WAIC开幕前夜，四个to B老兵给智能体做了次“会诊”

AI智能体如何跨越从“系统接入”到“跑出ROI”的死亡之谷？在WAIC 2026（世界人工智能大会）前夜的这场闭门碰撞中，我们听到了一些关于落地的行业真话。

2026年7月中旬的上海，正值盛夏，漕河泾万丽酒店内的气氛却显得格外冷静与克制。

此时距离当年的WAIC开幕仅剩1天。在行业习惯于畅想AGI终极图景的前夜，非凡产研举办的「2026 非凡大赏 · 上海 · AI商业峰会」却将视线死死拉回地面。

这场峰会的主题只有务实的一句话：让智能体进入业务闭环。

在名为“Deployment Loop：接进去，跑出来”的Panel中，四位经历了大数据时代到大模型时代完整周期的行业老兵坐到了一起——Kyligence联合创始人兼CEO韩卿、数猎天下（DataHunter）创始人程凯征、数势科技AI产品负责人岑润哲，以及实在智能创始人兼CEO孙林君。

这是一场没有商业互捧、直面痛点的联合“会诊”。API接进去了，模型跑起来了，但企业的ROI（投资回报率）跑出来了吗？当企业管理者皱着眉头对智能体说“再等等”时，他们究竟在等什么？

实在智能Agent

，赞 22

“登月”的期望，与“同城快递”的预算

“客户希望你帮他登月，但他只愿意付同城快递的钱。”Kyligence CEO韩卿的一句犀利调侃，揭开了大模型商业化落地中最真实的供需错配。

在大数据时代，企业买系统、做信息化，需求清晰，边界明确。但在生成式AI时代，智能体看似“无所不能”的幻觉，无形中拉高了决策者的预期。

这种预期的错配，最直接的后遗症就是“POC（概念验证）泥潭”。

“很多企业在上智能体时，POC阶段做得天花乱坠、极其漂亮，”数猎天下创始人程凯征指出，“但一到真正要切入生产线、融入业务流程时，谁也不敢轻易拍板了。大家都会问一句：这东西到底靠不靠谱？”

在实在智能创始人孙林君看来，这种“不敢上线”的卡点，本质上源于IT技术逻辑与真实业务语义之间的深水碰撞。

孙林君分享了实在智能内部的一个典型案例：前阵子，公司的一位算法工程师帮财务部门开发一个智能体，前前后后折腾了一个月，财务人员依然觉得“不对路”。

“工程师觉得业务方在不断改需求，业务方觉得工程师根本没听懂财务逻辑。其实，工程师不是财务，他不具备财务思维。”

僵局最终是用更“实在”的方式打破的：新版本产品上线后，不具备代码能力的财务人员自己用自然语言，写了几句Prompt（提示词），在几分钟内就把这个智能体跑通了。

“大模型对财务术语、行业背景的理解，甚至已经超过了普通的IT工程师。”孙林君坦言。

这给行业上了一堂生动的落地课：真正能让智能体在企业内部跑通闭环的，往往不是写代码的人，而是那些每天深处业务毛细血管、最懂业务逻辑的普通员工。

幻觉拷问：别逼AI去赌那道“不会做的题”

智能体要进入业务闭环，必须翻越的第二座大山，是至今盘桓在行业上空的幽灵——幻觉（Hallucination）。

当智能体从单纯的“聊天框”走向“任务执行”（Tool-use），其驱动工具时的幻觉往往更致命。孙林君在现场坦诚地分享了自己早期尝试智能体时的窘境：

“我之前也养“龙虾”，有次让它去不同网站抓取数据。结果因为网页图片分辨率不够，它识别不准，为了完成任务，它竟然自己‘编’了一点数据塞到了真实数据里。”

这种缺乏“主动幻觉抑制机制”的现象，在大模型的任务长链条中极其常见。对此，同台嘉宾们给出了殊途同归的工程学解法。

程凯征打了个生动的比方：“这就像我们小时候考试，不会的题也得编个答案写上。解决幻觉的逻辑其实是一样的——把考试变成开卷考试。你把确定的语义、数据替AI准备好，只让它做推理，幻觉自然就大幅下降了。”

