开启时会模糊预览图，关闭后正常显示
![CA ballot this year:
Should we rig the elections so Democrats always win?
[ ] Yes
[ ] I hate democracy and love dictators](/_next/image?url=https%3A%2F%2Fpbs.twimg.com%2Fprofile_images%2F1904899227723194370%2FdDvlwqri_400x400.jpg&w=3840&q=75 "CA ballot this year:
Should we rig the elections so Democrats always win?
[ ] Yes
[ ] I hate democracy and love dictators")
CA ballot this year: Should we rig the elections so Democrats always win? [ ] Yes [ ] I hate democracy and love dictators
Opening portals to handheld VR at https://t.co/A2JMItorCV. Problems soluble, potential to improve invariant.
RT @arcprize: Today we're announcing ARC Prize Verified, a program to increase the rigor of evaluating frontier systems on ARC-AGI This pr…
Co-founder @ndea. Co-founder @arcprize. Creator of Keras and ARC-AGI. Author of 'Deep Learning with Python'.
RT @QuantaMagazine: All manifolds are shapes, but not every shape is a manifold. https://t.co/953Kc4Pduj
traveler btw worlds, biased towards makers & doers, I heart art + tech. Editor in Chief a16zcrypto; EiC a16z + podcast showrunner 2014-2022; WIRED, Xerox PARC
RT @AsimovPress: Mitochondria are alive. A swelling tide of evidence suggests they are not just organelles, but rather their own life forms…
traveler btw worlds, biased towards makers & doers, I heart art + tech. Editor in Chief a16zcrypto; EiC a16z + podcast showrunner 2014-2022; WIRED, Xerox PARC
建议完整阅读原文 https://t.co/F6NJJU0tOI 翻译：https://t.co/b4YslzEU2I
Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management.
关注 AI Agent 的力荐 MMC 的这篇刚发布的《State of Agentic AI: Founder’s edition》，不仅数据扎实，分析了问题，还提供了可行的解决方案。 今年 2025 年是公认的 AI Agent 元年，“Agentic AI” 非常火，新产品也层出不穷：Deep Research、Coding Agent、Browser use、Computer use …… 当然 Agent 争议也不小，一部分人认为没啥用，一部分人则觉得 Agent 无所不能，也无可厚非，大家都是主观感受 ，每个人使用场景都不一样，比如我自己就很喜欢 Coding Agent，真的能解决问题。但这种争议如果用数据说话就会有说服力的多，比如说这玩意儿，在真实的企业里，真的用起来了吗？ MMC 则是深入访谈了 30 多家正在做 AI Agent 的创业公司创始人和 40 多位企业里的实际用户，写了这篇报告：《Agentic AI 现状：创始人版》。 【1】真正限制 AI Agent 的，可能不是 AI 不够聪明 大部分都以为目前 Agent 最大的困难会是“AI 不够聪明”、“幻觉太严重”或者“太难和当前系统集成”。 这些确实是问题，但出人意料的是，在创始人眼中，它们排不进前三。 根据调查，部署 AI Agent 时的三大问题分别是： 1. 工作流集成 和 人机交互（占 60%） 2. 员工抵触 和 非技术因素（占 50%） 3. 数据隐私与安全（占 50%） 也就是说最大的障碍，是“人”和“流程”的问题。 1. “这玩意儿我该怎么用？”（工作流集成） 这是占比 60% 的最大难题。 一个 AI Agent 再牛，如果它是一个需要单独打开的 APP，需要员工在现有的工作软件（比如钉钉、飞书、Salesforce）之外，再打开一个新窗口去指挥它，那它的使用率注定高不了。 成功的集成，是把 AI 嵌入到员工已有的工作流里。比如，当销售在 CRM 里更新一个客户状态时，AI Agent 自动跳出来说：“我帮你把刚才的会议纪要总结好了。” 这已经不仅仅是个技术问题了，更需要企业改变观念，企业得先想清楚：“要集成这样的 AI Agent，我原有的工作流程需要怎么改？”这往往比买一套 AI Agent 难得多。 2. “它会不会抢我饭碗？”（员工抵触） 这是 50% 的创始人提到的信任危机。 我们得承认一个现实：在企业里，人类和 AI 的合作，目前大多不太愉快。 - 一种是“过度依赖”：员工把活儿全丢给 AI，自己不检查，结果 AI 出了错，比如给客户报了个错误的价格，酿成大祸。 - 一种是“过度怀疑”：员工根本不信 AI，AI 做的每一步，他都要自己再核查一遍。这非但没提高效率，反而增加了工作量。 更深层的，就是对被 AI 取代的恐惧。这导致员工在用的时候束手束脚，或者干脆阳奉阴违，不愿配合。 3. “我的数据喂给 AI，安全吗？”（数据隐私） 这也是 50% 的创始人提到的核心关切。 这个问题在金融、医疗等行业尤其严重。企业会担心：“我把内部的财务报表、客户病历交给这个 AI Agent 分析，这些数据会不会被拿去训练别的模型？会不会泄露？” 这种担忧，有些是真实存在的，比如需要符合 GDPR、ISO 27001 等合规认证，也有些纯粹是感觉上的。但无论哪种，都会让企业在部署时畏手畏脚。 【2】做得好的 AI Agent：高准确率和高自主性 既然有这么多困难，那现在做的好的那些 AI Agent，实际表现怎么样？ 这个报告给我很大收获的一点是它从两个维度来量化现在的 AI Agent：准确率（Accuracy）和自主性（Autonomy）： - 准确率：AI 干的活儿，多大比例是对的、被人类接受的。 - 自主性：AI 干活儿时，多大程度不需要人来插手。 理想状态当然是高准确+高自主。但现实是，超过 90% 的Agent创业公司声称自己的方案达到了 70% 以上的准确率。 所以 MMC 把 Agent 划分了三个分类（低准确率+低自主性的Agent就不配存在）： 1. 中准确、高自主： 适用于低风险、高重复、易验证的工作场景。比如自动给海量的营销邮件打标签。就算 AI 标错了 30%，但它帮你自动处理了 1000 封，你只需要人工纠错那些明显不对的，总体效率还是远超纯人工。 2. 高准确、低自主： 适用于高风险、高价值领域，比如医疗场景。比如 AI 帮你起草临床试验的研究报告。它必须保证 90% 以上的准确率，但人类专家必须在每一步进行严格审核（低自主权）。它扮演的是“超级助手”，而不是“决策者”。 3. 高准确率 + 高自主性： 这可以说是最理想的“甜点区”，是大家努力的方向。它适用于那些 AI 部署相对成熟或规则边界清晰的领域。比如客户服务、网络安全或金融合规。在这些场景下，AI Agent 已经足够可靠，达到 80%-90% 的准确率和自主性，可以被授予高自主权去端到端地处理任务。报告提到，这里的秘诀通常是将概率性的大语言模型与更具确定性的 AI 方法相结合，以提高准确性，从而进一步提高自主性。 【3】企业开始为 Agent 付费了 聊 AI Agent 落地，绕不开收费的问题，毕竟靠烧钱是无法持久的。 好消息是企业开始真掏钱付费了 报告发现，62% 的 AI Agent 创业公司，已经拿到了企业的“业务线预算（Line of Business budget）”。 这是个超级积极的信号。可能很多人不知道大公司内部的预算分两种：一种叫“创新预算”（Innovation budget），就是小金库或实验经费，数额不大，用完了算，大家图个新鲜。 