戴尔在 The Six Five Summit: AI Unleashed 2026 上释放出的核心信号是：企业AI正在进入一个新阶段。过去，聊天机器人主要用于搜索信息、总结材料或生成内容；如今，企业开始部署能够真正推进业务流程的智能体。

戴尔称，公司已将约900个潜在AI项目压缩为13项具有明确商业价值的重点计划，并在早期部署中实现了约20%至40%的生产力提升。1

需要注意的是，这些数字来自戴尔自身的经验，并不是全行业统一基准。但它们提供了一个重要观察框架：当AI从试验走向生产执行时，企业究竟需要改变什么。

智能体AI的重点，是“做事”而不只是“答题”

戴尔将第一代生成式AI与智能体系统区分开来。聊天机器人和AI助手可以帮助员工检索企业内部信息、总结文件或生成内容；而智能体系统的目标，是将一项业务流程数字化。它能够分析任务、调用工具、协调多个步骤，并在较少人工干预的情况下完成工作。1

这意味着变化不只发生在模型层面。戴尔表示，要让智能体AI进入生产环境，企业还需要同步调整技术栈、基础设施、治理机制和组织设计。其战略目标，是降低企业可完成的工作量与可用人力之间的直接绑定关系。1

戴尔已经落地的三个场景：CRM、代码和定价

戴尔表示，公司大约用了两年时间开发智能体，并在此前一年将其投入生产环境。目前披露的应用场景包括：

• CRM数据清理： 智能体处理客户记录中的重复性数据质量工作。
• 软件开发： 智能体协助完成常规编码、代码注释以及部分CI/CD流程协调工作。
• 特殊定价： 智能体支持对处理速度和规则一致性要求较高的定价流程。1

这些场景距离“完全自主的企业”仍有差距，但它们说明了流程设计的重要性。真正有用的部署，并不是简单地把一个模型嵌入现有应用，而是建立一条具备明确输入、工具、权限和结果定义的自动化工作流。

为什么要把900个项目缩减到13个？

戴尔称，公司最初面对约900个潜在AI项目，随后将其收敛为约13项重点计划。这些计划根据明确的商业价值进行筛选，并通过自上而下的优先级管理推进。1

这一选择体现了企业AI落地中的一个现实教训：大量实验并不一定能转化为运营优势。戴尔的观点是，企业应把资源集中到能够衡量业务结果的流程上，再围绕这些流程搭建可靠运行所需的基础设施和控制机制。

戴尔将约20%至40%的初期生产力提升归因于针对性助手的部署，并表示，当智能体接管完整的工作类别时，收益可能显著扩大。公司还称，这一聚焦式计划帮助其将营收增长与成本结构脱钩。1

不过，这些仍是公司披露的结果，应被理解为戴尔自身的经验，而不是所有企业都能复制的保证性指标。

警惕“智能体洗白”：不是所有AI功能都能自主工作

戴尔高管约翰·罗泽（John Roese）警告称，不能把每一项AI功能都包装成“自主智能体”。在戴尔的定义中，所谓 “智能体洗白”（agent washing），是指把聊天机器人、能力有限的助手，以及能够自主执行任务的系统混为一谈。1

三者可以这样区分：

• 聊天机器人： 根据提示作答，通常输出信息或内容。
• 面向特定任务的助手： 改进某一项边界明确的工作，但员工仍然密切参与。
• 自主智能体： 能够制定计划、调用工具、协调行动，并在明显减少直接监督的情况下执行完整流程。1

这种区分之所以重要，是因为自主程度越高，出错的代价越大。一份错误的摘要可能只需要人工修正；但如果智能体能够访问企业系统，它可能修改记录、触发后续操作，甚至暴露敏感信息。

生产级智能体会重新定义基础设施需求

Marvell首席执行官马特·墨菲（Matt Murphy）表示，生产环境中的智能体推理，与传统AI训练工作负载面临的基础设施压力不同。智能体可能需要在多次模型调用、大上下文和长时间多智能体交互中，通过键值缓存保存工作流状态。这意味着，内存容量和带宽可能在原始算力之前成为瓶颈。1

墨菲还指出，CPU的重要性会上升，因为智能体系统需要完成流程编排，包括分支处理、检索、工具调用、沙箱执行以及多智能体之间的协调。在相关讨论中，传统AI的CPU与GPU比例约为8至16比1，而智能体工作负载可能转向约1至2比1。1

对企业采购者而言，结论很直接：评估智能体平台时，不能只看模型质量或GPU数量。内存、网络、CPU编排、可观测性，以及重复推理带来的成本，都会决定一条工作流能否在生产环境中成立。

不存在适用于所有智能体的单一架构

戴尔不认同单一模型、单一部署地点的“单一化”路线。公司提出的方案包括本地部署的开放模型、由戴尔托管的前沿模型、受控的虚拟私有云、外部API，以及运行在设备端的模型。具体选择应取决于性能、合规要求、功能和成本。1

