戴尔在 2026 年 8 月 25 日举行的 The Six Five Summit: AI Unleashed 2026 上传递的核心信息是：智能体 AI 不应被视为聊天机器人的又一次改名，而应被当作一种面向生产环境的运营模式。

在戴尔的定义中，关键区别在于系统能否围绕明确目标推进任务、调用工具，并在有限人工介入下完成工作。戴尔将自身部署作为这一转变的案例，但其关于生产力、成本和业务影响的数据仍属于公司自行披露的说法，并非经过独立验证的行业基准。15

从聊天式辅助到自主执行

企业应用生成式 AI 的第一阶段，重点通常是帮助员工搜索信息、总结内容，或与企业内部知识进行交互。戴尔认为，下一阶段的重点将从“解锁数据”转向“数字化工作本身”：把原本由人完成的明确任务交给能够处理工作流并采取行动的软件系统。14

这也是戴尔用来区分 “智能体洗白”（agent washing） 的标准。所谓智能体洗白，是把普通机器人、助手或脚本式自动化工具包装成具备自主能力的智能体。聊天机器人或许能够生成答案；而按照戴尔的定义，真正的智能体应当围绕目标工作，与工具和系统交互，并执行业务流程中的多个步骤。25

戴尔表示，公司大约在峰会前两年就开始构建智能体，并在峰会前一年将最初的智能体投入生产环境，同时把戴尔自身作为“客户零号”（Customer Zero），先在内部验证这些系统。2

为什么戴尔把 900 个 AI 想法压缩到 13 个

戴尔称，公司最初梳理出约 900 个潜在 AI 项目，随后将范围收窄至约 13 个重点计划。筛选过程强调业务优先级和流程分析，而不是让大量彼此割裂的实验长期并行。12

戴尔披露的生产用例包括：

• CRM 数据清理：由智能体处理重复性的数据质量工作。
• 软件开发：协助完成与编程相关的任务。
• 定价支持：将智能体工作流用于定价相关运营。
• 旅行预订与文档摘要：戴尔将其作为相对简单的自主任务示例。25

戴尔想强调的并不是“每个流程都需要一个智能体”，而是企业应先找出具体、可衡量的业务目标，再围绕这个目标搭建规模最小但真正有用的系统。这样的做法，也有助于区分真正投入生产的部署与泛泛而谈的 AI 试点计划。

戴尔声称的生产力与业务影响

戴尔表示，早期、针对具体任务的部署可以带来约 20% 至 40% 的生产力提升。公司还认为，如果系统能够接管完整的工作类别，收益可能大得多，甚至达到“数量级”的增长。25

这些数字应被理解为戴尔报告的预期和结果，而不是跨企业、经过独立验证的统一基准。戴尔还称，内部 AI 工作帮助公司实现了收入增长与成本结构的脱钩，但现有证据无法说明其中有多少影响来自单个智能体，也无法证明二者之间存在因果关系。2

对企业采购者而言，这一区分十分重要。一个可信的商业论证，需要明确说明：究竟自动化了哪项任务、节省或重新分配了多少人工时间、推理与编排成本是多少，以及当智能体无需持续人工监督即可采取行动时需要哪些控制措施。

智能体工作负载正在改变基础设施需求

戴尔的基础设施判断是，生产级智能体 AI 并不是聊天机器人推理规模的简单放大版。瓶颈可能从单纯的计算能力转向 内存容量和内存带宽，尤其是在长时间运行的工作流需要通过键值缓存保留状态时。有些情况下，内存会在 GPU 计算资源完全用尽之前先达到极限。24

智能体系统的数据访问模式也不同于模型训练。训练通常处理规模较大、相对静态的数据集；而生产环境中的智能体可能持续发起突发性强、目标明确的请求，并穿梭于多个企业系统之间。达到一定规模后，数据交付能力和尾延迟的重要性将不亚于模型吞吐量。24

