Agent 进入生产线以后，企业要重写三样东西

[!abstract]- 摘要 前两篇讨论了FDE为何走红，以及企业AI项目常见的三个坑。躲开这些坑只算活下来。Agent进入生产流程后，人的注意力、软件交互和部门协作都会变化。本文继续推演AI-Native企业的三层改造：生产力、业务系统和组织。

很多企业的 AI 改造，最后长成了一个聊天框。

ERP 右下角多了一个图标。

员工问：“这个月还有哪些采购单没有完成？”

AI 很快给出答案，有时还会贴心地附上一段操作说明：

请进入采购管理，打开订单列表，选择“待交付”，再按照供应商筛选。

过去要翻五分钟菜单，现在十几秒就能找到入口。

挺有用。

接下来的工作仍然由人完成：复制订单号，切到供应商系统，核对合同，发消息催进度，再把结果填回 ERP。AI 负责解释软件，人继续充当几个系统之间的连接器。

项目汇报时，这个聊天框很亮眼。

运行几个月以后，收益很快碰到天花板。

上一篇写了企业 AI 项目最常见的三个坑：老板高估模型能力，项目放进 IT 预算，员工缺少配合的动力。假设这三个问题都处理好了，业务负责人愿意担责，IT 守住生产底线，员工也能从知识贡献中获得收益，后面还有一道更难的题。

企业原来的业务流程，全部围绕人设计。

Agent 被塞进其中一个环节，只能让局部更快。

一条采购流程有十个步骤，AI 把方案编写从两天压缩到十分钟，后面仍要等待预算、法务、供应商和多级审批。单点效率提高很多，端到端周期可能只少了半天。

当局部提效走到尽头，企业会被迫继续往下改。

这轮改造大致沿着三层展开：

FDE + AI
    ↓
重塑生产力
    ↓
重新定义业务系统
    ↓
重构企业组织

三层互相牵引。

只动其中一层，收益通常很快封顶。

第一层：重塑生产力，人的工作单位开始变化

过去的软件提升生产力，主要靠给人提供更好的工具。

会计使用财务软件，销售使用 CRM，客服使用工单系统。人的工作单位仍然比较稳定：一个人操作一套或几套软件，按照流程完成任务。

Agent 进入以后，这个单位会逐渐变成：

一个人，带着一组数字员工，在清楚的权限边界内完成一段业务。

以大客户销售为例。

过去，他要自己收集行业资料，查客户动态，整理会议纪要，维护 CRM，准备方案，跟踪回款。真正需要他本人完成的判断，往往被大量信息整理和系统操作挤在中间。

配上一组 Agent 以后，分工会发生变化：

• 研究 Agent 持续跟踪客户、行业和竞争对手；
• 会检 Agent 整理讨论内容，识别承诺事项和风险；
• 方案 Agent 调用公司知识、历史案例和报价规则，准备初稿；
• 跟进 Agent 更新 CRM，提醒下一步动作；
• 销售本人负责关系、策略、报价取舍和关键谈判。

同一个人覆盖的客户数量可能增加，方案准备速度也会提高。更重要的变化在于，他的注意力开始从“找信息、搬信息、填信息”转向判断和决策。

人的时间一直有限。

Agent 普及以后，更稀缺的资源会变成人的注意力、判断力和责任承担能力。

这也会改变企业计算产能的方式。

过去常看人数、工时、处理量。以后还要看一个人能管理多少 Agent，多少任务可以自动完成，人工在哪些节点介入，异常由谁处理，最终结果由谁负责。

FDE 自己也先经历一次生产力重组

FDE 在客户现场的工作，包含大量工程细节：读陌生代码、接历史系统、清洗数据、补测试、写适配器、梳理接口、生成迁移脚本。

Coding Agent 很适合处理其中的重复劳动。

一个有经验的 FDE，可以把多个任务并行交给 Agent，自己盯着业务边界、架构取舍和风险。过去需要一个小团队完成的原型和集成，现在可能由少数几个人推进。

这并不会降低对人的要求。

判断一旦出错，AI 会用更高的速度把错误扩散到代码、数据和流程里。FDE 需要知道哪些代码可以生成，哪些部分必须亲自检查；哪些临时方案适合验证，哪些设计会在生产环境留下长期债务。

