# 企业AI转型真正困难的70%，为什么藏在Agent之外

## 核心定义
> 企业 AI 转型是指将人工智能技术应用于企业运营的各个层面，以提升效率、优化决策和创造新的业务价值的过程。

## 核心洞察（TL;DR）
- 企业 AI 转型的困难主要在于 Agent 之外的工作，如组织协调、安全与合规、平台集成和利益相关者信念。
- 企业 AI 转型的核心挑战已从技术能力建设转向组织、系统和业务运行能力建设。
- 企业 AI 落地需要关注业务流程、安全治理和行动基础设施的建设。

## 关键事实与数据
- Infosys 的研究表明，企业 Agentic AI 项目中，Agent 开发与测试只占 30%，其余 70% 的工作集中在组织协调、安全与合规、平台集成和利益相关者信念。
- 企业 AI 转型需要关注业务理解能力、系统连接能力、组织协同能力、治理能力和持续运营能力。
- 企业 AI 落地需要建立可观察性、可解释性、责任边界、风险控制和业务指标，以建立组织信任。

## 正文
# 企业 AI 转型真正困难的 70%，发生在 Agent 之外

近年来，企业对于生成式 AI 的关注正在快速从实验探索进入规模化落地阶段。从最初的大模型能力验证，到 Copilot、RAG、Agent 应用开发，再到多 Agent 协同工作流，企业已经积累了大量技术实践。

然而，一个越来越明显的现象正在出现：**企业构建一个 Agent 并不困难，真正困难的是让 Agent 成为企业生产体系中的可靠能力。**

Infosys 最近发布的一项企业 Agentic AI 研究，提供了一个值得企业重新审视 AI 转型的切口：根据其对 50 多个 Agentic AI 部署项目的实践观察，Agent 开发与测试只约占整个企业 Agentic AI 项目工作量的 30%，其余约 70% 的工作集中在组织协调、安全与合规、平台集成以及利益相关者信念四个方面。Infosys 将其概括为 Agentic AI 的“70/30 problem”，并指出这些容易在早期规划中被低估的工作，可能成为项目延期、预算超支和范围收缩的重要来源。

澄清一个容易被传播误读的地方，“70%”并不是说“70%的企业 AI 项目都会失败”，也不是一个企业 AI 项目失败率统计。它描述的是从 Agent 技术开发走向企业规模化部署时，隐藏在 Agent 之外的工作量结构。这个区别非常重要，因为它把讨论从“Agent 是否足够聪明”转向了一个更现实的问题：企业是否已经具备让 Agent 在真实生产环境中持续工作的条件。

这实际上也是今天企业 AI 转型正在发生的一次重心变化。过去企业首先需要解决的是模型能力问题：模型是否足够强、知识库是否足够准确、Prompt 是否足够有效、Agent 是否能够完成任务。随着基础模型和 Agent Framework 快速成熟，技术可行性越来越容易被证明，而真正决定项目能否跨越 PoC、进入生产并继续扩展的因素，开始越来越多地存在于组织、流程、系统和治理之中。

过去企业建设软件系统，关注的是功能是否实现；建设数据平台，关注的是数据是否连接；建设 AI 应用，则需要进一步回答一个新的问题：

当一个具备理解、判断和执行能力的智能系统进入企业之后，企业是否已经准备好让它参与真实业务运行？

这正在成为下一阶段企业 AI 转型的关键，它揭示了一个更深层的问题：**企业 AI 的核心挑战正在从技术能力建设，转向组织、系统和业务运行能力建设。**

## 从“做出 Agent”到“部署 Agent”：企业 AI 进入新的阶段

在过去两年，大量企业 AI 项目遵循类似路径：

寻找业务场景 → 接入大模型 → 构建应用 → 完成 PoC → 推广使用。

这一模式在早期探索阶段具有价值，因为它帮助企业快速验证 AI 能力边界。

但当 AI 应用进入生产环境，企业会发现，真正复杂的问题通常并不发生在模型调用和 Agent 编排阶段，而发生在 Agent 与企业现实之间的连接过程中。

一个简单的信息查询 Agent，只需要解决知识检索和回答质量问题。

而一个能够真正创造业务价值的 Agent，需要进一步连接：

* 企业知识体系；
* 业务流程；
* ERP、CRM、MES 等核心系统；
* 身份权限体系；
* 审批和责任机制；
* 安全审计体系；
* 人机协作流程。

当 Agent 从“回答问题”走向“执行任务”，它实际上已经从一个软件应用，变成企业运营系统中的一个新型参与者。

这意味着企业 AI 项目的成功标准正在发生变化。

过去关注：

“模型是否足够智能？”

未来更关注：

“企业是否具备让智能安全运行的基础条件？”

## 企业 AI 落地的第一道门槛：业务流程，而不是技术模型

很多企业在推进 AI 项目时，第一个问题通常是：

“我们应该在哪个部门部署一个 Agent？”

