AI能力突飞猛进，但在落地企业真实业务场景时，却常常显得力有不逮，这是企业AI的矛盾之处。
过去两年，大量企业已完成首轮AI部署，接入大模型、搭建知识库、配置AI助手，甚至为员工打造数字分身，但这些尝试多数仍停留在知识问答、文案生成、会议纪要等外围环节，距离真正进入企业生产系统，还有一定的距离。
“企业AI落地过程中遇到的一个很大困难，是怎么对接客户已有的老系统。”腾讯云副总裁吴运声观察到，随着Agentic Loop能力增强，一些过去难以实现的任务已具备技术基础，企业AI的瓶颈也随之从模型能力转向系统连接，大量数据和业务流程仍沉淀在OA、CRM、ERP等存量系统中，部分系统既缺少成熟的MCP或API接口，也难以被企业智能体直接调用。
7月18日，在2026世界人工智能（885728）大会（WAIC）期间，腾讯云正式发布智能体开发平台ADP 4.0海外版，并介绍了企业级智能体的落地进展。作为腾讯云面向企业推出的AI应用开发、运营与管理平台，ADP覆盖智能体的构建、连接、分发与治理，并支持通过API和SDK无缝接入OA、CRM、ERP等现有业务系统。
与主要服务于个人或员工办公提效的AI助手不同，腾讯云ADP定位于更底层的平台角色，帮助企业构建、发布和管理智能体，并将其深度嵌入原有业务系统，打造覆盖智能体全生命周期（883436）的AgentOps平台。
在发布会上，吴运声阐述了腾讯云对企业级智能体落地路径的理解：企业级智能体不是比谁搭得更快，而是看谁能更稳定、安全、可持续地运行在业务现场，形成持续创造价值的运营体系。
随着AI进入产业深化落地阶段，市场需求正从知识增强转向执行能力增强：企业需要的不再只是AI算力、模型和知识库，还包括智能体构建、业务系统连接、权限治理与运行评估等端到端能力。腾讯云ADP所切入的，正是企业将模型能力转化为业务执行能力的关键环节。
“人人有助手”后，企业AI进入流程
企业对AI智能体（886099）的采用不仅是覆盖面在迅速扩大，应用深度也在不断加深，AI正在重塑个人工作方式、团队协作模式乃至组织构建与交付产品的能力。
超级助手、个人智能体和AI办公产品不断出现，产品形态也越来越相似：用户输入一句话，AI可以搜索资料、制作PPT、分析文件，甚至调用多个工具完成复杂任务。
吴运声告诉我们，智能体仍处于发展早期，各类产品的边界尚未完全固化，从企业客户的实际需求看，面向员工提效的AI助手与进入生产流程的企业智能体，已呈现出不同的发展路径：前者聚焦个人工作效率，后者则进一步将AI嵌入组织经营和业务流程。
腾讯内部同样形成了多个面向不同场景的智能体产品。元宝侧重日常问答与任务执行，CodeBuddy服务代码开发，WorkBuddy面向办公和员工提效，ADP则主要面向企业，用于构建可以统一管理并接入业务系统的生产级智能体。
这些产品的能力虽存在一定交叉，但面向员工提效的AI助手与进入生产流程的企业智能体，所需解决的核心问题并不相同，前者可以容忍一定的不确定性，而企业生产系统往往不允许模型依靠概率输出结果。
以钢铁（850106）贸易为例，同一笔订单，有人输入订单号，有人输入公司名，还有人会在一次对话中同时询问库存、发票和物流状态。智能体需要理解这些不同表达，但在进入实际业务系统后，执行过程必须高度确定。
尤其涉及订单、合同、财务和发票时，系统不能依靠大模型自行生成答案，而是要依次完成参数抽取、身份验证、权限校验、接口调用和结果返回，任何一个环节出现错误，都可能带来经营风险。
企业原有的IT系统，也成为智能体落地必须跨过的一道门槛。
过去的ERP、CRM和OA主要为人设计：界面给人看，按钮由人点击，结果也由人判断。但在Agent时代，这些系统还要考虑如何被Agent读取和调用。大多数企业不会为了应用智能体而彻底推倒原有系统，更现实的路径是对存量系统进行适配和改造。未来，原有业务系统与智能体将长期共存：一部分Agent生长在ERP、CRM等系统内部，另一部分中央智能体则通过调用多个系统，完成跨部门、跨流程任务。
