在9月25日的云栖大会上，瓴羊CEO朋新宇提出了一个核心观点：“企业级Agent的价值，取决于是否拥有最适配的模型、优质的企业专属数据以及精准的场景定义。”
这一判断的背后，是瓴羊自7月以来陆续发布的客服、分析、营销三批Agent应用。此次推出的AgentOne，正是将这些能力整合为一个企业级AI智能体服务平台。
然而，企业级AI的实际落地远比想象中复杂。Sam Altman在访谈中曾指出，当Agent犯错时，其后果远比ChatGPT在日常对话中“胡说八道”更为严重。一旦Agent接入业务系统，错误地处理订单、传递不准确的信息或扰乱数据，都将导致企业实实在在的损失。
为此，瓴羊提出了一个解决公式：企业级Agent = 大模型 × 好数据 × 强场景。
为何Demo能跑通，业务却难以落地？
复杂度侵蚀准确率
假设一个Agent每一步的准确率为95%。在演示环境中执行3-5步任务，成功率可接近90%，看似表现良好。然而，真实业务往往需要20步以上的复杂流程，这意味着理论成功率仅为0.95^20 ≈ 36%。Demo环境下的完美表现，在实际生产环境中很可能意味着失败。
那么，这5%的问题究竟源于何处？
-
边界模糊：企业往往难以确定Agent在何种业务环节应暂停自动化，转由人工介入。例如，一个客服Agent若自作主张做出超出权限的承诺，责任归属将成为难题。
-
场景割裂：不同系统中的Agent各自为政，导致数据无法互通，流程难以顺畅衔接。营销Agent即便成功找到目标客户，客服Agent也可能因缺乏客户来源和需求信息而无法提供连贯服务。
-
缺乏闭环：即使对Agent的提示词或工作流程进行优化，企业也难以准确评估其改进效果。缺乏有效的评测机制，优化将沦为盲目试错。
瓴羊提出的“企业级Agent = 大模型 × 好数据 × 强场景”公式，正是旨在解决上述挑战。
在真实业务场景中，企业追求的并非最大或最新的模型，而是最适配其需求的解决方案。某些场景下，7B的小模型可能效果更佳，而万亿参数模型反而可能导致过度拟合。关键在于找准场景、选用合适的模型，并结合优质数据。
从数据视角切入的差异化路径
瓴羊的前身是阿里数据中台团队。这一背景为其带来了独特的切入角度——不仅从模型和应用出发，更强调以数据为核心审视企业AI。
10%的数据，决定Agent能否理解业务
OpenAI、Google、Anthropic等头部厂商均训练了全球公开数据，在大模型公开数据层面，各方处于同一起跑线。然而，企业面临的核心问题是：大模型对企业自有业务的理解存在不足。
朋新宇在云栖大会上强调，企业数据中约有10%是自有的、结构化的、且蕴含业务逻辑的核心私密数据。正是这10%的数据，决定了AI能否真正深入理解企业的业务运作。
以电商退货流程为例，何种情况可享受7天无理由退货、何时需进行质检、哪些情况可直接退款、以及哪些必须人工审核——这些规则因公司而异。这便是那10%“自有好数据”的价值所在。并非数据量越大越好，而是这些结构化、具备业务逻辑的核心数据，才是AI理解企业业务的关键。
这也解释了瓴羊AgentOne的核心工作：构建从数据供给到流通的完整闭环，促使企业数据从“为人服务”向“为AI服务”转变。过去，企业数据主要通过BI工具供人工查看报表；如今，这些数据需被AI理解、调用与处理。
阿里生态赋能的独特优势
作为阿里数据中台团队的前身，瓴羊天然理解数据对企业AI的深远价值，并能将阿里生态中积累的场景化数据能力全面赋能AgentOne。
理解了数据的价值，便能洞悉瓴羊推出的“电商AI训练场”的深层逻辑。该训练场基于聚石塔升级，提供三层核心能力：
-
底层：模型服务。提供通用大模型和行业大模型，企业可根据具体场景灵活选择。
-
中层：企业模型训练和微调能力。支持企业利用自有数据训练专属模型。
-
上层：Agent快速搭建能力。基于训练好的模型，企业可迅速构建适配自身业务的Agent。
尽管这一三层架构看似标准，但其核心优势在于背后整合的丰富阿里生态资源。
