企业 AI · Agent · 场景选择
别什么都做成Agent：只有落在这个象限里的业务，才值得投入
Agent 不是自动化的高级叫法。业务变化够多、系统条件又能支撑行动时，它才可能比普通流程更划算。
现在去企业聊 AI，很容易听到一句话："这个能不能做成 Agent？"
客服要 Agent，销售要 Agent，行政也要 Agent。以前流程图里画一个机器人，现在方案里换成一个会思考的小人，项目好像立刻高级了。
可很多场景根本不需要 Agent。
固定时间导出一张表、把附件存进指定目录、按明确规则发提醒，这些工作用普通自动化就能完成。硬塞进 Agent，结果通常是成本更高，行为更难预测，出了错也更难排查。
一个简单的二维判断，能挡住不少无效项目：看业务的变化程度，再看自动执行的条件是否成熟。
两个问题，先问清楚
第一个问题：这项工作每次都一样吗？
如果输入固定、规则明确、输出也固定，变化程度低。传统工作流擅长处理这类任务。
如果每次输入不同，需要结合上下文判断，还要在几个动作之间作选择，变化程度才算高。比如售后工单可能涉及不同产品版本、客户等级和历史维修记录，处理路径很难写成一条死流程。
第二个问题：系统允许它稳定行动吗？
这要看数据能不能读、接口能不能调、权限能不能分、错误能不能回滚、结果能不能验收。模型会回答，不代表企业已经具备自动执行条件。
把两个问题放在一起，四个象限就出来了。
四个象限，四种做法
变化低，自动条件低：先别投入
这类工作的流程自己都没定下来。字段乱、责任不清、系统不能连接，先把基础工作补上更划算。
变化低，自动条件高：普通自动化
规则稳定，接口齐全，就让工作流按规则跑。定时汇总、固定格式报表、标准消息提醒都在这里。
用 Agent 也能做，但像请一个会开会的研究生去按电梯，能力没有转化成价值。
变化高，自动条件低：先做助手
这类任务确实需要判断，可系统还不能放心让模型行动。合适的起点是"人做决定，AI 准备材料"。
让 AI 找资料、列选项、标风险，最后由员工确认。运行一段时间后，再根据真实轨迹补数据、接口和规则。
变化高，自动条件高：Agent 候选
输入经常变化，需要多步判断，同时数据、权限、接口和回滚已经基本具备。这时 Agent 才可能发挥价值。
注意，是候选，不是直接上线。还要检查任务频率、错误成本和人工接管方式。
再加三道闸门
矩阵解决"适不适合"，还没解决"值不值得"。落在右上角的场景，再过三道闸门。
一看频率。如果一个复杂任务一年发生两次，专门搭系统未必划算。
二看错误代价。生成内部草稿和自动退款不是一个风险等级。高风险动作应保留审批、额度和回滚。
三看反馈。员工改了什么、为什么接管、最后结果怎样，系统必须能留下记录。没有反馈，Agent 只会重复同一种错误。
一个常见误判
企业知识问答经常被包装成 Agent。其实用户问问题、系统检索资料、模型生成答案，这更接近一个问答应用。
只有当系统需要判断下一步、调用业务工具、写回结果，并对异常进行分流时，才开始接近 Agent。
名称不重要。重要的是项目有没有为"行动"多付出治理成本。如果没有真实行动，就别为了一个岗位热词把架构做重。
今天就能用的场景卡
拿出准备做的项目，用六句话写清楚：
• 这项工作多久发生一次？
• 每次输入变化有多大？
• 判断依据在哪里？
• 需要调用哪些系统？
• 出错后能否人工接管和回滚？
• 最后用什么业务结果验收？
写完后再放进矩阵。你可能会发现，一半需求只需要普通自动化，另一部分应该先做 AI 助手。适合 Agent 的场景，往往没有会议上喊得那么多。
这不是坏事。少做几个昂贵名词，反而更容易把第一个结果做出来。
素材来源：xiaomanhedy 在 X 上关于 Agent 场景矩阵的观察。本文在原帖判断上扩展了四象限和落地闸门。
完