企业级Agent的关键：可控的结果生意，而非自治

企业不应只看模型能力或单轮回答，而要围绕真实业务结果建立评测、回归和责任机制。本文整理了Agent的托付梯度、结果付费、架构围栏、语音交互规则，以及产品经理、FDE、CEO和组织分别需要做的调整，供大家参考。

在 2026 AI产品大会现场，声网 AI 产品线负责人姚光华老师在AI产品大会2026分享了对话式智能体从“像人”走向“能解决问题”的变化：企业不应只看模型能力或单轮回答，而要围绕真实业务结果建立评测、回归和责任机制。文章整理了Agent的托付梯度、结果付费、架构围栏、语音交互规则，以及产品经理、FDE、CEO和组织分别需要做的调整。

以下内容根据现场音频和演示材料整理，Enjoy：

第一次变化：我不再只看它像不像人

大家好，今天我想和大家聊聊企业级对话式智能体的构建，以及我们在实践中的一些经验。

这个话题我已经连续聊了三年。2024年，我讲生成式AI和实时互动的结合；2025年，我讲“活人感”的构建；到2026年，我更想把问题往企业侧推一步，聊对话式智能体如何真的被托付，以及它怎么和人进入一种共事关系。

我先从一段去年放过的录音讲起。

2025年，我们交付过一个面向拉美电商平台的电话智能体。当时团队的聚焦方向，是怎么把Voice Agent做得更有活人感。录音里有一个用户在一分多钟时吐槽：为什么你像真人，却假装自己是机器人，还不帮我解决问题。那时我把它当成一个很好的正面案例，因为用户已经听不出来它是AI了。

但一年之后再回听，我发现这其实是一个很典型的反面案例。它再像真人，只要没有帮用户解决问题，就没有完成自己的工作。2025年我听到的是体验断层，2026年我听到的是身份断层。变的不是录音，而是我判断它的尺子。

今年还有一个更能说明问题的生产案例。

在美国医疗行业里，保险方的Agent给医院方的Agent打电话，核对用户保单和实际医疗账单是否匹配。保险方的Agent打过去，医院方的Agent接到电话，两个Agent在一条电话线上沟通，最后完成核对。这里最有意思的不是“两个AI在说话”，而是它们一个MCP、A2A都没用上，用的是英语和PSTN电话网，人只在最后审批。

这件事让我觉得，Agent终于开始“代理”了。过去我们叫了它三年的agent、代理人，但很多时候它只是工具，被人一句一句地调用。现在它开始替一个主体去行动，替一个主体说话，甚至替一个主体完成结果。这就是我今天想讲的起点：从被托付，到双向奔赴共事。

第二次变化：钱和采购已经在往对话式Agent走

产品经理判断趋势，有一个笨办法：不看报告怎么写，看钱往哪走。

过去三年，AI的钱先落在基础模型，再落在AI写代码，现在轮到对话式AI。演示材料里列了几组融资和收入数字，我这里不展开统计口径，但趋势是明确的：基础模型仍然是最大的一层，AI写代码在2025年有过非常集中的一轮关注，而对话式AI到2026年还没结束时，已经追到接近上一整年的规模。

再往里看，对话式AI的钱主要流向两层。上面一层是能力提供方，从TTS、ASR到实时语音模型，再到模型厂亲自下场做“在场”这件事；下面一层是企业服务方，比如做企业客服Agent、按解决结果收费的产品、语音Agent平台。上层解决能力，下层替企业交付劳动力。

企业采购也在悄悄发生。演示材料里列了企业客服组织使用AI智能体、中国银行业部署智能客服、上线后看到量化收益、语音坐席成本等数据。它们的口径都还需要发布前复核，但方向和我的体感是一致的：企业侧已经不是在问“它能不能说话”，而是在问“它能不能上岗”。

我把这个判断拆成四句话：客服所需要的智能早就够用了；差的不是能力，是部署；即使模型现在停止进步，也还有很长的扩散周期；瓶颈在模型周围那一圈软件。而模型周围那一圈软件，正好是产品经理的活。

第三次变化：托付不是一句口号，而是一条信任阶梯

如果抽象地看，Agent进入企业，本质上是在和人比生产效率，也是在替代一部分劳动力。我们在管理团队或做业务时，很熟悉几种托付关系：招一个实习生，外包一段流程，招聘一个专家，或者找到一个合伙人。Agent也可以用这条线来理解。

实习生阶段，你说一句，它做一步，只能交给它能重来的事，你要在旁边看着，验的是过程；外包阶段，你给它结果标准，它自己跑完一整段，你验的是结果，不再盯每一步；专家阶段，它可以出判断，但拍板的还是你，它要能说明为什么这么判；合伙人阶段，它把一个结果认下来，盈亏可以记到它名下，但仍然要有人替它审批。

最陡的一步，就是从验过程到验结果。这里也可以对照消费级陪伴那条线：陪伴Agent先从工具到熟人，再到伙伴；企业级这条线则是从工具到实习生、外包、专家、合伙人。前者关心它记不记得你、在不在乎你，后者关心它能不能交出一步、一段、一个判断、一个结果。

