AI Agent 的热闹与冷现实
2025 年下半年开始，AI Agent 这个词出现在几乎所有科技媒体的标题里。OpenAI 的 Operator、字节跳动的 Coze、阿里的 ModelScope Agent，每家大厂都在推自己的 Agent 框架。企业端也不示弱，BOSS 直聘的 HR Agent、携程的旅行规划 Agent、京东的售后 Agent，听起来每个都很厉害。
但真问到落地情况，大多数企业负责人的回答大概是：试过了，还在跑。
我不是说 Agent 不行。是说行和行之间差距很大。同样是 Agent，客服场景和营销场景的落地难度完全不在一个量级。一个可能已经替你省了几个人工坐席，另一个可能还在给销售添乱。
这篇文章不说概念，只聊两个最热门的垂直场景——客服和营销——到底谁跑通了，谁还在烧钱，以及企业怎么判断自己该从哪个场景入手。
客服场景：知识库是门槛，也是天花板
客服 Agent 能先跑起来，原因其实有点无聊：客服对话的边界相对清晰。
用户问来问去，八九不离十是退货、换货、物流查询、产品功能咨询、账户问题。这些问题的答案大部分已经躺在企业的知识库里。把 FAQ 结构化一下，接入大模型的 RAG（检索增强生成），Agent 就能处理相当一部分咨询。
几个跑通的真实案例：
- 一家做 SaaS 的中型企业，客服团队 12 人。接入 Agent 三个月后，常见技术咨询的 70% 由 Agent 独立处理，转人工的主要是复杂报错和定制化需求。客服团队没有裁员，但新增客户的响应速度从平均 4 小时降到 15 分钟。
- 一个电商品牌，售后咨询量大但重复度高。Agent 处理退货申请、物流查询、尺码推荐，高峰期（大促）人工坐席减少 40% 临时用工，省了大概两个小团队的成本。
但要注意，客服 Agent 的天花板也很明显。它处理不了情绪激烈的客诉、涉及多个订单的复杂纠纷、需要跨部门协调的售后问题。这些企业通常会把 Agent 定位为第一响应层——先接住常见问题，搞不定的再转人工。
这个定位本身是对的。问题是有些企业把 Agent 当成替代方案，期望它处理 95% 的咨询。一旦遇到 Agent 答不上来的情况，用户反复转接、重复描述问题，体验反而更差。
客服场景的核心投入不是大模型 API 费用，是知识库的持续维护。产品更新、政策调整、促销活动，知识库不及时更新，Agent 就会开始胡说。维护知识库需要人工，这部分成本经常被低估。
营销场景：从自动回复到线索孵化，路还很长
营销 Agent 比客服难做，不是因为技术更难，是因为业务逻辑更混沌。
营销的核心动作是线索获取、培育、筛选、移交销售。听起来每一步都能自动化，但每一步都涉及跨系统数据：广告平台来了线索，CRM 里有没有重复？这个线索在网站上看了什么内容？之前的邮件打开率是多少？销售跟进记录里写了什么？
这些数据分散在广告后台、CRM、官网分析工具、邮件系统、微信生态里。Agent 要做的是把线索从"匿名访客"变成"意向客户"，但这个过程中需要跨至少三到四个系统读数据、写数据、判断逻辑。每个系统的 API 文档、字段定义、更新频率都不一样。
目前营销 Agent 的实际落地，大多停留在两个阶段：
- 阶段一：自动回复。用户留言后自动回复一条话术，或者根据关键词推送内容。这个阶段的 Agent 本质上是个高级 chatbot，没有数据闭环，也没有判断能力。
- 阶段二：初步筛选。根据用户行为（比如填了表单、点了链接）打标签，然后推给销售。这个阶段开始有数据联动，但筛选规则通常是人工预设的，Agent 的自主判断空间有限。
真正有价值的第三阶段——线索孵化——需要 Agent 根据用户行为自动调整沟通策略、推荐内容、判断跟进时机。这个阶段的 Agent 目前在大多数企业里还没跑通。原因不是模型不够聪明，是数据没打通、流程没对齐、部门和部门之间的权责边界不清。
