1. 首頁 > 生活百科 > >

當大廠「卷」Agent，騰訊選擇「下產線」

ai浙江人工智能

當大廠「卷」Agent，騰訊選擇「下產線」

文章圖片

當大廠「卷」Agent，騰訊選擇「下產線」

文章圖片


在深圳寶安 ， 一個有著 540 萬人口和 94 萬商事主體的行政大區 ， 當地的政務服務團隊每天都要面對如潮水般涌來的民生訴求 。 每一條訴求背后 ， 都是一個市民的「急難愁盼」 。 然而 ， 依靠有限的人力想要高效、高質量的滿足這些紛繁復雜的訴求 ， 是一項近乎不可能完成的任務 。
這曾是城市高效治理面臨的巨大挑戰 。 但如今 ， 情況正在起變化 。 得益于 AI Agent 的引入 ， 這些海量的民生訴求被更高效地處理 ， 平均處理周期從過去的 4.21 天 ， 縮短到了 2.75 天 。 到了夜晚 ， 一個名為「小寶」的 AI 智能體還會「上崗」 ， 專門為那些「上班沒空辦、下班沒處辦」的市民和企業提供 7x24 小時的不間斷服務 。
小寶丨來自：寶安親清政企服務直達平臺
寶安區的實踐并非孤例 。 隨著底層技術的成熟 ， Agentic AI 正從技術圈的「熱詞」變為產業界的「標配」 。 當行業進入產業落地的「深水區」 ， 所有人都面臨著同一個靈魂拷問：如何讓炫酷的 AI Agent 走出實驗室 ， 真正成為深入政務、零售、金融等產業的可靠生產力？
在近期于深圳舉辦的騰訊全球數字生態大會上 ， Agent 成為了當之無愧的主角 。一系列落地實踐 ， 勾勒出 AI Agent 從「可用」走向「好用」的路徑 。 而作為其中的關鍵推動者 ， 騰訊云所展示的并非單一的模型突破 ， 而是一套更成體系、也更深入業務場景的組合拳 。

造「工廠」而非「零件」 ， 讓懂業務的人成為開發者AI Agent 規模化落地的第一個障礙 ， 是開發的巨大門檻 。 長期以來 ， AI 開發在技術和業務部門之間劃下了一道鴻溝：業務方有痛點 ， 但不懂代碼；技術方有能力 ， 卻未必精準理解需求 。 這種割裂導致許多 AI 項目最終淪為昂貴的「玩具」 。
騰訊的解法 ， 是提供一個功能完備的「智能體工廠」 ， 讓最懂業務的人 ， 也能成為 AI 應用的創造者 。 其最新升級的 3.0 版本智能體開發平臺 ， 核心就是把復雜的 Agent 開發拆解成幾個簡單的模塊 。
首先 ， 它提供了一個強大的「知識庫」功能 。 企業和組織只需導入自己的業務文檔 ， 就能讓 AI「吃透」專業知識 ， 給出精準回答 。 其次 ， 平臺為用戶提供了靈活的工具：業務人員可以用「拖拉拽」的低代碼方式搭建。
同時 ， 騰訊云還提供了完善的Agent Infra基礎設施、超140個插件的「工具箱」、基于實踐經驗沉淀的各類模版和課程體系、及應用全生命周期管理服務 ， 讓企業更快速、安全地打造出強大的智能體 。
東吳人壽大數據管理部總經理鄒鐵的分享 ， 生動展示了一家金融企業如何利用這套「工廠」能力 ， 在一年里構建起自己的 AI 中樞 。
他表示 ， 東吳人壽最初的業務痛點在于保險行業有海量的內部制度和外部監管政策 ， 過去將這些信息同步給一線業務人員的效率極低 。 以此為切入點 ， 他們借助騰訊云的平臺能力 ， 首先解決了內部知識問答的痛點 。 同時沒有止步于此 ， 而是進一步打造了公司統一的智能體開發平臺——東吳天樞 。
該平臺對內打造了整合超 3 萬份文檔的「問系列」智能體 ， 大幅提升內部效率與合規水平；對外則推出了「蘇惠保」智能快賠助手 ， 利用工作流引擎將理賠流程自動化 ， 處理時效從原來的 3-5 天大幅縮短至最快 42 秒 ， 已覆蓋 230 萬參保人 ， 預計每年可以自動化處理上萬理賠案件 。
這種「工廠」模式 ， 本質上是把生產 AI Agent 的能力進行了最大程度的普惠 。 它系統性地解決了「如何建」的問題 。 然而 ， 一個高效的工廠 ， 還需要通暢的「物流」與「貨架」 ， 確保生產出的產品能無縫地送達用戶手中并被高頻使用 。 這就引出了 Agent 落地的下一個關鍵環節 。

