智能体时代已来：从Apple Intelligence看AI的下一个风口

6月11日凌晨，苹果WWDC大会如期而至，正式发布了“Apple Intelligence”智能体系。这套体系内置的大语言模型，不仅能深刻理解自然语言，更关键的是——它让整合了ChatGPT的Siri，真正升级为一个能听懂任何指令的个性化智能体。

这意味着什么？简单来说，过去你要完成一个跨APP的任务，得自己一步步操作。现在，基于个人数据和应用环境，Siri能深入理解你的需求、调用数据库，一声令下就能帮你跨APP完成各种复杂功能——比如从驾照照片中提取身份证号，自动填入网页表单。

这背后，正是继大模型之后的AI全新发展方向：人类只负责设定目标，AI负责任务拆分、工具选择、进度控制，最终自主完成工作。正如库克在发布会上所言：“苹果将全面拥抱AI时代。”全世界的目光，正在汇聚到即将来临的智能体时代。

那么，到底什么是智能体？它对企业意味着什么？国内发展到了什么程度？如何用这股新质生产力赋能私域？关于这些核心问题，弯弓研究院院长梅波与前喜茶数字化副总裁沈欣进行了一次深度对谈，以下为对话精华整理。

智能体到底是什么？

弯弓：最近智能体很火，你怎么看这个概念？

沈欣：智能体能火起来，有两个核心原因。第一，资本市场需要新故事；第二，AI竞争已进入白热化，最后会演变成资本游戏。如果不想被任何一家巨头绑架，就必须在应用侧做松耦合。

智能体的出现，相当于在原来大语言模型的基础上，增加了一个整合层。至于底层用的是哪个AI，其实关系不大——最终都能完成指令，只是效果有差异而已。

弯弓：能举例说明吗？

沈欣：智能体这个名词并不新鲜，英文是agents。早在2017年，清华大学就出版过一本关于智能体应用的书籍。从那以后，大家逐渐意识到：只有把那些具备单一解决问题能力的小工具（agent），系统性地组合成agents，其价值才会最大化。

举个例子。老板交给你一个任务：把昨天提交的两幅画修改一下，一幅改成色彩鲜艳，一幅移动位置，修改完再提交给客户。这个流程，AI和人工的操作逻辑完全不同。

弯弓：具体区别在哪？

沈欣：如果是人工操作，流程很直接：打开PS修改，然后手工发邮件。有了AI，你可以用文生图大模型解决修改步骤，再用文生文大模型优化邮件措辞，最后通过另一个AI完成发送。但问题是，一个一个调用AI工具其实很麻烦。而智能体，恰恰能链接不同功能的AI工具，帮你高效地一站式解决问题。

智能体VS智能助手，哪家强？

弯弓：听起来，智能体和市场已经有的智能助手，功能似乎差不多？区别到底在哪？

沈欣：本质上完全不一样。智能助手的应用场景永远在C端，是辅助办公的工具。比如，员工用AI画画、写文案、做设计，这些工具只是作为个体增效的助手存在。

但B端老板需要的，是智能体。从这个层面看，智能体相当于数字员工。关键区别在于：数字员工可以主动发起流程、利用经验为决策提供建议；而智能助手只能被动执行指令。

弯弓：能举个简单的例子？

沈欣：比如老板请了一位有经验的运营。这位员工上班路上听到天气预报说未来五天升温，回到公司后，他会立刻调取企业历史数据，查看高温期内哪些商品销量变化最大。发现是爽身粉后，立马去查库存是否充足，是否需要调货，然后主动发起OA流程，告诉老板天气变化可能带来的业绩波动和应对方案。各部门负责人确认后，就可以直接执行。

这一整套流程，智能助手是无法做到的。但智能体作为数字员工，会主动响应、主动决策。所以，对于大语言模型，我不认为它是新质生产力；但智能体，我会毫不犹豫地认为是新质生产力的重要表现。

持续进行的中美AI拉力赛

弯弓：中美智能体在开发和应用上，目前有差距吗？中国有哪些优势？

沈欣：两国进度相差不大，但中国有两个明显优势：第一，落地应用能力强；第二，硬件能力突出。

为什么这么说？中国使用场景比美国多。美国大模型目前主要集中在图文、视频等第三产业，也就是文科生领域。但中国大模型的发力点在第二产业，特点是可被复制、可被复用。国内对智能体的要求，并不需要每个部分都发展成AGI，只要能顺利完成指令任务就行。因此，落地快、场景丰富、普及率高。

