「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）