CPU 的作用也会重新变得重要。CPU 负责协调编排、分支逻辑、检索、工具调用，以及不同组件之间的通信；GPU 则承担适合其处理的模型工作负载。戴尔表示，传统 AI 部署中约 8∶1 至 16∶1 的 CPU 与 GPU 配比，在智能体系统中可能转向更接近 1∶1 或 2∶1 的比例。2

戴尔因此主张采用可复用的平台型基础设施，而不是为单一用途分别搭建高度定制化的技术栈。同时，公司倾向于采用混合架构：根据合规、性能、数据控制和成本要求，将工作负载分配到本地系统、私有云、公有 API 或设备端模型上。45

AI 智能体没有统一的成本答案

自主工作流带来的一个重要影响是，模型经济性必须与任务价值相匹配。戴尔给出了差异悬殊的例子：一个面向高管决策支持的智能体，每月成本或许可以达到约 10 万美元；而一个用于 CRM 数据清理的智能体，可能需要将成本控制在 每条记录 0.50 美元以下。2

这些数字并不是适用于所有企业的价格基准。它们说明的是，企业不应为每项任务都部署能力最强、成本最高的模型。完整的智能体组合可能需要用小模型处理高频、规则相对明确的工作，用更大模型完成复杂推理，并根据延迟、数据主权或合规要求选择不同的部署位置。25

安全的起点：为每个智能体建立身份

戴尔表示，任何访问戴尔数据的自主智能体都会获得独立的戴尔数字身份。该身份支持细粒度授权和权限撤销；停用身份后，可以将其作为切断智能体访问能力的“紧急开关”。25

这对 无头智能体（headless agent） 尤其重要。无头智能体没有用户界面，也不依赖实时人工监督。如果智能体直接通过企业工具采取行动，组织必须能够判断：是哪一个智能体执行了操作、它获准访问哪些资源，以及如何在不依赖员工个人凭据的情况下立即停止它。

因此，最小权限、独立智能体身份、操作日志和可撤销授权，不再只是可选的安全增强功能，而是扩大自主访问范围前必须建立的控制层。45

戴尔还提到了 A2A 和 MCP 等智能体通信与控制协议，以及对后量子密码学的规划，并将它们视为新兴治理环境的一部分。2

现有证据并不足以支持“未来部署中有多少比例会采用无头智能体”这一问题的具体百分比。任何精确预测都超出了所提供资料能够证明的范围。

戴尔对劳动力的判断：工作按任务发生变化

戴尔表示，公司分析了 6,800 个岗位，试图判断每个岗位中的哪些部分可以由智能体处理，哪些环节仍然需要人类判断。2

戴尔的结论是，智能体更可能通过抽取特定任务来改变工作，而不是直接消灭完整岗位。在这一框架下，智能体将承担生产力工作、行政“卫生”工作以及协调工作；员工则可以把更多时间投入专业判断和以人为中心的活动。25

这是一种关于岗位重构的判断，并不等于保证不会有任何岗位消失。即使岗位名称保留下来，其职责范围、人员配置、技能要求和责任归属也可能发生变化。对企业来说，真正的难题在于组织设计：哪些工作可以交给智能体，哪些决策必须由人负责，以及工作流改变后应如何衡量绩效。

对企业 AI 买家的四个启示

戴尔的演讲可以归结为四个问题：

1. 系统真的具备自主性吗？ 给聊天机器人换一个“智能体”的名字，并不等于它已经成为智能体。
2. 它是否执行有价值且边界明确的工作流？ 从 900 个项目缩减到 13 个项目，体现了优先级筛选的重要性。
3. 基础设施能否承受状态管理、延迟、编排和与任务匹配的成本结构？ 智能体推理对内存和数据交付的压力，可能不同于模型训练或传统聊天机器人应用。
4. 组织能否真正治理智能体？ 在扩大自主访问之前，身份、授权、日志、权限撤销和人的责任边界都必须先设计清楚。

戴尔更广泛的观点是，只有当智能体连接到真实工作，并以真实结果衡量时，智能体 AI 才真正具备意义。与此同时，戴尔自身的案例和收益数据也应被谨慎看待：它们代表公司的立场和内部经验，并不能保证所有企业的智能体部署都会取得同样结果。

