一、当一个AI助手开始和邮箱比活跃度，说明什么变了
今年4月底，微软对外披露了一个颇具信号意义的数据：其M365 Copilot的付费企业席位规模已跨过2000万量级，季度查询量环比增长接近两成，而周活跃度已经能和一款用了三十年的老牌办公软件看齐。这条消息之所以被反复解读，是因为它回答了一个所有企业IT负责人都在纠结的问题——大模型到底只是演示厅里的烟花，还是真能进入日常生产流程的螺丝钉。
但比数字本身更值得琢磨的，是数字背后的结构变化。过去两年，企业采购AI的方式大多是”买一个账号试试看”；而现在，越来越多的采购单上写的是”要给多少个人开通、要和哪些系统打通、要解决哪几个具体场景”。这意味着AI正在从”尝鲜预算”滑向”IT基础设施预算”——而这恰恰是工程问题开始变重的临界点。
换句话说，席位卖出去只是入场券。真正的分水岭，是能不能把模型的能力稳定地、可度量地、可追责地嵌进业务链路里。
二、企业AI落地的三道断层，比模型能力差距更致命
我们在实际项目中最常见的困惑不是”模型不够聪明”，而是另外三件事。
1. 能力断层：通用智能不懂你的行话
一个参数规模足够大的通用模型，可以写出流畅的产品文案，却未必知道你们公司”账期”具体怎么算、”一级经销商”和”二级经销商”的返点规则差在哪里。它掌握的是世界知识，缺的是企业私有语境。这种断层带来的典型症状是：第一次试用惊艳，第二次使用就发现它开始胡编内部政策。
2. 数据断层：知识散落在十几个彼此不通的系统里
产品手册在网盘，售后SOP在OA，工单历史在CRM，聊天记录在微信群，价格政策在某个Excel的第三个Sheet里。大模型不会自动读心，它只能读到你喂给它的东西。数据不整，再强的模型也只能靠猜。
3. 流程断层：能生成文字，却无法完成动作
这是最容易被忽视的一环。让AI写一封道歉邮件很容易，让它自动查订单、判断是否符合退款条件、走完审批、回复客户并同步更新工单状态，这就是完全不同的工程量。前者是内容生成，后者才是AI Agent——具备感知、规划、调用工具并闭环执行的能力。
三、RAG仍然是企业接上大模型”记忆”的最短路径
解决上述第一、第二道断层，目前性价比最高的方案依旧是检索增强生成（RAG）。原理不复杂：用户提问后，系统先从企业知识库中检索出最相关的片段，再把这些片段作为上下文交给模型生成答案。但落地时，真正决定体验的是几个工程细节。
- 切分策略：按固定字数硬切是最省事也最糟糕的做法。合同、SOP、FAQ的结构差异极大，需要按标题层级、语义段落甚至表格结构分别处理。
- 混合检索：纯向量检索擅长语义相似，却容易在专有名词、型号编码上翻车。把关键词检索与向量检索做融合排序，召回质量通常有明显提升。
- 重排序与阈值：检索回来的Top-K并不都有用，引入重排序模型过滤噪声，并设置”检索不到就明确说不知道”的兜底逻辑，能大幅降低幻觉率。
- 权限继承：这是企业场景的红线。销售看到的报价和总监看到的报价不同，检索层必须继承原有系统的权限体系，而不是把全量知识一股脑塞进向量库。
- 可评测：没有评测集的RAG等于闭眼开车。至少要维护一批标准问答对，每次调整切分或模型都跑一遍回归。
很多团队在这里踩坑，不是因为技术选型错，而是把RAG当成了一次性的”搭个知识库”项目，而它本质上是一个需要持续运营的数据产品。
四、智能客服是AI Agent最好的练兵场，也是最残酷的考场
如果要在企业内部挑一个最适合先上AI Agent的场景，答案通常是智能客服。原因有三：对话数据天然结构化、效果指标清晰（解决率、转人工率、平均处理时长）、业务价值直观。
但客服场景的残酷之处在于，它没有”差不多”。用户不会因为AI答得文采飞扬就打高分，他们只关心问题有没有被解决。这就要求Agent必须具备：
- 工具调用能力：能查订单、查库存、查物流、发起退款、创建工单，而不只是复述政策。
- 多轮状态管理：用户说”就那个上次买的”，系统得知道”那个”指什么。
