当企业部署顺利时，我通常在最初两周内就能判断出来。

人们不只是登录系统。他们登录后，会关闭 AI 代理在夜间处理的支持工单，确认自己睡觉时发给销售线索的后续跟进，发现新的用例，并主动配置更多代理。团队开始问的是“它还能做这个吗？”，而不是“为什么它没在做那个？”那一刻，你就知道客户喜欢这个产品，而且已经在依赖它了，就像他们每天使用 WhatsApp 一样。

交付的价值非常可观，体现为显著的时间和成本节省，以及 CSAT 分数和整体运营效率的明显提升。这样的业务影响大到根本无法忽视。

但如果出了问题，信号同样清晰。

他们签下合同，发布关于重大 AI 转型的新闻稿，然后……人们登录后其实什么也没做。代理实际处理的工作只占原本计划的一小部分。团队大多数人仍然在手工处理事务。他们没有完成与 CRM、ERP 或工单系统的集成。先是一周登录一次，接着就停止了。你不需要占卜就能知道，明年他们大概率会说类似“这不符合我们的工作方式”的话，而合同也不会续签。

这两种结果之间的差异，几乎从来不是技术本身造成的。

技术是可行的。AI 代理也已经准备好了。但企业还没有准备好。

原因如下。大多数公司以为部署 AI 代理，就是把 ChatGPT 接到自己的系统里，然后一切就会自动运转。这不是这么回事。AI 与你的 CRM、ERP、工单系统、沟通渠道等之间的每一个集成，都是一个独立的硬工程问题。不存在 AI 自动接入 200 个内部系统的魔法。

人们也常常认为，难点在于 AI 模型本身。现在已经不是了。AI 模型正在越来越商品化。你可以在几秒钟内从 ChatGPT 切换到 Claude、Gemini 或其他模型，而今天的开源模型运行成本大约只有前沿实验室的 1%~2.5%，却能达到约 90%~96% 的质量，在某些细分领域甚至能超过 100%。模型本身没有护城河。护城河在集成，而每一个集成都意味着一个需要真正投入工作的前进步骤。

护城河还在于支撑这些系统的知识。

你的知识首先必须可用

即使你把所有集成都做好了，代理的输出质量也只取决于你喂给它的知识质量。数据为王，数据质量就是金矿。像 Mercor 这样的公司，已经通过高薪聘请领域专家来专门产出高质量数据，供 AI 学习。大多数普通公司没有几百万美元可以投入到这上面，但它们有同样宝贵的东西：多年积累下来的、关于业务实际运作方式的知识。问题只在于，这些知识几乎从来不在它该在的地方。

想想知识在公司里的真实流动方式。某个员工花了好几天研究一个复杂的客户问题，终于解决了，然后通过 WhatsApp 回复。下次同样的问题出现在另一个员工、另一个客户身上时，他们又得从零开始，再花几天时间才走到同样的结果。太浪费时间了。

而且，公司知道的一切通常都散落在各处，以自然语言的形式存在：邮件、PDF、某人本地硬盘上的文档、公司云端里充满重复和冲突版本的文件……还可能存在于只发生过一次、从未录音的电话里。甚至还存在于离职员工的脑子里，以及他们已经被删除的数据里，因为知识传递根本没有发生。

现在，这些知识都可以被 AI 记录、组织、管理、使用和应用。

要把这件事做好，就必须把知识当作基础设施来看待。代理所引用的每一份文档都需要上传到知识库，保持最新，并进行访问控制。面向客户的代理只能看到客户应该看到的内容，内部代理则需要看到完整信息。

可以把它想成新员工入职。你不会把一堆 Google Drive 文件丢给他们，再转发一堆邮件线程，指望他们在一个月内自己吸收正确的信息；你会从第一天开始就明确他们知道什么。

知识库也必须能够处理企业扔给它的任何内容，无论是 PDF、电子表格、语音笔记、图片，还是多语言文档。内容发生变化时，知识应该能够更新，而不必从头重建。最理想的状态，就是把它交给代理，让它自动、并且在所有地方替换旧知识。

亚洲一家管理数百个住宅和商业物业的大型房地产集团，就正好面临这样的问题。它有合规文件、租户合同、楼宇专属维护流程、供应商升级规则，以及分散在不同系统、不同语言中的数据。多年来，没有人建立起一致的结构，也没有人为可对外共享与必须内部保留的知识划清清晰边界。

他们过去回应租户咨询要花好几个小时。部署 agentic AI 之后，任何信息都能在 30 秒内检索到。首次响应时间从 12 小时降到 60 秒以内，租户满意度在部署后的 90 天内几乎翻倍。

我曾听那家公司的一名员工说，即使已经工作了 20 年，他仍然无法记住 50% 的 SOP，因为它一直在变化；而 AI 却能在消化后的 2 秒内记住一切，并且正确回答一切。

