大家好，我是九歌，一個智能體科普和實踐者。

做智能體最難的事情，并不是如何怎么學會做智能體，工具的學習往往是簡單的，如何找到智能體真正有用的應用場景和業務需求才是核心能力。我們目前在各大智能體開發平臺上的智能體，說實話，更多是玩具的屬性。

在AI大模型領域，企業端正在探索的方向主要有：

其中基于垂直行業或崗位的相關智能體構建，只屬于精通此業務的人。通用智能體，我覺得是個偽命題，在5年內不會有突破，歡迎大廠早日打我臉。垂域方向的智能體倒是有點希望，比如專門解決大數據處理和可視化分析的智能體。

剛需1：重復低級的工作流程

在AI大模型沒有爆發前，這個方向的場景就已經被探索很多年了，比如大家所熟知的RPA、自動化腳本，以及借助專門訓練過的神經網絡，來解決企業在財務報銷、合同審計、文檔歸結、智能招聘等工作場景中產生的大量的重復的工作內容。

這個方向的工作場景特點可以總結為6個字：重復、低級、量大

就以大家熟悉的人力資源招聘為例，從企業職位發布、簡歷篩選評價等場景就可以總結出以下智能體開發場景。

剛需2：基于數據的分析與決策

從企業的實際落地來看，數據決策類智能體是容易上手的方向，包含經營分析、業績預測、報表生成、數據整合、趨勢分析、風險預警等。這個更像是傳統的商業數據分析的主要事情。

這個方向的工作場景可以總結為這幾個關鍵字：定量分析、變量有限、數據準確、業務明確。

首先為什么是定量分析而不是定性分析，因為定量分析是最能直觀感受智能體效果的，數字是不會騙人的。而定性分析的智能體，產生的結果，一般AI味很重，大模型的幻覺明顯。

數據準確和業務明確要求智能體的工作流一定是清晰明確的，只有清晰明確的路徑才能保證每次智能體輸出的結果的穩定性，降低錯誤成本和技術債。從這方面看，從管理會計這門課程去出發，反而容易找到很多智能體的應用場景。

數據決策類智能體，離不開數據的準確處理和分析，但是大模型并不擅長，而且企業的生產用語是非常專業和私有的，通用大模型也不一定能準確理解提示詞中的生產用語，智能體開發中，用戶意圖的識別反而成了一件難事。

但是我相信短則半年，長則一年，擅長千萬行級別的數據分析開源垂域大模型ChatBI即將問世，效果和震撼度不亞于在Vibe Coding領域的Claude 3.7。

下面是一些容易想到的，場景相對具體的數據決策類智能體。

剛需3：客戶洞察與營銷

這個方向其實就是CRM方向的場景，主要方向包括客戶畫像、消費習慣分析、需求預通、營銷策略生成、訂單智能錄入等。這個方向，就是我們提到的定性分析，在當前的技術階段，是個比較難做出效果的。

這個方向的工作場景，主要特點都是圍繞客戶展開。

不管是客戶畫像、消費習慣、需求預測，其實是10年前的大數據技術主要解決的事情。想要得到有價值的客戶畫像、消費習慣，必須要有海量的數據和算法，這是中小企業都不具備的。

對于中小企業來說，最有使用價值的是產品客服助手、潛在客戶獲取和產品營銷方向。以下是我們能想到的一些智能體應用場景。

剛需4：財務風險與合規

這個方向的智能體在企業中，也是絕對剛需中的剛需，主要包括財務風險與合規、費用合規審核、憑證檢直、成本還源、賬務處理、資金風險檢測等等。這些智能體其實可以應用到企業會計、審計、法務、投資等多個崗位，是一個非常大的市場。

這類智能體的特點是和錢直接相關，雖然市場大，但是對智能體的要求也非常高。以下是我們能想到的一些智能體應用場景。

剛需5：生產與供應鏈優化

這個方向的智能體，不同的企業需求是不一樣的，雖然是剛需，但是個性化確非常強，只有定制才能滿足企業的需求。

生產與供應鏈優化主要包含智能排產、設備故障預測、工藝參數優化、供應鏈調度、物料管理、庫存管理等。這類智能體的特點就是個性化、與業務強關聯！

我們能想到的具體智能體場景主要有下面這些，不過顆粒度還是比較粗，實際開發的話，還需要進一步細化。

總結

總體而言，企業級的智能體開發，需要對接企業現有的ERP、MES（制造執行系統）或WMS（倉儲管理系統）等，確保數據流暢整合，而且也需要根據企業的行業特點（如電子制造、汽車、醫藥等），提供定制化的智能體功能模塊，每個智能體的優化目標（如降低能耗、提高設備利用率、減少庫存）需要與企業業務目標清晰綁定，確保投入產出比最高。

本文轉載自??九歌AI大模型??  作者：九歌AI