弯弓：第二点硬件，指的是什么？

沈欣：这里的硬件不是指芯片或计算机，而是集成式的智能体盒子。国内市场已经有产品问世：盒子中部署了高算力芯片、搭载AI大模型的智能助手，一整套体系打包。只要和原有系统做接口，就能直接使用，这是国内独有的优势。

弯弓：很多人预测，今年是智能体真正落地的元年，你怎么看？

沈欣：智能体真正产生价值，需要的是落地业务能力，而不仅仅是技术能力。比如前面提到的运营案例，如果智能体不了解业务细节，它就无法在具体场景中施展能力。所以，我们真正需要培养的，是智能体对行业、业务和场景的认知。如果没有足够多的场景驱动，我认为它不叫智能体，充其量是一堆工具的堆叠。不过，预计今年智能体会迎来一个比较大的爆发。

亟需重构的BI业态

弯弓：这样一来，BI企业的业务是不是需要重构？

沈欣：肯定需要调整。举例来说，一家企业每个季度都有不同部门的员工，要对同一份数据库做不同的报表——库存、促销、现金流、会员消费，每个部门关注点都不一样。传统BI的做法是，先为各部门写一堆软件功能，做适配模型，员工只能根据模型生成特定图表，不够灵活。同时，BI公司还要花大量工作量，满足不同部门对报表格式和内容的需求。

弯弓：智能体会怎么做？

沈欣：同样是从数据库抓数据，你只需用自然语言问智能体：“我要看今年3月门店库存情况”。它会调用多个AI——先翻译你的指令，然后从数据库抓取字符串、数字等数据，格式化处理后生成JSON，再根据需求调用AI生成图表，最终输出。凡是数据库能回答的问题，你都可以直接向智能体提问。一次性的工作，就能得到最想要的查询结果可视化。这种个性化服务，正是智能体拓展性的体现，极大提升整个部门、企业的工作效率。

弯弓：这是要从数字化向智能化时代过渡？

沈欣：对。智能体的发展，必须从信息化、数字化和智能化三个维度来推进。信息化是把准确的数据放进数据库；数字化是想明白数据的意义和背后的逻辑；这些商业逻辑会形成对应的商业模型，AI再基于模型生成各种建议。在数字化阶段，会诞生各类智能助手。就像开车一样，智能助手是导航，而智能体则是自动驾驶。进入智能化时代，我们要理清各种问题的边界，进行量化处理——流程怎么制定？决策逻辑如何执行？把这些解决后，我们就从导航系统升级到自动驾驶系统，这才是真正的生产力解放。

私域AI的另一种可能——流程智能化

弯弓：智能体能为私域运营带来什么变化？

沈欣：智能体赋能私域，前提是思维方式的转变。讲个案例：连锁门店的HR排班系统有个进化过程。最开始，排班纯粹靠人力。一旦店长对员工能力认知不清，排班不公平，员工意见就很大。后来，企业通过对员工工时进行拆解，形成数据库，进行资源配置。逻辑是这样的：制作一杯饮料，员工需要经过几个环节？每个环节耗时多少？销售高峰期卖出多少杯？结合这些数据，系统就知道不同时间段应该安排多少人。

弯弓：这就是智能排班？

沈欣：没错。这种排班系统上线后，请假、换班等各种管理细节都能妥善解决。更重要的是，老板可以反向思考：制作饮料的每个环节已经被系统量化，那么哪个环节可以用自动化设备替代？这样可以进一步提升整体效率，为企业带来最大化价值。这就是数字化向智能化发展的思维模式，也是赋能私域最重要的思想转变。

弯弓：也就是说，要先进行思维转变，才能更好地利用智能体赋能私域？

沈欣：可以这么理解。回到最初的问题：智能体如何赋能私域？这个问题可以分解为：用什么智能体、在哪个环节赋能、能带来哪些特定价值？是提升效率、降低投诉，还是提升复购率？这样一来，原本宽泛的问题就变成了：智能体可以高效解决哪个环节的问题？简单概括两步：第一，私域有哪些环节；第二，哪些环节你觉得不足，需要智能体补充。

弯弓：对，根据自身现状拆解成当下需要解决的问题。

沈欣：总结来说，智能体真正的价值在于组织能力和任务分解能力。但这些能力的来源，其实来自员工和管理者的经验。智能体要做的，就是把人的思考方式、任务分解逻辑、问题处理路径固化下来，变成企业独有的流程化资产。如果A、B两家企业都用同样的文生图工具，那它们没有任何区别。只有基于自身企业数据、知识和独特能力设计出来的智能体，才是真正专属的数字员工，才是有差异化、有价值、有意义的投入。