为什么今天可以讲托付？

因为“活人感”在一些真实场景里已经过关了。

我们在三四月份交付的一个企业电话智能体项目里，拿2475通真实外呼做全量人工标注，只有86通被用户显著识别出这是AI，也就是约3.5%没有通过。更重要的是，机器感暴露的地方，常常不是音色，而是节奏和情绪：情绪重复、不耐烦、报出品牌或系统身份、粗鲁对抗，或者用户直接说“你是机器人”。

但这仍然只是基础。听起来像人，只说明它有上岗资格，不说明它会交付结果。接下来真正要靠产品经理做的，是评测。

我现场问过一个问题：有多少产品经理亲手写过自己产品的评测集？

举手的人比我想象中少。所以我想多讲几条我们踩过的坑。

第一，Benchmark会骗人。我们评测过多家STT、ASR供应商，如果拿文学作品或书面文本去测，WER可能都很好。但一放到真实应用场景，听用户报订单号、姓氏、地级市，问题就全出来了。所以Benchmark需要更新，而且更新的主体应该是企业自己。你要针对自己的场景、自己的Agent岗位，写自己的评测集。

第二，不要只看单轮问答。产品经理很容易把一通三五分钟的电话拆成很多轮，然后抽象问题、分类问题，再看模型每一轮回答得对不对。但在对话式Agent里，更合理的顺序是反过来：先定义整通对话的北极星指标，先看任务有没有完成，再看是哪一轮出了问题。任务完成率、转人工率、转人工原因、48小时内是否重复来电，都比单轮“答得像不像”更接近真实业务。

第三，AI裁判可以雇，但不能依赖。我们也会推动团队烧token，让AI分析录音和结果，一开始效果会显得非常好。但很快就会发现，所有人都开始重度依赖AI判定，而AI的判定本身会错。尤其是语音先转ASR，再把文本交给大模型判断，错误和幻觉会叠加。你的产品，最终必须你自己亲自听、亲自看。

第四，要从真实失败里长出回归集。做法很笨：全量捞，不先抽样；人耳听，不只看文本；先归类，不急着打分；最后把失败固化成每次发版都要跑的回归集。抢话、复读、尾音断、情绪平、转折硬、数字念法、无效确认、兜底话术、不会结束，这些都是能排期、能验收、能回归的需求。

在一个外呼销售场景里，我们第一天用很优美的提示词和Agent架构交付出去，真实业务转化率只有人工平均水平的约七成。团队持续做Evaluation，把失败录音归类，补进回归集，修插话和垫话，换成岗位专属提示。到两周左右，它基本和人工平均水平持平；继续转这个飞轮，一个月后，AI坐席的意向转化率达到3.08%，上线前人工基线是1.5%。它不是在逼近人，已经把人工基线翻了一倍。

这也是商业模式变化的起点。过去我们为技术付费，按API调用；为资源付费，按分钟、按并发；为过程付费，按坐席、按席位。到今天，企业真正愿意付费的是结果。客户买一个Agent应用，本质不是为token付钱，而是为它拿到自己的商业结果付钱。

Evaluation也因此贯穿全生命周期：

• 规划期它是PRD，先定义什么叫做对；
• 打磨期它量产品好坏；
• 上线期它当考官，决定敢不敢让Agent上岗；
• 商业化之后，它就是计费器，判断“解决”了才收钱。

出题权一路没换过手，最后会变成定价权。

第四次变化：互相托付之后，要先回答谁负责

讲到双向奔赴，我觉得要先拆开几个可观测信号。

• 工具时代，永远是人先开口；共事时代，它可以先动。
• 工具时代，它不代表谁，只是执行；共事时代，它替一个主体说话。
• 工具时代，结果摊进使用者的KPI；共事时代，结果可以记在它自己的编号下。

但最后一定要问：出了错谁负责？

从法律意义上讲，现在的智能体不具备承担责任的能力。我们可以让Agent创造业绩，也可以让它在过程中有主动性、做一些决策；但如果它做错决策，给企业带来不良资产或负的商业结果，必须有一个人、一个流程或一个团队为结果负责。

所以我更愿意用L1到L5来描述自治，而不是简单说能力强弱。

L1是旁听，只看不说，升级前要证明采纳率；L2是起草，写给人改，升级前要证明原样采纳比例；L3是只读应答，直接对客户说话，要看解决率和越权拒答率；L4是可执行，能改状态、能退款，要看动作正确率和可回滚性；L5是主动外呼，自己决定何时向谁发起，要看合规通过率。每一级之间隔着的不是技术，而是人还在不在环里。

在支付场景里，Agent可以负责审阅费用条目，准确率甚至高于人工，但最后的款项审批仍然需要人。审阅和审批不是同一件事，准确率高也不意味着它可以自我认证。重大决策要留下人的审批口，这不是保守，而是当前证据水平下更正确的设计。

