80%的工作量不在提示词：企业部署AI Agent真正卡在哪

核心洞察

这篇文章最有意思的点是那个80%的数字。MIT的研究团队拿AI agent去做癌症患者不良事件监测，结果发现真正花时间的不是提示词工程，也不是模型微调，而是数据工程、利益相关方协调、治理和流程整合这些"脏活累活"。这跟很多企业想象中"买个agent就能用"的画面差距不小。另外，文中关于AI agent"性格"搭配的研究也挺反直觉的——不是越顺从越好，得看跟谁搭班子。

---

几年前，大语言模型和生成式AI人工智能技术分支，能够自主生成文本、图像、代码等新内容。还几乎不在公众视野里，更别提改变我们的工作方式了。今天，注意力已经转向生成式AI的下一步：AI agent，或者说agentic AI。这是一类半自主或完全自主的AI系统，能感知、推理并自行行动。跟现在大家熟悉的问答式聊天机器人不同，这类新型AI会跟其他软件系统集成，独立完成任务，或者只需要极少的人工监督。

"agentic AI时代已经来了。我们已经有agent在大规模部署，在经济体中执行各种任务，"MIT斯隆管理学院管理学、信息技术与市场营销教授Sinan Aral说。

英伟达CEO黄仁勋在2025年CES的主旨演讲中表示，企业级AI agent将从医疗到软件工程等众多行业创造"数万亿美元的机会"。

MIT斯隆管理评论和波士顿咨询集团2025年春季的一项调查发现，35%的受访者到2023年已经采用了AI agent，另有44%表示计划在短期内部署这项技术。微软、Salesforce、谷歌、IBM等主要软件厂商正在把agentic AI能力直接嵌入自己的平台，推动大规模落地。

但Aral说，即便是走在部署前沿的公司，也没有完全搞清楚怎么用AI agent来最大化生产力和绩效。他认为，业界对agentic AI在更大范围内的社会影响，理解还处于萌芽阶段，甚至可以说几乎不存在。

这项技术带来的数据质量、治理、信任和安全挑战，跟其他AI部署是一样的。快速演进也可能促使企业在没有充分理解其能力、也没有制定正式战略和风险管理框架的情况下就匆忙上马。

"每个组织都绝对需要一个部署和使用agent的策略，覆盖面向客户的场景和内部场景，"Aral说。"但这种agentic AI战略需要理解并系统评估风险与商业收益，才能交付真正的商业价值。"

核心结论

1. MIT研究团队用AI agent监测癌症患者不良事件时发现，80%的工作量集中在数据工程、利益相关方协调、治理和工作流整合上，而非提示词工程或模型微调。

2. MIT斯隆管理评论与波士顿咨询集团2025年春季调查显示，35%的受访者到2023年已采用AI agent，另有44%计划在短期内部署。

3. Aral的研究发现，将AI agent设计为与人类同事性格互补的类型（如让过度自信的人搭配敢于反驳的agent），能带来更好的绩效、生产力和团队合作结果。

4. Kellogg指出，agentic AI模型帮某人节省20%的时间，并不等同于节省20%的劳动力成本，企业需建立与关键业务目标对齐的指标以避免误读收益。

5. 组织应将AI agent的监控视为永久性运营开支而非一次性项目成本，并在组织层面建立治理委员会来监督问责，同时把具体职责委托给关键个人。

什么是agentic AI？

agentic AI目前没有 universally 公认的定义，但有一些广泛关联的特征。生成式AI基于人类语言交互来自动化创建复杂的文本、图像和视频，AI agent则更进一步，能像人一样行动和做决策，MIT斯隆管理学院副教授John Horton说。

在一篇探讨agent和AI中介交易经济影响的研究论文中，Horton和合著者聚焦了一类特定的AI agent："在数字环境中感知、推理并行动，代表人类委托人实现目标的自主软件系统，具备工具使用、经济交易和策略互动的能力。"AI agent可以使用API应用程序接口：允许不同软件组件相互通信的协议，如Google Cloud Natural Language API。等标准构件与其他agent和人类通信、收发资金、访问互联网并与之交互，研究人员写道。

MIT斯隆管理学院教授Kate Kellogg和合作者在2025年的一篇论文中进一步解释，AI agent通过让大语言模型和类似通用AI模型自动化复杂流程来增强它们。"它们能执行多步计划、使用外部工具、与数字环境交互，在更大的工作流中充当强大的组件，"研究人员写道。

