企业自动化的下一轮颠覆性变革是什么？如果你关注科技巨头的战略布局，答案已然明朗：AI Agent智能体。
让我们快速梳理几个重要信号。今年2月，OpenAI披露了正在积极研发的AI Agent 2.0版本；紧接着3月，UiPath在年度AI峰会上推出Clipboard AI；4月，谷歌在Cloud Next大会上展示了自家的AI Agent产品。目光转向国内，早在去年8月，实在智能就已率先发布实在Agent，成为国内这一领域的破局者。随后，百度于9月推出灵境矩阵（即现在的文心智能体平台），今年1月钉钉在7.5发布会上宣布接入AI助理，智能体生态由此全面活跃起来。
过去一年，从国际巨头到国内先行者，科技企业对AI Agent的潜力已形成广泛共识。然而热潮之下，前路并非坦途——技术复杂度高、市场前景不明、行业标准缺失，这些都是各家企业必须直面的现实挑战。
例如，去年11月，OpenAI在开发者大会上推出助手API，旨在让用户能在自己的应用中构建类似智能体的交互体验。构思虽好，但现实中许多企业应用根本没有API，导致该助手只能执行一些预设的固定任务。进入2024年，OpenAI又推出GPT Store，市场反响热烈，上线后迅速吸引了300万个智能体应用。然而当普通用户带着具体甚至刁钻的需求去寻找定制GPT时，效果往往不尽如人意。OpenAI的思路是由用户自行配置API接口并提供数据，通过一问一答的形式解决问题。理论上很丰满，但实操中，单靠一个聊天界面应对所有问题，显然远远不够。
除了API这道门槛，大模型要在企业端真正落地，还需要跨越几道难关：
缺乏商业背景
大模型的训练依赖互联网上海量的公共数据。这些数据集往往是静态的、可能已经过时，且普遍缺乏对特定行业任务的深度理解。
高训练成本
虽然可以利用提示工程等技术为大模型提供上下文信息，但对大多数企业而言，这种方式既耗时又昂贵，并非所有组织都能承受。
缺乏透明度
大模型拥有数十亿参数，构建了极为复杂的语义网络，但它们通常不会公开自身的“思考过程”，这使得企业用户在信任和依赖其输出时难免心存疑虑。
幻觉与偏见
科技公司一直在努力降低大模型的幻觉问题，尤其在商业应用场景下，大模型绝不能完全放任不管。无论参与何种工作流程，都必须接受严格的监督与审查，以防出错。
说到此处，不得不提十多年前就已流行的机器人流程自动化（RPA）。它一直是企业数字化与降本增效的重要工具。与AI Agent类似，但RPA本质上依赖“人工编写”的预设流程规则来运行。Gartner副总裁分析师Saikat Ray曾指出：RPA在模仿人类操作方面非常出色，但在处理创造性或动态任务时就显得力不从心。而这恰恰是生成式AI（GenAI）的强项。将RPA与GenAI结合，能够形成强大的人机协同，实现端到端流程的优化。
事实上，RPA厂商早已洞察这一趋势，并持续向前推进。
在国外，UiPath今年3月推出的Clipboard AI便是典型代表。它融合了GenAI技术，用户通过自然语言即可定位和复制数据，操作灵活且精准。Automation Anywhere则推出了基于大语言模型的GenAI，借助企业应用中大量自动化流程数据进行自我训练，提升了处理复杂任务的能力。
国内方面，最早可追溯至去年8月。实在智能于2023年6月发布了TARS（塔斯）大模型，在千亿级高质量Tokens上进行了全面训练，具备强大的商用能力。紧接着8月，他们推出了实在Agent——一个能够根据自然语言创建自动化工作流、总结内容、提取数据，并能适应应用变化的智能体，这些恰好弥补了传统RPA的短板。
具体而言，实在Agent具备基础的问答模式：用户如同日常聊天一样描述需求，它基本能快速检索互联网并提供最新信息。在流程处理方面也相当透明：用户输入自然语言指令后，它会自动分解为工作步骤；如果大模型生成的流程不够理想，用户还可人工干预编排，确认无误后点击执行即可。此外，实在智能引入了检索增强生成（RAG）技术，使实在Agent能够从公司知识库等特定数据集中检索相关知识，既降低了训练成本，又增强了模型的可靠性与可信度。
Forrester首席分析师Craig Le Clair指出，RPA能够通过UI轻松与现有工作模式集成，而RPA管理平台中已有的数千个任务自动化架构，对AI Agent的企业应用具有极高价值。大模型的引入能够增强RPA的功能，使其不仅能理解、生成自然语言，还能自动创建内容、改进决策甚至生成代码，为客户带来实实在在的生产力提升。
随着应用场景的不断扩展，RPA与AI Agent的结合将释放出更大潜力。两者相辅相成，正推动企业自动化向更智能、更高效的方向迈进。
在AI Agent的发展进程中，工作流编排技术正成为企业关注的热点。吴恩达团队的研究走在前列，他们开发的AI Agentic Workflow（智能体工作流模式）能够根据用户预设的步骤，逐步完成更复杂的任务。这种模式不仅能模拟人类的分工协作，还能主动执行任务并提出改进方案。智能体之间的协作方式接近人类的工作模式——主动分配任务、按标准流程操作、具备自我监督能力。用户也可以在后台执行联动任务，甚至开发原创任务以满足特定需求。
钉钉在7.5发布会上宣布的AI助理，其后台搭建便支持工作流编排。字节跳动今年2月推出的一站式AI智能体平台Coze（扣子），同样具备工作流编排能力，但更侧重于C端用户的个性化体验。
无论是工作流编排还是自主智能体，AI Agent都展现出了广阔的应用前景。以实在智能上个月公布的行业应用为例：在金融、零售电商、运营商以及制造等领域均已实现落地。以零售电商中高频的“数据监控”场景为例，普通运营者只需一句话就能搭建一个AI Agent来执行自动化任务，使用门槛几乎降为零。
这也正是实在Agent与其他AI Agent最本质的区别：无需依赖API，而是通过ISSUT（智能屏幕语义理解技术）加RPA来支撑感知与行动，同时拥有丰富的行业应用以贴合业务场景。另外值得一提的是，实在Agent可以与企业现有的第三方大模型结合，轻松调用；也可以直接集成到企业的自动化平台或运营平台上，在不增加人力成本的前提下助力企业提效。在数据隐私方面，实在智能是国内第一家、也是唯一一家上榜Gartner《Capitalize on the Need for Data Privacy Solutions for GenAI》报告的厂商。
从行业大趋势来看，尽管AI Agent应用仍处于早期发展阶段，但中国市场的多样性为其提供了丰富的场景与数据资源。国内AI企业完全可以利用这些天然优势，开发出更贴合本土市场需求的AI Agent产品。