过去两年，人工智能行业讨论最多的是大模型：参数规模有多大、推理能力有多强、生成效果有多好。但进入产业落地阶段之后，一个更现实的问题逐渐浮出水面：模型能力很强，为什么很多企业仍然不知道该如何使用？

原因并不复杂。模型提供的是通用智能，而企业需要的是能够理解行业知识、遵循业务规则、接入现有系统并完成具体任务的应用能力。

二者之间，还隔着场景设计、数据治理、系统集成、流程改造、安全控制和持续运营等一系列环节

2026年8月，工业和信息化部办公厅印发《关于开展人工智能应用服务商培育专项行动的通知》，释放出了一个值得关注的政策信号：人工智能产业的建设重点，正在从模型和基础能力供给，进一步延伸至应用服务与规模化落地。

为什么政策开始强调人工智能应用服务商？

按照工信部文件的定义，人工智能应用服务商，是围绕用户单位的智能化需求，提供咨询规划、交付实施、运营管理和安全治理等服务的企业或机构。

这一定义实际上回答了人工智能规模化应用中的一个关键问题：企业需要的并不是单独购买一个模型，而是获得一套把AI转化为业务能力的方法。

文件提出，要培育一批懂行业痛点、通技术机理、知安全风险、善交付运营的人工智能应用服务商；围绕高频、刚需、可复用的业务，构建模块化、标准化解决方案，形成一批“小快轻准”的人工智能产品服务。同时，政策还特别提到了多模型协同、软硬件适配、数据安全、伦理治理、业务合规以及前线部署工程师等能力。

这些要求说明，接下来人工智能产业需要解决的核心问题，已经不只是模型能不能回答，而是AI能不能真正进入企业。

这意味着AI要能够读懂企业知识，理解业务上下文，调用业务系统，执行流程任务；同时还要具备明确的权限边界、运行记录和人工接管机制。只有这样，AI才能从一个通用对话工具，转化为企业可管理、可运营、可持续优化的生产力。

服务领域为什么会成为Agent的重要落地方向？

在众多企业场景中，客户服务可能是最适合Agent率先规模化落地的领域之一。

一方面，服务环节拥有大量高频、重复、规则相对明确的任务，例如问题受理、知识查询、工单分类、人员调度、过程检查和客户回访；另一方面，服务又不是简单的标准化劳动，它需要结合产品知识、设备状态、客户历史、服务政策和现场情况作出判断。

传统流程软件可以记录任务，却很难主动理解问题；通用大模型可以生成答案，却未必了解企业规则，更无法天然推动后续流程。Agent的价值，就在于连接两者：既具备一定的理解与推理能力，又可以在授权范围内查询数据、调用工具和执行任务。

因此，服务领域真正需要的并不是一个万能Agent，而是一组分工明确、相互协作的智能体。

企业客户服务需要哪些Agent？

1、首先是接待与分流Agent

它负责承接网站、App、电话、社交媒体等渠道中的客户问题，识别用户意图，判断问题类型与紧急程度。对于常见问题，Agent可以直接处理；遇到复杂、敏感或低置信度问题时，则转交人工，并同步整理对话摘要和已有信息，减少客户重复陈述。

这种Agent市面上一般叫智能客服Agent；有些也支持海外业务，叫智能客服翻译Agent或智能翻译Agent。

2、第二类是知识与专家Agent

企业的产品手册、维修资料、服务政策、故障案例和历史工单通常分散在不同系统中。知识Agent需要从经过授权的企业资料中检索信息，结合具体问题生成有依据的回答。对于设备维修、医疗器械、工业制造等专业领域，它还应当能够把复杂问题拆解为诊断步骤，为一线人员提供接近专家经验的辅助建议。

这种Agent普遍命名为智能问答Agent或智能知识库Agent。

3、第三类是流程执行与调度Agent

服务工作不能止于回答问题。当客户需要上门服务时，Agent还要结合区域、技能、人员负载、备件情况和服务时效，生成派工建议；在项目交付、返厂维修或备件调拨场景中，则需要识别任务节点、推动流程流转并提醒异常事项。

这类Agent决定了人工智能能否从提供建议走向协助完成工作，在售后服务领域一般称为智能派单Agent或智能派工Agent。

4、第四类是质量与合规Agent

传统服务质检通常依赖人工抽样，覆盖范围有限，而且发现问题时往往已经错过最佳整改时机。质检Agent可以检查工单文本、现场图片、服务录音和流程记录，识别材料缺失、操作不规范、承诺不一致等问题，并向一线人员及时提供整改建议。

