四问定生死:Agent 能不能做,先过这四道题
📋 目录
- 🎬 开场:大多数 Agent 试点死在第一个问题上
- 📋 一、那张四问清单,原文照抄
- 🚦 二、四问过完,还有三个出口
- 🧱 三、第二问里的「全部成本」,具体是哪几项
- 🏢 四、三条采购路径,决定责任边界落在哪
- 🏗️ 五、领码 SPARK:把四问变成可执行的检查项
- ✅ 六、可以带走的五条判断标准
- 💬 你怎么看
🎬 开场:大多数 Agent 试点死在第一个问题上
先说一个几乎每家企业都遇到过的场景。
业务部门提了个需求:「我们想用 AI 把这个流程自动化一下。」技术部门做了个 demo,效果不错——demo 阶段几乎从不失败,因为 demo 是挑出来的。
然后进入试点,然后呢?
那份 47 页报告给了一个我觉得比任何成本测算都更该先讲的数字:
| 建设基础能力 | 初步试点 | 试点投入实际运营 | 已实现全部价值 | |
|---|---|---|---|---|
| 落后企业 | 28% | 36% | 34% | 2% |
| 先进企业 | 1% | 8% | 47% | 44% |
落后企业里只有 2% 走到了「已实现全部价值」。
而报告在 Part 05 末尾给了一句更狠的判断:Agent 商业化的本质,是把「单客成功」变成「可复制的单客成功」。8.3 倍的 Token 差距不是终点,而是分化的开始——前沿企业已经在生产环境里跑任务经济性,一般企业还在试点和演示之间循环。
这两组数字放在一起,指向一个很具体的诊断:大部分企业不是缺 Agent,是缺一道「这个任务该不该给 Agent 做」的判断。
而这道判断,报告给了一张可以直接抄走的表。
📋 一、那张四问清单,原文照抄
报告在企业部署章节给了一张筛选表。报告给的原始结构是四问,每一问下面跟着「具体看什么」:
| 要问的问题 | 具体看什么 |
|---|---|
| 能改善什么? | 能否省时间、减少错误;或扩大服务范围、增加收入 |
| 投入是否划算? | 结合任务量与人工投入;算清上线、使用、维护的全部成本;再与人工、现成软件比较 |
| 基础准备好了吗? | 目标、规则、责任说得清;数据拿得到、系统和网络连得通;操作权限足够明确 |
| 结果和风险怎么管? | 有办法检查结果对不对;重要决定有人把关、异常有人接手;业务人员愿意配合 |
这张表最值得注意的地方,是它的顺序。
第一问不是「技术上能不能做」,是「能改善什么」。而且它给的是三个并列出口:省时间、减少错误、扩大服务范围或增加收入。前两个是效率,第三个是增量——这三类的验收方式完全不同,很多项目死在把它们混成一类。
第二问是「投入是否划算」,三个动作:结合任务量与人工投入、算清上线使用维护的全部成本、再跟人工和现成软件比。注意是「全部成本」,不是「上线成本」。
第三问是「基础准备好了吗」,三条:目标规则责任说得清、数据拿得到系统网络连得通、操作权限足够明确。这三条全在业务侧,不在技术侧。
第四问是「结果和风险怎么管」,四条:有办法检查结果对不对、重要决定有人把关、异常有人接手、业务人员愿意配合。
最后一条最容易被跳过,也最容易致命——业务人员愿意配合。如果一线觉得这东西是来查他们岗的,那试点阶段的每一次输出都会变成对抗。
🚦 二、四问过完,还有三个出口
这张表的价值还在于它不逼你走「上」或「不上」。
报告给了三个出口:
| 出口 | 触发条件 | 该做什么 |
|---|---|---|
| 先小范围试部署 | 问题明确、条件具备 | 先验证效果 |
| 先补基础 | 基础没准备好 | 补齐数据、系统和人员准备 |
| 暂缓或换种做法 | 收益不大、投入太多 | 先不动 |
第二个出口是这份报告最有价值的部分,很多同类报告没有。「先补基础」是一个正当结论——它承认有些场景现在不该上 Agent,但要说清楚缺什么:数据、系统的哪一块、人员准备到什么程度。