举个例子，一个AI agent可以根据消费者的输入，加上对特定网站、邮件和Slack等通信平台的API访问权限，来规划一次度假，决定哪个酒店或航班最合适。有了信用卡权限，agent可以全程预订并完成支付，无需人工介入。在物理世界里，AI agent可以监控仓库的实时视频和视觉系统，识别正常运营之外的事件。

"agent可以发出警报，甚至可以被编程为在出问题时停止传送带，"Aral说。"不只是数字世界，agent能实际采取行动改变物理世界中正在发生的事情。"

Aral对AI agent和更广泛的agentic AI做了轻微区分，尽管大多数人还是混着用。他把agentic AI定义为包含多个不同agent、共同编排完成一项任务的系统。比如一个agent市场，在谈判或交易中同时代表买方和卖方。

企业怎么用agentic AI？

各行业的公司都开始用AI agent了。在银行和金融服务领域，摩根大通等公司在探索用AI agent检测欺诈、提供定制化财务建议、自动化贷款审批以及法律合规流程，这可能减少对初级银行员工的需求。沃尔玛等零售巨头在构建由大语言模型驱动的AI agent，用来自动化个性化购物体验，以及处理耗时的客户服务和商品规划、问题解决等业务活动。

"agentic AI系统的好处在于，它们能完成包含多个步骤的整个工作流并执行动作，"Kellogg说。

agent一个特别重要的应用场景，可能是以低得多的边际成本执行通常由人完成的任务，比如撰写合同、谈判条款或定价。

"AI agent的根本经济承诺是大幅降低交易成本，也就是搜索、沟通和签约所涉及的时间和精力，"MIT斯隆管理学院博士生Peyman Shahidi说。

根据Horton的说法，AI agent还能通过帮助人类做出更好的市场决策来提供经济价值。他和Shahidi关于agent参与经济交易的研究认为，人们会在两种场景下部署AI agent：

一是做出比人类更高质量的决策，因为信息约束更少、认知局限更小。二是做出跟人类相当甚至质量略低的决策，但成本和精力大幅降低。

在房地产或投资这类高风险交易市场，AI agent可以不知疲倦地分析大量数据和文档，边际成本接近于零，Horton和合著者写道。在涉及大量交易对手或需要大量精力评估选项的领域，比如初创融资、大学招生、B2B采购，agent通过阅读评论、分析指标、比较各种选项的属性来交付价值。

"AI agent不会累，可以24小时工作，"Horton说。

他的研究还表明，在存在信息不对称的场景中，比如在线购买保险或二手车，AI agent能持续监控大量信息源、交叉比对数据、立即发现人类需要几个小时才能发现的差异，从而提供价值。AI agent可以通过赋予用户数百万笔交易的集体经验来丰富谈判，从而改变购房或遗产规划。

Aral的研究发现，人类跟AI agent协作时，这种搭配能提升生产力和绩效。

组织实施agentic AI要注意什么？

最佳实践还在演进中，但以下几点值得留意：

落地往往是最重的活。

让agentic AI在实际中跑起来，可能遇到意想不到的挑战。Kellogg和同事2025年的研究论文描述了用AI agent基于临床笔记检测癌症患者不良事件的过程。最大的挑战不是提示词工程，也不是模型微调。研究人员发现，80%的工作被数据工程、利益相关方协调、治理和工作流整合这些不起眼的任务占用了。

把数据转换成标准的结构化格式对AI agent尤其重要，因为这能帮助它们识别不同的数据源和需求，同时保持一致性。建立持续验证框架和稳健的API管理，以及与供应商合作确保使用最新模型版本，对agentic AI的顺畅运行也很关键。

其他需要关注的方面包括：建立正确的监管控制、实施防止提示词和模型漂移的护栏、在部署的每个阶段定义清晰的成果和关键绩效指标。建立与关键业务目标对齐的指标也很重要，因为agentic AI的收益可能被误读。"agentic AI模型只是帮某人省了20%的时间，并不意味着节省了20%的劳动力成本，"Kellogg说。

考虑AI agent的"性格"。

在一项大规模营销实验中，Aral的研究团队发现，把AI agent设计成与其他agent和人类同事性格互补的类型，能带来更好的绩效、生产力和团队合作结果。比如，性格"开放"的人跟尽责且随和的AI agent合作时表现更好，而尽责的人跟随和的AI合作时表现反而更差。

