作者 | 江宇
编辑 | 漠影
在华润信托，一笔债券交易的起点，可能只是一条聊天群里的消息。
交易员需要在上千个交易群中接收指令，识别交易要素，再录入交易系统。客户询问持仓、交易进度时，他们还要打开系统查询，把结果发回群里。
这项工作既繁琐，又容不得差错。
如今，华润信托开始让一个智能体接手其中部分工作。它直接进入交易群，识别并拆解交易指令、录入系统，也能查询持仓与交易进度，自动回复群里的咨询。
据腾讯云披露，这个基于智能体开发平台 ADP 打造的债券助手，拆单准确率已经从最初的 80% 以上提高到 98%。
但在关键节点，华润信托仍然保留人工确认。
这背后其实是行业的一个非共识：大模型不断展示其可以完成多少复杂任务，但模型能正确理解一条指令，与企业愿意让它执行这条指令，是两回事。
有人认为，模型能力的持续进步，终将抹平企业 AI 落地的种种技术门槛。
现实未必如此。2026 年 8 月，麦肯锡发布全球 AI 调查：80% 的受访者称 AI 提高了个人工作效率，但只有 37% 认为 AI 对所在企业利润产生了正向贡献。9 月，麦肯锡进一步提到，企业大量时间消耗在不同部门和系统之间的任务传递、协调与等待上。
可见，企业 AI 难以突破的是，模型之外的整个企业生产体系。
这也是不少专注模型或单点应用的中小 To B AI 公司面临的挑战。模型能力和产品功能可以快速迭代，但要进入企业核心系统，获得客户信任，并建立覆盖不同行业的交付体系，需要更长时间的投入与积累。
10 月 30 日，在腾讯全球数字生态大会上，腾讯云升级智能体开发平台 ADP，发布 AgentPortal 2.0，并宣布与 WorkBuddy 双向打通。
从企业业务系统接入，到智能体统一管理，再到行业场景与交付生态，腾讯云正在尝试提前占据企业 Agent 规模化落地的战略要地。
这些探索能否在模型之外，为腾讯云建立起一道更难被后来者快速复制的企业 AI 护城河？
一、AI 敢不敢进入核心业务？企业 Agent 先要跨过管理关
从理解指令到执行交易，企业 Agent 首要解决的，是权限与责任问题。
华润信托债券助手仍保留人工确认与操作记录的原因，其实不难理解。一个金融智能体可以查询客户持仓，不意味着它能够查看所有客户的数据；一个负责办理业务的 Agent 能够调用系统接口，也不意味着它有权完成所有操作。
企业管理 Agent，首先要做的就是划清业务权限。
对应这一需求，腾讯云 ADP 此次升级了安全私网连接、租户及权限隔离等能力，支持不同 Agent 按照权限访问数据库、ERP 等企业内部资源，并将企业系统连接能力统一提供给沙箱、工作流、MCP、连接器等不同模块。
再来看，在云南白药也是如此：云南白药的员工日常需要查询内部制度、药品信息和医学资料，但这些知识的使用对象和权限要求各不相同。
为此，云南白药依托 ADP 与乐享，将权限管理细化到员工 ID。员工通过 " 白药钉 " 一个入口提问，智能体自动判断问题类型、路由至对应知识库，再根据员工的实际权限返回内容。
对员工来说，就是问一个问题、得到一个答案；但在背后，是多个知识库和一套权限规则共同发挥作用。
除了明确权限以外，企业同样不能一味追求全自动，不同业务对 Agent 自主程度的要求也不尽相同。
例如，标准审批、工单处理等有固定规则的业务，往往需要明确的执行顺序和可预测的结果；跨部门分析、经营决策辅助等工作，则可能需要多个智能体分工协作。
为此，腾讯云 ADP 提供 Claw、标准、多智能体、工作流四种模式，让企业能够根据实际业务需求，选择不同的智能体构建与执行方式。
华润信托就采用了这样的组合：通过 Claw 处理自主规划任务，利用 Workflow 执行规则明确的业务流程，而关键交易环节始终由交易员确认。
这也与行业对 Agent 治理的判断相呼应。
2026 年 5 月，全球权威研究机构 Gartner 提醒，如果企业对所有 Agent 采用统一的治理方式，可能造成两种结果：简单任务被过度限制，而高风险任务却获得了过多权限。
而当 Agent 真正进入生产环境，管理也不能止步于上线。
传统软件通常按照预先确定的程序规则运行，但模型输出并不具有同样程度的确定性。一次任务执行成功，也不意味着 Agent 能够长期稳定地完成相似任务。
尤其是企业开始让 Agent 持续运行后，如何追踪每次操作、监控成本、定位故障，以及出现问题后如何及时纠正，都成为新的管理需求。
