专访毕马威柳晓光：88%企业已试点Agentic AI，为何仅24%见到回报？

来源：环球网

2026 MWC上海期间，毕马威发布了《2026全球技术报告》。报告里有个挺有意思的数据：88%的受访企业已经开始把Agentic AI融进系统了，但只有24%的企业能在多个AI用例中看到投资回报。这个“高渗透、低回报”的现象，到底是怎么回事？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给出了他的判断。

试点容易，规模化难

柳晓光认为，这其实挺正常的，说明企业正从“技术验证”阶段迈向“业务运营”的关键期，并不代表技术本身没价值。

他提到，过去两年里，很多企业快速跑通了模型验证，智能体应用也启动了不小一批，渗透率自然就上来了。但问题在于，投资回报不是看你部署了多少个智能体，而是看它们有没有真正进入核心业务流程，能不能持续、可复制地创造经营价值。

那么问题来了：为什么试点容易，规模化却这么难？柳晓光总结了四个原因。第一，很多企业还是用技术项目的方式来推智能体，而不是围绕经营目标去做业务重构，结果应用就停留在局部效率优化上。第二，智能体之间缺少统一编排，跨部门、跨系统的协同能力还没形成。第三，企业的数据治理、系统架构、流程成熟度参差不齐，限制了智能体在核心业务中的稳定运行。第四，不少企业没有建立统一的价值评估体系，对效率、成本、收入、风险这些经营指标缺乏持续跟踪。

他的判断是，未来企业竞争的重点，会从模型能力转向企业能力——包括业务场景设计能力、智能体工程化能力、治理能力，还有持续运营能力。

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会提升到36%，而且92%的受访者认为智能体管理将成为员工的重要技能。柳晓光表示，随着智能体开始承担分析、执行和协同等工作，企业的组织模式正在发生变化，不光体现在工作方式上，更体现在管理对象和管理模式的升级上。

他说，未来企业管理的对象，会从员工扩展成员工和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、规则化和高频重复的任务。

在设计人机协同体系时，毕马威坚持四项原则：第一，坚持业务价值导向，优先选那些价值明确、流程成熟、数据基础好的场景。第二，坚持职责边界清晰，对智能体的授权范围、人工介入节点以及责任归属都要明确设计。第三，坚持全过程治理，建立覆盖数据、模型、智能体、安全和合规的治理体系。第四，坚持持续运营，通过业务反馈不断优化流程和智能体能力。

中国路径：谨慎推进开放域决策

柳晓光注意到，中国企业在应用大模型时，已经形成了一些鲜明特点。首先，企业更关注能直接带来经营价值的场景，比如制造、供应链、能源、金融、运营管理、客户服务这些领域推进速度相对较快。其次，中国企业更重视安全、合规和风险可控，对于那些涉及经营决策、公共服务、金融风控、医疗等高风险场景，多数企业还是采取渐进式推进策略，在关键决策环节保留必要的人工审核。

从技术路线看，越来越多的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、业务规则以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技术体系，也成了中国企业关注的重点。

最缺的不是算法博士，而是“智能体产品经理”

报告提到53%的企业面临数字化转型人才短缺。柳晓光认为，如果只能选一种能力，当前最紧缺的其实是智能体产品经理。因为基础大模型的能力正在逐步平台化，对多数中型企业来说，项目成败的关键不在于模型开发能力，而在于能不能准确识别业务场景、完成流程设计、构建智能体协同机制、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、大模型能力以及产品设计。

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也会持续提升。未来企业不光需要懂技术的人，更需要能建立数据治理、模型治理、智能体治理、安全管理和合规管理体系的人才。

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，另一方面培养技术团队理解业务流程，同时建立产品、技术、治理和运营协同发展的组织模式。

未来三年是重要窗口期

对于那些还没启动Agentic AI试点的传统企业，柳晓光认为未来三年是企业建立智能体能力的重要窗口期。他建议尽快完成第一阶段实践，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起点，比如知识管理、客户服务、内部运营支持、采购管理或供应链协同。同时，一定要同步建立知识治理、模型治理、智能体治理以及安全治理框架。

他说，与其追求更多试点项目，更重要的是尽早建立企业持续应用智能体的能力，这才是决定未来大模型能创造多少长期经营价值的关键。