第三个出口也写得干脆:暂缓或换种做法。不是所有事情都值得 Agent 化。有时候规则化一个脚本更快、更可控、更便宜。
这三个出口合起来,等于把「AI 转型」这个模糊命题,换成了「这个任务现在处于哪个状态」的具体判断。
🧱 三、第二问里的「全部成本」,具体是哪几项
「投入是否划算」那一问看起来最平常,但它藏着这份报告最重要的一个主张——完整投入。
报告的定义是:完整投入包括 Token、API、订阅与云资源等技术费用,也包括治理与合规、组织变革、失败与恢复、潜在 AI 税费等水面下成本。
更关键的是它给的成本边界,这一条可以直接拿去用:
企业需按完整工作流和使用周期衡量 Agent 成本,结合对外付款、内部资源占用与风险承担,评价合格任务成果及实际业务价值。
三个衡量维度:对外付款(真金白银)、内部资源占用(业务部门的人力)、风险承担(做错时的清理成本)。
这跟前面那篇成本结构的结论完全咬合——在那个银行场景的测算里,人工监督占变动成本七成半,Token 只占两成半。如果你的成本表里只有「对外付款」这一栏,你算出来的 Agent 成本大概是真实值的三分之一。
「内部资源占用」这一项还有一层:报告提到企业 AI 投入中,IT 预算外的投入(2.8%)约为 IT 预算内(0.5%)的 5.6 倍。5.6 倍意味着 Agent 项目的主要成本不在采购单上,而在业务部门的时间、流程改造和人员培训上。
还有一个不能漏的:报告提醒「新增任务量与释放工时均不自动转化为收入」。
这句话值得单独拎出来。**「Agent 帮我多处理了 3 倍的工单」和「这带来了多少钱」之间,隔着一整条价值链。**报告在这件事上给了一个明确的检验方式——按各自合理的对比基线检验价值。也就是:你得先说清楚「没有 Agent 之前,这件事是怎么做的、花了多少」,才能说清楚 Agent 带来了什么。
🏢 四、三条采购路径,决定责任边界落在哪
报告还给了企业部署的参考架构:Model 为认知核心、Harness 为工程外壳,五个能力责任域 + 一条贯穿的安全红线。(业务与应用层定义目标、交互方式与验收条件。)
在架构之外,供给端有三条路径——报告说它们并行发展,且并不互斥:
| 路径 | 提供什么 | 谁承担集成 |
|---|---|---|
| 平台化 | 模型、云基础设施、Harness 与治理工具 | 企业自己接 |
| 产品化 | Coding Agent、办公 Agent、职能 Agent 等标准化应用 | 厂商 |
| 服务化 | 行业 Agent、复杂流程改造、系统集成与持续运营 | 厂商 |
这三条路径的选择,直接决定谁承担集成、复核、维护——而报告在核心判断里明确说了:「集成、复核、维护由谁承担,会改变客户总投入和厂商的服务负担。」
这就是为什么报告要强调「创造价值 ≠ 获取价值」:企业拿到业务收益,不代表厂商自动拿到收入。一项 Agent 业务可能同时涉及软件产品、系统集成、实施交付与持续服务——**收入看起来是一个数,性质上是四种不同的生意。**订阅、按量、按任务、项目交付、持续服务这几种模式会长期并存。
对采购方来说,这条有一个非常实际的应用:在合同里必须写清楚,集成、复核、维护分别归谁。因为这三项里任何一项从厂商转给客户,客户的总投入就变了。报告在这部分还专门列了四条合同边界——这部分报告没展开,但从它的框架能推出为什么必须写:这四条边界,本质上就是「什么算交付完成」「什么算额外服务」「谁为失败负责」「数据归谁」。
同样,报告在 Part 04 里还收了三个完整客户案例——洞隐的仓储平台、博云的制造业全栈、一家物业集团的审批流程。这三个案例的价值在于它们覆盖了三种完全不同的落地形态:平台型、制造业全栈型、审批流程型。它们对应的是那两张全景图(14 个企业职能 + 14 个垂直行业)里的三个切片。
