從寫文案到盯數據、算 ROI，流量見頂后，AI Agent 正在殺進核心業務

作者 | 褚杏娟

過去幾年，生成式 AI 在企業中的典型位置，更多仍停留在工具層面，比如寫文案、做圖片、回答問題、輔助檢索和處理客服等。這些能力當然已經改變了不少崗位的工作方式，但整體來看，它們大多還處在業務外圍。一方面，過去模型能力還不夠穩定；另一方面，企業也缺少一套能夠把 AI 納入主業務鏈路的工程化方法。

但最近，AI 在企業中的角色開始發生變化。

作為行業內率先布局 AIGC 戰略的營銷科技公司之一，易點天下從 2022 年開始關注 AI 能力。第一階段是 AIGC 創作引擎，AI 的核心價值是替人干活；第二階段嘗試讓 AI 輔助決策，從創意到投放、洞察再到數據歸因，整個環節都讓 AI 進行自主的拆分、規劃與決策；第三個階段是探索 Agent。去年發布的全新一代數智營銷解決方案 AI Drive 2.0，讓營銷策略到廣告發布僅需 5 分鐘，創意生產測試效率提升 268%，客戶平均 ROAS（目標廣告支出回報率）提升 190%，使 AI 成為增長基礎設施。從去年下半年到今年，團隊一直探索 企業級 AI 智能體開發平臺 EC-Agent，并上線易鯨靈處理內部運營問題，解放員工工時。

易點天下首席算法科學家 Ady Zhao 表示，過去的 AI 更像一個問答系統，如今隨著 Agent 技術的發展，AI 開始具備感知、規劃、決策和執行能力，能夠圍繞一個目標完成一連串動作。對企業而言，這種變化的意義在于，AI 不再只是某個局部環節上的輔助工具，而開始有機會進入從洞察到執行的完整業務流程。

從邊緣場景到核心業務

之所以過去 AI 更多停留在邊緣場景，與企業早期的落地路徑有關。此前，企業部署 AI，大多從客服、問答、內部知識查詢等場景切入。這些場景通常有兩個共同特征：一是流程相對清晰，二是容錯空間更大。答錯一句話，往往還有人工兜底；推薦錯一條知識，也未必會立刻帶來明顯損失。

但一旦進入預算分配、廣告投放、創意判斷、業務策略這類更接近核心結果的環節，情況就不同了。這里不僅要求 AI “會回答”，更要求它能夠理解上下文、拆解目標、協調資源，并在執行后根據反饋持續調整。如果能力還停留在簡單問答層面，顯然難以支撐這類業務場景。

值得注意的是，生成式 AI 最直觀的能力是“生成”，但在營銷場景里，這種能力并不自動等于結果。易點天下首席產品官 Aodi Zhang 表示，大模型可以快速生成內容，但并不意味著這些內容一定“有效”。素材被生產出來，只是起點，而不是終點。企業最終關心的，仍然是 ROI、LTV、預算效率，以及內容進入真實投放后的反饋表現。

這也是為什么，單點工具雖然容易演示，卻很難真正支撐完整業務流程。問題并不在于企業缺少模型，而在于模型很多、工具很多、能力也很多，但這些能力并沒有自動組織成一個能夠圍繞業務目標運轉的閉環系統。

與此同時，企業自身面臨的外部環境也在變化。以出海營銷行業為例，Ady Zhao 提到，行業當前承受的壓力，表面上看是流量更貴了、獲客更難了、回報更不穩定了，但本質上是傳統增長方式的適用邊界正在收縮。企業面對的市場更多、語言更多、合規要求更多，隨著業務復雜度不斷上升，原來依靠人力擴張、經驗判斷和流程堆疊的做法開始顯得越來越吃力。另一方面，平臺回傳的數據持續增加，但數據本身并不會自動轉化為更好的決策。

在 Ady Zhao 看來，最近一年最關鍵的變化在于，大模型的基線能力出現了明顯提升，尤其是在推理、上下文理解和多步規劃方面。AI 因此開始從“你問它答”走向“它能夠自己想、自己做”。這也是 Agentic AI 與以往一類 AI 工具之間最關鍵的區別。