- 情绪识别与升级策略：检测到强烈不满时，主动、平滑地转人工，而不是硬撑到底。
- 可观测性：每一次Agent的决策链路都要能被复盘——它检索了什么、调用了哪个接口、为什么给出这个答案。没有这层日志，优化就无从谈起。
从我们服务客户的经验看，一个客服Agent从上线到稳定，通常会经历”照本宣科—局部可用—边界清晰—可自主处理长尾”四个阶段，每个阶段都需要真实对话数据反哺。指望一次性交付一个完美Agent，基本不现实。
五、AI Agent开发，本质是软件工程而不是提示词技巧
市面上关于”几行提示词搞定一个智能体”的内容很多，但企业级Agent开发的核心工作量，往往不在提示词上，而在这些地方：
- 工具层设计：把内部API包装成模型可理解、参数可控、失败可重试的工具描述。这一步做不好，模型再聪明也会乱调接口。
- 编排与路由：简单问题走轻量模型，复杂问题走强模型，需要多步规划时切换到规划型Agent。单一模型包打天下，成本会失控。
- 人机协同：设计好”哪些动作Agent可以自主执行、哪些必须人工确认”的边界。涉及资金、合同、合规的操作，一律走审批。
- 成本与延迟治理：缓存、批处理、上下文压缩、模型分级，这些看起来不性感的工作，直接决定了项目能不能规模化推广。
这也是为什么，AI Agent开发很难脱离既有的系统集成能力单独存在。一个Agent要真正干活，背后必须连着你的订单系统、CRM、ERP，甚至是你面向客户的那一层触点。
六、中小企业该怎么走：从触点开始，而不是从模型开始
大型企业有专门的AI中台团队，中小企业没有。对后者而言，更务实的路径是先把自己的数字化触点做扎实，再往上叠AI能力。
所谓触点，就是客户和你的每一次数字化接触：官网、小程序、App、企业微信、客服入口。这些触点如果本身架构老旧、数据割裂，AI接上去也只能是空中楼阁。因此我们常建议客户按这个顺序推进：
- 先完成基础的深圳网站建设或惠州网站开发工作，把官网从”电子画册”升级为能埋点、能留资、能对接后台的入口；
- 再用小程序开发承接高频轻交互场景，例如预约、查询、报修、会员积分；
- 对交互复杂度更高的业务，通过APP开发或系统定制打通内部流程；
- 最后，在数据已经跑通的链路上部署AI能力——官网上的智能导购、小程序里的智能问答、客服系统里的AI Agent开发成果。
这个顺序的好处是，每一层都能独立产生价值，同时为下一层积累数据资产。反过来，先花大价钱买一堆AI账号，却没有可承载的业务入口，几乎注定沦为”开通即沉默”的僵尸席位。
七、挑选技术伙伴时，值得问的四个问题
当企业决定推进AI项目，评估服务商时不妨直接抛出这几个问题，答案往往比PPT更能说明问题：
- 你们的方案里，模型、知识库、业务系统分别由谁负责？——能说清楚边界的团队，通常真的做过项目。
- 效果怎么衡量？有没有评测机制？——谈不出指标的，多半停留在演示层面。
- 数据放在哪里？权限怎么继承？——这关系到合规与信任。
- 上线之后谁来运营？——AI项目是长跑，不是交付即结束的外包。
结语：把AI变成基础设施，需要的是一整套工程能力
席位数量突破某个量级，说明企业对AI的信任度确实在上升。但真正决定成败的，从来不是买了多少账号，而是这些账号背后，有没有一条从数据、知识、工具到执行动作的完整链路。大模型提供的是智力，RAG提供的是记忆，AI Agent提供的是手脚，而承载它们的，仍然是扎实的软件系统本身。
微商派（vsppt）长期专注于这一层能力的构建，业务覆盖网站开发、小程序开发、APP开发、系统定制以及AI Agent开发。我们更愿意把AI看作企业数字化底座上的一层增强，而不是替代品——先把触点做通、把数据理顺、把流程打通，再让大模型和智能体去放大它的价值。如果你的团队正在规划AI落地路径，或者困惑于”买了工具却没效果”，不妨从梳理自己的业务链路开始聊起，很多答案会在图纸上自然浮现。