而审批流程这一类,恰好是「四问」最容易通过的类型:目标清晰(批不批)、规则明确(符合什么条件)、结果可检查(批没批错)、责任清楚(谁签字)。反过来说,一个说不清「改善什么」的场景,再先进的平台也接不住。
这也是为什么报告建议企业的顺序是「先用可衡量的任务结果验证价值,再决定续购、扩容或调整」——**先证明这个任务值得做,再讨论买谁。**顺序反了,你会在第一轮谈判里就失去判断力:供应商讲的是能力,你听的是价格,两边对不上。
🏗️ 五、领码 SPARK:把四问变成可执行的检查项
上面这些如果只是清单,就还是 PPT。领码 SPARK 的价值在于——四问里的每一问,都能对应到一个具体的平台能力上。
第二问「投入是否划算」,对应治理中心前置 + 成本口径统一。
「全部成本」这件事,靠 Excel 表是算不清的,因为 Token、API、订阅、云资源分散在不同账单里,人工复核和失败重跑根本没进账。
治理中心前置的意义就在这儿:统一口径、留痕、可归因。 哪一次调用花了多少 token、调了哪些连接、命中了什么规则、哪一步需要人确认——这些统一了,「单次成功交付成本」这个指标才算能算。
这也是 CData 那个实验的教训:他们的评分口径是全部确定性计算——R1/R2 看正确性是否达到 60 分,A1 直接读数据库最终状态看是不是「正确账号、无越权、无重复」。没有归因,就没有复盘。
第三问「基础准备好了吗」,对应 iPaaS 接数据。
这一问的三条——「数据拿得到、系统和网络连得通、操作权限足够明确」——每一条失败都是数据层的问题,不是提示词的问题。
CData 实验里,Agent 在原始数据条件下 36% 的运行撞在 40 轮上限上。三个系统、不同的主键、关联规则藏在业务里而不是 schema 里——这不是模型能力问题,是连接和语义没治理好。 iPaaS 把这层做扎实,第三问才有基础。
而且这里有一个容易被忽略的次序:**「操作权限足够明确」这条排最后,但它其实是最贵的。**前两条——数据拿得到、连得通——是技术活,补一补就能解决。第三条要划清「谁在什么条件下可以让 Agent 动哪些数据」,这是组织决策,涉及责任划分,不是一次开发能交付的。
**所以第三问的失败,往往不是能力问题,是没人拍板。**这也是为什么它在清单里要单独成问,而不是塞进技术准备的括号里。
第四问「结果和风险怎么管」,对应全域守卫划权限。
「有办法检查结果对不对」——这需要每次调用的输入输出可查。
「重要决定有人把关」——这需要按操作风险分级,高风险动作卡人工。
「异常有人接手」——这需要失败可识别、可路由、可接管。
「业务人员愿意配合」——这需要输出的口径跟业务方认可的定义一致。
CData 写任务实验里有一个数字必须反复说:越权写入从 3257 条降到 951 条,降了 71%,没归零。上下文能让 Agent 更大概率做对事,但权限边界和审批是另一套东西,不能省。
而且这跟第一篇那篇的成本结构是同一件事的两面:**人工监督占变动成本七成半,说明复核量很大;越权写入没归零,说明复核不能省。**这两条一起指向一个结论——你的 Agent 架构里,权限边界和审批流程的质量,直接决定了成本结构里最大那一格能不能变小。
第一问「能改善什么」,对应与 Dify 分工。
这一问的三个出口(省时间、减少错误、扩大范围增加收入)需要不同的验收方式:效率看单位时间产出,质量看错误率和返工率,增量看新增覆盖。
Dify 管的是工作流的编排和提示词——它更擅长让一件事被定义清楚、被编排出来。领码 SPARK 管的是数据接入、上下文供给、权限底座——它更擅长让这件事跑得稳、算得清、追得回。
