为什么多数企业仍卡在智能体 AI 试点阶段？

智能体 AI 已不再只是大型企业的概念验证项目，但要把它部署到全公司，仍是少数。UiPath 的调查覆盖美国、英国、法国、德国、印度和新加坡年营收至少 10 亿美元的私营企业，共有 590 名 C 级高管和 IT 从业者参与。调查的核心信号是：难的不是上线一个单独的 AI 智能体，而是在复杂企业中稳定、可控地运行相互连接的业务流程。34

已在采用，但成熟度仍有限

仅 31% 的受访者称，AI 已全面融入其业务。另有 35% 表示只在特定团队有限采用，11% 仍在进行有限试验。37

这反映出典型的“从试点到生产”鸿沟。一个部门可以在封闭场景中验证智能体的价值；但一旦要扩大部署，智能体就必须可靠地接入企业数据、业务应用和既有流程，还要能与处理例外情况的员工协作。

规模化的三大障碍

受访者认为，优化智能体 AI 部署时最主要的制约因素为：

• 数据质量与就绪度：38%
• 与既有工作流和系统的集成：37%
• 治理与合规：33% 14

这些首先是运营与架构问题。AI 模型或许能够理解信息、提出建议，但进入生产环境的工作流还需要可靠的数据输入、明确的权限、稳定的系统连接、可追责机制，以及在自动化无法完成任务时的人工处理路径。

对于拥有遗留应用、且业务流程横跨多个部门的企业，系统集成尤其关键。一个智能体即使在单一应用或某个团队内表现良好，也不意味着它能自然融入涉及多套系统、多次交接和审批要求的端到端流程。

UiPath 所说的“业务编排”是什么

UiPath 将业务编排定义为连接数据、系统、工作流、人员和 AI 智能体的一层能力。用更直白的话说，它的目标是在端到端流程中协调工作：把任务分配给合适的自动化工具、智能体或员工，跟踪进度，执行控制，并在需要人工判断时升级处理例外。4

只有 29% 的受访者表示，其所在组织已全面嵌入编排能力。在这部分受访者中，89% 表示其智能体 AI 项目达到或超过了投资回报率（ROI）预期。315

这一结果值得关注，但不应被解读为“编排本身必然带来更高回报”的证据。这是一项由厂商赞助、基于受访者自报的调查；能够全面部署编排的企业，本身也可能已具备更好的数据基础、流程纪律、集成能力和管理层支持。15

混合型工作流是重要应用场景

调查还显示，智能体在同时包含固定步骤与动态工作的流程中有较大应用空间。UiPath 将“混合型工作流”定义为静态、可重复的流程，与动态、依赖具体上下文的流程相结合；52% 的受访领导者表示，这类工作流存在于其日常运营中。10

在这种场景下，智能体更可能是确定性自动化的补充，而非完全替代。基于规则的环节可处理结构化、重复性动作；智能体则可协助处理非结构化信息、变化中的上下文以及依赖判断的任务。但要让两者真正扩大规模，仍取决于外围工作流的设计与控制机制。

企业希望从编排中获得什么

受访者提到的业务编排实际收益主要包括：

• 让员工腾出时间从事更高价值的工作：51%；
• 提升应用系统集成程度：47%；
• 改善对工作流的监督：44%。4

这些优先事项强化了调查的核心信息：企业追求的并不只是更多“自主运行”的软件，而是一套能够在可观察、可治理的业务流程中，协调人员、应用、自动化和 AI 的可靠机制。

对企业 AI 团队意味着什么

这项调查表明，启动一个孤立的试点相对容易，形成可重复、可推广的企业级部署则难得多。走出试点阶段，不只是选择一个 AI 模型或发布一个独立智能体；企业还需要建立数据可靠性、应用互操作性、流程责任归属、治理机制、运行监控和人工升级处理的基础。

因此，对企业管理者而言，更有价值的问题不只是“智能体能在哪个环节帮忙”，还包括：它将如何在完整工作流中安全运行，并以可衡量的方式创造价值？ 能解决这一协同难题的组织，才更有机会把部门级实验转化为跨职能的业务能力。4