智能体进入工作流程：从"能对话"到"能上岗"的最后一公里

可信任不是技术的刹车，而是智能体普及的加速器

导语：智能体正在从"聊天窗口"走进"业务流程"。Gartner预测，到2026年底，40%的企业应用将嵌入具备任务执行能力的AI智能体，而一年前这一比例还不足5%；另一边，真正把智能体部署进生产环境的企业，仍不足两成。同一个浪潮，为什么预期与落地之间隔着如此深的鸿沟？答案不在模型能力——"能对话"早已实现，卡住智能体的，是"能上岗"背后那道看不见的关口：信任。

一、三组数据，读懂智能体"入场"的现状与落差

（一）供给端：智能体正以超预期速度进入生产环境

行业研究机构的预测，几乎一致指向同一个方向：智能体正成为企业软件的"标准件"。Gartner 在 2025 年 8 月发布的预测中提出，到 2026 年底，40% 的企业应用将嵌入特定任务的 AI 智能体，而 2025 年这一比例还不到 5%；2026 年 7 月，Gartner 进一步指出，从当下到 2030 年，规模高达 2340 亿美元的企业应用软件支出将受到"智能体套利"的冲击。市场研究机构 MarketsandMarkets 的数据显示，全球 Agentic AI 市场规模在 2026 年约为 193.3 亿美元，预计到 2033 年将达到 2058.8 亿美元，复合年增长率高达 40.2%。

（二）需求端：工作流正在被"委托"给智能体

供给侧在加速，需求侧也在发生一场静默的变革——知识工作正从"人做"变成"委托给智能体做"。OpenAI 在一份以自身为样本的内部报告中披露：到 2026 年，代码智能体 Codex 已覆盖公司内部每周输出 token 总量的 99.8%；80.6% 的用户提交过需要人工 30 分钟以上才能完成的任务，70.2% 的用户提交过超过 1 小时的任务，而对应人工 8 小时以上工作量的任务，增速最快。更值得注意的是使用人群的扩散：自 2025 年 8 月以来，非开发者的个人用户使用量增长了 137 倍，企业用户中的非开发者增长了 189 倍。Google DeepMind 的多智能体科研系统 Co-Scientist 登上了《自然》杂志，把"提出假设—批判审查—迭代进化"的科研循环交给多个专职智能体协作完成。工作方式的底层逻辑正在改变：从"短平快的交互"转向"更复杂、周期更长的任务委托"。

（三）落差端：期望很高，落地滞后

然而，市场热度与落地现实之间存在一条明显的裂缝。Gartner 的 CIO 调查显示，仅有约 17% 的组织真正部署了智能体，尽管超过 60% 的组织期望在两年内完成部署。财联社 2026 年 6 月的报道同样指出，"大量企业仍停留在购买大模型账号、尝试简单问答应用的阶段，真正能够深入业务流程、创造可量化价值的案例仍相对有限"。从"能对话"到"能上岗"，中间横亘的正是一道深水区——它不是模型能力的落差，而是组织级信任与治理能力的落差。

二、认知错位：决策者、业务团队与员工，各看到一半的真相

（一）IBM 的研究：监督与执行的认知差

IBM 商业价值研究院联合牛津经济研究院，在 2026 年 4 月至 6 月间调研了全球 21 个国家和地区、23 个行业的 1,500 名首席人力资源官（CHRO）及同等级高管，以及遍布 28 个国家的 8,800 名全职员工，得出一个耐人寻味的结论：在 AI 时代的关键能力认知上，管理者和员工之间存在明显错位。71% 的 CHRO 把"监督、验证并必要时纠正 AI 输出结果"视为最关键的能力，而只有 29% 的员工认为这很重要；60% 的员工担心自身技能正在退化，其中下降最明显的是批判性思维能力——而在 CHRO 看来，批判性思维（57%）和人类判断力（48%）恰恰是员工队伍最重要的核心能力。近半数（46%）的组织在制定 AI 战略时，甚至没有让首席人力资源官参与其中。