深入「工作臺」 ， AI Agent 的價值在場景里閉環「智能體工廠」解決了 AI Agent「如何建」的問題 ， 但一個更隱蔽的障礙隨之而來：如何讓生產出的產品被高效地使用？一個 AI 應用 ， 無論多智能 ， 如果需要用戶切換應用、改變習慣 ， 其價值都會大打折扣 。
正如騰訊集團高級執行副總裁湯道生所強調的：「技術要找到場景才能真正落地」 。 AI 的價值 ， 必須在用戶真實的「工作臺」上才能閉環 。
騰訊獨特的解法 ， 正是利用其國民級的應用生態 ， 讓 AI 去到用戶所在的地方 ， 成為其工作與生活場景中的新插件 。
這種伴隨式的場景融合 ， 在企業內部同樣至關重要 。
華住集團打造的 7x24 小時「全能酒店管家」 ， 能讓住客通過客房內的設備隨時喚醒 ， 處理送物、查詢信息等需求 ， AI 甚至能直接生成工單并調度機器人完成配送 。 例如 ， 賓客提出“需要一瓶水”后 ， 住中AI管家可在5秒完成響應 ， 機器人收到指令后直接上門完成配送 。
碧桂園服務則為物業員工打造了智能助手「一問」 ， 它并非一個獨立的系統 ， 而是以「彈窗掛件」的形式 ， 無縫嵌入到一線員工日常使用的 30 個業務系統中 。
這意味著 ， 無論是酒店的住客 ， 還是企業的員工 ， AI 都已成為他們當下場景中一個可以隨時調用、自然交互的組成部分 。
這種深度嵌入 ， 解決了 Agent「最后一公里」的觸達問題 ， 讓 AI 不再是一個需要學習的獨立工具 ， 而是成為用戶場景中原生的能力 。
然而 ， 一個觸手可及的智能體 ， 就一定是一個值得信賴的智能體嗎？當它開始處理復雜的理賠、提供專業的維修建議、甚至參與營銷決策時 ， 「答得對」、「做得準」成為了比「用得上」更嚴苛的考驗 。 這便引出了 Agent 產業落地的終極挑戰：如何跨越「幻覺」的陷阱 ， 建立真正的專業與信任 。

