使用AI不等于获得财务回报AI Agent正在从概念演示进入企业预算。McKinsey最新调查显示接近九成企业已经在至少一个业务领域经常使用AI在年收入超过10亿美元的大型企业中40%已经开始规模化部署AI Agent高于上一年的27%。但企业层面的经济回报并未同步增长只有37%的受访者认为AI对息税前利润产生了正面影响真正通过AI获得显著价值的“高绩效企业”仅占约6%。这解释了企业当前面对的矛盾员工能够明显感受到AI节省了写作、搜索、分析和编码时间管理层却很难在利润、收入或运营成本中找到同等规模的改善。问题并不一定是AI没有提高个人效率而是节省下来的时间没有自动转化为更高产出。员工可能更快完成一份报告但审批仍需等待数天开发人员能够更快生成代码但测试、安全检查和发布能力没有变化。局部效率提高后价值仍然被流程中的其他瓶颈吸收。Agent比聊天机器人昂贵得多普通聊天机器人通常只需要接收问题并生成一次回答AI Agent则需要规划任务、检索数据、调用工具、判断结果、处理异常并在多个系统之间重复执行推理。McKinsey估计一个Agent工作流消耗的计算资源可能达到普通聊天请求的5至30倍。企业还需要承担模型调用、向量检索、系统集成、身份认证、日志监控、安全审查和人工复核等成本。《CIO》援引的调查中93%的参与者表示AI支出因此超过原定预算。企业在项目立项时却经常只计算模型或Token费用忽略了完整拥有成本。例如让Agent自动处理采购申请不只是连接大模型还要识别申请人权限、查询供应商及合同、核对预算、执行审批规则并在置信度不足时转交人工。只要其中一个接口不稳定或主数据不可靠Agent就可能反复调用系统成本上升结果却无法直接采用。因此Agent并非天然比传统自动化更划算。对于规则明确、输入稳定、异常较少的任务RPA、工作流引擎或普通程序可能更便宜、更可靠。只有任务包含较多非结构化信息需要跨系统判断并且业务价值足够高时Agent的灵活性才可能抵消新增成本。代码增加不代表软件交付加快软件开发是Agent应用最广泛的领域之一也是投入与产出错位最明显的场景。在McKinsey对334名产品及工程负责人的调查中只有25%的受访者表示AI使较大范围团队实现了显著加速30%反而观察到团队生产率下降。约80%的开发人员获得的平均效率提升只有3%表现最好的20%则达到55%。在一个被调查的环境中使用AI后编码活动增长了180%正式发布数量却只增加30%。这说明AI最容易提高的是“生成量”而不是最终可用的软件数量。更多代码还需要审查、测试、修复、集成和维护如果需求本身不清晰AI只会更快地产生看似合理但方向错误的结果。Agent还可能把原有流程问题放大。人工开发速度较慢时模糊需求造成的影响相对有限Agent可以连续生成需求条目、代码和测试一项错误假设就可能迅速扩散到整条交付链。高回报企业不是简单增加AI工具真正获得较高收益的企业通常不是在现有流程中增加一个Agent入口而是重新设计端到端工作方式。McKinsey发现先重构流程再引入AI的企业取得20%以上生产率提升的可能性是简单叠加AI工具企业的两倍以上。高绩效企业中接近四分之三已经围绕AI重新设计工作流而其他企业的比例只有约四分之一。这种重构需要明确划分责任Agent负责收集信息、生成初稿、执行标准检查和处理低风险事项人负责确定业务目标、处理例外、批准高风险操作并对最终结果承担责任。同时企业必须为Agent设置身份、权限、工具范围、升级路径、日志和成本上限。衡量方式也需要改变。Agent数量、用户登录次数、提示词调用量和AI生成代码占比只能证明工具被使用不能证明企业获得价值。真正应该跟踪的是端到端处理时间、首次解决率、返工率、缺陷数量、人工成本、客户满意度及业务收入。SAP场景更需要谨慎选择边界在SAP环境中AI Agent可以用于查询订单状态、分析异常、准备月结资料、提出补货建议或辅助处理服务工单。但涉及凭证过账、供应商付款、定价修改、权限分配和生产计划等关键操作时错误的代价远高于一次模型调用费用。企业不应一开始就让Agent端到端控制复杂核心流程。更现实的路径是先选择交易量高、判断边界明确、人工成本可测量且错误可以恢复的场景保留关键审批节点再逐步扩大Agent权限。AI Agent目前收益有限并不说明技术没有商业价值而是说明企业正把一种仍处于早期阶段、成本较高的技术放入尚未为自主执行做好准备的流程。真正的竞争优势不会来自部署了多少Agent而来自企业能否找到值得自动化的完整流程并让数据、权限、控制机制和组织责任同时跟上。参考来源CIO Germany原文、McKinsey全球AI调查、McKinsey Agentic产品开发研究