腾讯云 ADP 此次强化了运行记录、成本与状态监测、故障定位和版本回滚等能力。同时，ADP 还可以利用 AI 分析真实业务反馈，提出智能体优化建议，再由人工审核后生效，让 Agent 在运行过程中持续受到评估和调整。
企业管理 Agent，要让它能够在明确的业务规则下持续执行任务。企业级工程与治理能力，正在成为模型之外的第一层技术壁垒。腾讯云 ADP 此次升级，正是围绕这些生产环境中的管理需求展开。
二、员工都用上 AI 了，为什么企业还没同样 " 快提效 "？
企业不是一群员工的简单相加。每个人都节省一个小时，并不意味着公司就能少花同样多的时间完成一笔业务。
企业 AI 的第一个问题，是把员工的工作拆成了一个个彼此独立的任务。
过去两年，AI 最先进入的是文档撰写、数据分析等个人办公场景。这些工作有一个共同特点：任务边界相对清楚，员工自己就能够判断结果好坏。
但企业业务的运行方式并非如此。一项任务往往需要经过相关负责人、区域团队和一线人员等多个环节，在不同部门、人员和业务系统之间流转。
如果只是某个环节完成得更快，AI 带来的效率优势就可能被原有流程消耗掉。
由此，延伸至企业 AI 的第二个问题：交接与等待，拖慢了整个业务流程。
2026 年 9 月，麦肯锡在一项研究中分析了一家财富 500 强工业企业的生产流程，发现整个业务流程所花费的时间，大部分是在等待任务进入下一环节。
麦肯锡将其称为 " 协调接口成本 "（Coordination Interface Tax）。
对于大型企业而言，单独优化一个步骤，未必能解决不同团队和系统之间的协作问题。这也解释了为什么员工使用 AI 的频率越来越高，但企业整体的效率和经营收益未必能够同步增长。
企业 AI 需要解决的，已经不局限于让每个员工更快完成自己的工作，还包括让 AI 真正进入业务流程，把不同环节连接起来。
腾讯云与伊利的合作探索提供了另一案例。伊利将区域销售、导购表现和市场数据汇聚起来，由智能体辅助分析经营情况、形成策略，再将相关能力延伸到一线导购场景。
在这个过程中，WorkBuddy 承担了业务人员使用 AI、开展经营分析的部分工作；ADP 构建的导购智能体，则进一步进入面向消费者的销售场景，根据客户需求生成商品推荐和沟通话术。
据腾讯云披露，这套组合让导购运营团队效率提升超过 50%。同时，导购智能体在 A/B 测试中带来 26% 的销售订单提升。前者体现内部效率，后者直接触及经营结果。
但从个人工作流走向企业级服务，还需要让 AI 能力能够跨系统、跨人员复用。
这也是 Personal Agent 与 Service Agent 的核心区别。腾讯云副总裁吴永坚告诉我们，Personal Agent 更多从个人使用出发，而 Service Agent 需要站在企业角度，考虑不同角色的权限、安全，以及构建好的能力能够分享给谁、如何管理。
例如，员工可以通过个人办公入口分析销售数据，但不能仅凭一段 AI 对话，就让经营策略自动进入全公司的销售流程。企业还需要完成权限验证、能力分发、任务执行和效果反馈。
腾讯云此次将 ADP 与 WorkBuddy 双向打通，正是试图缩短个人 AI 使用与企业业务执行之间的距离。
一方面，企业通过 ADP 构建的 Agent 和 Skill，可以进入 WorkBuddy，供员工在日常办公中直接调用；另一方面，员工通过 WorkBuddy 探索和验证的个人工作流，也可以转化为 ADP 智能体，进入企业统一管理与分发体系。
这意味着，个人积累的有效工作方法，有机会进一步成为企业可以复用的 AI 能力，而不必长期停留在某个员工的电脑里。
个人 Agent 解决员工如何使用 AI 的问题，服务 Agent 则进一步把 AI 带入企业业务流程。企业 AI 真正可能产生更大收益的地方，可能恰好在于重新组织这些步骤之间的关系。
三、Agent 造得越来越容易，企业也为 " 养 Agent" 发愁
智能体开发门槛降低，可能让企业重新遇到软件时代的老问题：Agent 太多了。
不同部门有自己的知识库、流程和业务需求，也可能各自构建智能体。每个 Agent 单独看都有价值，但当数量不断增加，企业可能不知道究竟有哪些 Agent 正在运行、谁负责维护、哪些功能重复，以及它们各自拥有多少权限。