**这两个是分工,不是替代。**把业务规则写进工作流的提示词里,等于把一份应该跨客户复用的资产绑死在一次部署上。
最后一句边界还是要说清楚:**平台能让这四问的答案变得可测量、可追溯、可复用,但「能改善什么」的答案本身,得业务专家定。**SPARK 能保证「这条规则被统一执行了、这次调用留了痕、成本算得出来」,但「省时间值不值这个钱」是业务判断。
✅ 六、可以带走的五条判断标准
-
第一问是「能改善什么」,不是「能不能做」。 技术可行性是后面的事。而且省时间、减少错误、扩大范围增加收入,这三类的验收方式完全不同——混成「提效」一个指标,就没法验收。
-
「先补基础」是一个正当结论。 三出口里最容易被忽略的就是它。数据、系统的哪一块、人员准备到什么程度,说清楚了才有下一步。
-
成本要按「对外付款 + 内部资源占用 + 风险承担」三栏算。 只算第一栏,Agent 成本大概是真实值的三分之一——人工监督占变动成本七成半,Token 只占两成半。
-
「释放工时不自动等于收入」。 报告原话是「新增任务量与释放工时均不自动转化为收入」。做任何 Agent 立项,都必须先写下「没有它之前这件事怎么做、花多少」这个基线。
-
合同里必须写清集成、复核、维护归谁。 报告说得很直接:这三项由谁承担,会改变客户总投入和厂商的服务负担。同时收入也是四种生意的混合体——软件产品、系统集成、实施交付、持续服务,性质不同,别当成一个数看。
💬 你怎么看
如果让你给公司定一条**「什么时候应该拒绝一个 Agent 需求」**的规矩,你会把它写成什么?
我的候选是「基础三问有一条不满足就不立项」,但我担心这太硬——有些场景恰恰要靠试点才能把基础建起来。你会怎么划这条线?
本文数据来源
- 甲子光年智库《2026 Agent商业化与竞争路径研究报告:让智能进入工作流——Agent的任务交付、价值创造与规模经营》(主笔分析师 翟惠宇,官网 jazzyear.com 上架 2026-10-30,PDF 内标注发布时间 2026.10,共 47 页):https://www.jazzyear.com/study_info.html?id=185
- 四问筛选清单、三个出口、完整投入定义、平台化/产品化/服务化三条路径、竞争三层次,经三个皮匠报告对该报告的逐节摘要核对:https://www.sgpjbg.com/labels/2026agentshangyehuayujingzhengyanjiubaogao/1/7766717.html
- 报告核心判断表、研究框架与官方解读全文(甲子光年微信公众号,2026-11-05):http://mp.weixin.qq.com/s?__biz=Mzg3MjY4MTk1Mw==&mid=2247491079&idx=1&sn=5e1bec32a7fe06b5813109c0c1e81a89
- 领先/落后企业分布、三个观察信号、5.6 倍预算外投入:https://www.sgpjbg.com/labels/agentguimojingying/1/7766717.html
- 越权写入 3257 → 951(−71%)与成功率口径:CData 官方开源基准仓库
CDataSoftware/connect-ai-context-benchmark(2026-10-19):https://github.com/CDataSoftware/connect-ai-context-benchmark- 说明:报告 Part 04 的三个完整客户案例、14 个企业职能与 14 个垂直行业两张全景图、7 类常被漏算的成本、五种采购方式与四条合同边界,报告原文有展开但中文公开解读未转录具体内容,本文仅按其框架说明,未逐项引用未公开的细节;报告的商业价值四因子模型为报告作者自绘、未经第三方验证
- 风险提示:本文涉及机构均为公开信息整理,报告中的测算为报告作者自建模型,不代表所有企业的实际情况,不构成投资建议
更多推荐




所有评论(0)