$天潤雲(02167.HK)

在上一篇文章中，我們重點討論了一個前提問題：Agent 想要真正好用，關鍵不在模型有多強，而在業務場景是否被拆清楚。

只有當用户是誰、從哪裏來、真實意圖是什麼、是否存在情緒變量等邊界被逐一釐清，Agent 才能在明確的場景內調用知識、執行流程，而不是 “看起來什麼都會，實際卻什麼都做不好”。

但在實際落地中，當場景已經被拆解清晰之後，很快又會遇到下一個問題：並不是每一個場景，都適合在同一時間推進。

很多 Agent 項目真正走偏的地方，恰恰發生在這一階段——不是沒拆場景，而是選錯了第一個該落地的場景。

所以在這一篇裏，我們將從真實項目的實踐經驗出發，討論一個更現實的問題：拆完場景之後，如何判斷哪些場景最值得現在就做。

一、人不想做的 “苦活，累活”，Agent 最容易落地

在所有 Agent 落地場景中，最容易跑通的，往往不是看起來最 “智能” 的那一類，而是人本身就不願意做的事。

這類場景通常有一個共同特徵：工作本身並不複雜，但極其消耗精力。它們往往是重複的、繁瑣的、需要長時間佔用人力，卻很難帶來成就感或正反饋。

在真實項目中我們常看到，當業務規模從 100 提升到 120，看似只多了 20%，但對人來説，增加的往往是大量重複、零碎、持續消耗注意力的工作量；而對 Agent 來説，這些任務反而具備穩定輸入和清晰邏輯。

正因如此，這類場景在推進時阻力最小。

當 Agent 接管這些 “累活”“煩活”，業務側感受到的不是替代壓力，而是實實在在的減負，配合意願天然存在。

同時，從落地結果來看，這類場景也更容易快速見效。由於流程固定、問題高度重複，這類場景也更容易快速跑出效果，不需要複雜設計，就能穩定產出可量化結果。

這也是為什麼，很多成功的 Agent 項目，第一步並不是從 “高價值場景” 入手，而是先解決沒人願意繼續做下去的那一部分。而這一步選對了，往往就意味着項目已經成功了一半。

二、當人力驅動 ROI 為負時，就是 Agent 的機會

除了 “人不願意做的事”，第二類適合在 Agent 落地初期優先推進的，是人能做，但長期算不過賬的場景。

這類場景在人工階段往往長期存在，通常需要面對海量數據和高頻觸達，單次動作不難，但轉化率有限。一旦規模放大，人力成本很快超過收益，導致在人工階段只能被壓縮甚至放棄。

典型場景就是客户回訪，面對海量數據、進行高頻觸達，人工去做，每天打 10 通、100 通電話也許還能接受，但一旦上升到成百上千通，ROI 很快就會變成負數。

而對 Agent 來説，高頻、標準化的觸達幾乎沒有邊際成本，使得原本因 ROI 為負而無法成立的業務，在 AI 條件下重新變得可行。

這類場景的價值，不在於 “省人”，而在於讓原本不成立的事情成立。由於指標清晰、效果可量化，一旦跑通，往往能快速進入正循環。

在不少實際項目中，Agent 的第一波規模化價值，正是來自這類人工 ROI 為負場景的重啓。

前兩類場景討論的是值不值得做，但在真實落地中，還有一個更基礎、也更容易被忽略的前提：這個場景，有沒有清晰的標準？

很多看起來很有價值的場景最終跑不起來，並不是技術或業務的問題，而是從一開始就無法衡量做得好不好。

如果一個場景沒有明確的標準，就意味着：你無法判斷 Agent 的結果是否正確，無法量化效果是否在變好，更無法知道問題究竟出在模型、知識，還是流程上。這種狀態，就像是在 “拆盲盒”。

在 Agent 場景中，標準不是附加條件，而是落地的前置條件。無論是否命中意圖、是否完成任務、是否需要升級人工，都必須有可驗證的判斷依據。

也正因此，在篩選可落地場景時，我們往往優先選擇規則清晰、結果可量化的業務，而不是邊界模糊、只 “聽起來複雜” 的問題。

從這個角度看，標準本身就是一種基礎設施。選錯了沒有標準的場景，再好的技術，也只能停留在不穩定的試驗狀態。

在 Agent 落地過程中，很多項目推進緩慢，問題往往不在方向，而在起步時選的顆粒度過大。

場景一旦被定義得過於宏大，就需要同時協調多角色、多意圖和複雜流程，結果是推進速度被嚴重拖慢。

而已經跑通的項目，我們看到的路徑恰恰相反：不是先追求 “覆蓋全面”，而是先找到一個最小可運行的場景顆粒。

這個顆粒通常同時具備幾個特徵：

· 人本身不願意做，或者人做下來算不過賬；

· 規則和判斷標準清晰，結果可以被量化；

· 範圍足夠小，小到可以快速驗證、快速調整。

一旦這個 “最小顆粒” 被跑通，討論重點就會從 “要不要做 Agent”，轉變為 “下一個顆粒如何接上”，Agent 也隨之真正進入業務流程。

從這個意義上看，場景拆解的終點，不是拆得多細，而是找到最快啓動正循環的切入口。選對顆粒度，比選對方向更重要；第一步走穩了，後面的路自然會越走越順。

$天潤雲(02167.HK)