腾讯云程伟：拒绝AI焦虑，企业智能体如何从“工具”到“生产力”？

TVP官方团队

发布于 2026-02-03 15:37:33

2380

导语｜如果说去年的关键词是“大模型”，那么今年，企业界的目光已集体转向了智能体（Agent）。在Token调用量暴涨 300 倍的背后，企业如何把技术变成实实在在的生意增长？腾讯云副总裁程伟指出，智能体已成为连接大模型与业务场景的“最后一公里”。本文特邀腾讯云副总裁、腾讯智慧零售技术架构与产研负责人程伟，深入解析企业智能体的分级定义、落地面临的性能与安全挑战，并结合实战案例，探讨从单体智能到多智能体协作的演进路径，以及企业在AI时代的组织重构之道。

作者简介

程伟，腾讯云副总裁、腾讯智慧零售技术架构与产研负责人，深耕互联网领域多年，拥有近 20 年技术背景。2008 年加入腾讯后，先后参与微信红包、微信支付的开发，以及历年春晚红包、腾讯理财、话费充值等公司级大型项目。2020 年至今，带领团队以商业增长伙伴的角色，助力商家立足微信生态构建全域经营技术体系，推动企业数字化升级，已助力近千家企业实现经营效率提升与全域生意增长。

引言：30万亿Token背后的

“价值焦虑”与破局

2025 年，科技领域最确定的趋势莫过于 AI 的爆发式渗透。据统计数据显示，2025 年 AI Token 调用量已飙升至 30 万亿，相比去年同期的 1000 亿，增长了惊人的 300 倍。

这一数字的背后，是中国企业对 AI 态度的根本性转变——从观望走向高度认同。在德勤与 CCFA 的联合调研中，近九成中国企业已开始试点或深度使用 AI，97% 的企业计划进一步增加投入，其中 91% 的企业明确希望通过 AI 提升生产效率，63% 期待借此重塑产品与服务。

然而，在 Token 消耗量狂飙突进的同时，企业决策者们也开始面临一场“灵魂拷问”：如何避免陷入单纯的 FOMO（担心错失、落伍）情绪？如何将高昂的算力投入，真正转化为可衡量的商业价值？

一、腾讯的解题思路：

左手连接用户，右手服务产业

腾讯作为一家科技公司，我们将 AI 视为重大的发展机遇，并始终坚持从用户需求出发打造产品。关注我们财报的朋友可能注意到，AI 已成为腾讯增长的新引擎。2018 年至今，我们在研发上的投入已超过 3795 亿元，近期升级的混元 2.0 模型，在推理能力、文本创作、文生 3D 及视频等场景表现尤为突出。

我们交出的这份“AI 答卷”，核心在于双端发力，价值同构：

● 在 C 端，让 AI“润物细无声”：我们致力于让智能体融入烟火气。比如腾讯元宝与微信生态的深度打通，用户在视频号留言区@元宝，即可由 AI 快速提炼视频要点；QQ 浏览器在高考期间，利用大模型让 5000 万家庭实现了“报考知识平权”，把专家的脑子装进了用户的手机里。

● 在 B 端，让 AI“从工具变员工”： AI 正在重塑生产流。腾讯广告利用大模型显著提升了点击转化；腾讯会议推出的 AI 托管功能，能自动提取纪要、生成待办，极大释放了职场人的精力。

正是基于腾讯在游戏文生 3D、百丽鞋业 3D 建模等场景的深厚积累，我们深刻体会到：要让 AI 真正服务于实体产业，必须从单纯的模型能力，走向具体的、可执行的“智能体”应用。

二、拒绝“只会聊天”的AI，

企业需要的是“能做事”的智能体

大模型擅长“回答问题”，但企业需要的是“完成任务”。而传统大模型存在幻觉问题，且缺乏行动力。但智能体（Agent）通过增强记忆、自主规划和工具调用，结合企业私有数据，能够将 AI 从仅仅“能回答问题”变成“能解决问题”。

Gartner 预测，到 2028 年，企业日常工作中至少有 15% 的决策将由智能体完成。

假如我们仿照自动驾驶的等级将智能体划分为五个等级，它的对应关系可能是这样：

L1：传统 AI 自动化
L2：对话式生成
L2.5：人工编排工作流（目前行业主流）
L3：自主泛化与反思
L4-L5：全面协调

目前，行业内领先的企业应用大多处于 L2.5 左右的阶段。要突破瓶颈，必须构建“狭义智能体”，例如在加盟商入驻涉及资质举证、审核、资金评估等复杂环节中，过去需要冗长的人工流程，现在通过三个 Agent 分工协作，数据在 Agent 间流转，即可高效闭环。

