AI Agent领域现状与问题探讨
在AIAgent领域，看似热闹非凡，实则真正取得成果的案例较少，甲方的成功率远未达到理想状态。崔牛会策划的“DeepTalk｜DeepSeek猜想系列”对话中，崔牛会创始人崔强与Gartner公司副总裁孙鑫围绕“真假AI Agent：贴牌陷阱vs技术泡沫”展开深入交流。
“Agent Washing”现象剖析
“AgentWashing”指供应商将现有的缺乏自主性和复杂决策能力的技术重新包装成Agent，导致甲方市场混乱和误导性投资。这种现象在市场上表现为简单粗暴的改名，如RPA公司直接变为AIAgent公司，吸引了大量咨询，但实际部署成功率不到30%。成功部署的场景主要集中在客服、知识库的Agentic RAG模式和软件研发模块等。
AI Agent技术成熟度曲线与发展预测
根据Gartner技术曲线，目前生成式AI处于期望膨胀期，国内的Agent正处于顶峰点。预计两到五年内，AIAgent可能进入生产成熟期，AGI实现会更早。不过，当下企业对AI Agent的探索应保持谨慎，因为存在技术瓶颈、可靠性低、成本高和场景适用性有限等问题。
AI Agent的定义与构建建议
Gartner对AIAgent的定义为自主或半自主的软件实体，利用人工智能技术感知、决策、行动以实现业务目标。国内符合此定义的软件实体较少，企业可通过Agent BuilderPlatform构建符合自身需求的Agent。DeepSeek的出现为企业提供了新可能，但企业需考虑让自身数据与大模型协同，结合强化学习构筑自身护城河。
AI Agent在企业软件与SaaS领域的关系
在企业软件和SaaS领域，Agent与SaaS或传统软件存在“相爱相杀”的关系。未来，各方将向用户侧发力，争夺AI重力。Salesforce等厂商会优先在数据层发力，训练符合自身情境的模型。同时，MCP协议为Agent搭建带来新方式，但实际应用受大厂开放程度、客户需求和成本等因素影响。
AI投入的衡量指标与构建路线图
衡量AI投入可从效率、质量、财务和安全四个维度进行。构建Agent能力可分三步走：先进行能力试点，成功后拓展能力，最后进行生态整合，实现智能化跃升。