放棄「通用大腦」 ， 與行業「老炮」共創「專家」最后 ， 也是最核心的障礙：是信任 。 即便 Agent 已唾手可得 ， 并融入場景 ， 但它就真的可靠嗎？
「大模型一定會有幻覺」 ， 這是峰會圓桌論壇上所有一線實踐者的共識 。 對于業務流程嚴謹、不容出錯的企業 ， 一個「一本正經胡說八道」的 Agent 是災難性的 。
【當大廠「卷」Agent，騰訊選擇「下產線」】智能體產業實踐圓桌丨來自：騰訊全球數字生態大會
對此 ， 騰訊的答案是放棄打造「通用大腦」的幻想 ， 而是俯下身子 ， 與最懂業務的行業「老炮」們深度共創 ， 用高質量的私域數據和真實的業務邏輯 ， 去喂養和訓練出可靠的「專家模型」 。
一汽豐田的智能客服升級之路 ， 便是一場長達 10 個月的「雙向奔赴」 。
一汽豐田新業務部部長王金偉在圓桌上坦言 ， 「所有的創新開始的時候都是丑陋的」 。 最初 ， 智能客服面對用戶的模糊提問 ， 常常答非所問 。 團隊與騰訊一起 ， 將海量的車型說明書、維修指南等專業資料 ， 構建成一個垂直知識庫 ， 通過持續的運營和調優 ， 最終將問題攔截率從 37% 奇跡般地提升至 88% 。 這個「懂車」的智能客服 ， 正是由行業知識「淬煉」而成的 。
這種與行業共創的模式 ， 不僅體現在單個項目中 ， 騰訊更是將其沉淀為面向特定場景的專用平臺 。 在鏈路復雜、專業決策多的營銷領域 ， 騰訊便基于底層的智能體開發平臺 ， 打造了全面升級的騰訊企點營銷云 ， 推出了「Magic Agent」全鏈路營銷智能體 。
這并非一個簡單的工具 ， 而是一個內置了「營銷專家團隊」的系統 。 企業運營人員只需以「對話式」的方式輸入營銷活動要求 ， 該智能體便能自動完成從策略制定、人群圈選、權益匹配、內容生成到活動執行、效果復盤的全過程 。 其不僅包含一整套的智能體開發平臺和多智能體協同框架 ， 還擁有打通公域和私域的全渠道數據底座 ， 為 AI 決策提供數據基礎 。
這種專用場景平臺的能力 ， 在零售巨頭的實踐中得到了充分驗證 。
絕味食品與騰訊共創的 AI 會員營銷智能體 ， 深入到了營銷的全鏈路 ， 它由人群洞察、智能選品、內容生成等 5 個子 Agent 協同工作 。 在與人工專家組的對比測試中 ， AI 組實現的銷售業績是人工組的 3.1 倍 。 這樣的成果證明 ， 當 AI 被真實的行業經驗充分「浸泡」后 ， 其創造的商業價值是巨大的 。
伊利集團數字科技中心總經理尚直虎丨來自：騰訊全球數字生態大會
相似的邏輯也應用在伊利集團 。 他們擁有數量龐大的導購團隊 ， 后者是連接品牌與消費者的紐帶 。 伊利數字科技中心總經理尚直虎分享 ， 他們利用智能體技術 ， 為導購打造了「導購助手智能體」 。 在導購與消費者實時互動的場景中 ， 能提供個性化的話術和更接地氣的內容素材 ， 改變了過去「硬梆梆」的廣告推送模式 。
最終 ， 導購的人均銷售訂單單產提升了 26% ， 銷售額單產提升了 20.4% 。 更重要的是 ， 導購自身的工作滿意度也得到了持續提升 ， 真正體現了「科技以人為本」 。

總結從深圳寶安的「數字先鋒」 ， 到一汽豐田、絕味食品、東吳人壽的「業務尖兵」 ， 我們看到 ， AI Agent 正努力跨越從「玩具」到「上崗」的鴻溝 。 產業的議題 ， 已不再是模型參數的比拼 ， 而是如何讓聰明的「數字大腦」 ， 真正成為能融入組織、值得信賴的「數字員工」 。
這條路并不平坦 。 讓一個 AI 員工真正上崗 ， 需要解決三大難題：開發的門檻要足夠低 ， 工作場景要無縫融入 ， 專業能力要絕對可靠 。
騰訊云智能體戰略全景圖丨來自：騰訊全球數字生態大會
這正是騰訊這套組合拳打法的價值所在 。 它并非零散的功能堆砌 ， 而是針對上述難題 ， 給出的一套系統性解法：用「智能體工廠」解決「誰來建」的問題 ， 把「場景」刻進產品 DNA 解決「在哪用」的問題 ， 以共創模式淬煉「行業專家」解決「信不信得過」的問題 。
歸根結底 ， AI Agent 的未來不屬于只擁有最強「大腦」的玩家 。 真正的勝者 ， 將是那些能為這個「大腦」構建起最強大「神經網絡」和最靈敏「手腳」 ， 使其能深入產業肌理 ， 感知并解決真實問題的企業 。 畢竟 ， 讓一個聰明的「大腦」學會思考只是起點 ， 讓它真正深入產線「動手干活」 ， 才是這場變革的終章 。

    推薦閱讀