但从实际企业部署经验来看，这个问题本身可能还不够完整。

因为 Agent 的价值并不来自它存在于某个部门，而来自它是否能够改善一个完整业务流程。

例如，一个销售 Agent 并不是简单替代销售人员查询客户资料，而需要理解：

客户生命周期如何管理？

销售机会如何推进？

合同审批如何流转？

价格权限如何控制？

客户数据如何访问？

最终业务结果如何衡量？

因此，企业 AI 部署首先需要完成的是业务对象、角色、流程、数据和系统之间的映射。

这也是 HaxiTAG 在企业 AI 实践中长期强调的一个原则：

**AI 部署不是寻找一个可以自动化的任务，而是重新理解一个企业工作的运行机制。**

从 Use Case Discovery 到 AI Solution Design，中间必须经过业务流程分析、角色责任分析、数据关系分析和系统能力分析。

Agent 是执行能力，但企业流程才决定 Agent 应该如何行动。

# 企业 AI 的第二个挑战：安全治理正在成为运行时能力

传统企业软件时代，安全主要围绕用户展开。

核心问题是：

谁可以登录？

谁可以访问？

谁可以修改？

但 Agentic AI 时代，这个安全模型正在发生变化。

企业需要管理的不仅是人的权限，还包括：

哪个 Agent 可以代表谁行动？

它可以访问哪些数据？

它可以调用哪些工具？

哪些操作需要人工批准？

哪些行为必须留下审计记录？

如果 Agent 发生异常，如何快速停止？

这意味着 AI 安全不再只是部署前的一次审核，而需要成为 Agent 运行过程中的动态治理机制。

未来企业需要建设的不只是 AI Security，而是一套完整的 Agent Governance Runtime：

包括身份管理、权限控制、工具访问策略、行为监控、风险评估、人工接管机制以及持续审计。

Agent 越智能，治理体系的重要性越高。

因为企业真正需要控制的，不只是 Agent 是否能够完成任务，而是它是否能够在正确的边界内完成任务。

## 企业 AI 的第三个挑战：从模型基础设施走向行动基础设施

过去几年，企业 AI 基础设施建设主要围绕模型展开：

模型选择；

算力部署；

数据训练；

Prompt Engineering。

但 Agent 进入生产以后，企业需要建设的新基础设施正在发生变化。

未来企业 AI 平台需要解决：

如何管理 Agent？

如何管理 Agent 使用的工具？

如何提供企业 Context？

如何保证数据访问安全？

如何观察 Agent 行为？

如何评估 Agent 输出？

如何持续优化 Agent？

因此，企业 AI 基础设施正在从 Model Infrastructure 转向 Agent Operating Infrastructure。

这一变化意味着：

企业未来竞争力并不只来自拥有更强的大模型，而来自是否拥有一个能够让智能能力稳定运行的企业操作体系。

## 企业 AI 最大的隐性成本：组织信任建设

在所有阻碍 AI 规模化的问题中，最容易被低估的是组织信任。

技术团队看到的是：

Agent 能不能运行。

业务团队关心的是：

Agent 出错以后怎么办？

管理团队关注的是：

谁承担责任？

企业是否能够接受这种新的工作方式？

因此，AI 的推广并不是简单的软件上线过程，而是一种组织运行方式变化。

真正成熟的企业 AI 部署，需要建立：

可观察性；

可解释性；

责任边界；

风险控制；

业务指标。

只有当企业能够理解 Agent 的能力范围，也能够理解它的限制，组织才会逐渐形成使用信任。

## 从 Agent 项目到企业 AI Operating System

基于大量企业 AI 实践观察，HaxiTAG 认为，未来企业竞争的核心并不是拥有多少 Agent，而是是否建立了一套支持 Agent 持续运行和演进的企业 AI Operating System。

