“智能体用得好，才是竞争力！”基于产业一线实验的思考|一线|实验|智能体

“浙里洞见”

ZJUSOM

带着对“AI赋能”的憧憬，如今不少企业都忙于智能化转型，但真正引入大模型后却陷入现实困境：搭建的AI系统仅停留在写文案、对话等局部提效应用，难以真正渗透业务、改变组织决策，业务绩效不见实质提升。

“这是因为企业没有用好智能体。”浙江大学管理学院教授王小毅做了一个生动比喻：大模型相当于人的“大脑”，而智能体就是“四肢”，如果四肢瘫痪、仅有大脑，人也不可能拥有执行力。

学者简介

王小毅，浙江大学管理学院市场营销学系教授，博士生导师。

今年，他带领团队深入产业一线，开展了一场“泰勒”式管理变革实验。通过亲手搭建组织智能体架构，用25天彻底完成企业营销组织的重塑。他发现真正的智能化转型，不是简单的给员工配备AI工具，而是利用智能体重构组织工作系统，并培养能有效构建和优化智能体的人才。

同时，他认为未来的营销竞争不再是品牌比拼，而是智能体之间的博弈。

智能体到底有何“价值”？

用好智能体的关键是什么？

怎样才能发挥智能体的最大价值”？

在日前浙大管院举行的“浙派商学”系列活动中，王小毅教授结合在实地实验中的产业思考，给正在布局智能化转型的企业指明了方向。本期【浙里洞见】专题，一起来看如何用智能体重塑组织、提升竞争力。

王小毅教授在浙大管院“浙派商学”系列活动中作分享

AI产业化的机会不在底层算力，

而在智能体“编排”

从技术突破到产业落地，AI产业化的完整价值体系可分为六个层级，最底层是基础设施，往上依次是基础模型、开发工具、智能体“编排”、垂直行业应用、场景落地。

在王小毅看来，当下资本主要集中涌向前三层，涵盖算力、芯片、大模型以及各类热门核心应用。而真正留给绝大多数企业的机会，集中在后三层。

机会一

智能体编排

“编排”的概念源自组织行为学，它要求企业不能把视野局限在简单的技能封装上，而是要搭建一套可落地执行的多智能体协作体系，把分散的智能能力组织起来，完成复杂业务，因为单个智能体的技能价值非常有限。

机会二

垂直行业应用

垂直行业应用要优先面向 B 端，而不是C端。因为缺少B端业务支撑的C端AI应用，大多只能沦为娱乐项目，很难产生实际的经济价值。如果面向B端，AI将有机会打破传统技术难以撼动的壁垒，迎来整个行业的巨大重塑。企业沿着这一逻辑思考，可以挖掘出大量优质的应用赛道。

以服装行业为例，过去服装设计高度依赖高端人力，全球服装行业的话语权长期掌握在欧洲等具备文化优势的地区。但AI凭借设计能力的崛起，有望打破这一格局，让中国成为新的全球服装行业中心，不再陷入服装电商低价内卷的困境。

图片来源：千库网

机会三

场景落地

这一层级会和C 端产生关联，包括服务机器人、家庭机器人、无人驾驶汽车、工业制造等产业的落地，这其中也蕴藏着不少机会。

“AI产业化价值体系的前三层，虽然回报率更高，但风险也高。所以大多数中小企业可以从后三层中把握机会，尤其是智能体编排。”

结合对一家家电行业龙头企业的电商组织再造实验，王小毅认为，未来的营销竞争不再是品牌与品牌之间的比拼，而是组织级智能体部署应用之间的博弈。

过去需要人完成的市场洞察和供需匹配工作，如今完全可交由智能体实现。智能体还可主动开展市场探查，比如发放消费券测试不同人群的价格敏感度，在进行营销投放的同时完成市场调研，降低试错成本。

“当然，智能体也存在情感理解短板，还有优化改进的空间。”在王小毅看来，AI擅长处理功能参数，但对人类含蓄的、藏于日常语境中的情感理解能力偏弱。比如 ‘55 分贝静音扫地机器人’ 这类精妙的感性传播概念，AI难以自主创造，这也是人类创意依然不可替代之处。