戴尔在 2026 年 8 月 25 日举行的 The Six Five Summit: AI Unleashed 2026 上传递的核心信息是：智能体 AI 不应被视为聊天机器人的又一次改名，而应被当作一种面向生产环境的运营模式。

在戴尔的定义中，关键区别在于系统能否围绕明确目标推进任务、调用工具，并在有限人工介入下完成工作。戴尔将自身部署作为这一转变的案例，但其关于生产力、成本和业务影响的数据仍属于公司自行披露的说法，并非经过独立验证的行业基准。15

从聊天式辅助到自主执行

企业应用生成式 AI 的第一阶段，重点通常是帮助员工搜索信息、总结内容，或与企业内部知识进行交互。戴尔认为，下一阶段的重点将从“解锁数据”转向“数字化工作本身”：把原本由人完成的明确任务交给能够处理工作流并采取行动的软件系统。14

这也是戴尔用来区分 “智能体洗白”（agent washing） 的标准。所谓智能体洗白，是把普通机器人、助手或脚本式自动化工具包装成具备自主能力的智能体。聊天机器人或许能够生成答案；而按照戴尔的定义，真正的智能体应当围绕目标工作，与工具和系统交互，并执行业务流程中的多个步骤。25

戴尔表示，公司大约在峰会前两年就开始构建智能体，并在峰会前一年将最初的智能体投入生产环境，同时把戴尔自身作为“客户零号”（Customer Zero），先在内部验证这些系统。2

为什么戴尔把 900 个 AI 想法压缩到 13 个

戴尔称，公司最初梳理出约 900 个潜在 AI 项目，随后将范围收窄至约 13 个重点计划。筛选过程强调业务优先级和流程分析，而不是让大量彼此割裂的实验长期并行。12

戴尔披露的生产用例包括：

• CRM 数据清理：由智能体处理重复性的数据质量工作。
• 软件开发：协助完成与编程相关的任务。
• 定价支持：将智能体工作流用于定价相关运营。
• 旅行预订与文档摘要：戴尔将其作为相对简单的自主任务示例。25

戴尔想强调的并不是“每个流程都需要一个智能体”，而是企业应先找出具体、可衡量的业务目标，再围绕这个目标搭建规模最小但真正有用的系统。这样的做法，也有助于区分真正投入生产的部署与泛泛而谈的 AI 试点计划。

戴尔声称的生产力与业务影响

戴尔表示，早期、针对具体任务的部署可以带来约 20% 至 40% 的生产力提升。公司还认为，如果系统能够接管完整的工作类别，收益可能大得多，甚至达到“数量级”的增长。25

这些数字应被理解为戴尔报告的预期和结果，而不是跨企业、经过独立验证的统一基准。戴尔还称，内部 AI 工作帮助公司实现了收入增长与成本结构的脱钩，但现有证据无法说明其中有多少影响来自单个智能体，也无法证明二者之间存在因果关系。2

对企业采购者而言，这一区分十分重要。一个可信的商业论证，需要明确说明：究竟自动化了哪项任务、节省或重新分配了多少人工时间、推理与编排成本是多少，以及当智能体无需持续人工监督即可采取行动时需要哪些控制措施。

智能体工作负载正在改变基础设施需求

戴尔的基础设施判断是，生产级智能体 AI 并不是聊天机器人推理规模的简单放大版。瓶颈可能从单纯的计算能力转向 内存容量和内存带宽，尤其是在长时间运行的工作流需要通过键值缓存保留状态时。有些情况下，内存会在 GPU 计算资源完全用尽之前先达到极限。24

智能体系统的数据访问模式也不同于模型训练。训练通常处理规模较大、相对静态的数据集；而生产环境中的智能体可能持续发起突发性强、目标明确的请求，并穿梭于多个企业系统之间。达到一定规模后，数据交付能力和尾延迟的重要性将不亚于模型吞吐量。24