TMIC（阿里妈妈营销洞察中心）提供的趋势洞察数据，能够帮助企业了解何种款式在特定人群中流行。电商品牌利用TMIC数据训练Agent，便能使其理解当前流行趋势，而非仅依据历史数据进行推荐。
店小蜜沉淀的客服知识，包含了客户在不同场景下提出的问题类型。这些问题背后的业务逻辑、处理流程和注意事项，均构成了结构化的知识体系。
聚石塔作为一个安全的数据空间，现已升级为品牌AI训练场。企业的敏感数据可在这一安全环境中用于模型训练，无需担忧数据泄露。
这些数据不仅结构化、场景化，且能被AI深度理解，构成了其他AI难以触及的独特业务规则。除电商场景外，AgentOne的数据广场还整合了金融、法律、政务、教育等多个垂直领域的高质量数据集。
产品设计：赋予企业选择权
AgentOne的产品逻辑可概括为一句话：让企业像管理员工一样管理Agent。
用户可以直接从“Agent广场”招聘现成的Agent，也可自行训练定制化的Agent。招聘来的Agent可进一步培训优化，而自行训练的Agent亦可分享给其他部门使用。
瓴羊为何优先选择切入这四大场景？
瓴羊将企业场景按照资源密集度划分为：营销（资金密集）、客服（人力密集）、分析（数据密集）和运营（流程密集）。
这种分类逻辑在于，AI应优先解决企业核心痛点，这亦体现了其“边界清晰”的产品理念。
营销场景：资金密集投入的核心环节。
日常的广告投放、市场推广、活动策划，营销预算往往是企业最大的开支。瓴羊营销Agent由灵感创意、营销策划、素材创作、媒介投放与结案分析五大子Agent构成，运行在Quick Audience、天攻智投等营销产品上。天攻智投的策略规划Agent能根据品牌需求自动制定投放策略，推荐时间、预算分配、筛选渠道，从人群洞察到投放执行，覆盖营销全链路。
客服场景：人力资源最集中的领域。
电商、汽车、金融等行业，客服团队规模动辄上千人。Quick Service提供三类超级客服：超级客服专家负责电商导购、退换货等高频场景；超级电销专家通过AI外呼和用户画像匹配缩短销售周期；超级企业服务专家则覆盖入职离职、考勤薪酬、IT运维等员工服务全链路，实现7×24小时自助问答。
分析场景：数据密集型决策的关键领域。
在具体工作中，每日会议均需查看、分析数据并撰写报告。瓴羊推出的智能小Q完整覆盖了这些工作内容：问数Agent解决一线人员“求而不得”的问题，业务人员仅需一句话即可完成业绩总结和波动归因；解读Agent能从海量报表中定位关键信息；报告Agent则能在20分钟内生成完整报告。
运营场景：流程最为繁琐的日常环节。
直播巡检、体验洞察、数据监控等工作重复性高但需持续进行。运营Agent可实现24小时值守，发现问题及时预警。
AgentOne的真实用户海信，便部署了两个Agent：直播巡检Agent可24小时监控直播间，识别违规话术并留证告警，对比主播话术结构，从而使直播间停留时长提升12%，违规率下降50%；智能客服Agent则能调取物流数据生成工单，并在外呼中动态生成话术，使工单处理效率提升80%。这两个Agent分工明确：巡检Agent发现问题，客服Agent解决问题。
Sam Altman在2025年初的博客中曾写道：“我们现在确信知道如何构建AGI。”然而，他在随后的采访中也指出，即使在OpenAI内部，对于自主Agent应具备多大程度的自主性，目前也尚未达成共识。
这一矛盾反映了当前AI行业的现状：尽管技术能力飞速发展，但如何将AI安全、可靠地应用于企业实际场景，仍是一个悬而未决的问题。
瓴羊AgentOne的应对策略是——在技术选择上，追求最适配而非最大最新；在数据能力上，专注那10%的核心业务数据，整合阿里生态的场景化数据优势；在评测体系上，提供完整的评测流程，确保优化可量化；在产品设计上，赋予企业选择权，根据具体场景决定Agent的自主程度。
期待瓴羊AgentOne能真正实现其在云栖大会上所表达的愿景，即“水利万物而不争，数利万企而无声”。