AI 放大工程能力，也放大经验差距。

这正是 FDE + AI 在今天成立的重要条件：现场交付速度提高了，资深工程师积累多年的系统经验也获得了更大的杠杆。

软件工程已经提前演了一遍

软件工程是最早感受到这轮变化的行业之一。

以前，一个需求要经过产品、设计、前端、后端、测试、运维，沿着不同角色逐步流动。大量流程和敏捷方法，都是为了降低这些人之间的协作成本。

AI 编程开始改变这条链。

一个有经验的工程师，可以让不同 Agent 分别研究代码库、设计接口、实现前后端、补测试、检查安全问题。角色边界开始变薄，一个人覆盖的范围变宽。

工程师的时间也随之迁移。

具体编码占比下降，更多精力放在架构、约束、Trade-off、评审和验收上。代码量不再稀缺，知道该写什么、该舍弃什么、什么结果可以进入生产，变得更加重要。

软件工程没有因此变简单。

协作对象增加了 Agent，验证成本和系统风险也跟着变化。原来围绕人类交接设计的研发流程，需要重新安排。

其他行业会经历相似过程。

销售、客服、运营、财务、供应链都有自己的“软件工程流程”：信息在不同岗位之间流动，每个岗位做一段处理，再把结果交给下一个人。

当 Agent 开始覆盖多个环节，业务系统必须跟着调整。

第二层：重新定义业务系统，页面会退到新的位置

今天的大多数企业软件都为人类操作设计。

菜单告诉人去哪里。

表单要求人输入什么。

按钮规定下一步动作。

仪表盘把数据展示出来，再等人判断。

系统之间缺少连接时，人负责复制和粘贴。流程出现例外时，人通过电话、微信和 Excel 把它补上。

很多企业加入 AI 以后，仍然沿用这套结构：在页面旁边放一个助手，让它回答问题、生成内容，最后由人把结果填回原来的系统。

这类改造可以提高局部效率，很难释放 Agent 的执行能力。

Agent 要进入业务流程，底层系统至少需要四类能力。

业务对象要说得清楚

客户、合同、订单、库存、工单、员工，这些对象各自有什么状态，彼此是什么关系，谁拥有它，谁能修改它，都需要清楚表达。

自然语言可以很灵活，生产系统不能靠猜。

Agent 收到“给这个客户一个更有诚意的报价”以后，要知道客户等级、历史成交、折扣权限、毛利底线和审批规则。缺少这些业务语义，它只能生成一份听起来合理的文字。

系统动作要能被调用

查询客户、生成报价、锁定库存、发起审批、创建工单，都要变成稳定的工具或 API。

每个工具需要明确输入、输出、权限、成本和失败处理。Agent 调用以后，系统还要知道执行到了哪一步，重复调用会不会产生两张订单，超时后如何补偿。

对话框解决表达。

工具解决执行。

过程要能观察和回滚

人操作系统时，可以看到页面变化，也能在发现错误后停下来。

Agent 在后台连续执行多个步骤，企业需要更强的日志、追踪、评测和告警能力。每次决策用了哪些数据，调用了什么工具，为什么触发人工审批，都要留下记录。

高风险动作还要具备回滚和补偿路径。

一个 Agent 可以很快创建几千条任务。撤销这些任务的能力，往往比创建速度更重要。

人工介入点要提前设计

Human in the Loop 经常被写进方案，具体放在哪里却很模糊。

人工介入太早，Agent 只能提供建议，流程仍然被审批拖住。

人工介入太晚，错误可能已经扩散到客户、资金和生产系统。

比较适合交给人的节点通常有几类：

• 涉及资金、法律和不可逆操作；
• 需要承担明确责任；
• 存在多种合理方案，需要做价值取舍；
• 涉及重要关系、谈判和情绪；
• 模型置信度低，或者场景超出已知边界。

其余环节可以交给 Agent 执行，再通过抽检、监控和异常升级保证质量。

业务系统的设计重点也会发生变化。

过去，流程系统试图规定每一步怎么走。

以后，系统会更多规定目标、边界、可用工具和验证条件，由 Agent 在边界内安排执行顺序。

页面仍然存在，主要承载观察、授权、异常处理和结果比较。员工每天看到的内容会更少，和自己决策相关的信息会更集中。

一条客服流程可以完全换一种走法

传统客服系统收到投诉以后，先创建工单，再分类、转派、查询订单、核对政策、申请补偿、等待审批，最后回复客户。

每个环节都有系统，也都有负责人。

Agent 化以后，系统可以在收到消息时自动完成前几步：识别诉求，查询订单，调取沟通记录，判断适用政策，生成处理方案。补偿金额在授权范围内，系统直接执行；超过阈值，连同证据和建议一起交给主管。

主管看到的内容从一张待办工单，变成一个需要判断的例外。

如果仍然要求 Agent 把内容填进旧工单，再由五个人依次点击，模型能力再强也很难体现。

第三层：重构企业组织，岗位会围绕决策重新排列

业务系统变化以后，组织很难保持原样。

今天的企业组织，承担着三项重要任务：

1. 分配责任；
2. 传递信息；
3. 协调人与人之间的工作。

部门、层级、会议、汇报和审批，很多都围绕这三件事建立。

Agent 开始工作以后，信息传递和常规协调会先受到影响。

以前，一线销售把客户情况汇报给主管，主管整理后交给区域负责人，区域负责人再汇总到总部。每一层都会做信息筛选、结构化和解释。

Agent 可以持续读取 CRM、会议记录和业务数据，自动汇总变化，识别风险，再把需要决策的问题送到对应负责人。

上传下达占比高的岗位会先承压。

有现场判断、资源协调、团队辅导和责任承担的管理者，价值反而会提高。

组织里的工作单位也会变化。

一个主管管理十个人，过去主要靠会议、报表和抽查了解进度。以后，他可能同时管理十个人和几十个 Agent，需要关注任务分配、权限、失败率、异常升级和知识更新。

“带团队”的含义会扩展到数字员工。

部门边界还在，协作路径会变短

举一个从营销到销售的例子。

营销 Agent 持续跟踪行业话题，生成内容并在授权渠道发布；线索进入以后，销售 Agent 完成基础筛选，整理客户背景，准备第一次沟通建议；客户提出问题，产品和客服 Agent 调取资料共同回答；进入报价阶段，财务和法务规则自动参与校验。