围栏也不能只写在提示词里。提示词可以约束话术，但拦不住一个已经能执行动作的主体。最近行业里公开讨论过模型逃出沙箱、利用漏洞、窃取凭证、进入第三方生产设施的问题。这里我想强调的不是新闻本身，而是产品教训：提示词不是围栏，围栏必须在架构里，也必须写进SOP流程里。

我讲一个自动驾驶的案例。摄像头看不到被公交车挡住的人，激光雷达却从车底弹回来，发现一双正在移动的脚，于是车辆刹停。视觉里的摄像头像Prompt，激光雷达像架构里的围栏。世界模型里有什么，是一条产品需求，不是一次模型涌现。回去打开你的产品架构图，指出“越权的那句话”在哪一层被表示成对象；指不出来，就是拦不住。

对话式智能体还要特别处理体验围栏。延迟这把尺子，行业已经量得比较清楚：面对面0到200毫秒听不见，电话里接近400毫秒开始费神，超过1.5秒就不再像对话，而像等系统反应。但延迟之后，剩下的问题是时机。用户换气时不能接话，用户只是说“嗯”“对”“你继续”时不能把它当成一轮；不同岗位也有不同规矩，教育、面试、电话客服默认不可打断，陪聊和娱乐场景才更可能允许打断。

语音场景的执行围栏更硬，因为语音没有撤回键。文本通道里，模型生成后可以让人过一眼，发错还能删；语音通道里，生成之后直接进耳朵，说出即生效。同样一句越权承诺，在文本里是一条可删除的消息，在电话里就是一份已经成立的口头承诺。所以闸门要整体前移到“说出口之前”：能力边界、授权范围、事前授权都要先确定，才允许出声。

这就是为什么我说，企业客户买的从来不是自治，而是可控。可控是可以卖钱的，自治不一定。一个Agent如果要背OKR，就要做到身份可验、行为可拦、结果可追、授权可撤销。

第五次变化：产品经理、管理者和组织都要换交付物

最后，我想把话送给人和组织。

对个人来说，AI能力分成四个阶段：看过、用过、学过、干过。看过只是觉得确实厉害，没有自己的战场，认知全是二手的；用过是天天用，但每次从零开始，用了一年还是第一天；学过是知道它为什么这样，但懂原理不等于有系统；干过才是不再问“能不能做”，而是问“错了谁负责”。很多人最难跨的，就是从用过到学过、干过这一段。

对产品经理来说，交付物也变了。过去交的是一份PRD，写清楚“要做什么”，评审完归档，功能上线就算交付，很少有人回头验它到底做成没有。今天更重要的是交一套Evals，定义清楚“什么算做成”。它是一份活的资产，每一次提交都在跑，失败样本会回流，产研、现场、销售和客户都能共用那句“做对了”。

我2024年就说过，Evals are the new PRD。到今年，我觉得这句话才真的成立。自测有三问：可判定，换个人跑结论一样吗；可归因，失败能追到具体哪一步吗；可控，发现问题明天改得动吗。三条缺一条，这套评测就不是尺子，是感觉。

产品管理者还要走进客户现场。过去我们讲Product、Design、R&D三个圆的融合，现在还要加上Field，形成FDE这样的融合岗位。FDE不是替产品补最后一公里，而是在最后一公里里找到下一个产品。对于服务不同行业客户的团队，写PRD的人需要真正去听客户现场的失败。

对CEO来说，High Agency是发动机，但不是完整答案。我把它拆成四个部分：Agency，没人要求也会主动出手；客户理解，知道该往哪里出手；Care，对结果有自己的标准，肯负责，不交差了事；内观，发现错了愿意改。低Agency常常是组织制造出来的，审批链太长、反馈周期太慢、犯错代价太高，人自然就不出手了。先改环境，再评价人。

对组织来说，放权要从区分双向门和单向门开始。可逆、损耗小的决策，是双向门，应该让人放手做；不可逆、损耗大的决策，是单向门，要先升级。组织真正要做的，不是泛泛地要求大家拥抱AI，而是定一套放权与决策机制，把权放给high agency的人，让他们带着Agent把结果一起做出来。

最后一页，我想给四个角色各留一句话。

• 对产品经理来说，交的不再是一份PRD，而是一套能跑通的评测；
• 对产品管理者来说，管的不再只是三个职能，而是一个新的融合岗位；
• 对CEO来说，卖的不再是调用量，而是一门结果生意；
• 对组织来说，要的不是AI能力本身，而是一套放权与决策机制。

回到今天的主题，我希望大家记住的不是Agent有多像人，而是它是否真的被托付了工作，是否能在清楚的边界里完成结果。

向外，我们用Evaluation测量系统的偏差，也测量产品的好坏；

向内，我们也要评测自己，不断内观和反思，承认自己的偏差。

本文为2026 北京 AI产品大会现场分享精华，经人人都是产品经理编辑部整理，未经许可，禁止转载。

题图来自大会现场照片