AI转型别依赖“外部硬数据”，

要多利用智能体“向内挖掘”

如今大模型迭代速度加快，且成本持续下降，国产大模型足以应对绝大多数日常业务。在模型趋同的背景下，竞争的核心落到“数据”上。

王小毅表示，传统市场分析高度依赖消费者历史行为做“硬数据”预测，但商业环境中大量市场数据本身就存在偏差，一旦预判失误，规模化投产会带来极大损失。因此，在人工智能时代下，需要以“软数据推理”配合“硬数据预测”。

所谓“软数据推理”，就是开展反事实探测，推演“如果不执行该方案，会产生哪些负面后果”。如同证伪 “天下乌鸦全是黑色的”，不需要遍历全部乌鸦，只需找到一只白乌鸦即可。

在行业增速放缓的当下，企业可用这套思路复盘过往决策，推演备选路径，避免被片面的“硬数据”误导。

此外，AI时代下企业智能化转型不能过度依赖“外部硬数据”，要多利用智能体“向内挖掘”，即充分挖掘沉淀在老员工脑海中的隐性行业经验。

“我们曾和一家拥有五千多万会员的超市企业开展课题合作，发现单纯依靠消费者历史购买记录预测选品与复购，参考价值极低，因为输出的结论仅仅是行业公开常识。考虑到这家企业的200位资深采购经理对消费者习惯、产品判断有着深入洞察，我们将其提炼为两百项业务指标，通过算法筛选不同场景下的核心指标组合，这套方案的预测效果反而优于传统消费大数据预测。”

王小毅说，很多企业内部本身就是巨大的知识宝库，我们应该利用智能体“向内挖掘”，把老师傅的隐性行业经验转化为智能体可执行的标准，这样才能真正发挥智能体的价值。

图片来源：千库网

发挥智能体的最大价值，

需要人与AI协同

“智能体不是简单的内容生成或数据预测工具，而是人和AI协同共建的全新工作系统，它会重塑岗位价值、人才标准以及组织知识流转的模式。”

王小毅介绍，实验中我们为190多位电商部门员工搭建的200多个智能体，承接了1544 项业务，任务成功率高达99%，且实现了无人值守。这些智能体拥有独立的虚拟机、任务并非预先设定好全部流程，团队只给宽泛的业务目标，具体路径由智能体和员工不断磨合、自主规划生成。

仅仅用了25天迭代，组织系统就实现了收敛。智能体自主完成了数据爬取、搭建关键词库、电商自动巡检，以及小红书内容质检的去重、筛选、分类等整套流程的沉淀与总结。一线老师傅口口相传的隐性质检标准，被固化为智能体可执行的客服质检链路。智能体还可反向校验旧经验，发现传统认知里的偏差。这套经验通过组织计算架构被沉淀下来并能够自主进化。

可见，真正有价值的智能体，需要人与AI协同搭建，这也意味着，AI时代下，企业需要吸纳或培养能够搭建智能体的“系统创造者”。“实验数据显示，一百人当中仅有十个人可以创造 70% 的价值。智能化转型的门槛不在于会使用工具，而在于拥有搭建智能系统的能力。”

王小毅进一步解释道，未来企业的人才大致分为三类：系统创造者、标准制造者、高产执行者。能够清晰表达业务目标、逻辑严谨的员工，训练智能体的绩效显著更高；逻辑混乱、无法清晰描述诉求的人，在AI原生组织中将处于劣势。这就意味着，组织人力资源评价体系也需迭代：绩效评估不能只看人力劳动消耗，还要看经验能否固化复用，把一次性人力劳动转化为零成本自动化能力。

此外，他还表示，企业要开展顶层战略协同，不能只在个别岗位落地应用智能体，否则可能因局部效率暴涨伤害整体业务；同时，要打破“知识孤岛”，搭建多智能体共享体系。比如一线销售、客户服务人员的市场认知要实现全组织实时流转，知识共享才是智能体带给组织最大的价值。