举个例子。销售觉得线索质量差，市场部觉得销售跟进不及时。Agent 夹在中间，不知道该听谁的。如果让 Agent 自主决定线索分配，销售可能会投诉；如果完全按规则分配，Agent 的价值又有限。
说白了，营销 Agent 的问题跟技术关系不大。模型能力够用了，但组织内的数据、流程和权责边界还没准备好。
为什么客服比营销先跑出闭环
对比两个场景，客服比营销先跑通的原因可以归结为三点：
第一，数据集中度不同。客服的知识库通常在一个系统里，或者几个系统整合后的统一知识库。营销的数据天然分散，广告平台、CRM、官网、私域，各管一段。数据集中度决定了 Agent 需要对接的接口数量和复杂度。
第二，成功标准更明确。客服 Agent 的成功标准是响应时间、解决率、转人工率。数字清晰，容易衡量。营销 Agent 的成功标准是什么？线索量？线索质量？转化率？每个指标背后都涉及不同部门的定义和口径。标准不统一，Agent 的训练目标就模糊。
第三，失败成本不一样。客服 Agent 答错了，用户最多再转人工，损失的是一次体验。营销 Agent 判断错了，可能把高意向客户漏掉，或者把低意向客户推给销售浪费资源。后者的损失是业务层面的，不是体验层面的。企业对营销 Agent 的容错率更低，落地自然更谨慎。
这三个差异决定了客服 Agent 可以在 3-6 个月内看到效果，营销 Agent 往往需要 9-12 个月才能初步跑通，而且中间需要大量组织层面的调整。
企业评估：你的场景 ready 了吗
不是每个企业都适合现在上 Agent。以下三个维度可以帮你快速评估：
1. 流程标准化程度
如果你的客服流程已经写成了标准 SOP，每一步有明确的判断条件和处理方式，Agent 可以直接学习这些规则。如果流程本身还在"看情况"的阶段，Agent 没法学，因为连人自己都说不清楚。
营销场景尤其要注意。如果你们的线索分层标准还没统一（比如什么叫"高意向"），Agent 不可能替你定义清楚。先统一人工标准，再上 Agent。
2. 数据质量
Agent 不是魔术师，它只能处理已有的数据。客服场景需要高质量的知识库；营销场景需要打通的数据流。如果你们的 CRM 里客户记录残缺不全、标签体系混乱，Agent 再聪明也跑不动。
有个简单的测试：让一个新人销售接手一个客户，他能在 10 分钟内从系统里了解这个客户的完整画像吗？如果不能，Agent 也不能。
3. 跨系统接口复杂度
Agent 需要调用外部系统。如果你们的系统之间已经通过 API 或者中台打通了，Agent 的接入成本会低很多。如果系统之间还在靠人工导出 Excel 对接，Agent 的第一步不是写代码，是推动 IT 部门做接口改造。这个周期可能很长。
三个维度打分，如果至少两个是绿灯，这个场景值得尝试。如果只有一个绿灯，建议先补短板。
落地瓶颈不在模型能力，在流程和组织
聊了这么多，核心结论其实一句话：AI Agent 落地最卡的地方，不是模型不够好，是企业内部的流程、数据和协作方式还没跟上。
大模型能力在快速提升，RAG 的效果在优化，多 Agent 协作的框架也在成熟。但这些都建立在一个前提上：企业的流程已经清晰、数据已经就绪、跨部门协同已经理顺。
客服场景之所以能先跑通，不是因为技术更简单，是因为客服流程本来就相对标准化。营销场景之所以难，是因为营销流程本身就在不断调整，而且涉及多个部门的利益。
对于正在评估 Agent 的企业，我的建议是先选一个流程最成熟、数据最集中、成功标准最清晰的场景试点。不要一上来就求全，也不要被"Agent 能替代销售"的说法忽悠。现阶段 Agent 更像个高级实习生，能处理明确的任务，但还做不了复杂的判断。
这个"实习生"的成长速度在加快。2025 年下半年到 2026 年，Agent 框架的成熟度确实比一年前提升了不少。但企业端的准备度提升了多少，取决于各自补课的速度。
反正流程理顺了，Agent 才能真正派上用场。现在大部分企业还在补课。