同样的信息，终于可用了。

销售 99% 都是跟进，代理也是如此

把知识做对，是内部问题。外部问题，则是把代理的每一次对话连接到企业真正运行的系统上。

有件关于销售的事，大多数人不会写在 LinkedIn 上：销售 99% 都是跟进。在我创办 Jurin AI 之前，我每年大概会收集 800 到 1200 张名片，但真正跟进的不到 2%。这不是我不想做剩下的 98%，而是这个过程实在太痛苦。你必须抽时间手动录入对方的信息，回想你们在哪里见过、到底聊了什么，然后再写一条个性化消息。等你真正处理到这里时，时机早就过去了。

现在设想由代理来处理这一切。你见到一个人时，系统已经知道他是谁、他上周发了什么、以及什么内容与你正在构建的东西有关。跟进会在当天发出，而且是个性化的，同时对话还保持新鲜。每一条线索都不会漏掉，不只是你记得的那些。

这可不是 10% 的提升。若运作得当，这意味着 50 倍营收，或者在某些行业里 200 倍利润，正堆在一堆没人处理过的名片里。这就是 AI 变成“game changer”的地方。

当你能回想起每一次过往对话，并从上次中断的地方继续时，这正是 Meta “让世界更紧密相连”使命声明的核心。

同样的逻辑也适用于企业内部。当潜在客户询问价格时，对话本身可能很简单，但底层工作流并不简单：这是现有客户还是新客户？之前有没有人联系过？这段关系由哪个区域负责？管道里有没有未关闭的机会？这项折扣是否需要审批？以前有没有支持工单？是否已经有人在处理？人类层级越多，低效就越会指数级累积；而 AI 只是轻松地线性扩展。

AI 代理可以处理这一切，但前提是它必须连接到掌握这些答案的系统。Salesforce、HubSpot、SAP、Oracle、你的工单系统、你的 ERP，以及企业实际使用的任何组合，都需要在代理开始做事之前完成集成。集成到位后，代理会检查 CRM，调出真实历史，路由给正确负责人，记录互动，并安排后续跟进。对话发生了，而 AI 会捕捉发生在前、中、后的所有工作流。

所有互动都必须放在同一个地方

但要捕捉这些工作流，前提是你能看到全貌。而大多数企业做不到，因为对话分散在不同地方，由不同的人负责，而这些人彼此并不知道对方说过什么。

例如，客户经理手里有 WhatsApp 历史；销售看 CRM；支持看工单；财务看发票。客户会认为，公司里任何一个人都知道他们曾经告诉过公司里的任何事情。

如果企业把代理部署到这种碎片化环境里，却指望它表现良好，那它不会成功。

客户接触到的每个渠道——无论是电子邮件、WhatsApp、Slack、电话、CRM 还是工单系统——都需要集成到同一个系统里。这样一来，代理就能看到全貌：上周承诺了什么、还有什么未完成、今天早上谁和客户谈过、他们说了什么。无论对话从哪个渠道开始，代理都能带着完整上下文继续。

前面提到的那家房地产集团，原本为每处物业分别独立运行不同的 LINE、WhatsApp、WeChat 账号和邮箱。等到所有渠道都统一并连接后，代理就知道这栋楼、这位租户、历史记录和未解决问题。它终于看到了全貌。

给代理与每个工作流相匹配的自主权限

你不会在新员工第一天就把公司信用卡交给他。但你也不会让他发一封邮件都要先请示。代理的工作方式也是一样。

有些工作流，你希望代理端到端直接处理，比如回复客户、更新记录、关闭工单、重新安排送货。另一些工作流，你希望在任何内容发出前先由人类审核。代理会先做基础工作，比如调取数据、起草回复、标记异常，而由人做最终决定。

关键在于，在企业 AI 部署上线之前，你要先决定给每个代理多少自主权。

一家每天处理 3,000 个订单的电商企业，可能会让代理在订阅修改、配送变更和取消审批上拥有完全自主权。但超过某个金额的退款，仍然交由人工处理。定义这些规则和权限只需要不到一天。但如果设置正确，你就能在下班后实现零未处理请求，并且每年为自己节省七位数成本，以及大量麻烦。

这才是企业 AI 代理真正需要的东西

开头描述的那个“魔法时刻”——人们登录后发现工作已经完成，然后问“它还能做这个吗？”——不是偶然发生的。它发生在知识被结构化并变得可用、代理连接到企业真实运行的系统、所有渠道整合到一个系统里、以及在上线前就有人明确决定代理被允许做什么的时候。

如果你在合适的平台上，这些事情没有一件在技术上是难以实现的。但它们都要求企业做出一直在回避的决定。

真正把这些工作做好的企业，不只是得到一个能用的代理。他们还会比过去更清楚地看到业务到底是如何运作的：有文档化的工作流、干净的知识，以及集成好的系统。

事实证明，优秀的企业 AI 部署所需的前提，和一家管理良好的公司所需的前提，其实完全是同一件事。