在分析了上千个案例后，我们发现目前 90% 以上的落地场景仍集中在对话和人工编排工作流上（如客服导购、办公协同）。真正具备复杂工作流编排的案例依然稀缺，这反映出企业对 AI 的完全信任尚需时日。

三、智能体落地为何频频“卡壳”？

性能、安全与ROI的三重围城

尽管像加盟商资质审核这类“狭义智能体”已展现出端到端闭环的潜力，但在上千个实际案例中，我们发现真正跨越人工干预、实现自主执行的场景仍属凤毛麟角。90% 以上的落地仍停留在对话交互或人工预设的工作流编排层面（如客服问答、会议纪要生成），本质上仍是“人在环路”（human-in-the-loop）的增强工具，而非真正的自主智能体。

这种“高期待、低渗透”的落差，根源在于企业尚未建立起对AI智能体的系统性信任。而信任缺失的背后，是三大现实瓶颈的交织：性能不可靠、安全难保障、ROI（投资回报率）不清晰。具体而言，智能体在落地过程中必须打赢六场“攻坚战”：训推成本、模型性能、安全防护、数据治理、知识解析、业务耦合。

针对这些挑战，腾讯云提出了一套解题思路：

开放接口 + 流程编排：通过开放接口和流程编排，将“聪明的助手”变成“可靠的执行者”；
演进至 Agentic RAG：从“死记硬背”到“自主会查”，实现深度理解与推理；
构建可信知识底座：建设统一语义层，从“数据”到“知识”；
立体纵深防御：安全是企业的底线，从基础设施到模型应用，构筑零信任安全体系；
RAG + 微调 + RLHF：“开卷考 + 专业辅导 + 价值观”，打造可靠专家模型；
全栈协同优化：从“堆硬件”到“拼效能”，构建弹性 AI 原生架构；

为应对智能体在 C 端和 B 端场景落地过程中的挑战，腾讯云也发布了其智能体战略全景图：涵盖了应用生态，开发平台和工具，以及算力基础设施、数据管理工具以及安全防护体系。

应用生态：C 端的智能体生态积累数据和对消费者的理解；B 端提升行业数据理解，并结合大量行业生态伙伴帮助客户做数据治理和应用运营陪跑；
开发平台：腾讯云智能体开发平台（ADP）定位于助力企业快速构建稳定、安全、符合业务需求的智能应用。在 RAG、工作流、multi-agent 等能力基础上做了多项工程优化，例如在复杂文档的解析方面效果突出，模型和插件广场提供多种模型和插件工具的调用；
基础设施：加大模型研发投入，同时拥抱第三方开源模型，通过云原生架构和全栈协同优化提升算力利用的效率；
安全防护：安全是企业的生命线。我们发现，大模型的风险贯穿了从开发、训练到部署应用的 4 个环节，涉及 20 多个风险点（如核心提示词注入攻击、内部数据泄露等）。为此，腾讯云推出了多模型高并发 WAF 平台，并联合清华大学制定了大模型安全评测基准，确保企业智能体“既聪明，又安全”。在一个餐饮头部品牌的 Agent 评测中，我们识别出 12 个关键风险点（如品牌贬损风险），并提出了 6 项修复建议。

四、多智能体协作才是未来的“专家天团”

技术演进的下一步，是从单体智能走向多智能体（Multi-Agent）协作。

单体 Agent 往往面临能力上限低、调试难、决策成本高等瓶颈。未来的解法是“术业有专攻”：由一个总控 Agent 负责宏观规划，指挥搜索、代码、下载等专职 Agent 执行。以 QQ 浏览器的“AI 下载助理”为例，用户只需一句话，总控 Agent 即可指挥子 Agent 自动访问多个页面、检索比对信息，并将最终的 PDF 下载交付。这种“群体智能”将极大释放复杂任务的生产力。

更宏观地看，多模态大模型、世界模型与具身智能将是技术底座的三大演进方向。而在商业层面，尤其是零售业，我们认为智能体将重构互联网的流量秩序。

在消费者端，AI Agent 将成为“数字分身”。它不依赖中心化的垄断平台，而是根据用户的意图直接推荐商品。OpenAI 与沃尔玛的合作已经展现了这一雏形——用户在聊天界面即可完成日用品、宠物用品等低客单、高复购商品的选购与支付。未来，市场舆情和用户评价的价值将被无限放大，因为 AI 会通过这些数据来辅助决策，减少消费者的信息搜索成本。

在企业端，智能体将成为“零边际成本”的数字员工：