（二）企业落地的三重视角

类似的错位，也发生在智能体落地的日常中。长期服务政企客户的中科京云，在落地实践中总结了三个视角的典型痛点：决策者视角，AI 投入大、落地难、价值难以量化，通用大模型与业务深度脱节，试错成本高企；业务视角，技术团队不懂行业业务，需求对齐成本高，AI 应用浮于表面，无法解决核心痛点；技术视角，缺乏专业 AI 工程化人才，数据安全与合规风险难以把控，长期维护依赖外部厂商。中国人民大学商学院教授吴武清在财联社的报道中点破了一个关键事实：财务、风控等敏感岗位对权限管理和审计追溯要求极高，"企业最担心的并非 AI'不聪明'，而是 AI'做错事'"。

（三）错位的本质

把三重视角放在一起看，错位的本质便清晰起来：决策者把智能体当作一次性的"工具采购"，一线员工把它看作会"抢饭碗"的竞争者，技术团队则把它当成必须长期运维的"工程系统"——三方对"上岗"的理解各不相同，自然难以形成合力。IBM 的研究给出了破局样本：那些围绕"人+技术"重新设计工作模式、明确界定哪些工作流程应由人主导（Human-led）、哪些由 AI 辅助（AI-assisted）、哪些由 AI 自主执行（AI-executed）的组织，实现了 18% 的风险降低和 20% 的质量提升。

三、三级范式：智能体"上岗"的路径与治理要求

第一级：人主导、AI 辅助（Human-led / AI-assisted）。在这一层级，智能体扮演"副驾驶"角色：人负责判断与决策，AI 负责检索、起草、分析等辅助动作。文档起草、数据整理、知识问答等大量个人提效场景属于此列。治理重点是"知识边界"——AI 知道什么、不知道什么、可以说什么，必须由企业可控的知识库划定。

第二级：AI 执行、人监督（AI-executed，关键节点人工确认）。在这一层级，智能体开始调用业务系统、执行完整任务，但关键节点保留人工确认。报表自动生成、设备故障预判、审批材料预审等场景属于此列。治理重点是"操作边界"——智能体只能在授权范围内调用接口、访问数据，高风险操作必须"先规划、后执行、经确认"。

第三级：AI 上岗、进入责任链（Agent as Digital Worker）。在这一层级，智能体以"数字员工"身份进入组织：拥有独立身份、专属权限、持续记忆，其产出进入企业的责任链条——可被下游环节接收、核验、追溯。智能运维值守、跨系统流程自动化、合规审核等场景属于此列。治理重点是"责任边界"——每一次执行都可审计、可回滚、可追责。"上岗"的标志，是 AI 的产出进入企业的责任与追溯体系。

三个底座。无论处于哪一级，都依赖三个底座：一是可信数据——数据确权、脱敏、可审计，确保智能体"吃"的是干净、可信数据；二是可控智能——可编排、可治理、可解释，确保智能体"干"的是受控行为；三是清晰分工——人机协同规则与责任边界事先划定，确保"上岗"不失控。

四、中科京云的实践：让智能体"进得来、干得稳、管得住、落得实"

（一）进得来——伟道可信数据空间（VISOM WeiDAO TDS）

智能体进入工作流程，第一步是让数据"进得来"。中科京云伟道可信数据空间（VISOM WeiDAO TDS）以"数据可用不可见、用途可控可计量"为核心设计理念，通过四层设防构建可信流通体系：隐私计算引擎（集成多方安全计算、联邦学习、差分隐私），让数据在不离开本地域的前提下完成联合计算；数据确权存证（基于区块链实现权属登记与存证，FISCO BCOS 链上存证、全程不可篡改）；安全交换通道（端到端加密、细粒度访问控制与用途管控）；全链路审计追溯（满足数据安全法、个人信息保护法等合规要求）。这一架构已落地金融联合风控、医疗多中心科研、政务数据开放等敏感场景——解决的不是"能不能算"，而是"敢不敢用"。

