AI 行业落地 | 第41期：46万小时之后，智能体开始按"人头"上岗

AI行业落地 · 2026-11-02 · 九羲科技

上周还在讨论智能体能不能干活，这周画风已经变了。

李宁说：我们有50个智能体在岗，一年干了46万小时的活，明年要扩到200个。一家服务上亿用户的数字银行，则在KDD上交了一篇论文——讲的不是智能体多能干，而是上岗之前，先把"评审器"调准：调不准，不上岗。

一边按"人头"扩编，一边给上岗立规矩。智能体这东西，算是正式从"试点"走进了"编制"。今晚这期，就看三个已经进编制的现场。

· · ·

一、李宁：50个智能体，一年干出46万小时

先说李宁。这组数字是李宁信息系统部总经理亲口给《中国时报》的：在供应链和商品部门，WorkBuddy（腾讯的办公智能体）底座上已经跑起约50个AI智能体，一年下来折合约46万小时的等效工作量。其中三分之二，是一个"数字店长"智能体干的¹²。

46万小时是什么概念？按一年2000工时折，相当于230个全职员工干一年。而李宁的计划更激进：一年内扩到200个智能体，明年做到460万等效小时——直接翻十倍。

机制上看，李宁这套打法有三层。第一层是底座：办公智能体把"一句话派活"做成标准动作，任务拆解、调工具、回结果，员工不用学新系统。第二层是场景选择："数字店长"一个智能体扛下三分之二，说明门店运营——补货、陈列、盘点、促销执行——是高度标准化的流程集合，天然适配智能体。先打透这一个点，账立刻算得过来。第三层是云底座的配套：智能体现在每天新建2万多个TDSQL-C数据库实例，一年涨了80多倍；数据库分支让智能体先在副本上试，成了再上线；CloudBase让智能体建表、设权限、生成API一条龙。智能体干活越快，底座的"脚手架"越得跟上¹。

汤道生在会上说了句实在话：部署智能体的关键，是把人、工具、系统、数据连起来。断点太多，模型再强也进不了工作流。

1. 先立"等效工时"这本账

这是李宁最值得抄走的一招。50个分散的小智能体，单个看都不起眼，但有了"等效工时"这个统一度量口径，价值就能加总、能汇报、能要编制。想推智能体的企业，第一步不是选模型，是先定"怎么算账"——算不清的账，续不上。

2. 言外之物：按"人头"规划智能体

李宁敢把明年目标定到460万小时，赌的是智能体的边际复制成本趋近于零：招第51个智能体，比招第51个人便宜得多。当企业开始按"人头编制"规划智能体，"AI降本"就从口号变成了组织架构。零售业这套"标准化流程先行"的路子，制造业、连锁服务业都能照着抄——先找到自己的"数字店长"。

· · ·

二、一家银行：先调准"尺子"，再让智能体上岗

这家银行没透露名字，只知道它服务的用户超过一亿。它的工程师在KDD 2026上交了一篇论文（Gupta et al.），把自家五个客服智能体的上线全过程摊开来讲：信用卡配送、债务管理、信用额度、卡管理、产品讲解³⁴。

最值得看的不是智能体本身，是它上岗前的"体检流程"。

第一步，拆。智能体的指令和业务流程被拆成一个个可独立修订的模块，领域专家可以直接改模块，不用求着算法团队排期。第二步，考。语言模型扮演"自动评审器"，先给候选版本打分，过了才进线上A/B。但这里有个狠细节：评审器自己得先考试——三名运营分析师给样本打标签、写解释，多数投票定标准答案，再让评审器来对。结果呢？初始评审器准确率68.88%，连"永远选最常见标签"这个笨基线（77.78%）都不如。团队用GEPA做提示词优化，才把评审器拉到88.89%。尺子不准，量出来的全是错的——这条铁律，他们是拿数字砸出来的⁴。