2026 年 4 月，Gartner 将这种现象称为 Agent Sprawl（智能体蔓延）。该机构当时的调查显示，只有 13% 的受访组织认为自身具备适当的 Agent 治理机制。
企业可能还没来得及充分利用 AI，就先需要面对新的管理负担。
对此，腾讯云采取了一套 " 两手并进 " 的方案：ADP 降低 Agent 开发门槛；AgentPortal 2.0 解决智能体的统一使用和管理问题。
其中，ADP 此次升级有两个重要变化：一是从对话式搭建智能体，走向 AI 原生贯穿整个开发流程；二是从搭建智能体，走向构建与部署完整的业务应用。ADP 正从 4.0 版本的 " 智能体构建专家 "，升级为 " 智能体全生命周期专家 "。
过去，业务人员可能需要向技术团队提交需求，再由开发者分别完成智能体配置、系统集成和应用界面搭建。现在，部分构建工作可以在同一工作区中完成，配置、预览、调试和评测也能衔接起来。
AgentPortal 2.0 则进一步解决智能体统一使用和管理的问题，让企业可以将不同部门构建的 Agent 纳入统一入口，同时支持对 ADP 及第三方智能体的集中管理。
员工可以直接提出业务需求，由系统自动选择适合的智能体处理；企业也可以按照部门、职能分发 Agent，统一管理上下架和使用权限。
对于需要长期协作的复杂项目，多个智能体可以组成团队，由项目经理智能体协调任务；对于直接服务消费者的业务，多个专业 Agent 也可以汇聚在统一服务入口背后。
由此，企业不必让员工分别寻找和调用不同的 AI 工具，而是可以通过统一入口完成任务分派与多智能体协作。
与此同时，一套区别于过去软件时代的 AI 建设新打法，也正在逐渐成形。
过去，企业软件通常由 IT 部门采购、部署，再要求业务部门学习和使用。但个人 Agent 普及后，一线员工可能先发现某种 AI 工作方法有效，再推动企业将其变成正式应用。
ADP 与 WorkBuddy 的双向打通，让这种路径在技术上更容易实现。
员工可以先通过 WorkBuddy 探索和验证工作方法，再将优质工作流转化为 ADP 智能体，纳入企业统一管理；企业已有的 Skill，也能够回到员工的日常办公入口继续使用。
AI 能力开始从个人经验沉淀为组织资产。由此，企业 Agent 平台的竞争，还延伸到企业内部 AI 能力的组织与运营。
四、从 1 个项目到 1000 个项目，腾讯云能否抢下企业 AI 的生态位？
如果说前面三个问题，分别对应企业 Agent 如何进入业务、产生经营价值和实现统一管理，那么接下来还有一个更艰巨的挑战：如何把一个成功项目复制到更多企业？
企业 Agent 越深入真实业务，越需要专业工程团队进入客户现场。这也是 FDE（前沿部署工程师）模式重新受到关注的原因。
FDE 是海外企业软件行业已有多年的工作方式。工程师直接进入客户的业务环境，与业务团队一起确定问题、接入系统并开发解决方案。
AI 兴起后，FDE 在企业 Agent 交付中开始扮演更重要的角色。
2026 年 10 月，澳大利亚软件龙头 Atlassian 披露，其 FDE 团队已经与超过 100 家企业客户合作，推动 80 多个 AI Agent 进入生产环境。
FDE 受到重视，恰恰是因为真实企业往往无法仅凭产品说明书就完成 Agent 部署。
业务数据可能分布在不同系统，权限规则与实际工作流程也未必一致，很多问题只有工程师真正进入业务现场后才会暴露出来。
但定制化交付也存在一个悖论：越依赖专家，越难降低交付成本。
2026 年 9 月，Gartner 提出一项预测：到 2028 年，70% 的企业可能放弃由供应商 FDE 团队构建的 Agent，主要障碍包括成本增加、独立维护困难。
这项预测也提醒行业，一个项目如果只能依靠最初的实施团队维持运行，就很难形成可持续的商业模式。
企业 Agent 需要的不只是完成一个项目，还要将项目中的经验沉淀下来，让后续客户能够以更低成本复用。
吴永坚告诉我们，腾讯云并不希望把企业 Agent 交付变成单纯的项目或人力外包生意。他打了一个比方：过去做企业 Agent 项目，有点像经营一家私房菜馆，每个客户来了，都需要厨师按照具体需求定制。但如果希望把生意做大，就需要根据过去服务大量客户的经验，逐渐沉淀出可以复制的菜品。
" 只有复制效率提升了，我觉得这个生意才能够跑得转。" 吴永坚说。
