AI Agent，下一个万亿风口？我扒了份报告，发现创始人最大的痛点根本不是技术

一个说法是，未来十年都会是 agent 之年。从下边这个企业部署 agent 的进来可以看出来。

 

但 Agent 的部署是否成功，最核心的并不是技术。

我们先把目光往前移，其实 Agent 并不是新鲜事：

20 年前，微软的 Office 就上线过这个功能， 叫 Clippy，内置在 Office 97、Office 2000、Office XP 等版本中。它的核心功能是通过弹窗气泡形式，主动提示或协助用户完成常见任务。

 

你写个开头，它跳出来问「需要我帮忙吗？」；你改个格式，它又跳出来说「我发现你在做XX，要不要试试这样？」。

一个爹味十足、又总在错误时机提供无效建议的「虚拟助理」，最终在 2007 年被扫进了历史的垃圾堆，成了全世界最招人恨的虚拟助手，没有之一。

历史不会重复，但总押着相同的韵脚。

现在铺天盖地的 AI Agent （AI 代理）又火了，连微软 CEO 萨提亚·纳德拉自己都说，Copilot 就像是「去健身房练了十年的 Clippy」。

听着就有点慌，别又搞出个爹来教我做事。

最近，我扒了一份欧洲顶级风投 MMC 发布的《AI Agent 现状报告：创始人版》（报告链接见文末阅读原文），他们调研了 30 多位 AI Agent 领域的创业公司创始人和 40 多位企业高管。

看完我长舒一口气，还好，创始人们脑子很清醒。

他们发现，部署 AI Agent 最大的挑战，根本不是技术问题。

最大的坑，不是技术，而是「人」

你以为搞不定 AI Agent 是因为模型不够强、代码不够骚？

错了。

报告里，创始人们票选出的 Top 3 部署难题是：

1. 1. 工作流整合和人机交互（60%）

2. 2. 员工抵制和非技术因素（50%）

3. 3. 数据隐私和安全（50%）

 

太真实了。

作为一个用研，我天天跟这些问题打交道。你技术再 nb，用户不接受、流程融不进、数据不安全，全都白搭。

AI Agent 不是一个孤立的软件，它得像一个新同事一样，嵌入到公司现有的、混乱的、充满历史遗留问题的流程里去。

它要面对的，是人类同事的怀疑、不解、甚至恐惧（「它是不是来抢我饭碗的？」）。

所以，那些聪明的创始人是怎么做的？

成功的秘诀：「Think Small」，先搞定一件小事

报告发现，最成功的部署策略，总结起来就俩字：先从小的搞起（Think Small）。

别一上来就想着「颠覆整个行业」、「重塑人类工作方式」。

先从一些低风险、中等影响力、结果容易验证的小事做起。

最好是那种人类员工自己都烦得要死的重复性任务。

那到底怎么“搞小的”呢？这就涉及到一对要命的平衡：准确率（Accuracy）和自主权（Autonomy）。

准确率 vs. 自主权：一个要命的平衡

简单说，准确率就是 Agent 干的活儿有多靠谱，自主权就是它多大程度上能自己做主，不用人管。

报告的数据很有意思：超过 90% 的创业公司能做到 70% 以上的准确率，但只有 66% 的公司敢给 Agent 70% 以上的自主权。

看到了吗？活儿干得还行，但老板（用户）还是不放心让它自己瞎搞。这就是信任差距。

聪明的创始人，会根据业务场景，在这两者间找到绝佳的平衡点，玩出三种主流模式：

中等准确率 + 高自主权： 把它当成一个“实习生”。让它去干那些低风险、易验证、量大管饱的活儿。比如自动抓取信息、整理初步材料。就算错了，人看一眼就能改过来，但节省下的时间是实打实的。

高准确率 + 低自主权： 把它当成一个“专家顾问”。在医疗、金融这种高风险领域，人命关天，一分钱都不能错。Agent 可以提供非常精准的分析和建议，但最后拍板的，还得是人。它负责提供顶级弹药，但不能替你扣扳机。

高准确率 + 高自主权： 这就是“明星员工”了。在客户支持、网络安全这些相对成熟的领域，让它放手去干。报告发现，要做到这一点，光靠大模型还不够，往往需要把大模型（LLM）和更确定的传统 AI 方法结合起来，才能保证又准又能干。

所以你看，“搞小的”不是瞎搞，而是基于对风险和价值的判断，选择最合适的“人设”和“授权范围”。

好消息：已经开始花「业务」的钱了

当然，也有好消息。

报告显示，62% 的 AI Agent 创业公司已经开始花企业「核心业务部门」的钱了，而不是什么虚头巴脑的「创新预算」。

 

设么意思？

意味着 AI Agent 已经不再是 PPT 里的玩具和高管们拿来发朋友圈的「实验品」，它正在真正进入业务的核心，创造价值。

不过，怎么收费，大家依然很头疼。

按用户数？按任务量？还是按最终效果？报告里也提到了，按效果付费（Outcome-based）听着最美，但实际操作起来巨难。比如，一个销售单子拿下了，到底有多少是 AI 的功劳？很难算清楚，最后就是无尽的扯皮。

 

所以，大部分公司还是采用「混合模式」，收个基础费，再加点用量费，稳妥。

决胜点：搞定「人机交互」的 3E 框架

说到底，AI Agent 能不能成，关键还是看它和「人」的关系处理得怎么样。

报告里提到了一个我觉得还挺 nb 的观点，叫 3E 框架：

• • Education (教育)

• • Entertainment (娱乐)

• • Expectation management (预期管理)

教育：AI 不能是个黑盒子，它得想办法让用户明白它能干嘛、不能干嘛，怎么跟它合作效率最高。它得是个好老师。

娱乐：交互过程得有点意思，至少不能烦人。谁愿意天天跟一个板着脸的 sb 机器人打交道？带点幽默感、有点个性的 Agent，用户才愿意用。

预期管理：这是最重要的。别吹牛逼，也别让用户低估你。上来就说「我能搞定一切」，结果连个简单的任务都出错，用户马上就把它打入冷宫。清晰地告诉用户，我在什么场景下准确率 90%，在什么场景下可能只有 60%，把选择权和判断权交给用户。

你看，这哪里是技术问题？这全是用户体验和心理学的问题。

所以，AI Agent 的未来，技术突破当然重要，但真正的决胜点，可能在于谁能更好地理解「人」，搞定那些乱七八糟的流程和微妙的人性。

最后：

别总想着做个无所不能的「神」，先试着做个用户愿意聊天的「人」。