腾讯云ADP的一个重要的能力，就是把智能体和企业业务系统深度打通。企业通过ADP平台把Agent建好后，可以通过 API 或 Web 接口，集成到企业现有的系统，比如OA、CRM、SCRM、工单、巡检等，让 Agent 能力作为业务流程中的一个智能节点被直接调用。同时，也可以发布到企业微信、微信、钉钉，以及ADP 为企业准备的智能体门户Agent Portal 等渠道，既服务内部员工，也服务客户和合作伙伴。
企业还需要重新整理业务数据和组织经验。
最终，企业需要重新梳理业务流程，了解哪些环节适合交给AI，哪些环节必须由人确认，哪些任务可以接受一定的灵活性，哪些任务必须严格按照流程执行。
要聪明，更要可靠
企业智能体要进入生产环境，首先要解决两个问题：一是能不能理解开放、复杂的业务需求，二是能不能按照确定的规则把任务执行完成。
大模型更擅长解决前一个问题，用户直接通过自然语言描述需求，由模型识别意图、拆分任务并提取参数，但在订单、财务、物流和审批等场景流程中，理解需求只是第一步，后续执行不能依赖模型临时生成，而要按照固定流程完成权限校验、接口调用和结果返回。
这也是ADP 4.0中重点强化了Agent与Workflow（工作流）协同的核心原因。通过Agent与Workflow之间的双向调用，既保留了自然语言交互的灵活性，又保障了业务流程执行的确定性。
以订单查询为例，员工可能输入订单号，也可能输入客户名称，甚至在一句话中同时询问订单、发票和物流状态。Agent负责识别用户意图、拆分多个问题并提取查询参数；进入业务系统后，则由Workflow完成身份验证、权限判断、接口调用和结果组织。
这种组合试图避免两类问题：一方面，Agent不需要凭空生成业务数据；另一方面，Workflow也不必预先穷举员工可能提出的所有自然语言问题。
此外，根据不同场景，ADP还提供了标准模式、单工作流模式（Workflow）、多智能体模式（Multi-Agent）、Claw模式四种应用模式。
四种模式分别对应不同复杂度和确定性的企业任务：标准模式主要用于搭建知识问答和单一任务型智能体；Workflow适用于审批、工单和售后等已经固化的标准流程；Multi-Agent可以让多个智能体分别承担检索、分析、计算、风控和内容生成任务；Claw模式则允许智能体在云端沙箱中自主规划、编写和运行代码，并调用企业内部的Skill、插件、知识库及连接器。
这些模式对应的是企业业务的不同确定性，开放程度越高、需要自主判断的任务，越适合交给Agent；规则越明确、风险越高的环节，就越需要使用Workflow进行约束。
越来越多企业开始计算AI投入和Token成本，也在推动智能体走向更精细的管理。
吴运声表示，企业正越来越关注Token成本，并开始使用不同模型处理不同任务。相对模糊的环节交由Agent处理，往往需要消耗更多Token，确定性较高的任务则可通过Workflow执行，减少模型的反复规划和调用。
最后，进入企业生产环境后，智能体还要解释任务是如何完成的。
个人使用AI生成一段文字，即使结果不理想，还可以重新修改，而企业智能体一旦获得系统权限，错误调用接口、访问越权数据或者执行存在风险的Skill，则可能带来数据泄露和业务损失。
因此，企业不仅要看到智能体最终输出了什么，还要知道它读取了哪些数据、调用了哪些模型和工具、经历哪些步骤，以及由谁发起了这次操作。
“对企业来讲，智能体到底是怎么做的，具体是怎么一步一步完成的，是需要面临审计的，”吴运声说，“智能体可以访问什么，哪些不能访问，这些都很重要。”腾讯云ADP可以支持Agent全链路运行观测、调用审计和效果评测，企业可以在后台查看智能体由谁使用、调用了哪些能力，并据此调整权限、模型和工作流。