为此，腾讯云正在尝试以 "FDE＋ADP＋场景包 " 突破定制化交付的困局。
在此次大会上，腾讯云推出 FDE 认证，并进一步升级 ADP 开放接口及 ADP CLI，推动企业、开发者和生态伙伴参与智能体建设与交付。
除此以外，腾讯云还将过去几年积累的项目经验，进一步沉淀为一套可以交给合作伙伴使用的交付方法论。
这套 FDE 体系覆盖五个阶段：接入期，打通系统和数据，明确权限与安全边界；建设期，组合 Claw Agent 与 Workflow，形成业务方案；验证期，通过真实场景检验效果、把控风险；推广期，推动 Agent 从试点走向规模化应用；治理期，持续管理知识、效果、成本与安全。
每个阶段都配有相应的任务、交付物和验收标准，以及模板、评测用例和操作手册，让合作伙伴能够按照相对统一的流程完成交付。
在此基础上，腾讯云还将过往项目经验归纳为覆盖零售、制造、教育、金融、医疗五大行业的 25 个服务场景包。
与此同时，腾讯云还展示了智能客服、视觉智能体等垂类应用的进展，尝试将更多成熟能力沉淀在 ADP 平台上。
目前，ADP 已经覆盖千余个公有云应用场景、百余个私有云应用场景，并在零售、金融、医疗、工业等行业沉淀出可以复制的场景包。
这些场景背后有不少共性需求。例如，不同企业都需要安全连接内部系统、管理 Agent 权限、监控运行情况，以及根据业务反馈调整应用。
如果能够通过平台统一提供这些能力，工程师便不必在每一个项目中重新解决相同的问题。但行业场景包并不意味着所有企业都可以直接复制。所以，FDE 和企业内部团队仍然积极参与适配。
在一些业务流程相似、标准化程度较高的场景中，这种模式已经展现出规模化部署的潜力。
例如，基于 ADP 打造的酒店智能体管家 " 华小 AI"，通过 38 条工作流覆盖 152 个客服子场景，已经在超过 10000 家门店落地，自动处理超过 70% 的高频客服问询。酒店门店之间存在大量相似的客服需求，智能体可以复用共性工作流，再根据不同门店的具体需求进行调整。
这类可以在大量门店重复部署的场景，更容易获得规模化优势。
因此，腾讯云此次推进 FDE 生态建设，也是在尝试利用 ADP 和行业场景包，让工程师不必在每个项目中重复解决相同的问题。
FDE 解决进入现场的问题，平台化降低重复开发成本，行业场景与生态伙伴则支撑进一步复制。这也是企业 AI 护城河可能逐渐形成的地方。
对于中小 To B AI 公司而言，开发相似的模型应用或产品功能，未必是无法跨越的技术难题。但进入企业核心业务系统、获得客户信任、积累跨行业经验，并建立覆盖开发、交付和持续运营的伙伴网络，都需要更长时间的投入。
吴永坚也提到了类似的判断。在他看来，模型以及围绕模型的基础技术能力固然重要，但企业 Agent 落地还有大量 " 最后一公里 " 的问题。如何把这些问题逐一解决，并将解决方案沉淀进产品，再通过合作伙伴规模化交付出去，难度并不低。
他将这一过程比作从做好一道菜，到能够经营上万家门店。前者考验单个产品的能力，后者则需要一整套能够长期稳定运行、持续复制的体系。
企业 AI 的护城河在于持续积累的客户连接、行业经验与交付生态。
腾讯云利用已有的企业生态和行业落地基础，正在争取先发位置。这条路径能否形成规模优势，将决定腾讯云在企业 Agent 市场中建立的护城河究竟有多深。
结语：模型之外，企业 AI 的护城河才刚刚开始
过去，企业购买软件，是为了让员工更高效地工作。如今，Agent 开始直接连接业务系统、执行任务，人的角色逐渐转向设定目标、审核决策和处理异常。
但企业可以把工作交给 AI，却不能把责任一并交出去。
腾讯云此次 ADP 升级，正是围绕这些问题展开：
向下，通过安全连接、权限隔离、运行监控和反馈优化，让 Agent 能够进入业务系统并持续运行；
向上，通过 AgentPortal 2.0 统一管理和分发智能体，打通 WorkBuddy，让个人工作流能够沉淀为企业可复用的服务；
向外，则借助行业场景包与 FDE 生态，尝试降低不同企业重复开发和交付的成本。
这也反映出企业 Agent 行业正在发生的一种变化：竞争的重点正从让 Agent 具备更多能力，转向如何将这些能力组织起来，形成能够长期运行的企业服务。
腾讯云此次围绕 ADP 展开的一系列探索，正试图在模型能力之外，为企业 AI 的规模化落地筑起第一道护城河。
