AI Agent正从边缘辅助走向核心业务驱动，通过整合模型、知识和数据，实现营销效率和ROAS的显著提升，重塑企业工作模式。
原文标题：从写文案到盯数据、算 ROI，流量见顶后，AI Agent 正在杀进核心业务
原文作者：AI前线
冷月清谈：
怜星夜思：
2、在企业应用中，如何平衡AI Agent的自主性和可控性？完全自主可能带来风险，过度干预又可能限制其潜力，有没有什么好的实践方法？
3、文章提到数据平台的重要性，但很多企业面临数据 silo 的问题，不同部门的数据难以整合。在构建企业级AI Agent时，如何打破数据壁垒，实现数据的有效流动和利用？
原文内容
过去几年，生成式 AI 在企业中的典型位置，更多仍停留在工具层面，比如写文案、做图片、回答问题、辅助检索和处理客服等。这些能力当然已经改变了不少岗位的工作方式，但整体来看，它们大多还处在业务外围。一方面，过去模型能力还不够稳定；另一方面，企业也缺少一套能够把 AI 纳入主业务链路的工程化方法。
但最近，AI 在企业中的角色开始发生变化。
作为行业内率先布局 AIGC 战略的营销科技公司之一，易点天下从 2022 年开始关注 AI 能力。第一阶段是 AIGC 创作引擎，AI 的核心价值是替人干活；第二阶段尝试让 AI 辅助决策，从创意到投放、洞察再到数据归因，整个环节都让 AI 进行自主的拆分、规划与决策；第三个阶段是探索 Agent。去年发布的全新一代数智营销解决方案 AI Drive 2.0，让营销策略到广告发布仅需 5 分钟，创意生产测试效率提升 268%，客户平均 ROAS（目标广告支出回报率）提升 190%，使 AI 成为增长基础设施。从去年下半年到今年，团队一直探索 企业级 AI 智能体开发平台 EC-Agent，并上线易鲸灵处理内部运营问题，解放员工工时。
易点天下首席算法科学家 Ady Zhao 表示，过去的 AI 更像一个问答系统，如今随着 Agent 技术的发展，AI 开始具备感知、规划、决策和执行能力，能够围绕一个目标完成一连串动作。对企业而言，这种变化的意义在于，AI 不再只是某个局部环节上的辅助工具，而开始有机会进入从洞察到执行的完整业务流程。
之所以过去 AI 更多停留在边缘场景，与企业早期的落地路径有关。此前，企业部署 AI，大多从客服、问答、内部知识查询等场景切入。这些场景通常有两个共同特征：一是流程相对清晰，二是容错空间更大。答错一句话，往往还有人工兜底；推荐错一条知识，也未必会立刻带来明显损失。
但一旦进入预算分配、广告投放、创意判断、业务策略这类更接近核心结果的环节，情况就不同了。这里不仅要求 AI “会回答”，更要求它能够理解上下文、拆解目标、协调资源，并在执行后根据反馈持续调整。如果能力还停留在简单问答层面，显然难以支撑这类业务场景。
值得注意的是，生成式 AI 最直观的能力是“生成”，但在营销场景里，这种能力并不自动等于结果。易点天下首席产品官 Aodi Zhang 表示，大模型可以快速生成内容，但并不意味着这些内容一定“有效”。素材被生产出来，只是起点，而不是终点。企业最终关心的，仍然是 ROI、LTV、预算效率，以及内容进入真实投放后的反馈表现。
这也是为什么，单点工具虽然容易演示，却很难真正支撑完整业务流程。问题并不在于企业缺少模型，而在于模型很多、工具很多、能力也很多，但这些能力并没有自动组织成一个能够围绕业务目标运转的闭环系统。
与此同时，企业自身面临的外部环境也在变化。以出海营销行业为例，Ady Zhao 提到，行业当前承受的压力，表面上看是流量更贵了、获客更难了、回报更不稳定了，但本质上是传统增长方式的适用边界正在收缩。企业面对的市场更多、语言更多、合规要求更多，随着业务复杂度不断上升，原来依靠人力扩张、经验判断和流程堆叠的做法开始显得越来越吃力。另一方面，平台回传的数据持续增加，但数据本身并不会自动转化为更好的决策。
