關注AI Agent 的力薦MMC 的這篇剛發布的《State of Agentic AI: Founder's edition》，不僅數據紮實，分析了問題，還提供了可行的解決方案。 今年2025 年是公認的AI Agent 元年，「Agentic AI」 非常火，新產品也層出不窮：Deep Research、Coding Agent、Browser use、Computer use … 當然Agent 爭議也不小，一部分人認為沒啥用，一部分人則覺得Agent 無所不能，也無可厚非，大家都是主觀感受，每個人使用場景都不一樣，比如我自己就很喜歡Coding Agent，真的能解決問題。但這種爭議如果用數據說話就會有說服力的多，比如說這玩意兒，在真實的企業裡，真的用起來了嗎？ MMC 則是深入訪談了30 多家正在做AI Agent 的新創公司創辦人和40 多位企業裡的實際用戶，寫了這篇報告：《Agentic AI 現況：創辦人版》。 【1】真正限制AI Agent 的，可能不是AI 不夠聰明 大部分都以為目前Agent 最大的困難會是「AI 不夠聰明」、「幻覺太嚴重」或「太難和當前系統整合」。 這些確實是問題，但出乎意料的是，在創辦人眼中，它們排不進前三名。 根據調查，部署AI Agent 時的三大問題分別是： 1. 工作流程整合和人機互動（佔60%） 2. 員工抵觸與非技術因素（佔50%） 3. 資料隱私與安全（佔50%） 也就是說最大的障礙，是「人」和「流程」的問題。 1. 「這玩意兒我該怎麼用？」（工作流程整合） 這是佔60% 的最大難題。 一個AI Agent 再牛，如果它是一個需要單獨打開的APP，需要員工在現有的工作軟體（例如釘釘、飛書、Salesforce）之外，再打開一個新視窗去指揮它，那它的使用率注定高不了。 成功的集成，是把AI 嵌入到員工已有的工作流程裡。例如，當銷售在CRM 裡更新一個客戶狀態時，AI Agent 自動跳出來說：“我幫你把剛才的會議紀要總結好了。” 這已經不只是個技術問題了，更需要企業改變觀念，企業得先想清楚：「要整合這樣的AI Agent，我原有的工作流程需要怎麼改？」這往往比買一套AI Agent 難得多。 2. 「它會不會搶我飯碗？」（員工抗拒） 這是50% 的創辦人提到的信任危機。 我們得承認一個現實：在企業裡，人類和AI 的合作，目前大多不太愉快。 - 一種是「過度依賴」：員工把活兒全丟給AI，自己不檢查，結果AI 出了錯，比如給客戶報了個錯誤的價格，釀成大禍。 - 一種是「過度懷疑」：員工根本不信AI，AI 做的每一步，他都要自己再查一次。這不但沒提高效率，反而增加了工作量。 更深層的，就是被AI 取代的恐懼。這導致員工在用的時候束手束腳，或乾脆陽奉陰違，不願配合。 3. 「我的資料餵給AI，安全嗎？」（資料隱私） 這也是50% 的創辦人提到的核心關切。 這個問題在金融、醫療等產業尤其嚴重。企業會擔心：“我把內部的財務報表、客戶病歷交給這個AI Agent 分析，這些數據會不會被拿去訓練別的模型？會不會洩露？” 這種擔憂，有些是真實存在的，例如需要符合GDPR、ISO 27001 等合規認證，有些純粹是感覺上的。但無論哪種，都會讓企業在部署時畏手畏腳。 【2】做得好的AI Agent：高準確率和高自主性 既然有這麼多困難，那現在做的好的那些AI Agent，實際表現怎麼樣？ 這個報告給我很大收穫的一點是它從兩個維度來量化現在的AI Agent：準確率（Accuracy）和自主性（Autonomy）： - 準確率：AI 幹的活兒，多大比例是對的、被人類接受的。 - 自主性：AI 幹活兒時，多大程度不需要人來插手。 理想狀態當然是高準確+高自主。但現實是，超過90% 的Agent新創公司聲稱自己的方案達到了70% 以上的準確率。 所以MMC 把Agent 劃分了三個分類（低準確率+低自主性的Agent就不配存在）： 1. 中準確、高自主： 適用於低風險、高重複、易於驗證的工作場景。例如自動給海量的行銷郵件打標籤。就算AI 標錯了30%，但它幫你自動處理了1000 封，你只需要人工糾錯那些明顯不對的，整體效率還是遠超純人工。 2. 高準確、低自主： 適用於高風險、高價值領域，如醫療場景。例如AI 幫你起草臨床試驗的研究報告。它必須保證90% 以上的準確率，但人類專家必須在每一步進行嚴格審核（低自主權）。它扮演的是“超級助手”，而不是“決策者”。 3. 高準確率+ 高自主性： 這可以說是最理想的“甜點區”，是大家努力的方向。它適用於那些AI 部署相對成熟或規則邊界清晰的領域。例如客戶服務、網路安全或金融合規。在這些場景下，AI Agent 已經足夠可靠，達到80%-90% 的準確率和自主性，可以被授予高自主權去端到端地處理任務。報告提到，這裡的秘訣通常是將機率性的大語言模型與更具確定性的AI 方法結合，以提高準確性，從而進一步提高自主性。 