使用AI不等于获得财务回报AI Agent正在从概念演示进入企业预算。McKinsey最新调查显示接近九成企业已经在至少一个业务领域经常使用AI在年收入超过10亿美元的大型企业中40%已经开始规模化部署AI Agent高于上一年的27%。但企业层面的经济回报并未同步增长只有37%的受访者认为AI对息税前利润产生了正面影响真正通过AI获得显著价值的“高绩效企业”仅占约6%。这解释了企业当前面对的矛盾员工能够明显感受到AI节省了写作、搜索、分析和编码时间管理层却很难在利润、收入或运营成本中找到同等规模的改善。问题并不一定是AI没有提高个人效率而是节省下来的时间没有自动转化为更高产出。员工可能更快完成一份报告但审批仍需等待数天开发人员能够更快生成代码但测试、安全检查和发布能力没有变化。局部效率提高后价值仍然被流程中的其他瓶颈吸收。Agent比聊天机器人昂贵得多普通聊天机器人通常只需要接收问题并生成一次回答AI Agent则需要规划任务、检索数据、调用工具、判断结果、处理异常并在多个系统之间重复执行推理。McKinsey估计一个Agent工作流消耗的计算资源可能达到普通聊天请求的5至30倍。企业还需要承担模型调用、向量检索、系统集成、身份认证、日志监控、安全审查和人工复核等成本。《CIO》援引的调查中93%的参与者表示AI支出因此超过原定预算。企业在项目立项时却经常只计算模型或Token费用忽略了完整拥有成本。例如让Agent自动处理采购申请不只是连接大模型还要识别申请人权限、查询供应商及合同、核对预算、执行审批规则并在置信度不足时转交人工。只要其中一个接口不稳定或主数据不可靠Agent就可能反复调用系统成本上升结果却无法直接采用。因此Agent并非天然比传统自动化更划算。对于规则明确、输入稳定、异常较少的任务RPA、工作流引擎或普通程序可能更便宜、更可靠。只有任务包含较多非结构化信息需要跨系统判断并且业务价值足够高时Agent的灵活性才可能抵消新增成本。代码增加不代表软件交付加快软件开发是Agent应用最广泛的领域之一也是投入与产出错位最明显的场景。在McKinsey对334名产品及工程负责人的调查中只有25%的受访者表示AI使较大范围团队实现了显著加速30%反而观察到团队生产率下降。约80%的开发人员获得的平均效率提升只有3%表现最好的20%则达到55%。在一个被调查的环境中使用AI后编码活动增长了180%正式发布数量却只增加30%。这说明AI最容易提高的是“生成量”而不是最终可用的软件数量。更多代码还需要审查、测试、修复、集成和维护如果需求本身不清晰AI只会更快地产生看似合理但方向错误的结果。Agent还可能把原有流程问题放大。人工开发速度较慢时模糊需求造成的影响相对有限Agent可以连续生成需求条目、代码和测试一项错误假设就可能迅速扩散到整条交付链。高回报企业不是简单增加AI工具真正获得较高收益的企业通常不是在现有流程中增加一个Agent入口而是重新设计端到端工作方式。McKinsey发现先重构流程再引入AI的企业取得20%以上生产率提升的可能性是简单叠加AI工具企业的两倍以上。高绩效企业中接近四分之三已经围绕AI重新设计工作流而其他企业的比例只有约四分之一。这种重构需要明确划分责任Agent负责收集信息、生成初稿、执行标准检查和处理低风险事项人负责确定业务目标、处理例外、批准高风险操作并对最终结果承担责任。同时企业必须为Agent设置身份、权限、工具范围、升级路径、日志和成本上限。衡量方式也需要改变。Agent数量、用户登录次数、提示词调用量和AI生成代码占比只能证明工具被使用不能证明企业获得价值。真正应该跟踪的是端到端处理时间、首次解决率、返工率、缺陷数量、人工成本、客户满意度及业务收入。SAP场景更需要谨慎选择边界在SAP环境中AI Agent可以用于查询订单状态、分析异常、准备月结资料、提出补货建议或辅助处理服务工单。但涉及凭证过账、供应商付款、定价修改、权限分配和生产计划等关键操作时错误的代价远高于一次模型调用费用。企业不应一开始就让Agent端到端控制复杂核心流程。更现实的路径是先选择交易量高、判断边界明确、人工成本可测量且错误可以恢复的场景保留关键审批节点再逐步扩大Agent权限。AI Agent目前收益有限并不说明技术没有商业价值而是说明企业正把一种仍处于早期阶段、成本较高的技术放入尚未为自主执行做好准备的流程。真正的竞争优势不会来自部署了多少Agent而来自企业能否找到值得自动化的完整流程并让数据、权限、控制机制和组织责任同时跟上。参考来源CIO Germany原文、McKinsey全球AI调查、McKinsey Agentic产品开发研究