在 Ady Zhao 看来，最近一年最关键的变化在于，大模型的基线能力出现了明显提升，尤其是在推理、上下文理解和多步规划方面。AI 因此开始从“你问它答”走向“它能够自己想、自己做”。这也是 Agentic AI 与以往一类 AI 工具之间最关键的区别。
不过，模型能力的提升，只是 AI 进入核心业务的前提，而不是全部条件。对企业来说，更难的部分在于，如何让这种能力真正变得可控。
按 Ady Zhao 的说法，要让 AI 真正进入核心业务，至少需要几层工程化工作同时成立。首先，模型必须具备足够的业务知识，而不能只停留在通用能力层面；其次，它要能调用数据、查询系统、执行动作，也就是要通过 API、Skill、MCP Server 等方式装上“工具”；最后，用业务数据微调模型，它的判断必须建立在企业真实的业务数据和效果反馈之上，而不只是依赖通用世界知识。
总的来说，技术突破打开了天花板，但真正让 AI 进入核心业务的，是“模型能力 + 业务知识 + 工具约束 + 数据微调”这一整套工程化的落地方法。
像在易点天下的实践中，重点并不是把某一个模型本身做得多强，而是让创意生成、投放执行、数据归因和后续优化真正连接起来。一个素材表现如何，不是看生成质量本身，而是要回到效果数据中去验证；随后，数据再反过来影响下一轮创意方向和预算分配。只有这样，AI 才不只是“帮忙生成内容”，而是开始在业务中承担一部分实际责任。
从更广义的企业应用来看，这其实也是很多 AI 项目能否走出试点阶段的关键。企业通常并不缺“可用的 AI 功能”，真正稀缺的，是把这些功能串联成业务系统的能力。
过去几年，关于“中台”的讨论已经不像前些年那样高频。但企业今天面对的问题并没有消失：模型越来越多、工具越来越多、部门需求越来越多，如果缺少一个统一底座，系统很快就会重新变得割裂。而在 AI 时代，这一点反而更明显。
Aodi Zhang 提到，易点天下最早搭建相关平台时，优先处理的其实就是底座能力，比如模型接入、鉴权、分流机制等。先把基座打通，再让各个业务部门在此基础上调用。这样做的目的，不是为了“平台化”而平台化，而是避免每个部门重复接模型、重复做权限管理、重复造轮子。
同样的逻辑也适用于 Skill 管理。对于知识库问答这类通用能力，可以由统一体系来建设；而业务经验和个性化内容，则按照业务单元进行抽象，再叠加到统一底座之上。只有这样，企业才能在复用与差异化之间维持平衡。
在这个体系里，数据平台的重要性并没有下降。易点天下中台研发负责人兼架构师 Henry He 表示，数据平台负责分析和反馈，AI 平台负责提效，而 Agent 的判断要持续变好，就必须有反馈机制来验证对错。只有当数据和 AI 两套系统真正打通，企业才有机会形成完整闭环。
Ady Zhao 总结道，AI 智能体系统并没有完全取代原有系统。在 Agent 底座构建上，易点天下结合亚马逊云科技主导的开源 Agent 开发框架 Strands Agents 能力进行工程化扩展，并持续沉淀自身业务场景的 Agent 体系。随着业务场景增多，把更多场景封装成 Skill，持续丰富平台能力。同时，底层模型能力也在进化，比如上下文记忆、推理压缩这些能力越来越强，这样把新能力逐步融入现有架构中，不好的再迭代掉，期间架构在持续演进。
Agent 热起来之后，另一个常见问题是：它和过去的 RPA 到底有什么本质区别？
对此，Ady Zhao 认为，传统 RPA 更接近固定脚本和流程编排，它的优势在于精准和稳定，尤其适用于路径清晰、规则明确、变化不频繁的场景。但它的问题也同样明显：一旦软件界面发生变化、按钮位置调整，脚本往往就需要重写。
