来源：环球网

在2026年MWC上海期间，毕马威发布了《2026全球技术报告》。报告中一项数据引人关注：高达88%的受访企业已将Agentic AI（自主智能体）融入系统，但仅有24%的企业能在多个AI应用场景中实现投资回报。这种“高渗透、低回报”现象背后的深层原因是什么？毕马威中国人工智能转型办公室主管合伙人柳晓光在专访中分享了他的见解。

试点容易，规模化难

柳晓光认为，这一现象属于正常阶段，反映出企业正从“技术验证”向“业务运营”转型的关键期，并不代表技术本身缺乏价值。

他指出，过去两年中，许多企业快速完成了模型验证，并启动了大量智能体应用，渗透率自然大幅提升。然而，投资回报的关键不在于部署智能体的数量，而在于它们能否真正嵌入核心业务流程，持续且可复制地创造经营价值。

那么，为何试点容易而规模化如此困难？柳晓光总结了四个核心原因。第一，许多企业仍以技术项目方式推进智能体，而非围绕经营目标进行业务重构，导致应用局限于局部效率优化。第二，智能体之间缺乏统一编排，跨部门、跨系统的协同能力尚未形成。第三，企业的数据治理水平、系统架构及流程成熟度参差不齐，制约了智能体在核心业务中的稳定运行。第四，不少企业缺乏统一的价值评估体系，未能对效率、成本、收入、风险等关键经营指标进行持续跟踪。

他判断，未来企业的竞争重心将从模型能力转向综合企业能力，包括业务场景设计能力、智能体工程化能力、治理能力以及持续运营能力。

组织操作系统迎来升级

报告还预测，到2027年，数字员工在核心技术团队中的占比将提升至36%，同时92%的受访者认为智能体管理将成为员工必备技能。柳晓光表示，随着智能体开始承担分析、执行和协同等任务，企业的组织模式正发生深刻变化——不仅体现在工作方式上，更体现在管理对象与管理模式的升级。

他提到，未来企业管理的对象将从单一员工扩展为由员工与智能体组成的混合劳动力。员工主要负责目标设定、专业判断、风险决策、创新以及例外处理，而智能体则承担标准化、规则化及高频重复的任务。

在设计人机协同体系时，毕马威坚持四项原则：第一，以业务价值为导向，优先选择价值明确、流程成熟、数据基础扎实的场景。第二，明确职责边界，对智能体的授权范围、人工介入节点及责任归属进行清晰设计。第三，实施全过程治理，构建覆盖数据、模型、智能体、安全与合规的完整治理体系。第四，坚持持续运营，通过业务反馈不断优化流程与智能体能力。

中国路径：谨慎推进开放域决策

柳晓光观察到，中国企业在应用大模型时已形成鲜明特色。首先，企业更关注能直接带来经营价值的场景，如制造、供应链、能源、金融、运营管理及客户服务等领域推进较快。其次，中国企业高度重视安全、合规与风险控制，对于涉及经营决策、公共服务、金融风控、医疗等高风险场景，多数企业采取渐进式策略，在关键决策环节保留人工审核。

从技术路线来看，越来越多企业开始采用适配行业特点的大模型，并结合企业知识体系、业务规则及工具调用能力来构建智能体。此外，私有部署、混合部署以及自主可控的技术体系，也成为中国企业重点关注的方向。

最缺的不是算法博士，而是“智能体产品经理”

报告显示，53%的企业面临数字化转型人才短缺。柳晓光认为，若只选一种关键能力，当前最紧缺的当属智能体产品经理。基础大模型能力正逐渐平台化，对多数中型企业而言，项目成败的关键不在于模型开发能力，而在于能否精准识别业务场景、完成流程设计、构建智能体协同机制并推动价值落地。智能体产品经理需要同时理解业务流程、数据体系、大模型能力及产品设计。

与此同时，随着智能体逐步进入核心业务流程，治理与风险管理的重要性持续提升。未来企业不仅需要技术人才，更需要能建立数据治理、模型治理、智能体治理、安全管理及合规体系的人才。

他建议企业构建复合型人才体系：一方面培养业务人员掌握大模型应用能力，另一方面让技术团队深入理解业务流程，同时建立产品、技术、治理与运营协同发展的组织模式。

未来三年是重要窗口期

对于尚未启动Agentic AI试点的传统企业，柳晓光认为未来三年是建立智能体能力的关键窗口期。他建议尽快完成第一阶段实践，优先选择业务价值明确、流程标准化、风险可控的数据密集型场景作为切入点，例如知识管理、客户服务、内部运营支持、采购管理或供应链协同。同时，必须同步建立知识治理、模型治理、智能体治理及安全治理框架。

他表示，与其追求更多试点项目，不如尽早构建企业持续应用智能体的能力，这才是决定未来大模型能否创造长期经营价值的核心所在。