当企业争相拥抱AI代理（Agentic AI）时，一个残酷的现实浮出水面：大多数项目仍停留在试点阶段，无法真正走向生产。在VentureBeat近期举办的AI Impact活动中，Red Hat产品组合战略高级总监Brian Gracely详细拆解了AI代理进入生产环境后企业面临的三大核心障碍——成本纪律、安全盲区以及组织摩擦。这些挑战不仅关乎技术选型，更直指企业数字化转型的深层逻辑。本文将从实践角度出发，剖析企业如何在高昂的AI投入与创新诉求之间找到平衡，并探讨AI代理如何重塑企业安全与协作模式。
成本失控：从工程问题到董事会议题
许多企业领导者，尤其是那些密切关注行业主题演讲和AI新闻的高管，担心自己已经在AI代理规模部署上落后于竞争对手。但根据Gracely的观点，这种焦虑很大程度上源于对组织学习速度的误解。团队一旦开始构建，往往能比预期更快地攀升学习曲线。然而，这种快速进步也带来了新的挑战：随着AI代理使用量的激增，AI成本以同样惊人的速度攀升，成本管理从工程问题迅速演变为董事会反复讨论的议题。
与聊天机器人时代相比，AI代理的用量高出数个数量级。与此同时，企业越来越意识到自己对少数模型提供商的依赖。Gracely指出，这种组合正在推动许多企业探索能够更好地控制成本和基础设施的替代方案。“排名前两三家供应商已经在向市场表示他们正在亏损，并试图通过上市来弥补缺口。最终，你对它们的依赖意味着要么以非常高的成本购买，要么找到替代方案来控制自己的行为。”
这一趋势与当前的数字化转型浪潮密切相关。在数字化转型中，企业不仅要优化流程，还要控制技术投入。AI代理的成本结构与传统软件截然不同——按token计费的方式让费用像滚雪球一样增长。Gracely强调，财务纪律在AI支出中至关重要，类似于多年前为控制云计算支出而发展成熟的FinOps实践。他建议企业开始对内部人员进行模型选择教育，避免团队在不必要的任务中默认使用最昂贵的模型。“就像我们首先必须教会财务人员什么是EC2实例、什么是S3存储桶一样，你现在必须开始向他们解释token的概念。”
模型瘦身：语义路由与缓存的成本魔术
AI代理成本的最大问题在于，企业往往默认使用最强大的模型，无论任务复杂度如何。Gracely用一个生动的例子说明：“如果我只是想解决一个保险理赔，我的模型不需要知道西方文明史，也不需要知道世界杯足球赛比分。”这种过度配置导致大量资金浪费在无意义的计算上。
语义路由正是许多公司用来自动做出判断的机制：它自动分类请求，并将每个请求发送到适合任务大小的模型，无需用户选择。同时，基础设施层面的缓存技术可以减少重复查询到达GPU计算的次数。Gracely表示，这些工具共同消除了“效率与创新相悖”的假设。“在GPU基础设施层面你可以做很多事情，在模型灵活性方面你也可以做很多事情。这些为你提供了优秀的选择——无论你需要效率还是需要创新，这都不应该是一个二选一的问题。”
对于企业而言，模型瘦身不仅是技术优化，更是成本战略。例如，在生成营销素材时，使用AI画图工具生成简单图标与生成复杂画作所需模型大小截然不同。企业应当建立内部的模型选择指南，让不同团队根据任务类型选用最合适的模型。此外，结合AI工具导航可以快速发现针对特定场景的轻量级模型，从而避免盲目追求大模型带来的成本膨胀。
安全新战场：AI驱动的漏洞发现与补丁速度危机
AI不仅改变了企业运营方式，也重塑了安全攻防格局。AI驱动的漏洞发现工具正在迫使企业重新思考识别、验证和部署补丁的速度。长期以来建立的补丁管理周期可能不再足够快——当AI能够更快速地发现新漏洞，攻击者也能更迅速地利用它们。
Gracely指出，大多数公司可能只有7到14天的窗口期来保持领先。包括Red Hat在内的团队会为这些漏洞构建补丁，但和解禁窗口将非常短。AI还在改变防御者需要关注的内容：安全工具不再仅仅发现孤立的严重漏洞，而是能够识别出看似微小的漏洞组合——当这些漏洞被串联起来时，就会变得危险。随着软件复杂性和漏洞发现速度同时加速，快速管理并更新软件的能力正从操作能力转变为战略能力。
