传统软件巨头与AI原生创业公司正从两个方向逼近企业级Agent的生产门槛。前者手握存量客户与业务数据，后者能围绕具体任务重新设计产品。本文对比两类公司的数据权限距离与执行责任承担能力，探讨从Demo到生产的真正挑战，为AI产品经理提供切入机会的判断依据。

我最近看了 Founder Park 和四位一线创业者聊 ToB AI 的一场对谈，对于所有正在做 B 端 AI 产品的人来说，还是很有启发的。讨论一直围绕 Agent 进入企业生产环境后的实际问题展开，模型参数的提升只占了很小一部分。Agent 要先取得真正的业务数据，并接入企业正在使用的系统。执行错误需要划清责任，产品也要知道在什么位置把决定交还给人

麦肯锡 2025 年的调研呈现出采用与规模化之间的落差。88% 的受访者表示所在组织至少在一个业务环节经常使用 AI，但接近三分之二还没有开始全公司规模化。不少企业已经有 AI 功能和试验项目，仍缺少能进入现有系统与组织流程，并且划清执行责任的产品

传统软件或行业企业与 AI 原生创业公司，正从两个方向接近这道门槛。前者已经拥有存量客户，业务系统里还保留着长期积累的数据，也更熟悉企业的合同与治理基础。后者没有那么多旧产品和旧流程需要迁就，可以围绕一个具体任务重新设计产品，把模型与交互重新组织起来

这篇文章会比较两类公司与所需数据和权限的距离，以及它们承担执行结果的能力。还要看一次交付能不能变成可以复制的产品。对 AI 产品经理来说，这些判断会直接决定一个机会应从哪里切入，也决定一个看起来成立的方案能不能真正上线

从 Demo 到生产的共同门槛

一个 ToB Agent 在 Demo 里，通常只需要沿着提前准备好的路径完成一次任务。到了真实业务里，情况会复杂得多。它读到的数据可能不完整，账号权限也会随岗位变化。上游系统还可能返回预期之外的结果。有些错误可以重新生成，有些动作一旦执行，就会给企业带来真实损失。此时，产品能否给出答案只是其中一部分。它还必须知道自己可以使用哪些数据和执行哪些动作，遇到高风险情况时主动停下来找人

Founder Park 的对谈把 90% 和 100% 放在一起讨论，这里的数字描述工作流的完成度。模型准确率是另一套指标。如果前面 90% 都由 AI 完成，最后 10% 仍要用户重新整理并复制结果。用户还得登录另一个系统继续操作，前面节省的时间很可能会在交接中被吃掉。100% 闭环仍然可以保留人的参与，关键是把人的确认设计进流程，让系统知道何时申请授权，操作后又要留下什么记录。任务交还给人以后，流程也能从原来的位置继续

进入生产环境的 AI 产品，需要补上几类能力。它要接入经过授权的真实数据和业务系统，并限制不同身份可以执行的动作。关键过程还要可追踪，出错后能够评估影响并回滚。成本也不能只计算模型调用，还要把人工复核和返工算进去，错误路径与事故处理则应作为风险成本单独评估。少掉其中任何一块，Agent 都可能是一个有用的能力，却还达不到企业接入核心业务的要求

Gartner 在 2025 年预测，到 2027 年底，超过 40% 的 Agentic AI 项目可能因为成本上升，或者业务价值和风险控制不清楚而被取消。这个数字是一项预测，不能当作已经发生的项目失败率。它提醒企业同时核算业务价值与总成本，还要确认出现问题时能否控制后果

这些生产门槛是比较两类公司的共同尺度。新客户接入时，还要看已有能力能否直接复用

传统企业已经站在工作流里面

传统软件或行业企业最有价值的资产，是已经嵌入客户业务的系统，例如记录客户关系并承接销售、服务动作的 CRM。工业软件连接设备与工程流程，其中包含通用模型很难直接理解的现场语义。AI 进入生产环境时，必须取得这些数据与权限，执行动作也要回到原有入口

Salesforce 在 2026 财年第四季度披露，Agentforce 自推出以来已达成超过 2.9 万笔交易，且该季度 Agentforce 和 Data 360 的预订额中，超过 60% 来自现有客户扩展。存量客户带来的分发优势已经出现。生产使用和稳定回报仍需另行验证

行业企业的机会来自另一类控制点。Siemens 在 2024 年 10 月称，欧洲和美国已有超过 100 家客户使用 Industrial Copilot，约 12 万名 TIA Portal 用户具备产品触达入口。100 家客户不能等同于规模化生产，12 万也只是潜在触达人数。这些数字说明 Siemens 可以沿着已有工程工具和客户渠道，把 AI 带到设备编程、维护等具体场景。在 2025 年 3 月发布的维护产品中，Siemens 还把有限传感器接入的 Entry Package 与支持完整 Copilot、多站点扩展的 Scale Package 分开，让客户能够从有限场景逐步扩大部署范围