不過，模型能力的提升，只是 AI 進入核心業務的前提，而不是全部條件。對企業來說，更難的部分在于，如何讓這種能力真正變得可控。

按 Ady Zhao 的說法，要讓 AI 真正進入核心業務，至少需要幾層工程化工作同時成立。首先，模型必須具備足夠的業務知識，而不能只停留在通用能力層面；其次，它要能調用數據、查詢系統、執行動作，也就是要通過 API、Skill、MCP Server 等方式裝上“工具”；最后，用業務數據微調模型，它的判斷必須建立在企業真實的業務數據和效果反饋之上，而不只是依賴通用世界知識。

總的來說，技術突破打開了天花板，但真正讓 AI 進入核心業務的，是“模型能力 + 業務知識 + 工具約束 + 數據微調”這一整套工程化的落地方法。

像在易點天下的實踐中，重點并不是把某一個模型本身做得多強，而是讓創意生成、投放執行、數據歸因和后續優化真正連接起來。一個素材表現如何，不是看生成質量本身，而是要回到效果數據中去驗證；隨后，數據再反過來影響下一輪創意方向和預算分配。只有這樣，AI 才不只是“幫忙生成內容”，而是開始在業務中承擔一部分實際責任。

從更廣義的企業應用來看，這其實也是很多 AI 項目能否走出試點階段的關鍵。企業通常并不缺“可用的 AI 功能”，真正稀缺的，是把這些功能串聯成業務系統的能力。

Agent 來了，對原架構有影響嗎？

過去幾年，關于“中臺”的討論已經不像前些年那樣高頻。但企業今天面對的問題并沒有消失：模型越來越多、工具越來越多、部門需求越來越多，如果缺少一個統一底座，系統很快就會重新變得割裂。而在 AI 時代，這一點反而更明顯。

Aodi Zhang 提到，易點天下最早搭建相關平臺時，優先處理的其實就是底座能力，比如模型接入、鑒權、分流機制等。先把基座打通，再讓各個業務部門在此基礎上調用。這樣做的目的，不是為了“平臺化”而平臺化，而是避免每個部門重復接模型、重復做權限管理、重復造輪子。

同樣的邏輯也適用于 Skill 管理。對于知識庫問答這類通用能力，可以由統一體系來建設；而業務經驗和個性化內容，則按照業務單元進行抽象，再疊加到統一底座之上。只有這樣，企業才能在復用與差異化之間維持平衡。

在這個體系里，數據平臺的重要性并沒有下降。易點天下中臺研發負責人兼架構師 Henry He 表示，數據平臺負責分析和反饋，AI 平臺負責提效，而 Agent 的判斷要持續變好，就必須有反饋機制來驗證對錯。只有當數據和 AI 兩套系統真正打通，企業才有機會形成完整閉環。

Ady Zhao 總結道，AI 智能體系統并沒有完全取代原有系統。在 Agent 底座構建上，易點天下結合亞馬遜云科技主導的開源 Agent 開發框架 Strands Agents 能力進行工程化擴展，并持續沉淀自身業務場景的 Agent 體系。隨著業務場景增多，把更多場景封裝成 Skill，持續豐富平臺能力。同時，底層模型能力也在進化，比如上下文記憶、推理壓縮這些能力越來越強，這樣把新能力逐步融入現有架構中，不好的再迭代掉，期間架構在持續演進。

Agent 熱起來之后，另一個常見問題是：它和過去的 RPA 到底有什么本質區別？

對此，Ady Zhao 認為，傳統 RPA 更接近固定腳本和流程編排，它的優勢在于精準和穩定，尤其適用于路徑清晰、規則明確、變化不頻繁的場景。但它的問題也同樣明顯：一旦軟件界面發生變化、按鈕位置調整，腳本往往就需要重寫。

Agent 的不同之處在于，它并不完全依賴預設路徑，而是可以借助圖像識別、目標理解和工具調度來完成任務。在流程更復雜、變化更頻繁的場景里，這種能力會更有價值。

但 Agent 的代價也很現實。Ady Zhao 提到，Agent 會消耗 Token，如果企業希望調度更智能、更穩定，就往往需要使用更強的模型，成本也會相應上升。因此，企業在選擇方案時，最終仍然要回到 ROI，而不是簡單地用“新”替代“舊”。

