为什么AI代理还没真正自动化企业流程？

Thomson Reuters Labs 的 Shirsha Chaudhuri 通过真实的企业一线经验，拆解了“AI 工作流自动化”迟迟难以落地的关键原因。问题不在模型能力，而在连接、可靠性、标准化和人与 AI 的协作方式。

从“人人用大模型”到“重做业务流程”，企业真的走到哪一步了？

这场演讲一开始，Shirsha 就用一种略带自嘲的方式点破了现实：生成式 AI 已经无处不在，但企业流程并没有因此被真正重塑。她回顾了过去几年的企业 AI 演进路径：从 2023 年前后“民主化”使用大模型，让每个员工都能在 Playground 或内部工具中试用；到很快进入 RAG（检索增强生成）和提示工程阶段，用 AI 回答知识密集型问题；再到 2024 年，工具和框架成熟，“Agent”成为新主角。

真正的转折点在于目标的变化。她强调，现在企业追求的已经不是“自动化某一个任务”，而是“自动化整个工作流”。“如果我们只是把旧流程里的每一步都换成一个 agent，那其实是很冗余的。”这句话点出了核心矛盾：AI 能做的事越来越多，但企业仍然在用旧世界的流程设计方式来装新世界的能力。

这并不是 Thomson Reuters 一家的困境。Shirsha 提到，她在班加罗尔、在各种 AI 社区和 meetup 上听到的故事几乎一模一样：技术跑得很快，但流程、组织和决策方式跟不上。

两个熟得不能再熟的流程，却暴露了同一个问题

为了让问题更具体，Shirsha 举了两个典型的企业流程案例。第一个是客服与 IT 支持流程：客户来电，客服用 RAG 查知识库；找不到答案就升级给 IT Ops；再不行进入工程团队做 L3/L4 支持，跑监控、打补丁、做回归测试，直到问题解决、SLA 达成。她几乎不需要解释，台下的人就能自动“补完”哪些步骤已经可以用 AI agent 来做。

第二个案例是内容生产流程：从选题触发、研究、写作，到多轮编辑审核，再到发布和排版。这里同样有大量可以由 AI 参与甚至主导的环节，而且人类天然处在“审批和把关”的位置。

但她刻意停住了。问题不在于“能不能自动化”，而在于“要不要继续沿用同样的流程结构”。她反问道：“这里是不是有什么地方不对？”这正是演讲的第一个重要转折：真正缺失的，不是 agent 数量，而是对流程本身的重新想象。

第一个缺失拼图：连接器，以及那条被忽视的技术鸿沟

在 Shirsha 看来，最现实、也最容易被低估的障碍，是“连接器（connectors）”。她坦言，几乎每一个看似漂亮的 agentic 方案，最终都会卡在“如何接入现有 IT 系统”这一层。

她给出了一组极具冲击力的数据：“71% 的《财富》500 强公司仍在使用主机（Mainframe），全球 68% 的生产级 IT 工作负载仍运行在主机上。”信用卡交易、核心账务系统，很多仍然属于“稳定但古老”的技术栈。这意味着，从主机到 AI agent 的技术跨度，远比从一个微服务到另一个微服务要大得多。

“如果你把技术谱系从 mainframe 拉到 agentic workflow，中间这段怎么连？”这是她口中的“major stumbling block”。没有稳定、可靠、可维护的连接层，所谓端到端自动化只是概念演示。

ROI、可靠性与“零或一”的残酷决策

第二个缺失拼图，是可靠性，以及它背后的 ROI 逻辑。Shirsha 说，这是她在向内部利益相关者推新方案时反复遇到的难题。

在企业视角下，agent 不是一个“加分项”，而是一个“替代项”。“这是一个零或一的决策，”她原话是，“我要么继续付人工成本，要么相信 agent 可以不再需要这些人工小时。”在这种语境下，agent 偶尔犯错并不是小问题，而是商业不可接受的风险。

这也是为什么很多企业在 POC 阶段热情高涨，但一到生产环境就急刹车。模型能力可以通过升级改善，但可靠性、可预测性和责任边界，决定了 agent 是否真的能进入核心流程。

缺的不是工程师，而是愿意一起“重想世界”的人

后面的几个“缺失拼图”，更多指向组织与系统层面。第三是“愿景者”。Shirsha 直言，仅靠 AI 从业者本身，是无法彻底重塑流程的。“你需要领域专家，需要真正懂业务的人，和你一起重想流程。”

第四是标准化：agent 如何构建、打包、部署？在一个成熟的技术生态中，缺乏标准意味着每一次扩展都是一次冒险。

第五是上下文与数据。Agent 的能力取决于它能看到什么，而现实中的上下文分散在日志、工单、聊天记录和各种孤岛系统里。如何关联一次交易在不同系统中的痕迹，本身就是一个工程难题。

她还特别强调了协作式 UX、治理与控制的问题。Agent 是“助手”，不是替代者。哪些步骤必须是确定性的？什么时候人该介入？以及 agent 本身如何演进、如何持续升级能力——这些都还没有标准答案。

总结

这场演讲最有价值的地方，不在于提出了多少新技术名词，而在于它诚实地揭示了一个事实：AI 工作流自动化的瓶颈，已经不再是模型能力，而是连接现实世界的能力。连接器、可靠性、标准化、人与 AI 的协作方式，这些“不性感”的问题，才是真正决定 agent 能否落地的关键。对企业和创业者来说，下一阶段的竞争，很可能就在这些被忽视的拼图上。

关键词： AI Agent， 工作流自动化， 企业AI， 连接器， AI治理

事实核查备注： 演讲者：Shirsha Chaudhuri（Thomson Reuters Labs）；数据：71% 的 Fortune 500 使用 Mainframe，68% 的全球生产工作负载运行在 Mainframe；技术名词：RAG（检索增强生成）、AI Agent、Prompt Engineering、Mainframe；时间线：2023 年生成式 AI 民主化，2024 年 agent 兴起。