如果你問一家企業的IT負責人，他們是否在用AI代理，答案大概率是肯定的。但如果你追問這個「代理」到底能做什麼，對話往往會變得模糊。VentureBeat Pulse Research的一項新調查顯示，這種模糊感並非偶然——企業確實在向Anthropic的Claude等模型平臺靠攏，但大多數已部署的「代理」其實只是聊天機器人包裝器。
部署現實：多數「代理」名不副實
調查覆蓋了101家企業，核心發現是代理編排的雄心與現實之間存在顯著差距。70%以上的企業聲稱在試用或生產中使用AI代理，但經過仔細評估，其中超過一半的系統只是帶有記憶和簡單多步能力的聊天介面。真正的代理需要具備複雜的規劃、工具呼叫和自主決策能力——而這些在大多數企業案例中尚未實現。為什麼企業熱衷於把聊天機器人稱作代理？一個可能的解釋是營銷需要。在AI熱潮中，宣稱擁有「代理」能力能提升產品吸引力。但更深層的原因可能在於：真正部署多步自主動作的風險太高。企業擔心代理在不可預見的情況下做出錯誤決策，因此更傾向於將其限制在對話輔助的角色。這種保守策略雖然安全，卻也限制了代理髮揮潛力的空間。
平臺選擇：Claude領跑，混合控制成主流
在平臺選擇上，Anthropic的Claude憑藉其模型質量和可靠的多步執行能力佔據明顯優勢。調查中，約45%的企業將Claude作為主要代理編排平臺，遠高於OpenAI的GPT系列（約25%）和其他競品。理由很直接：代理的執行效果高度依賴底層模型的推理能力，Claude在複雜任務中的連貫性和可控性獲得了企業使用者的認可。不過，企業並不打算完全鎖定在單一平臺上。超過60%的受訪者表示，他們希望控制平面（控制代理行為的規劃、監控和干預層）是混合的——既能相容多種模型，又能自定義決策邏輯。這種需求源於對供應商鎖定的擔憂，以及對特定任務的優化需求。例如，一些企業將Claude用於創意生成，而用較小的開源模型處理標準化操作，以平衡成本。
成本控制：實時Token預算仍是短板
另一個值得關注的發現是成本管理。雖然企業普遍擔心代理執行時的Token消耗，但只有不到三分之一的企業實現了實時成本控制。大多數團隊依靠事後審計或月度結算來監控支出，這在代理頻繁呼叫的場景下可能導致預算超支。調查指出，真正的成本控制需要細粒度的Token預算、執行中斷機制和動態模型切換——這些功能目前在主流平臺上尚未完全成熟。一些企業嘗試通過模型序列（先用小模型過濾簡單請求，再用大模型處理複雜任務）來降低成本，但這種方式需要精細的策略設計，否則反而會增加延遲。對於已經開始大規模部署代理的企業而言，缺乏實時成本控制意味著他們需要額外的工程投入來構建監控層，這也解釋了為什麼許多企業寧願將代理侷限在低風險、小規模的場景中。
給企業讀者的幾點建議
- 認清代理的定義：不要將所有帶對話介面的AI系統都稱為「代理」。明確代理需要具備自主規劃、工具呼叫和多步執行能力，避免內部溝通的混淆。
- 優先部署控制平面：在引入代理平臺之前，先設計好混合控制層。這不僅能避免供應商鎖定，還能讓你靈活調整代理行為，適應不同業務場景。
- 儘早建立成本監控：哪怕從試點專案開始，也要對Token消耗設定預算和告警。主動控制成本比事後追責更有效，也能為規模化積累經驗。
企業AI代理的落地不是一場速度競賽。VentureBeat的這份調查提醒我們，技術包裝再華麗，真正的考驗還是在實際部署中能否穩定、可控、可擴充套件。與其追逐「代理」的概念，不如先解決好基礎層面的問題——畢竟，一個可靠的聊天機器人，也比一個經常出錯的「代理」更有價值。
評論
暫無評論
成為第一個評論的人