"人类团队的表现好坏取决于团队里 assembled 的是什么样的人、性格怎么组合，"Aral说。"把AI agent加入团队也是一样。"一个过度自信的人会受益于一个敢于反驳的AI agent，但同样的agent性格对不太自信的人可能就没有正面效果。

决策要坚持以人为中心。

Aral的研究还发现，AI agent在人类通常轻松完成的任务上可能表现不佳，比如处理异常情况，而且它们的决策机制仍然不太为人所知。部分原因是AI agent被训练在特定情境下采取特定行动。

"你必须确保agentic决策与以人为中心的决策过程对齐，"Aral说。

agentic AI有哪些风险？

随着agentic AI成熟，有一系列挑战需要留意：

可靠性不稳定和不道德行为。 一个失控的AI agent基于错误信息决定拒绝房贷或大学录取，造成的损害可能跟简单的幻觉一样大，甚至更大。"你需要能够解释业务决策，并对每个案例一致地应用同样的标准，"Aral说。

网络安全。 随着AI agent获得访问不同数据集和企业系统的权限来自动化任务，不要低估构建稳健的基于权限的系统的重要性，Kellogg说。

问责。 组织需要明确界定agentic AI出错或造成损害时谁承担责任，Kellogg说。他们应特别关注系统故障的可能性，尤其是当AI agent在极少或没有人工监督的情况下自主执行工作流时。

虽然完整的风险图景还不清晰，但组织需要把监控作为永久性的运营开支，而不是一次性的项目成本，Kellogg说。应在组织层面建立治理委员会来监督问责，同时把具体职责，比如监控和执行安全规则，委托给关键个人。

"当你把代理权从人类转移到机器时，控制和支撑agentic系统的治理和基础设施的重要性确实在增加，"Kellogg说。而证明成功仍然是agentic AI最大的挑战和风险之一。"没有共享的、稳健的指标，就很难证明价值，甚至不知道这些系统是真的在实现预期成果，还是在不经意间引入了新风险，"她说。

下一步

阅读MIT数字经济倡议关于agentic AI的四项最新研究。

在MIT斯隆管理评论中阅读更多关于agentic AI的内容："新兴的agentic企业：领导者如何驾驭AI新时代"和"agentic AI：九个关键问题"。

阅读MIT信息系统研究中心的研究简报"agentic AI时代的商业模式"。

浏览AI Agent Index，这是MIT计算机科学与人工智能实验室的公共数据库，记录了正在使用的agentic AI系统。

注册MIT斯隆高管教育课程AI Executive Academy，了解更多关于在组织中应用AI战略的内容。

---

Sinan Aral 是商业分析领域的全球权威，MIT斯隆管理学院David Austin管理学、市场营销、信息技术与数据科学教授，MIT数字经济倡议主任，风险投资公司Manifest Capital和Milemark Capital的创始合伙人。他的研究聚焦应用AI、社交媒体和虚假信息。

John Horton 是MIT斯隆管理学院Chrysler管理学副教授、信息技术副教授。他的研究聚焦劳动经济学、市场设计和信息系统的交叉领域，尤其关注如何提高匹配市场的效率和公平性。

Kate Kellogg 是MIT斯隆管理学院David J. McGrath Jr.管理学与创新教授。她的研究聚焦帮助知识工作者和组织开发与实施预测性和生成式AI产品，以改善决策、协作和学习。

Peyman Shahidi 是MIT斯隆管理学院博士生，研究市场设计和劳动经济学，重点关注AI对劳动力市场和在线平台的影响。

常见问题（FAQ）

企业实施agentic AI时，为什么说落地是最重的活？

MIT研究显示，80%的工作被数据工程、利益相关方协调、治理和工作流整合占用，而非提示词工程或模型微调。这些“脏活累活”是落地关键，企业需重视数据标准化和持续验证。

agentic AI的“性格”搭配为什么会影响团队绩效？

Aral研究发现，AI agent性格与人类互补时绩效更好。例如，开放的人搭配尽责随和的AI表现更佳，而过度自信的人需要敢于反驳的AI。性格搭配不当可能适得其反。

部署agentic AI后，企业如何管理问责和风险？

组织需明确AI出错时的责任归属，建立治理委员会监督问责，并将监控作为永久性运营开支。同时，构建基于权限的系统，确保决策与以人为本的过程对齐。