CPU 的作用也会重新变得重要。CPU 负责协调编排、分支逻辑、检索、工具调用，以及不同组件之间的通信；GPU 则承担适合其处理的模型工作负载。戴尔表示，传统 AI 部署中约 8∶1 至 16∶1 的 CPU 与 GPU 配比，在智能体系统中可能转向更接近 1∶1 或 2∶1 的比例。2

戴尔因此主张采用可复用的平台型基础设施，而不是为单一用途分别搭建高度定制化的技术栈。同时，公司倾向于采用混合架构：根据合规、性能、数据控制和成本要求，将工作负载分配到本地系统、私有云、公有 API 或设备端模型上。45

AI 智能体没有统一的成本答案

自主工作流带来的一个重要影响是，模型经济性必须与任务价值相匹配。戴尔给出了差异悬殊的例子：一个面向高管决策支持的智能体，每月成本或许可以达到约 10 万美元；而一个用于 CRM 数据清理的智能体，可能需要将成本控制在 每条记录 0.50 美元以下。2

这些数字并不是适用于所有企业的价格基准。它们说明的是，企业不应为每项任务都部署能力最强、成本最高的模型。完整的智能体组合可能需要用小模型处理高频、规则相对明确的工作，用更大模型完成复杂推理，并根据延迟、数据主权或合规要求选择不同的部署位置。25

安全的起点：为每个智能体建立身份

戴尔表示，任何访问戴尔数据的自主智能体都会获得独立的戴尔数字身份。该身份支持细粒度授权和权限撤销；停用身份后，可以将其作为切断智能体访问能力的“紧急开关”。25

这对 无头智能体（headless agent） 尤其重要。无头智能体没有用户界面，也不依赖实时人工监督。如果智能体直接通过企业工具采取行动，组织必须能够判断：是哪一个智能体执行了操作、它获准访问哪些资源，以及如何在不依赖员工个人凭据的情况下立即停止它。

因此，最小权限、独立智能体身份、操作日志和可撤销授权，不再只是可选的安全增强功能，而是扩大自主访问范围前必须建立的控制层。45

戴尔还提到了 A2A 和 MCP 等智能体通信与控制协议，以及对后量子密码学的规划，并将它们视为新兴治理环境的一部分。2

现有证据并不足以支持“未来部署中有多少比例会采用无头智能体”这一问题的具体百分比。任何精确预测都超出了所提供资料能够证明的范围。

戴尔对劳动力的判断：工作按任务发生变化

戴尔表示，公司分析了 6,800 个岗位，试图判断每个岗位中的哪些部分可以由智能体处理，哪些环节仍然需要人类判断。2

戴尔的结论是，智能体更可能通过抽取特定任务来改变工作，而不是直接消灭完整岗位。在这一框架下，智能体将承担生产力工作、行政“卫生”工作以及协调工作；员工则可以把更多时间投入专业判断和以人为中心的活动。25

这是一种关于岗位重构的判断，并不等于保证不会有任何岗位消失。即使岗位名称保留下来，其职责范围、人员配置、技能要求和责任归属也可能发生变化。对企业来说，真正的难题在于组织设计：哪些工作可以交给智能体，哪些决策必须由人负责，以及工作流改变后应如何衡量绩效。

对企业 AI 买家的四个启示

戴尔的演讲可以归结为四个问题：

1. 系统真的具备自主性吗？ 给聊天机器人换一个“智能体”的名字，并不等于它已经成为智能体。
2. 它是否执行有价值且边界明确的工作流？ 从 900 个项目缩减到 13 个项目，体现了优先级筛选的重要性。
3. 基础设施能否承受状态管理、延迟、编排和与任务匹配的成本结构？ 智能体推理对内存和数据交付的压力，可能不同于模型训练或传统聊天机器人应用。
4. 组织能否真正治理智能体？ 在扩大自主访问之前，身份、授权、日志、权限撤销和人的责任边界都必须先设计清楚。

戴尔更广泛的观点是，只有当智能体连接到真实工作，并以真实结果衡量时，智能体 AI 才真正具备意义。与此同时，戴尔自身的案例和收益数据也应被谨慎看待：它们代表公司的立场和内部经验，并不能保证所有企业的智能体部署都会取得同样结果。