在金融、医疗、政务等行业中，合规Agent还需要检查输出是否符合制度和监管要求，保留判断依据与操作记录，并在高风险任务中强制引入人工审核。一般称为智能质检Agent或质量质检Agent。

5、第五类是客户反馈与分析Agent

企业每天都会收到大量咨询、投诉、评价和现场反馈，但这些信息往往散落在不同渠道。Agent可以对客户反馈进行汇总、分类和趋势分析，从中识别高频故障、产品缺陷、投诉风险、服务短板以及潜在销售机会。

它的意义不只是帮助客服部门提高效率，更是让服务数据反向进入产品研发、质量改进和经营决策。

此外，面向国际业务的企业还需要翻译与全球服务Agent。它不仅要翻译语言，还应理解企业术语、产品型号和服务政策，使同一套知识体系可以支持不同国家和地区的客户服务。

行业正在形成两种Agent落地路径

从目前的市场实践来看，企业Agent大致正在沿着两条路径发展。

第一条是通用生产力平台路线。

例如，腾讯推出的WorkBuddy，覆盖办公、研发和业务流程。按照腾讯官方介绍，WorkBuddy可以理解自然语言任务，自主拆解步骤并调用工具执行；企业版则支持多模型接入、企业知识库、Skills、MCP连接器、组织权限、安全审计和Agent运行管理。

这类平台的优势是能力覆盖面广，可以作为企业统一的AI工作入口。员工能够在同一工作台中处理文档、研究、数据分析、软件研发等不同任务，企业也可以在统一框架下创建和管理自己的智能体。

第二条是垂直行业Agent路线。

垂直平台不会优先追求覆盖所有办公任务，而是围绕某个行业或业务链条，将Agent直接嵌入现有流程。

以客户服务领域的PUBLINK.AI为例，其产品体系主要围绕智能客服、智能问答、智能翻译、智能派单、智能质检和智能VOC展开，并将这些能力放入远程服务、现场履约、换修管理、备件管理等具体流程。

这一案例的观察价值不在于某项单独功能，而在于它代表了一种行业趋势：垂直Agent需要学习企业专有知识，理解行业术语和服务规则，并与工单、设备、备件及人员体系协同。相比通用办公Agent，它更接近具体岗位，也更强调最终业务结果。

这两条路线并非相互替代。通用平台解决的是企业整体AI生产力和统一治理问题，垂直Agent解决的是专业场景的深度与流程闭环问题。未来更可能出现的形态，是通用智能体平台与行业智能体相互连接：前者提供统一入口、基础设施和管理能力，后者提供行业知识、专业流程与交付经验。

Agent真正进入企业，还要跨过四道门槛

第一道门槛是准确性。

服务Agent不能只给出语言流畅的答案，还必须说明信息来源、判断依据和置信程度。在专业问题上，检索结果、业务规则和模型推理之间需要相互校验。

第二道门槛是系统连接。

如果Agent不能读取经过授权的业务数据，也无法调用工单、库存、客户关系管理等系统，它仍然只是一个更聪明的问答工具。Agent能否进入流程，取决于接口、连接器、工具调用和权限体系是否成熟。

第三道门槛是安全治理。

企业必须明确Agent可以访问什么数据、执行哪些动作、在什么情况下需要人工确认。调用日志、身份权限、数据隔离、内容安全和结果审计，都应当成为产品的基础能力，而不是上线之后再补充的功能。

第四道门槛是持续运营。

Agent并不是部署完成后就可以永久稳定运行。企业知识会变化，业务规则会调整，模型能力也会更新。因此，企业需要持续评测Agent的准确率、解决率、转人工率、任务完成率和异常情况，并利用人工反馈不断校准。

AI产业的下一阶段，是让智能成为可交付的服务

工信部此次专项行动的意义，在于将人工智能产业发展的关注点进一步推向应用端。

未来，判断一个Agent是否真正有价值，可能不再是看它能够展示多少功能，而是看它能否完成一项真实任务：能否解决一次客户咨询，能否辅助工程师排除故障，能否发现一条服务风险，能否推动一张工单闭环。

无论是腾讯WorkBuddy所代表的通用生产力平台，还是PUBLINK.AI所体现的垂直服务Agent，其共同方向都是让AI走出对话框，进入企业的知识、工具与工作流程。

模型决定智能的上限，数据决定智能对企业的理解程度，Agent决定智能能否采取行动，而应用服务商决定这些能力能否安全、稳定地转化为业务结果。

从这个角度看，政策所推动的不只是新一批AI产品，更是一套连接模型能力与实体业务的应用服务生态。人工智能下一阶段的竞争，也将越来越取决于谁更懂场景、谁更善于交付，以及谁能够真正对结果负责。