先看两组工程侧值得注意的数据。

麦肯锡2026年调查：80%的受访者说AI提升了个人生产力，但只有37%的企业能把利润影响归因于AI使用。Atlassian对1.2万名办公人员的调查：个体生产力估计提升33%，只有3%的企业记录了显著效率增益。

个体提升是真的，组织增益接近于零。从系统架构角度看，原因很具体：智能体被部署在"岗位"层，而组织效率的瓶颈在"接口"层。

瓶颈定位：协调接口税

麦肯锡把跨团队、跨职能、跨系统流转产生的总成本称为"协调接口税"。在知识密集型组织里，对齐、核实、对账、等待、交接消耗总工作时间的35%到60%，且大部分不可见——需求计划管预测、供应计划管分配，两者之间的缺口没有 owner，也不被测量。

岗位级智能体的能力模型覆盖不到接口层：

• 销售助手能更快生成报价，但无法回答"这个交期生产接不接得住"——需要产能与物料系统的实时状态；
• 财务助手能更快出报表，但无法裁决"业务口径与财务口径冲突时听谁的"——需要口径治理规则；
• 所有人都能更快发消息，但等待、对账、返工、升级的次数没有减少。

结果：个人省下的时间没有被流程捕获，token 成本上升，端到端指标不动。

任务级编排层：三个架构转变

任务级智能体不是"一个任务配一个bot"，而是以端到端任务为中心的编排层，负责任务分发、信息同步、对账核实、冲突检测、异常升级。对应三个架构转变：

1. 部署单元从"人"变为"流程"。 编排层持有任务的完整上下文：销售承诺了什么、产能边界在哪、物料到哪一步、信用额度够不够。销售承诺激进交期时，编排层自动做冲突检测，把缺口暴露给流程所有者，而不是让问题在群里流转三天。

2. 度量体系从个人指标变为接口指标。 端到端周期、交接等待时间、返工率、对账差异率、跨部门决策吞吐。个人效率是虚荣指标，接口指标才是组织效率的损益表。

3. 资源分配从token预算变为结果预算。 按端到端结果分配AI预算，考核"省下的时间是否转化为更短的交付周期、更低的返工"。

底座选型上，这对应"智能体软件与流程执行型软件统一底座"的架构（用友BIP称为"智能双模"）：智能体负责求变的判断类衔接，流程引擎负责求稳的规则化执行，共用一套数智底座。两个引擎分离部署的后果，是接口工作退回人肉对账。

能力边界：完全自主代理的数据

接口自动化不等于"无人化"。斯坦福和卡内基梅隆2025年的大规模研究给了一组硬数据：

指标	完全自主AI代理	人类单独工作
耗时	比人类少 88.3%	基准
成本	低 90% 以上	基准
成功率	低 32.5%–49.5%	基准
数据分析错误率	37.5%	—

同一研究里，人类主导、AI增强的混合团队表现比完全自主AI高出68.7%。

结论：协调的实质是判断谁该做什么、冲突怎么裁决、异常怎么升级——这些当前必须由人保留判断与问责。编排层的正确形态是人机混合：AI干接口上的重活（流转、检测、路由），人保留判断、纠错、升级。

麦肯锡引用的一项涉及515家初创企业的实地实验也支持跨接口重设计：这类企业收入是仅在现有步骤内使用AI的企业的1.9倍，获得付费客户概率高出11个百分点（研究者提示量级随企业规模或有差异）。

工程落地五步

1. 暴露接口：选1–2个最贵的跨部门接口，埋点测量——工作停在谁手里、停多久、返工几次、对账差多少。先建接口成本基线。
2. 设流程所有者：每个关键接口有 owner 对缺口负责。智能体可以路由，不能替组织裁决优先级冲突。
3. 先标准化再智能化：接口SLA、数据口径、异常升级规则先行。跨部门数据不开放，编排层只能做表面同步。
4. 人机混合问责：AI处理流转、冲突检测、异常路由；人保留判断与最终问责。代理操作必须可审计、可回滚。
5. 端到端指标算账：订单交付周期、跨部门决策吞吐、返工率、交接等待时间、token成本÷端到端产出。

热点问答

智能体和RPA有什么区别，有了智能体就不用RPA了吗？

不是替代关系。RPA按固定规则执行重复操作，智能体处理需要判断的衔接工作。任务级编排恰恰需要两者配合：规则明确交给流程执行引擎，需要判断核实的交给智能体。

完全自主的智能体现在可靠吗？

批量场景不行。2025年斯坦福和卡内基梅隆研究：完全自主代理成功率比人类低32.5%到49.5%，数据分析错误率37.5%。生产环境应采用人机混合模式。

智能体上线前要做哪些验证才能进生产环境？

三道最低门槛：接口数据口径对齐（同一指标跨系统字段来源可追溯）、异常升级规则有人承接、操作可审计可回滚。