當 AI 從邊緣場景進入核心業務，安全問題也會立刻變得具體起來。這里涉及的不只是模型本身，還包括數據分級、權限控制、工具開放范圍、調用邊界，以及系統是否具備可觀測性。對于企業來說，一個能夠自主規劃和執行的 Agent，如果運行在黑盒之中，實際上很難被放心接入主流程。

在這方面，Aodi Zhang 的判斷是，風險重點并不在模型微調本身，而在模型選擇和工具管理。比如在處理財務、客戶合同等敏感數據時，會優先使用私有化部署模型；在工具層面，則通過白名單機制管理 Skill，每一項工具都要經過 IT 和安全團隊審核。這樣，即便 Agent 調用出錯，也仍然處在可控邊界之內。

與此同時，企業還需要知道 Agent 做了什么、為什么這么做、在哪一步出了問題。Henry He 提到，在企業級 AI 智能體開發平臺 EC-Agent 中，Amazon Bedrock AgentCore 主要承擔了 Agent 生命周期管理、長期和短期記憶管理、穩定性維護以及成本優化等工作。

在智能體開發上，易點天下采用開源 Agent 開發框架 Strands Agents，使 Agent 的構建與部署效率大幅提升，實現從開發到生產環境的快速落地；在知識和數據接入層面，依托 Amazon Bedrock 知識庫構建 RAG 能力，用來實現基礎模型與內部數據源的連接；在模型層面，選擇 Amazon Nova 模型構建 EC-Agent。

不是替代人，而是分工方式變了

討論 AI 時，一個高頻問題是“它會替代多少人”。但從易點天下落地的實際情況看，更先發生的往往不是崗位數量的變化，而是崗位內部任務被重新切分。哪些部分由系統承擔，哪些部分仍由人負責，決定了 AI 在組織中的真實位置。

在廣告投放場景里，這種變化尤為典型。過去，預算分配、競價調整、素材更換等動作很大程度依賴優化師的經驗。一個優化師能管理多少 Campaign，能否及時發現數據波動、快速處理異常，都會直接影響最終結果。這種模式本質上高度依賴人的注意力和經驗密度。

但如果系統能夠 7×24 小時監控數據，并按照預設目標持續做調整，人的角色就會發生變化。Aodi Zhang 提到，智能投放系統能夠自動完成素材生成、批量投放、實時監控和反饋等環節。按照他的說法，這類系統幾乎可以覆蓋“70 分以下優化師”的大量工作。對組織來說，這并不意味著優秀投放師失去價值，恰恰相反，優秀投放師的角色會進一步轉向設定策略、監督系統、處理復雜例外，并把經驗抽象成可復用的方法。

按 Aodi Zhang 的介紹，易點天下也已經把 Agent 能力持續引入內部運營，包括內部幫辦、問答和調度的企業級 AI 賦能平臺，面向客戶的智能助手。AI 在這里并不是一個獨立產品，而是逐步嵌入日常操作環節，承擔一部分重復性、高頻、標準化的工作。

這也是為什么，一些企業不再把目標簡單定義為“自動化率提高”，而是轉向“每個崗位是否都能擁有一個業務助手”。在 Aodi Zhang 看來，后續更明確的方向，是把已有能力進一步沉淀成以業務為單元的個人助手，為每位員工提供一個相對標準化、能夠先給出七八十分解法的 AI 幫手，再由人去補足個性化和復雜部分。

會議推薦

QCon 全球軟件開發大會·2026 北京站將于 4 月 16 日 -18 日正式舉辦。本屆大會以“Agentic AI 時代的軟件工程重塑”為主題，聚焦 100+ 重磅議題，匯聚來自阿里、騰訊、字節跳動、小米、百度等一線科技企業與創新團隊的技術專家，圍繞 AI 工程化、系統架構與研發模式演進展開深入探討。更多詳情可掃碼或聯系票務經理 18514549229 進行咨詢。

今日薦文

你也「在看」嗎？