“把长任务拆得足够细，框在确定性的工作流里。”孙林君结合实在智能的实践补充道。以财务票据审核为例，如果直接把海量原数据和规章制度扔给大模型，出错率无法承受。

但如果将工作流切细，在局部环节用大模型去写正则表达式或伪代码进行精准校验，准确率就会呈现质的飞跃。

“与其让大模型在长链任务里赌一把，不如把流程拆细，给它套上确定性的枷锁。”

尽管大模型每隔几个月就会进行一次底座升级，幻觉率也在大幅降低，但对于追求高确定性的企业级场景，工程化的抑制手段依然是智能体上岗的前提。

下限与上限：从“蓝领”到“白领”的共生进化

在企业场景中，智能体究竟是该追求“更聪明”（上限）还是“更可信”（下限）？数势科技AI产品负责人岑润哲提出了一个观点：“可信是下限，聪明是上限。”

在风控、资产配置、财务等不容出错的领域，可信是不容妥协的基石；而在创意营销、活动策划等场景，让智能体发挥发散思维、表现得更“聪明”则更为关键。

作为国内较早推出智能体的厂商之一，实在智能对这一演进路径有着更为直觉的体会。

“我们是2018年成立的，刚开始做的事情叫‘数字员工’。”孙林君回顾道。早期的数字员工，扮演的是“蓝领”——做数据搬运、软件操作等重复规则化的任务。

而到了2023年大模型爆发，借助我们自研垂直大模型“塔斯（TARS）”的大脑，这些数字蓝领升级为了“数字白领”（智能体阶段），开始承接复杂、有决策属性的任务。

本质的商业模式没有变，但机器人能干的活，含金量更高了。这种“重塑工作与生活”的愿景，并非一日之功，而是依赖于持续的“人机核对”与渐进迭代。

孙林君分享了他在阿里期间的一段算法验证经历：2017年，他们曾通过大数据手段，将一个2300人的纠纷维权团队缩减至100人。

在初期，机器做出的决策质量并不高，团队采取的办法是让“人做一个决策，机器做一个决策，两者在后台核对”。

对不上的地方，就去倒查是缺指标、缺数据还是逻辑不对，不断进行AB测试。最终，机器在某些特定领域不仅接近甚至超过了人工的水平。

在大模型Scaling Law（尺度定律）依然成立的今天，这种通过真实场景数据不断对齐、校验的渐进式路径，依然是智能体走向成熟的唯一解。

实在智能的“实在”路径

对于企业级市场而言，“好用、管用、敢用”才是检验智能体价值的唯一标准。

作为对这一务实路径的认可，在本次峰会揭晓的非凡奖（Unique Awards）中，实在智能斩获了两项重量级荣誉：

核心产品“实在Agent”荣获『2026 最佳企业级任务执行智能体』；
在垂直行业的落地标杆——“汽车企业×实在Agent · 财务高频流程智能体（Skill）落地实践”摘得『最佳汽车行业流程自动化奖』。

这两项荣誉，恰好拼凑出了实在智能最完整、也最“实在”的商业闭环逻辑：一头是通用的、具备深度任务执行能力的智能体产品（Agent），另一头则是深扎进汽车等垂直行业、解决高频财务痛点的具体技能（Skill）。

前文中提到的财务高频流程痛点，在汽车制造这一极其复杂的产业链中被成倍放大。

通过将大模型的能力封装为“财务高频流程智能体”，实在智能让汽车企业的财务人员能够用极其低门槛的方式，自主构建业务逻辑，将那些原本耗费人工、容易出错的跨系统对账、票据审核流程转化为自动化执行的智能体。

“人机共生，重塑十亿人的工作与生活。”当喧嚣过后，企业对大模型的理性回归，正在倒逼整个行业从“PPT讲故事”走向“产线算ROI”。

正如这场闭门会议所揭示的：大模型落地的深水区，不需要神话，只需要更多躬身入局的建设者，把地基打稳，把链条拆细，让智能体真正“接得进去，跑得出来”。

1.本内容作为作者独立观点，不代表RPA学习天地立场，RPA学习天地仅提供信息存储空间服务。

2.如果对本稿件有异议或投诉，请联系客服微信号。

WAIC开幕前夜，四个to B老兵给智能体做了次“会诊”

相关推荐