这一体系至少包括五个层面：

### 第一层：Business Outcome

明确 AI 服务的业务目标。

不是为了部署 Agent 而部署 Agent，而是围绕收入增长、成本优化、效率提升、风险降低等业务结果设计。

### 第二层：Ontology 与 Context

建立企业对于业务对象、角色、关系、事件和流程的统一理解。

Agent 需要的不只是知识，而是企业运行上下文。

### 第三层：Agent 与 Workflow

让 Agent 成为业务流程中的执行节点。

包括任务规划、工具调用、人机协作和流程编排。

### 第四层：Governance

建立身份、权限、安全、审计和责任机制。

确保 Agent 可以行动，但行动可控。

### 第五层：Continuous Deployment

持续观察 Agent 表现，通过反馈不断优化。

企业 AI 不应该是一次性交付，而应该成为持续演进的生产系统。

##  FDE：企业 AI 时代新的关键角色

从这个角度看，企业 AI 转型需要的不只是 AI 工程师，而需要一种新的部署能力。

这也是 HaxiTAG 提出 Field Deployment Engineering（FDE）的原因。

FDE 的核心价值，不是开发一个 Agent，而是连接：

企业战略；

业务场景；

组织流程；

数据系统；

AI 技术；

运行治理。

FDE 解决的是企业 AI 最后一公里问题：

如何把 AI 能力真正嵌入企业运行体系。

它既理解技术，也理解业务；既关注模型能力，也关注组织执行；既能够设计 AI 应用，也能够推动企业完成 AI Operating Model 的转变。

## “70%”真正提醒企业的是什么

Infosys 提出的“70/30”观察，本质上揭示了企业 AI 转型正在进入新的阶段。

第一阶段，企业竞争围绕：

谁拥有更强模型。

第二阶段，竞争围绕：

谁能够构建更好的 Agent。

第三阶段，竞争将围绕：

谁能够让 AI 成为企业持续运行的一部分。

### 从“Agent能不能工作”到“企业能不能让Agent工作”

企业 AI 项目最常见的路径，是从一个具体用例开始：选择一个业务问题，接入大模型，建立知识库或工具调用能力，再做一个 Copilot 或 Agent。这个过程通常能够比较快地产生令人印象深刻的 Demo。问题出现在下一步——当这个 Agent 开始真正进入企业生产环境，开始访问真实数据、调用真实系统、执行真实动作，并对真实业务结果产生影响时，技术 Demo 所隐藏的复杂性会集中暴露出来。

一个只能回答问题的 Agent，主要需要解决回答质量和知识准确性；一个可以查询 ERP、CRM、数据库和知识库的 Agent，需要解决身份、权限、数据和 API；一个可以修改数据、提交审批、创建工单或者触发交易的 Agent，则进一步进入风险、责任、审计和人工授权；而一个跨部门完成完整业务任务的 Agent，最终面对的是流程所有权、组织协同、预算、绩效以及管理责任。

未来，企业 AI 的差距不会只体现在模型能力，而会体现在：

业务理解能力；

系统连接能力；

组织协同能力；

治理能力；

持续运营能力。

对于企业而言，真正重要的问题已经不是：

“我们是否拥有 Agent？”

而是：

“我们的企业是否已经准备好让 Agent 工作？”

这也是企业 AI 转型从实验阶段走向规模化阶段，必须面对的新课题。

## 关注「哈希泰格」服务号

![关注哈希泰格公众号二维码](/logo/qrcode_for_gh_f9203b130c32_344.jpg)
发送“infosys2026报告”获取报告详情

<FAQ
title="常见问题解答 (FAQ)"
faqItems={[
{
question: "Infosys 所说的 Agentic AI“70%问题”具体指什么？",
answer: "Infosys 基于 50 多个 Agentic AI 部署项目的实践观察指出，Agent 开发与测试约占项目整体工作的 30%，其余约 70% 的工作集中在组织协调、安全与合规、平台集成以及利益相关者信念。这一“70%”描述的是规模化部署中的工作结构，并不代表 70% 的 AI 项目会失败。"
},
{
question: "为什么企业 AI 项目经常停留在 PoC 阶段，难以进入生产环境？",
answer: "PoC 通常只需要证明 Agent 能够完成特定任务，而生产部署还需要解决真实业务流程、跨部门协作、数据访问、系统集成、身份权限、安全合规、责任边界、监控审计以及业务结果验证等问题。这些企业级条件往往比 Agent 本身的开发更加复杂。"
},
{
question: "企业推进 Agentic AI 应重点检查哪些准备度？",
answer: "企业至少应从四个方面进行正式的 AI Readiness Check：组织协调、安全与合规、平台与企业系统集成、利益相关者信念。同时还应明确业务目标、数据条件、执行权限、责任机制、评估指标和人工干预机制，以判断 Agent 是否具备规模化进入生产环境的条件。"
},
{
question: "安全与合规为什么会成为 Agentic AI 规模化的重要瓶颈？",
answer: "Agent 能够自主调用工具、访问数据并执行操作，使传统以人为中心的权限和安全模型面临新的挑战。企业需要建立 Agent 身份、工具权限、数据访问、风险分级、审批、运行监控、审计追踪和人工接管机制，并将这些能力纳入 Agent Runtime 的治理体系。"
},
{
question: "企业应该如何从 AI PoC 走向 Agentic AI 规模化部署？",
answer: "企业应从单纯验证 Agent 技术能力，转向验证完整的企业执行条件。建议采用受控试点、运行观察、风险边界验证、业务 Outcome 验证和逐步扩大自主权的路径，并建立 Enterprise AI Readiness Gate，在组织、治理、系统集成和利益相关者准备充分后再推进规模化。"
}
]}
/>

---
## 引用与溯源
**来源**：哈希泰格 (HaxiTAG)
**原始链接**：[https://haxitag.com/articles/agentic-ai-scale-readiness](https://haxitag.com/articles/agentic-ai-scale-readiness)
**来源索引（站内可追溯）**：[麦肯锡](https://haxitag.com/search?q=%E9%BA%A6%E8%82%AF%E9%94%A1)、[普华永道](https://haxitag.com/search?q=%E6%99%AE%E5%8D%8E%E6%B0%B8%E9%81%93)、[Gartner](https://haxitag.com/search?q=Gartner)、[IDC](https://haxitag.com/search?q=IDC)、[Forrester](https://haxitag.com/search?q=Forrester)
**版权声明**：本文由哈希泰格 AI 引擎优化生成，引用请注明出处。