下一步，帮客户把AI能力变成收入
一家企业是否真正进入AI生产阶段，最直接的判断标准并非部署了多少智能体，而是这些智能体实际完成了多少业务任务，并带来了多少可量化的业务回报。
找钢网自2024年前后开始与腾讯云探索企业智能体。最初的产品是知识库问答机器人，主要回答企业制度和业务规则。随着模型、工作流和工具调用能力提升，双方逐步将智能体引入订单、物流、财务、仓库、发票和文档处理等环节。
目前，找钢网已基于ADP搭建十余个数字员工。员工可以在企业微信中直接提出问题，系统在后台调用Agent、RAG、Workflow、Skill以及企业内部系统，完成从理解问题到返回结果的完整流程。
例如，AI可以帮助销售人员接单、查找库存、录入报价单和销售单，但能否最终开单，仍由人工判断。
找钢网CTO张晓坤告诉我们，找钢网曾一度希望将部分交易环节完全交给AI，但实践后发现，全自动化并非最佳方案。完全依赖AI的系统应对业务变化的能力较弱，更现实的路径是将明确、稳定的任务交给AI，关键环节仍由人工参与。
张晓坤介绍，找钢网为部分交易员配置了四块屏幕，其中两块用于真人操作，另外两块展示AI分身处理客户和订单的过程。
据找钢网测算，在售前找货和报价等部分环节，AI辅助可将处理效率提升10至20倍。张晓坤表示，公司将效率提升后释放的组织能力用于探索新业务，并进一步发展面向产业上下游的科技板块。
找钢网正在把内部使用成熟的数字员工打包成行业模板，通过订阅方式提供给钢铁（850106）贸易企业，并尝试向化工（850102）等行业复制。
进一步来看，张晓坤表示，如果产业上下游企业也使用数字员工，它们可以直接与找钢网的数字员工互动和交易，形成类似“Agent to Agent”的模式。目前，找钢网已将内部使用的数字员工产品化，并尝试以订阅方式向产业上下游企业输出。
相似变化也出现在其他行业。
迈瑞医疗（300760）基于ADP融合其全系产品知识体系以及5000多份临床文档与设备语料，搭建医疗技术服务大模型。工程师上传设备报警界面后，系统可以识别故障代码、定位原因并给出处置建议，比如问“心电监护仪报错E03怎么处理？”时，平台系统通过RAG检索增强，从海量非结构化文档里精准定位、毫秒级返回，准确率超过90%。
目前，迈瑞设备已覆盖全球190多个国家和地区，其“瑞智服”平台支持100多种语言，由同一套知识体系和大模型提供服务，将总部专家经验转化为标准化的智能服务。
在酒店行业，华住（HTHT）与腾讯云联合打造酒店全能智能体管家"华小AI"，基于ADP协同搭建了38条工作流，覆盖152个客服子场景，可自动处理超70%的高频客服问询，目前已经在10000多家门店实现落地应用，至今累计已执行近150万次任务。
事实上，尽管所处行业不同，上述案例的共同点是，智能体已经从企业系统外的问答工具进入具体业务流程，通过读取数据、调用工作流和交付任务结果，把AI能力转化为业务价值。
实际上，企业AI进入生产流程并不容易。云厂商正加速把模型、开发工具和行业经验打包成一站式平台，并同步强化知识库、工作流、工具调用和智能体编排能力，随着基础功能逐渐趋同，竞争焦点已转向谁能更快接入客户现有系统、沉淀行业模板，并让智能体实现长期稳定运行。
腾讯云的优势在于连接，企业微信、腾讯会议、腾讯文档、乐享知识库和WorkBuddy等产品，构成腾讯进入企业场景的既有入口与协同生态，但对于跨越老旧IT系统、数据孤岛和复杂权限管理难题，仍然需要大量工程与行业经验。以此来看，企业智能体走出“聊天框”只是第一步，从能回答走向能执行，需要解决系统连接、流程约束和安全治理等问题，最后实现投资回报，仍需接受真实业务的长期检验与迭代。