第三步，灰度。新版本上线只给1%到5%的流量，盯着四组数：自助解决率、交易NPS、升级率、错误率。第四步，分工。超出既定流程、取不到数据、置信度低，一律转人工；但转人工的口子不是死的——卡配送智能体加上"补卡重发"的工具能力后，最常见的那条解决路径就不再需要转人工。能自动化的，往前走一步；该人判的，留好位置。

效果上，五个智能体上线后用户满意度全部提升，但都没超过人类专家的基准线。卡配送最亮眼：自助解决率提升29个百分点，满意度涨37点。论文还诚实地记了一笔：产品讲解智能体因为一次临时的模型调用故障，指标轻微下滑——这种"报喜也报忧"，反而让整篇论文可信⁴。

1. 把"为什么升级"分类

这是银行案例里最值得抄走的一招。同样是转人工，"缺个工具"和"该人来判"是两件完全不同的事，改进动作也完全不同：前者补工具，后者留流程。满意度数字本身说明不了问题，升级原因的分布才能——不然你都不知道涨上去的分数是智能体挣的，还是把难案甩给人工甩出来的。

2. 言外之物：管编制的学问，比招人大

有个反直觉的细节：AI把简单的活儿都拿走后，人类坐席手里只剩难案，平均处理时长反而上升——指标就这样被"幸存者偏差"污染了。所以这家银行真正的上线标准，从来不是"智能体有多强"，而是"评审器有多准、灰度有多小、升级路径有多清"。三条全是治理问题，不是模型问题。智能体进编制之后，管编制的学问，比招人的学问大。

· · ·

三、采购这块"硬骨头"，AI啃下来了

采购可能是AI落地最难啃的场景之一：流程烦琐、单据庞杂，还牵扯利益。甄云科技董事长王佩在2026用户大会上说了句大实话：落地的卡点，"某种程度上并非业务需求本身难实现，也不完全取决于大模型的优劣，关键在于落地过程中遇到的各种现实问题"⁵。

难啃，不等于啃不下来。这次大会上，几家制造企业的负责人直接报了账。

三生制药集团采购与供应链负责人孙菁：优先在审核、转单两个场景引入AI，每张核价单的审核时间压到4.5分钟，53.2%的历史订单有望实现智能化转单。中宠股份供应商管理部部长杨殿生：采购全流程数字化升级后，仅对账付款效率就提升50%，准确率100%。华宝集团的专利审查智能体上线后，审查效率实现数量级跃升。桐昆集团数字化推进部总监李大川则透露，团队正在研究把自身的经验、标准开放给下游供应商，让整条化纤供应链变透明⁵。

机制上有两点值得注意。一是切入顺序：甄云这次全系亮相的AI采购产品，有智能审核、智能转单、供应商风控、需求预测20多个应用，但先啃的是"审核、转单"这种单据最标准、利益最不敏感的环节——跑通了，再往深水区走。二是规则沉淀：海外项目里落地的票据识别、智能分析，正在把各国业务差异沉淀为产品规则。甄云总裁姚一鸣的原话是："我们不做概念的、试点的全球化，要做实质的、规模化的全球化。"

1. 从"最不敏感、最标准"的场景切入

采购这条线，利益敏感度排序就是实施顺序：先审核转单这种"对事不对人"的环节，信任攒够了，再碰深水区。很多AI项目死就死在第一刀切在了最敏感的地方。

2. 言外之物：拼的不是模型，是规则资产

今年上半年，AI领域投融资金额超2500亿元，资本热度不缺，缺的是"把先行者的经验复制到更多中小企业的路径"。甄云这套"把业务差异沉淀为产品规则"的打法，拼的不是模型参数，是规则资产。哪天AI+采购从头部企业的降本工具变成整个产业的基础设施，靠的一定是这条路——规则沉淀得越厚，复制成本越低。这和李宁的"等效工时"账、银行的"评审器"，讲的是同一件事：规模化之后，拼的是治理和资产，不是单点智能。

· · ·

· · ·