而“业务线预算”，是各部门（如销售部、市场部、财务部）用来保证自己核心业务运转的支出。 当 AI Agent 开始动用“业务线预算”时，意味着它已经从可有可无的玩具变成了能帮我干活的生产力工具。 坏消息是现在还没摸索出最佳的收费模式 虽然知道这玩意儿值钱，但到底该怎么定价？报告显示，大家都在摸索，主流的两种方式是： 1. 混合定价（23%）：比如“基础服务费 + 超出部分按用量付费”。 2. 按任务次（23%）：AI 帮你干成一件事（比如发出一张发票），收一次钱。 而大家最期待的按照按效果付费（Outcome-based），目前只有 3% 的公司在用。 为什么？因为太难了。 比如，一个“销售 AI 助手”，它帮销售赢了个大单。这个功劳，到底 80% 算销售的，还是 20% 算 AI 的？怎么衡量？如果 AI 没功劳，企业是不是就可以不付钱？这根本算不清。 所以，目前最现实的还是按苦劳付费，而不是按功劳付费。 【4】最重要的部分：成功的 AI Agent 落地策略 既然 AI Agent 落地这么难，那些成功的 Agent 公司是怎么说服企业客户的呢？ MMC 的访谈总结出了一套非常实用的落地经验： 秘籍一：“Think Small”（从小处着手） 报告总结了一个非常务实的落地策略：Think Small (从小处着手)。 忘掉那些“彻底颠覆行业”、“全自动替换人类”的宏大叙事。成功的 AI 智能体，往往从一个非常小、非常具体的切口进入： - 起点： 选一个低风险、中等收益的任务。 - 关键： 选一个员工最讨厌干的活儿。比如，销售团队最烦的手动录入客户数据，或者财务团队最烦的核对发票。 - 定位： 永远不要说你是“替代品” (Replacement)，要说你是“副驾驶” (Copilot)。 你的目标不是让老板开除员工，而是把员工从那些重复、枯燥、没人想干的破事儿里解放出来。 当员工发现，这个 AI 真的帮我省了每周 5 小时填表的时间，信任的种子才算种下了。 秘籍二：“保姆式”服务（Hand-holding） 现在的 AI Agent 还远没到即插即用的程度。企业买的不仅是软件，更是一整套陪跑服务。 成功的创业公司都在用“前线部署工程师（FDE）”模式。这帮人既是程序员，又是咨询顾问，他们会直接“扎”到客户的办公室里，手把手帮客户梳理流程、清理数据、调整 AI。 同时，人机交互界面要做到“3E”： 1. Education（教育）：AI 要能主动教用户“我能干啥，你该怎么用我”。 2. Entertainment（趣味）：交互得有趣。 3. Expectation Management（预期管理）：AI 必须坦诚地告诉用户“我干不了啥”，别吹牛。 秘籍三：定位决定生死（Positioning） 最后，你怎么“说”你是谁，可能比你“是”谁更重要。 - 是“副驾驶”，不是“替代者”： * 一定要把姿态放低。你的产品是“Copilot”（副驾驶、领航员），是来“Augment”（增强）员工能力的，不是来“Replace”（替换）他们的。哪怕你的技术真的能替换掉 80% 的人，也千万别这么说。 - 看人下菜碟： * 在医疗这种保守行业，你最好少提“AI”，多谈“自动化”、“效率提升”。 * 在金融这种激进的行业，你就得猛吹“Agentic AI”，显得你很前沿。 - ROI 要具体： * 对于成熟流程，就说“节省了 XX 小时”或“降低了 XX% 成本”。 * 对于 AI 创造的新能力（比如“千人千面”的网页），就把它和你已有的工具挂钩，比如：“能让你的谷歌广告转化率提升 20%”。 【最后】 港真，年初的时候我还是 AI Agent 的怀疑论者，自从用了 Claude Code 后，我开始“真香”，变成了 AI Agent 的积极拥护者，也一直很关注这个领域的发展，这份报告质量还是很高的，尤其是给我最大感触的点是： 决定 AI Agent 落地成败的，最重要的因素已经不是模型能力够不够强，而是它怎么和企业内部的流程整合，怎么取得员工的行人，怎么证明它存在的价值。 另外从准确率和主动性这两个维度来量化评估 AI Agent，是挺科学的，现在很多的 AI Agent，主动性高了准确率可能就不够，准确率上去了主动性又不行，要做好 Agent，最终还是要做到像一个情商高的真人那样，在你还没开口时，就洞察到你的需求，默默帮你把事情搞定。
建议完整阅读原文 https://t.co/F6NJJU0tOI 翻译：https://t.co/b4YslzEU2I