经济性同样取决于被自动化的工作类型。例如，高价值的高管决策支持智能体，可能足以支撑较高的月度支出；但高频的CRM数据清理流程则必须把单条记录的成本压到很低，讨论中给出的目标是约0.50美元以下。1

因此，企业不应只问“哪个模型最好”，而应进一步追问：哪个模型、部署位置和自主程度，能够在可接受的成本与风险范围内，稳定实现所需结果？

数字身份将成为自主智能体的控制层

戴尔表示，任何访问其数据的自主智能体，无论来自内部还是外部，都应获得由戴尔签发的数字身份。该身份可以支持精细化授权，并允许企业撤销访问权限，成为一种实际的“紧急停止开关”。1

当智能体不再简单继承用户身份时，安全问题会更加复杂。继承用户身份的智能体以某位员工的凭证开展工作，责任主体相对清晰；而**无头智能体（headless agent）**更加独立运行，因此在归属追踪、权限分配和生命周期管理方面更难控制。根据相关讨论，戴尔预计无头智能体将占未来部署量的约70%。2

戴尔还提到，智能体之间、智能体与工具之间的通信协议，以及后量子安全准备，都是生产级自主系统安全模型的一部分。1

更广泛的启示是：企业应把智能体视为一种软件身份，为其设定明确的负责人、权限范围、审计轨迹和撤销路径，而不是把它当成一个隐形的聊天机器人扩展。

工作岗位会被拆解成一项项任务

戴尔称，公司曾对6800个岗位进行分析，将工作拆分为生产力、事务性维护、协调、专家判断和面向人的工作等类别。其结论是，智能体更可能替代岗位中的部分任务，而不是自动消灭整个职位。1

以软件开发为例，智能体可以承担常规编码、代码注释以及部分交付协调工作；人类则更多投入架构设计、需求理解、判断和客户沟通。1

这并不意味着岗位会原封不动地保留下来。戴尔的核心判断是，随着可自动化任务被逐步抽离，每一个岗位都会被重新塑造，员工将更多承担依赖专业能力、具体语境、判断力和人际关系的工作。

智能体AI能否进入生产环境，关键看四件事

戴尔的立场可以归结为一项严格的生产测试：一个智能体AI项目只有在具备可衡量的业务结果、边界清晰的工作流、可接受的经济性，以及完善的身份、访问权限和故障恢复控制后，才真正具备生产条件。

从900个可能项目收敛到13项重点计划，正好概括了这套策略。智能体AI并不只是更会聊天的界面，而是一种让软件直接完成工作的运营模式。与此同时，基础设施、安全体系和岗位设计，也必须随着模型能力一起演进。

戴尔在 The Six Five Summit: AI Unleashed 2026 上释放出的核心信号是：企业AI正在进入一个新阶段。过去，聊天机器人主要用于搜索信息、总结材料或生成内容；如今，企业开始部署能够真正推进业务流程的智能体。

戴尔称，公司已将约900个潜在AI项目压缩为13项具有明确商业价值的重点计划，并在早期部署中实现了约20%至40%的生产力提升。1

需要注意的是，这些数字来自戴尔自身的经验，并不是全行业统一基准。但它们提供了一个重要观察框架：当AI从试验走向生产执行时，企业究竟需要改变什么。

智能体AI的重点，是“做事”而不只是“答题”

戴尔将第一代生成式AI与智能体系统区分开来。聊天机器人和AI助手可以帮助员工检索企业内部信息、总结文件或生成内容；而智能体系统的目标，是将一项业务流程数字化。它能够分析任务、调用工具、协调多个步骤，并在较少人工干预的情况下完成工作。1

这意味着变化不只发生在模型层面。戴尔表示，要让智能体AI进入生产环境，企业还需要同步调整技术栈、基础设施、治理机制和组织设计。其战略目标，是降低企业可完成的工作量与可用人力之间的直接绑定关系。1

戴尔已经落地的三个场景：CRM、代码和定价

戴尔表示，公司大约用了两年时间开发智能体，并在此前一年将其投入生产环境。目前披露的应用场景包括：

• CRM数据清理： 智能体处理客户记录中的重复性数据质量工作。
• 软件开发： 智能体协助完成常规编码、代码注释以及部分CI/CD流程协调工作。
• 特殊定价： 智能体支持对处理速度和规则一致性要求较高的定价流程。1

这些场景距离“完全自主的企业”仍有差距，但它们说明了流程设计的重要性。真正有用的部署，并不是简单地把一个模型嵌入现有应用，而是建立一条具备明确输入、工具、权限和结果定义的自动化工作流。

为什么要把900个项目缩减到13个？

戴尔称，公司最初面对约900个潜在AI项目，随后将其收敛为约13项重点计划。这些计划根据明确的商业价值进行筛选，并通过自上而下的优先级管理推进。1

这一选择体现了企业AI落地中的一个现实教训：大量实验并不一定能转化为运营优势。戴尔的观点是，企业应把资源集中到能够衡量业务结果的流程上，再围绕这些流程搭建可靠运行所需的基础设施和控制机制。