这一趋势对AI投资决策产生了深远影响。企业在评估AI独角兽公司的产品时，不仅要看其模型性能，还要考察其安全响应机制。AI投资者越来越关注AI系统的可审计性和可修补性——一个无法快速打补丁的系统，在AI驱动的攻击面前将不堪一击。同时，企业自身也需要建立跨部门的安全响应团队，将补丁速度纳入数字化转型的KPI体系。
人机协作：领域专家才是AI代理扩展的关键
最终，AI代理的规模化落地取决于领域专家（SME）的深度、持续参与。这些专家正是AI代理试图编码其知识的对象，因此赢得他们的支持成为先决条件，而非事后考虑。Gracely强调：“你必须考虑激励机制，考虑如何奖励参与这项工作的人，让他们不感到威胁——不会觉得AI会抢走他们的工作。你还需要考虑如何长期激励人们与这种创新合作。”
组织摩擦往往比技术挑战更难克服。当AI代理开始接管部分决策流程时，传统岗位的员工会感到不安。如果企业仅仅将AI代理视为“自动化工具”，而忽视对人的重新赋能，那么再先进的模型也无法落地。Gracely建议企业采用“人机协作”而非“替代”的叙事方式，让领域专家成为AI代理的导师和评估者。例如，在保险理赔场景中，专家可以负责训练AI代理识别异常案例，而AI代理则处理标准流程，双方形成互补。
这种协作模式也催生了新的工具需求。例如，AI工具导航和AI工具箱可以帮助企业快速搭建人机协作平台，让专家轻松配置AI代理的行为边界。同时，AI诗词等创意工具则展示了AI在辅助创作方面的潜力——领域专家可以借助AI生成灵感，而不是被取代。
文化重塑：从“试点”到“规模化”的组织变革
许多企业在AI代理试点阶段表现良好，但一旦试图规模化，就陷入僵局。根本原因在于缺乏配套的组织文化变革。Gracely指出，企业需要从“创新项目”思维转向“能力建设”思维。这意味着要建立跨部门的AI治理委员会，明确AI代理的使用边界、责任归属和绩效评估标准。
文化重塑的另一个关键点是容忍失败。AI代理在初期可能犯错，如果企业因为一次失误就全面叫停，那么永远无法积累经验。Gracely建议采用“渐进式扩展”策略：先在小范围内验证，让团队建立信心，同时建立反馈闭环。此外，企业应当将AI代理的采用与员工绩效挂钩，而不是将其视为额外负担。例如，对于参与AI代理训练的领域专家，可以给予额外的奖金或晋升机会。
在数字化转型的宏大叙事中，AI代理被视为“数字员工”。但企业往往忽略了数字员工也需要“入职培训”和“职业发展”。AI Agent技术的成熟度不仅取决于模型能力，还取决于组织如何设计其工作流、赋予其权限以及评估其产出。这也是为什么AI投资者越来越关注企业的“AI就绪度”——不仅仅是技术栈，还有组织架构和人才策略。
务实路径：企业如何避免AI代理的“成本陷阱”
综合Gracely的分享，企业可以采取以下务实路径来规避AI代理的常见陷阱：
第一，建立成本透明化机制。像FinOps一样，将AI支出按部门、项目、模型进行细粒度分摊，让每个业务单元了解自己的AI成本，从而产生优化动力。
第二，实施模型路由与缓存策略。通过语义路由自动选择合适模型，针对高频重复请求启用缓存，可将token消耗降低50%以上。
第三，加速安全响应周期。将补丁打包、测试和部署流程自动化，缩短从漏洞发现到修复的时间窗口。同时，利用AI增强安全分析，主动发现链式漏洞。
第四，重视领域专家激励。将AI代理的成败与专家利益绑定，例如设置“AI创新奖”或“数据贡献积分”，让专家主动参与模型训练与优化。
第五，持续评估与迭代。不要追求一步到位，而是采用“小步快跑”模式，每两周评估一次AI代理的表现，根据反馈调整模型和流程。
这些路径不仅适用于大型企业，也适用于中小型组织。在企业数字化转型的浪潮中，AI代理不再是可选项，而是必选项。但只有那些真正理解成本、安全与文化三者关系的企业，才能从“试点”走向“规模化”，并最终在AI驱动的竞争中占据优势。
最后，值得一提的是，AI代理的普及也在催生新的工具生态。例如，文生图和AI图片生成工具正被集成到代理工作流中，用于自动生成营销素材；而抠图和背景去除功能则被用于智能文档处理。这些看似无关的AI工具，实际上正在共同构建一个更智能的数字化原生企业。
未来，随着AI独角兽的涌现和AI投资的持续加码，企业AI代理的成本还将进一步下降，但安全与文化的挑战将变得更加突出。唯有未雨绸缪，才能在变革中立于不败之地。