麦肯锡：如何真正交付不烂尾的 Agentic AI？ 原创

编辑 | 云昭

关于 Agentic AI，大多数团队都做错了！你的Agent评估方式可能完全是垃圾！

上周，麦肯锡团队基于 50 多个自己牵头的代理 AI 项目，以及市场上的数十个案例，发布了一份现实研究报告《通过代理AI一年实践，总结出六大经验教训》，引起了圈内人士的积极围观和评论。

图片

报告中指出：大多数团队都做错了，并给出了几条避坑心得。

1.别急着造 Agent，先把工作流修好

最大错误是什么？沉迷于你那闪亮的新 AI Agent，却没有解决实际的业务问题。真正聪明的公司不会问“这个 Agent 有多酷？”而是会问：“Sarah 完成整个工作流能快多少？”

• 先绘制痛点图：在写任何一行代码之前，把目标工作流的每个步骤梳理清楚，找出人类浪费时间的地方。
• 为协作而设计：你的 Agent 不是替代人类，而是让人类在特定任务上变成“超人”。
• 编排思维：把 Agent 当作胶水，连接基于规则的系统、分析工具和生成式 AI，创造无缝体验。

2.你的 Agent 评估方式可能完全是垃圾

“上线然后放任不管”只会让用户抱怨“AI 很烂”。把你的 Agent 当作新员工，需要持续的反馈和绩效评估。

• 像命悬一线般构建评估体系：为任务成功率、准确率和偏差检测创建详细的评分标准。
• 让专家参与：领域专家可以为复杂 Agent 写下成千上万条正确输出。
• 监控每个环节：不仅要跟踪结果，还要跟踪每个决策点，这样才能快速调试失败。

3.并不是所有场景都需要 Agent

在你“Agent 化”一切之前，先问自己：“这真的是一个高方差的多步骤决策问题吗？”如果不是，你就是在过度工程化。

• 基于规则 + 结构化数据= 用自动化，不用 Agent
• 非结构化数据 + 简单提取= 用通用 AI 或 NLP，不用 Agent
• 分类 / 预测= 用预测分析或通用 AI，不用 Agent
• 创造性综合 + 判断= 用通用 AI，不用 Agent

1. 多步骤决策 + 高方差= 这才需要 Agent

4.一次构建，永久复用

别再为每个任务造独特的 Agent。聪明的团队会构建模块化 Agent 组件，处理通用操作（比如数据提取、搜索、分析），然后在不同工作流中混合复用。

领先公司会创建带有验证服务、可复用代码模式和共享提示的集中平台。这样能减少 30-50% 的重复开发工作，让团队把精力放在真正推动业务的难题上。

5.人类依然在环中（只是角色改变了）

你的 Agent 会完成惊人的任务，但人类依然不可或缺：监督、处理边缘案例、做最终决策。关键在于明确人类判断在哪些环节最有价值。

• 法务团队依然需要批准 AI 生成的合同分析。
• 保险理赔员依然需要审核复杂的索赔。

魔力发生在你设计的工作流中：人类和 Agent 各自发挥优势，通过直观的可视化界面实现无痛协作，而不是彼此拖累。

6.经济可持续性

投资回报率必须可证明。如果没有成本控制，试点项目消耗资金的速度将超过创造价值的速度。

参考链接：​​https://x.com/aakashg0/status/1969597475762946483/photo/2​​

本文转载自​​51CTO技术栈​​，作者：云昭