戴尔将约20%至40%的初期生产力提升归因于针对性助手的部署，并表示，当智能体接管完整的工作类别时，收益可能显著扩大。公司还称，这一聚焦式计划帮助其将营收增长与成本结构脱钩。1

不过，这些仍是公司披露的结果，应被理解为戴尔自身的经验，而不是所有企业都能复制的保证性指标。

警惕“智能体洗白”：不是所有AI功能都能自主工作

戴尔高管约翰·罗泽（John Roese）警告称，不能把每一项AI功能都包装成“自主智能体”。在戴尔的定义中，所谓 “智能体洗白”（agent washing），是指把聊天机器人、能力有限的助手，以及能够自主执行任务的系统混为一谈。1

三者可以这样区分：

• 聊天机器人： 根据提示作答，通常输出信息或内容。
• 面向特定任务的助手： 改进某一项边界明确的工作，但员工仍然密切参与。
• 自主智能体： 能够制定计划、调用工具、协调行动，并在明显减少直接监督的情况下执行完整流程。1

这种区分之所以重要，是因为自主程度越高，出错的代价越大。一份错误的摘要可能只需要人工修正；但如果智能体能够访问企业系统，它可能修改记录、触发后续操作，甚至暴露敏感信息。

生产级智能体会重新定义基础设施需求

Marvell首席执行官马特·墨菲（Matt Murphy）表示，生产环境中的智能体推理，与传统AI训练工作负载面临的基础设施压力不同。智能体可能需要在多次模型调用、大上下文和长时间多智能体交互中，通过键值缓存保存工作流状态。这意味着，内存容量和带宽可能在原始算力之前成为瓶颈。1

墨菲还指出，CPU的重要性会上升，因为智能体系统需要完成流程编排，包括分支处理、检索、工具调用、沙箱执行以及多智能体之间的协调。在相关讨论中，传统AI的CPU与GPU比例约为8至16比1，而智能体工作负载可能转向约1至2比1。1

对企业采购者而言，结论很直接：评估智能体平台时，不能只看模型质量或GPU数量。内存、网络、CPU编排、可观测性，以及重复推理带来的成本，都会决定一条工作流能否在生产环境中成立。

不存在适用于所有智能体的单一架构

戴尔不认同单一模型、单一部署地点的“单一化”路线。公司提出的方案包括本地部署的开放模型、由戴尔托管的前沿模型、受控的虚拟私有云、外部API，以及运行在设备端的模型。具体选择应取决于性能、合规要求、功能和成本。1

经济性同样取决于被自动化的工作类型。例如，高价值的高管决策支持智能体，可能足以支撑较高的月度支出；但高频的CRM数据清理流程则必须把单条记录的成本压到很低，讨论中给出的目标是约0.50美元以下。1

因此，企业不应只问“哪个模型最好”，而应进一步追问：哪个模型、部署位置和自主程度，能够在可接受的成本与风险范围内，稳定实现所需结果？

数字身份将成为自主智能体的控制层

戴尔表示，任何访问其数据的自主智能体，无论来自内部还是外部，都应获得由戴尔签发的数字身份。该身份可以支持精细化授权，并允许企业撤销访问权限，成为一种实际的“紧急停止开关”。1

当智能体不再简单继承用户身份时，安全问题会更加复杂。继承用户身份的智能体以某位员工的凭证开展工作，责任主体相对清晰；而**无头智能体（headless agent）**更加独立运行，因此在归属追踪、权限分配和生命周期管理方面更难控制。根据相关讨论，戴尔预计无头智能体将占未来部署量的约70%。2

戴尔还提到，智能体之间、智能体与工具之间的通信协议，以及后量子安全准备，都是生产级自主系统安全模型的一部分。1

更广泛的启示是：企业应把智能体视为一种软件身份，为其设定明确的负责人、权限范围、审计轨迹和撤销路径，而不是把它当成一个隐形的聊天机器人扩展。

工作岗位会被拆解成一项项任务

戴尔称，公司曾对6800个岗位进行分析，将工作拆分为生产力、事务性维护、协调、专家判断和面向人的工作等类别。其结论是，智能体更可能替代岗位中的部分任务，而不是自动消灭整个职位。1

以软件开发为例，智能体可以承担常规编码、代码注释以及部分交付协调工作；人类则更多投入架构设计、需求理解、判断和客户沟通。1

这并不意味着岗位会原封不动地保留下来。戴尔的核心判断是，随着可自动化任务被逐步抽离，每一个岗位都会被重新塑造，员工将更多承担依赖专业能力、具体语境、判断力和人际关系的工作。

智能体AI能否进入生产环境，关键看四件事

戴尔的立场可以归结为一项严格的生产测试：一个智能体AI项目只有在具备可衡量的业务结果、边界清晰的工作流、可接受的经济性，以及完善的身份、访问权限和故障恢复控制后，才真正具备生产条件。

从900个可能项目收敛到13项重点计划，正好概括了这套策略。智能体AI并不只是更会聊天的界面，而是一种让软件直接完成工作的运营模式。与此同时，基础设施、安全体系和岗位设计，也必须随着模型能力一起演进。