7月2日，九科信息产品VP傅恺，受邀参加了由创道硬科技举办的“科技Pilot·硬科技新势力访谈”直播活动，与创道硬科技创始人步日欣围绕“AI Agent落地，真正提升企业数智化生产力”的话题，展开了思维碰撞与观点探讨。

本文特别整理了本次活动的访谈嘉宾，九科信息产品VP傅恺的12个核心观点，在此和大家分享。

嘉宾介绍：

• 深耕人工智能及企业级低代码平台研发10年+，主导多款亿元级商业化产品落地
• 任码隆科技产品VP期间主导开发「Retail AI」智慧零售引擎，实现百万级零售柜设备部署，日均访客数超300万次；系统落地商超巨头累计销售额破亿，终端用户触达超1亿人次
• 为建信金科打造低代码平台「云枢」，单客户为建行创造年营收超千万元
• 清华大学工业工程学士、埃因霍温理工大学人机交互硕士。全国信息学奥林匹克竞赛一等奖（Top 0.1%）

一、变革

01 AI大模型的诞生，大大降低了非IT工作者的劳动强度。

大模型的诞生，让AI技术得以更广泛地赋能非IT领域，无需复杂编程即可实现高效自动化，显著减轻了人工劳动强度。

以财务领域为例，在央企每年都有大量的财务数据需要上报国资委。光这一部分的工作，可能就需要动用数千人进行集中式加班，完成数据的搜集、整理、转换和提交。而由于数字员工的加入，财务数据的上报变得更为简单。它能够让原本需要三四千人的工作量，锐减至一两百人。

02 Agent智能体的出现，让一人顶百人正成为现实，

同时让企业对工作者的能力要求发生了巨变。

在大模型降低了某些领域的劳动强度以及工作量的同时，也无可避免地导致某些岗位的需求变少，甚至有些岗位不再被需要。而其催生的新岗位需求却还没有完全成型。

Agent带来了前所未有的工作模式变革，人类也需要不断的去更新自己的技能库。尤其对于传统IT行业从业者，如果不及时更新自己的能力或者是认知体系，可能会首先被AI所影响。未来的工作模式很有可能会升级为少数人管着一堆Agent，所以在享受智能体减轻人类工作负担的同时，也要及时提升我们对AI的掌控力。

03 Agent智能体让企业监管以及市场响应变得更迅速。

在过往，如果我们要了解某供应链企业的经营状况、舆情，或是供应链市场变化等信息，通常需要一个较长的工作周期。这种滞后性往往让企业在市场竞争中错失良机——比如在突发的原材料价格波动中，因未能及时掌握市场动态而错失最佳采购时机；在负面舆情发酵时，因信息收集缓慢而无法快速回应，导致品牌形象受损。

但得益于Agent智能体的出现，企业不仅能通过其快速搜集相关数据，而且还能就市场变化等问题，按照企业需求做数据分析，让企业对内对外的响应速度都大幅提升。

二、演化

04 随着AI的能力越来越泛化，人的参与度越来越低。

AI在不同的发展阶段，与人类有着不同的协作形式，目前以下面这四个阶段为主：

(1) Embedding（嵌入）：将文本、图像等非结构化数据转化为可被AI理解的向量，是AI处理信息的基础形式。就像战斗机上的火控雷达，负责“提供战斗参数”并“引导武器攻击”。它能把目标的各类信息转化为可计算的信号，为人类的后续处理提供基础。

(2) Copilot（智能助手）：以协作方式辅助人类完成任务，通过实时分析场景提供建议，增强人类工作效率。如同战斗机上的副驾驶，负责“操作武器”或“观察敌情”。它与主驾飞行员（用户）紧密配合，共同推进任务完成，两者依存度高。

(3) Agent（智能体）：能接收目标指令后，自主规划步骤并完成端对端任务，无需人类持续介入。如同无人战斗机，在指挥系统告知目标后，可自行规划路径、执行动作以达成任务。

(4) Self Driving（自主驱动）：能自主理解长期战术目标，主动分解任务并协调执行，具备处理复杂、长期任务的能力。好比一个空军旅，甚至不需要具体指令，就能够对战术目标进行理解，会自行拆解任务、分配角色并推进执行。

从最初难以被人类感知到其存在的Embedding，到能与人类协作的Copilot，再到能端到端执行任务的Agent，最后到能够自主理解、拆解任务目标的Self Driving，在这个演化过程中，人类的参与度一再降低，需要人类亲自执行的事情越来越少。目前的企业级AI应用中，Embedding和Copilot更常见，Agent正在加速落地，而Self Driving则是下一代的未来级应用。

