4.5 Turbo和深度思考模型X1 Turbo两款新模型之外，还发布了多款AI应用产品，其中就包括官方定位为通用超级智能体的心响APP。
5月7日，在2025联想创新科技大会上，联想集团董事长兼CEO杨元庆发布了包括联想天禧个人超级智能体、联想乐享企业超级智能体、联想城市超级智能体，及新一代联想推理加速引擎在内的超级智能体矩阵。
腾讯总裁刘炽平曾在今年一季度业绩会上表示，““在微信生态系统内，我认为我们有机会创造一个非常独特的Agent，即AI与微信生态系统特有的内容相连接，包括社交、通信和社区能力以及内容生态系统，比如公众号和视频号，以及数以百万计的小程序。实际上你可以接入各种信息，以及许多不同垂直应用程序的交易和操作能力。”
近日，在IBM Think2025大会上，IBM也推出了一套完整的、企业就绪的AI智能体解决方案，该解决方案以IBM watsonx Orchestrate为核心，据翟峰介绍，IBM watsonx Orchestrate作为集监控、规划和编排于一体的企业级智能体解决方案，可以确保智能体（无论是来自 IBM、第三方平台还是开源社区）之间的高效协作，并与企业的现有 IT 资产（传统自动化、AI 助手、API、数据存储和应用程序）进行协同。它预集成了 80多个行业领先的企业级应用，是企业应用智能体技术的理想网关，而无需担心被单一供应商锁定。
不过从技术角度出发，IBM大中华区科技事业部数据与人工智能资深技术专家吴敏达告诉笔者，面向C端用户的智能体与面向企业级应用的智能体“完全不是一个概念”。“企业级AI最核心的要求就是：智能体也好，大模型也好，不能存在‘幻觉’的问题，”吴敏达进一步指出，“与C端需要大参数，通用类的大模型不同的是，企业级AI并不需要太大参数，但是需要经过针对性的专有数据训练，来确保智能体给出的答案是准确无误的。”
与此同时，谈及目前业内议论的“当前还没有一家厂商能做出真正的智能体”的观点时，吴敏达表示，如果从通用智能体的角度出发，目前确实不存在能有一个解决各种各样的问题的通用智能体。但在垂直业务领域，针对特定场景的智能体已经有不少应用落地。
以HR场景为例，IBM在全球范围内引入了AskHR智能助手，已经能够处理94%的HR问询，减少了40%的运营成本，同时还提升了员工的整体体验。在今年Think大会期间，IBM发布了三款预构建的专业领域智能体，其中就包括HR智能体。
在此基础上，原先数字化做得好的企业肯定在智能体落地方面有着先发优势。对此，吴敏达表示，
以制造业为例，目前来看，制造业企业的数据有质量好的部分，也有质量不好的部分，“大家知道在ERP里面的数据，相对质量比较好一些，跟ERP联动的场景更加容易落地，因为数据质量相对比较好，但是脱离ERP，其他的系统相对来说没有那么好，数据质量相对差一点。”吴敏达指出。
“从点及面”，才能获得更大收益
从场景角度出发，翟峰认为，企业侧比较容易落地Agent的场景主要是“两端”，一个是客服端，通过智能体打造数字人或智能客服；另一个是研发。
以研发垂类领域为例，在研发领域中的代码编程细分场景，IBM曾推出一款智能代码助手——watsonx Code Assistant。这是一款能够帮助企业完成代码编写的企业级AI代码助手，它集生成式AI的强大功能与高级自动化于一身，能让企业的研发团队在生成式AI的助力下，更快、更智能、更好地完成代码开发环节。
除此之外，在研发方面，基于生成式AI，企业还可以通过建立专有的知识库，打造一套专属于自身的“问答系统”，让企业的研发团队在研发时的效率更高。
智能体就是软件工具，需要真正能解决企业最核心的业务问题。往往企业需要从一个小的细分场景出发，进行“试验”，进而再将效果得以复用。
IBM大中华区科技事业部车库创新团队经理张珣与笔者分享了一个IBM汽车行业用户的案例，她介绍到，在该车企内部，IBM推荐了用户从某一个部门入手。
具体来看，IBM与该车企经过商讨，选择了从维修部门入手，构建一个AI助手级别的维修助手，将维修手册、老员工的维修知识构建起知识库，用以提升所有员工的维修水平，“当维修助手跑通以后，我们又一起将AI的能力复用到了客服、财务、HR、销售等部门，”张珣进一步指出，“在接到用户诉求的时候，我们会首先从用户角度出发，寻找切实的痛点与需求，进而以典型场景做POC，最后验证了ROI之后，我们再与用户商讨大规模部署的订单。”
当AI步入成熟阶段，智能体成为企业重点发展方向，企业已经不满足于“画大饼”，也不单单希望获得一个简单的AI工具。企业已经开始更多ROI，希望能通过AI Agent获得更大的收益。对于企业级服务商而言，真正脚踏实地的让智能体能以更高的性价比落地将成为服务商们AI下半场主要角逐方向。（本文首发于钛媒体APP，作者｜张申宇，编辑丨盖虹达）