【3】企業開始為Agent 付費了 聊AI Agent 落地，繞不開收費的問題，畢竟靠燒錢是無法持久的。 好消息是企業開始真掏錢付費了 報告發現，62% 的AI Agent 新創公司，已經拿到了企業的「業務線預算（Line of Business budget）」。 這是個超級正面的訊號。可能很多人不知道大公司內部的預算分兩種：一種叫「創新預算」（Innovation budget），就是小金庫或實驗經費，數額不大，用完了算，大家圖個新鮮。 而“業務線預算”，是各部門（如銷售部、行銷部、財務部）用來保證自己核心業務運作的支出。 當AI Agent 開始動用「業務線預算」時，表示它已經從可有可無的玩具變成了能幫我工作的生產力工具。 壞消息是現在還沒摸索最佳的收費模式 雖然知道這玩意兒值錢，但到底該怎麼定價？報告顯示，大家都在摸索，主流的兩種方式是： 1. 混合定價（23%）：例如「基礎服務費+ 超出部分按用量付費」。 2. 按任務次（23%）：AI 幫你做成一件事（例如發出一張發票），收一次錢。 而大家最期待的按照效果付費（Outcome-based），目前只有3% 的公司在用。 為什麼？因為太難了。 例如，一個“銷售AI 助理”，它幫銷售贏了個大單。這個功勞，到底80% 算銷售的，還是20% 算AI 的？怎麼衡量？如果AI 沒功勞，企業是不是就可以不付錢？這根本算不清。 所以，目前最現實的還是按苦勞付費，而不是按功勞付費。 【4】最重要的部分：成功的AI Agent 落地策略 既然AI Agent 落地這麼難，那麼那些成功的Agent 公司又是怎麼說服企業客戶的呢？ MMC 的訪談總結了一套非常實用的落地經驗： 秘籍一：「Think Small」（從小處著手） 報告總結了一個非常務實的落地策略：Think Small (從小處著手)。 忘掉那些「徹底顛覆產業」、「全自動替換人類」的宏大敘事。成功的AI 智能體，往往從一個非常小、非常具體的切口進入： - 起點： 選一個低風險、中等效益的任務。 - 關鍵： 選一個員工最討厭幹的活兒。例如，銷售團隊最煩的手動輸入客戶數據，或是財務團隊最煩的核對發票。 - 定位： 永遠不要說你是「替代品」 (Replacement)，要說你是「副駕駛」 (Copilot)。 你的目標不是讓老闆開除員工，而是把員工從那些重複、無聊、沒人想幹的破事兒裡解放出來。 當員工發現，這個AI 真的幫我省了每週5 小時填表的時間，信任的種子才算種下了。 秘技二：「保母式」服務（Hand-holding） 現在的AI Agent 還遠遠沒到即插即用的程度。企業買的不僅是軟體，更是一整套陪跑服務。 成功的新創公司都在用「前線部署工程師（FDE）」模式。這群人既是程式設計師，也是諮詢顧問，他們會直接「扎」到客戶的辦公室裡，手把手幫客戶整理流程、清理資料、調整AI。 同時，人機互動介面要做到「3E」： 1. Education（教育）：AI 要能主動教導用戶「我能幹啥，你該怎麼用我」。 2. Entertainment（趣味）：交互得有趣。 3. Expectation Management（預期管理）：AI 必須坦誠地告訴用戶“我幹不了啥”，別吹牛。 秘籍三：定位決定生死（Positioning） 最後，你怎麼「說」你是誰，可能比你「是」誰更重要。 - 是“副駕駛”，不是“替代者”： * 一定要把姿態放低。你的產品是「Copilot」（副駕駛、領航員），是來「Augment」（增強）員工能力的，不是來「Replace」（替換）他們的。就算你的技術真的能替換掉80% 的人，也千萬別這麼說。 - 看人下菜碟： * 在醫療這種保守行業，你最好少提“AI”，多談“自動化”、“效率提升”。 * 在金融這種激進的行業，你就得猛吹“Agentic AI”，顯得你很前衛。 - ROI 要具體： * 對於成熟流程，就說「節省了XX 小時」或「降低了XX% 成本」。 * 對於AI 創造的新能力（例如「千人千面」的網頁），就把它和你已有的工具掛鉤，例如：「能讓你的Google廣告轉換率提升20%」。 【最後】 港真，年初的時候我還是AI Agent 的懷疑論者，自從用了Claude Code 後，我開始“真香”，變成了AI Agent 的積極擁護者，也一直很關注這個領域的發展，這份報告質量還是很高的，尤其是給我最大感觸的點是： 決定AI Agent 落地成敗的，最重要的因素已經不是模型能力夠不夠強，而是它怎麼和企業內部的流程整合，怎麼取得員工的行人，怎麼證明它存在的價值。 另外從準確率和主動性這兩個維度來量化評估AI Agent，是挺科學的，現在很多的AI Agent，主動性高了準確率可能就不夠，準確率上去了主動性又不行，要做好Agent，最終還是要做到像一個情商高的真人那樣，在你還沒開口時，就幫你把事情搞定的需求，默默幫你把事情搞定。
建議完整閱讀原文hmmc.vc/research/state…翻譯：https://t.co/b4YslzEU2I