（二）干得稳——伟道垂直行业智能体中台（VISOM WeiDAO VIA）

数据进来了，还要让智能体"干得稳"。中科京云伟道垂直行业智能体中台（VISOM WeiDAO VIA）实现了两个根本性范式转变：一是从"单点造应用"到"体系化建产能"——以可视化智能体编排（设计图纸）、全形态知识引擎（原料供给）、全域系统连接（生产联动）、全生命周期治理（质量管控）四大能力，把智能体的生产从"手工作坊"升级为"流水线制造"；二是从"黑箱不可控"到"全链路可治理"——知识接入有分级授权、工具调用有审批流程、执行过程有审计日志、运行效果有效果评估，让企业"在划定的边界内运行 AI"，而不是"把权限交给 AI"。

（三）管得住——把每一次执行当作"受控变更请求"

企业最担心的，不是 AI 不聪明，而是 AI 做错事。中科京云 VISOM VIA 的做法是：把智能体的每一次任务执行都当作一次受控的变更请求，而不是直接交出业务系统权限。三步管控贯穿始终：第一步，确认身份和权限边界——按角色和部门限定访问范围，以最小权限原则分配临时凭证；第二步，先规划、后执行——智能体先生成执行计划，涉及写入数据、发送通知、触发审批等高风险操作时，必须等人工确认；第三步，策略与审计全程在线——合规红线自动拦截，审计日志完整记录"什么时间、哪个用户、触发哪个智能体、通过了哪些策略校验、访问了什么数据、产生了什么结果"。每一个智能体都有清晰的"出生证"（版本管理）、"权限表"（权限控制）、"体检报告"（效果评估）和"行为日志"（安全审计）。

（四）落得实——FDE 驻场服务与可量化价值

落地不是交付代码，而是交付"可运行、有价值、可传承"的能力体系。中科京云 FDE（前沿部署工程师）采用"1+3+X"驻场服务架构——1 名总负责人全程驻场统筹、3 名垂直领域工程师深度融入业务、X 名后台专家团远程支撑，通过"需求调研—原型验证—全面上线—能力转移"四个阶段，把智能体嵌入客户的核心业务全流程，并同步完成技术能力内化。公开的落地实践显示：某国家级高端装备研究院引入研发智能体后，设计周期缩短 25%，试验数据处理效率提升 50%；某大型高端装备制造企业上线智能运维后，设备非计划停机时间减少 20%，运维成本降低 15%，实现了从"事后维修"向"预测性维护"的真正提智升级。

（五）信任链路：从数据可信到智能可信

中科京云有一个判断："能力不等于信任。"模型是种子，算力是土壤，数据是阳光和水分——没有可信的数据，何来可信的 AI？沿着这一逻辑，中科京云的产品矩阵构成了一条完整信任链路：可信数据空间（TDS）解决"流通可信"，数据资产运营管理平台（DAOMP）解决"资产化"，垂直行业智能体中台（VIA）解决"生产可控"，三者共同支撑"数据资产化—可信流通—智能生产"的数据要素价值释放闭环，并以数据资产生产、可信数据空间建设、垂类 AI 应用智能体开发、数据资产金融化服务为四大战略支柱。这正是智能体进入工作流程所需要的"信任基础设施"。

五、信任先于智能

智能体进入工作流程，从来不是一道技术题，而是一道组织题。给企业的三条行动建议：第一，先定人机分工——把核心业务流程明确划分为"人主导、AI 辅助、AI 执行"三类，再谈"上岗"；第二，先建数据与治理底座——数据确权、脱敏、可审计先行，避免智能体在失控的灰色地带野蛮生长；第三，先试点、后上岗——以业务价值（效率、成本、质量、合规）为验收标准，小步快跑、持续迭代。当然，小微企业可以按照自己所在的领域、服务的客户之特点来取舍如何推动智能体业务。

历史反复证明，每一次技术革命真正的受益者，不是最早拥抱技术的人，而是最早建立技术信任体系的人。蒸汽机的普及靠的是锅炉安全标准的建立，电力的普及靠的是绝缘标准与安全规程——AI 智能体的大规模上岗，同样要靠可信的数据、可治理的智能、可进化的流程。当企业确信智能体的数据来源可信、决策过程可追溯、行为边界可控、输出结果可解释，智能体才能真正从"能对话"走向"能上岗"，从辅助工具变成驱动业务增长的核心引擎。信任不是技术的刹车，而是技术普及的加速器。