05 RPA更像流水线工人，Agent智能体更像全能员工。

RPA需要先由人类录入指令或轻度编程才能开始工作，本质上RPA接受的还是细碎的、Copilot式的指令，每一个任务细节都需要人类下达清晰指令。而Agent智能体不仅能完成流水线工作，还能胜任更复杂的任务——它不仅限于回答问题，还能理解并执行战略级指令，通过在数字世界中操作应用和系统来完成任务，并对现实产生影响。

06 现在很多Agent智能体本质上还是个“笨蛋”。

很多企业客户发现，虽然搭建了Agent智能体，但使用体验还是仅限于“智能客服”式的问答类场景。这些“智能体”的能力上限不高，最多只能基于对话，来完成word、PPT、图片等生成式任务，并没有在大模型的已有能力基础上实现太大的超越。

而像九科信息bit-Agent这类的GUI智能体，能够通过操作用户电脑，完成一系列复杂的界面操作任务。九科信息bit-Agent既能干RPA的活，也能干Agent的活，这是我们的显著优势之一。

三、落地

07 企业应该先明确自身需求及智能体定位，再启动部署。

企业在利用AI工具实现智能化之前，首先要解决认知层面的问题。比如目前市场上AI工具的功能、定位分别是什么，能解决什么问题。然后结合业务，思考该场景需要哪些工具参与、能够达到怎样的效果。

智能化的前提是业务的规则化、标准化。

Agent智能体搭建的前提，是企业在业务认知上已经有了足够的积累。大模型是基于我们一般常识所诞生的，因此它的上限就是常识。而很多企业内部的业务，并不是一般常识就能理解或覆盖的，如果企业本身没有做好业务的规则化标准化处理，那么所谓的智能化推进，也只能是空中楼阁。

08 企业数智化转型，

意味着流程链条上各个环节的责任和权力面临重新分配。

企业如果实现了业务智能化，便会产生新的责任分配问题。Agent智能体的各个决策需要权限批准——要不要给AI决定权、AI决策失误的后果由谁担责、如何界定AI的责任边界等新问题，需要企业需要重新考量。因此，Agent智能体的落地，除了带来生产力的提升，还有人、AI、组织之间关系的复杂重构。

09 Agent智能体的典型应用场景，

从单一业务环节到全链路智能化皆可覆盖。

单一场景智能化。如智能巡检业务：九科信息bit-Agent智能体持续收集产品/应用的各类信息、数据、图表，综合多种数据后进行实时分析诊断和风险判断；

多环节智能化。如上下游衔接：九科信息bit-Agent智能体可以帮企业和供应商、监管部门做数据对接——上游做数据收集、加工，下游做信息录入；

全链路智能化。如一站式招聘：九科信息bit-Agent智能体能够独立完成，从发起招聘需求，到简历筛选，再到预约面试及背调，甚至到办理入职手续等全链路环节智能化。

四、共生

10 在专业性上，人类无法追上AI。

随着AI的发展，其知识积累的速度和量级远超人类。因此在专业性上，人类比不过AI，两者之间的能力也不对等、不平衡。

长期来看，人类需要与AI结合共生，并通过资源掌控力、责任承担力以及权力分配，来增加人类的砝码，以获取二者之间的平衡。

11 结构化、制度化优先于智能化，

想减少“幻觉”，就要限制AI的使用。

由于大模型的随机性，“幻觉”问题无法杜绝，但可以通过可靠的固定流程，把主体工作“框定”起来，以提供确定性。同时，谨慎地使用AI，减少其在整个工作流中的影响，能够尽可能地降低大模型幻觉所带来的偏差。

因此，在搭建Agent智能体的过程中，结构化、制度化优先于智能化。比如，要求任务执行有着高确定性、低容错率的办公、工业场景，传统RPA技术反而更有用武之地。

同时，针对AI做好数据留痕及交叉检验。比如九科信息的bit-Agent，一个智能体负责执行界面任务，另一个智能体则专门负责监管。通过这种交叉验证机制，进一步减少“幻觉”的影响。

12 AI将要求人类具备三个方面的能力。

未来，人类和AI如何共生？怎么做才不会被AI完全取代？这就要求人类具备三个方面的能力：

一、对问题的定义能力：能够清晰地将你的任务目标告知AI；

二、工作流构思的能力：对问题进行拆解，然后形成结构化；

三、业务体系迭代能力：利用数据信息，驱动业务改进。

要在这场人机协作的深刻变革中抢占先机，企业与个人都必须在“精准定义—结构拆解—持续迭代”三大能力上不断精进。只有当我们能准确地向AI传达目标、以系统化思维拆解任务，并善用数据反馈驱动业务优化，才能真正掌握Agent智能体的赋能之道。在这一过程中，人类智慧不仅不会被取代，反而会因与AI的高效协同而得到前所未有的升华，共同开创数智化时代的新高度。