人类员工会集中在品牌方向、关键关系、复杂需求、重大报价和谈判上。

原来需要跨四五个部门流转的信息，可能由 Agent 直接贯通。部门仍然承担专业能力和责任边界，日常交接却不必全部依赖会议和工单。

这会给中层带来很现实的挑战。

部门价值如果长期建立在信息独占和流程卡点上，Agent 会快速暴露这些环节。部门价值来自专业判断、资源配置和结果负责时，AI 会放大它的影响。

KPI 和激励必须跟着改

一个员工带着多个 Agent 工作，再用“完成了多少份文档、处理了多少张工单、写了多少行代码”衡量，很快会出现偏差。

企业会逐渐关心下面这些指标：

• 决策质量和业务结果；
• 异常处理速度；
• Agent 自动完成比例和失败率；
• 知识贡献带来的复用价值；
• 人工介入是否放在关键节点；
• 一个人管理的业务范围和数字员工规模。

岗位也会长出新的职责。

有人负责 Agent 的业务规则和目标，有人负责评测和风险，有人负责整理高价值经验，有人持续观察人机协作中的异常。

这些职责未必都需要新建部门。

更现实的做法，是让业务团队拥有自己的 Agent，并对结果负责；平台团队提供模型、工具、安全、评测和运行底座；FDE 在前期帮助双方把第一条流程跑通。

FDE 正好站在三层的交界处

单纯做系统集成，很难推动组织调整。

单纯做管理咨询，又很难把想法变成能运行的 Agent。

FDE 的位置恰好处在业务、工程和组织之间。

一支成熟的 FDE 团队，通常会沿着下面的顺序工作：

1. 选择一条完整的业务链，确定收入、成本、周期或质量指标；
2. 到现场观察真实工作，找出等待、重复、返工和关键判断点；
3. 划分人和 Agent 的职责，明确权限、审批、评测和回滚；
4. 接入数据和系统，让 Agent 先在影子模式运行；
5. 根据生产反馈调整流程、岗位和考核方式；
6. 把可复用的工具、规则和组件沉淀回平台。

这套工作很难由一个“超级 FDE”长期独自完成。

现场需要懂业务的人，也需要能写生产代码的人；总部要有平台、安全、数据和 Agent Framework；客户内部还要有愿意承担结果的业务负责人。

Echo、Delta、Dev 的循环，在 AI 时代依然有效。

FDE 帮企业跑通第一条链路，也要让企业逐步获得持续运营能力。长期依赖外部人员手工维护每一个 Agent，项目很快会变成另一种外包。

从一条完整业务链开始

很多企业启动 AI 项目，第一步是建设统一平台。

模型网关、知识库、Prompt 管理、权限、日志、评测，规划得很完整。几个月后平台上线，业务团队仍然不知道该拿它解决什么问题。

平台能力需要建设，但更适合从真实业务里长出来。

可以先选择一条规模不大、价值清楚的链路：

• 从销售线索进入到第一次有效沟通；
• 从客户投诉进入到问题关闭；
• 从门店预测进入到排班和订货；
• 从合同收到进入到风险识别和审批。

这条链最好满足几个条件：频率足够高，数据拿得到，结果可衡量，错误可控制，人工可以检查。

先让 Agent 完成一段真实工作。

运行中遇到的权限、评测、工具调用、知识更新和异常处理问题，再逐步沉淀成平台能力。

这个顺序和 Palantir 的 Dev 模式很像：能力从现场长出来，再回到更多现场。

企业 AI 的终点会落在经营上

前两篇讨论的内容，到这里可以连起来了。

模型公司派出 FDE，因为模型需要进入业务现场。

企业项目要先处理预期、预算和员工利益，否则系统很难活下来。

项目活下来以后，局部提效还不够。新生产力会挤压旧流程，业务系统随之改写，岗位和组织继续调整。

这条链路很难跳过：

FDE + AI
    ↓
一个人可以管理更多数字员工
    ↓
业务系统围绕 Agent 的执行方式重写
    ↓
组织围绕新的职责和决策方式重排

给旧软件加一个聊天框，技术门槛已经很低。

让 Agent 在权限边界内跑完一条业务链，需要处理大量工程细节。

让组织接受新的分工、责任和利益安排，难度更高。

价值也主要藏在后两步。

模型会继续变强，Agent Framework 会逐渐标准化。企业之间的差距，最终会体现在谁能把生产力、业务系统和组织放在一起调整，并把现场经验沉淀成可复制的能力。

FDE + AI 先推高生产力。

生产力变化以后，业务系统需要重新定义。

业务系统变化以后，企业组织必须跟着重构。

三层一起运转，企业 AI 才真正进入经营。