Agent 的不同之处在于，它并不完全依赖预设路径，而是可以借助图像识别、目标理解和工具调度来完成任务。在流程更复杂、变化更频繁的场景里，这种能力会更有价值。
但 Agent 的代价也很现实。Ady Zhao 提到，Agent 会消耗 Token，如果企业希望调度更智能、更稳定，就往往需要使用更强的模型，成本也会相应上升。因此，企业在选择方案时，最终仍然要回到 ROI，而不是简单地用“新”替代“旧”。
当 AI 从边缘场景进入核心业务，安全问题也会立刻变得具体起来。这里涉及的不只是模型本身，还包括数据分级、权限控制、工具开放范围、调用边界，以及系统是否具备可观测性。对于企业来说，一个能够自主规划和执行的 Agent，如果运行在黑盒之中，实际上很难被放心接入主流程。
在这方面，Aodi Zhang 的判断是，风险重点并不在模型微调本身，而在模型选择和工具管理。比如在处理财务、客户合同等敏感数据时，会优先使用私有化部署模型；在工具层面，则通过白名单机制管理 Skill，每一项工具都要经过 IT 和安全团队审核。这样，即便 Agent 调用出错，也仍然处在可控边界之内。
与此同时，企业还需要知道 Agent 做了什么、为什么这么做、在哪一步出了问题。Henry He 提到，在企业级 AI 智能体开发平台 EC-Agent 中，Amazon Bedrock AgentCore 主要承担了 Agent 生命周期管理、长期和短期记忆管理、稳定性维护以及成本优化等工作。
在智能体开发上，易点天下采用开源 Agent 开发框架 Strands Agents，使 Agent 的构建与部署效率大幅提升，实现从开发到生产环境的快速落地；在知识和数据接入层面，依托 Amazon Bedrock 知识库构建 RAG 能力，用来实现基础模型与内部数据源的连接；在模型层面，选择 Amazon Nova 模型构建 EC-Agent。
讨论 AI 时，一个高频问题是“它会替代多少人”。但从易点天下落地的实际情况看，更先发生的往往不是岗位数量的变化，而是岗位内部任务被重新切分。哪些部分由系统承担，哪些部分仍由人负责，决定了 AI 在组织中的真实位置。
在广告投放场景里，这种变化尤为典型。过去，预算分配、竞价调整、素材更换等动作很大程度依赖优化师的经验。一个优化师能管理多少 Campaign，能否及时发现数据波动、快速处理异常，都会直接影响最终结果。这种模式本质上高度依赖人的注意力和经验密度。
但如果系统能够 7×24 小时监控数据，并按照预设目标持续做调整，人的角色就会发生变化。Aodi Zhang 提到，智能投放系统能够自动完成素材生成、批量投放、实时监控和反馈等环节。按照他的说法，这类系统几乎可以覆盖“70 分以下优化师”的大量工作。对组织来说，这并不意味着优秀投放师失去价值，恰恰相反，优秀投放师的角色会进一步转向设定策略、监督系统、处理复杂例外，并把经验抽象成可复用的方法。
按 Aodi Zhang 的介绍，易点天下也已经把 Agent 能力持续引入内部运营，包括内部帮办、问答和调度的企业级 AI 赋能平台，面向客户的智能助手。AI 在这里并不是一个独立产品，而是逐步嵌入日常操作环节，承担一部分重复性、高频、标准化的工作。
这也是为什么，一些企业不再把目标简单定义为“自动化率提高”，而是转向“每个岗位是否都能拥有一个业务助手”。在 Aodi Zhang 看来，后续更明确的方向，是把已有能力进一步沉淀成以业务为单元的个人助手，为每位员工提供一个相对标准化、能够先给出七八十分解法的 AI 帮手，再由人去补足个性化和复杂部分。