原有产品如果已经管理账号权限与业务数据，AI 才有机会沿用现有流程执行动作，并复用审计和人工接管机制。客户也可能沿用已有账号与合同，现有治理基础能减少重新接入的工作。厂商还有机会在一个产品里完成数据接入与权限控制，执行结果再反馈回原有流程

这类优势只在现有系统仍是客户真实工作入口时成立

存量系统也会把旧问题带进 AI

传统厂商已经站在业务现场，AI 上线时会继承旧数据和历史接口，现有责任也一起落到厂商身上。很多系统最初服务于确定性软件和人工操作，知识冲突由员工临场判断，跨系统动作则由原来的流程补齐。Agent 开始直接回答或执行后，这些隐藏在人工操作里的补丁会变成产品稳定性问题

Salesforce 在 Customer Zero 复盘中提到，早期的销售开发 Agent 面对潜在线索的细节问题时，约有 30% 会回答不知道，经过数据清理和持续迭代后降到 10% 以下。一次客服部署中，一页很少维护的旧资料与当前帮助文档发生冲突，Agent 会尝试调和两套信息，甚至可能编造答案。这些情况来自 Salesforce 自述，能够证明历史知识需要持续治理，不能据此断言传统企业的数据普遍更差

传统厂商也容易沿用旧产品的护栏逻辑。Salesforce 最初设置了竞争对手屏蔽名单，客户询问如何把 Microsoft Teams 与 Salesforce 集成时，Agent 因为识别到 Microsoft 而拒绝回答。护栏需要跟随任务风险设计，限制过严会阻断正常流程，限制过松又会扩大错误动作的后果

已有销售渠道可以更快带来试点，局部提效与组织级回报之间仍有距离。英国电信集团 BT 在 2024 年 6 月披露的一项初始部署中覆盖了 300 名客服人员，并称工单摘要和复杂备注审阅的耗时分别下降约 55%，平均解决时间改善约三分之一。这些数据来自客户自述，只能说明公告发布时的初始部署，不能推导出整体人工成本下降 55%，更不能证明同样结果可以低成本复制到其他客户

交付成本要单独核算。AI 产品经理可以用两张账记录它，一张写清上线前要清理多少数据、重做多少接口，另一张写清上线后要投入多少评测和异常运营。现有销售渠道可以带来试点，只有这些工作能在新客户之间复用，试点才可能变成可持续产品

创业公司的机会从一条窄流程开始

AI 原生创业公司通常不掌握客户的核心系统。它们的机会来自重新设计一条具体任务。很多旧软件要求用户先把信息整理成字段和表单，生成式 AI 可以直接接住对话和文档，再把可检查的结果交还给专业人员。创业公司可以让模型和交互围绕这个结果重组，再把人工审核放在结果生效之前

Menlo Ventures 根据 495 名美国企业 AI 决策者的调查和市场模型估算，2025 年创业公司占其口径下 AI 应用层收入的 63%，2024 年为 36%。报告还估算，27% 的 AI 应用支出通过产品驱动增长（PLG）进入，传统软件为 7%。这不是整体企业 AI 市场份额。Menlo 是 AI 投资机构，私营公司收入来自模型估算。报告还排除了嵌入既有软件的 AI 功能。在这个口径内，企业已经为独立的 AI 应用付费，其中一部分通过产品驱动增长进入组织

Abridge 展示了这类机会怎样落到具体任务。Kaiser Permanente 在 2024 年宣布，这款临床文书工具已可在 40 家医院和 600 多个医疗服务网点使用。它把医患自然对话整理成临床记录草稿。使用前要取得患者同意，草稿经过医生或临床人员审核后才进入病历。产品承担的是文书草稿生成，最终写入病历仍由专业人员负责。这些数字证明的是可用范围，不能证明每位医生都在使用，也不能推出临床结果或净 ROI

对 AI 产品经理来说，创业公司的切入口应当尽量窄，交付结果则要完整。先找一项高频且可复核的任务，再看专业人员能否在结果生效前把关

创业公司的交付要经得起复制

窄流程帮助创业公司找到产品入口，却不会自动把企业环境变简单。演示可以使用准备好的材料，生产数据则分散在客户系统中，账号权限也会随角色变化。AI 的结果通常还要回到原来的业务记录。创业公司必须取得客户授权，再适配自己没有控制权的系统

Kaiser Permanente 称，在扩大 Abridge 使用范围前做了测试和质量检查。工具还要保护患者隐私，并对数据进行加密。Abridge 创始人在同一公告中提到，临床流程与 IT 系统集成都要处理。公告没有披露实施成本。至少在这次部署中，模型能力只是交付的一部分

Abridge 把患者同意和临床人员审核放进正式流程，它们决定了草稿何时可以进入病历。其他行业的责任边界会不同，产品团队仍要限定动作的触发者，错误发生后还要能暂停并留下记录。若每到一个客户都要重新设计，产品团队就无法把这套责任安排标准化

单位经济性取决于新增客户时仍需重复多少交付工作。必要工作若仍由人逐个客户重做，收入增长也会同步推高交付压力。产品团队需要用标准连接器减少重复集成，再把评测要求整理成可配置模板，一条窄流程才可能成为可持续产品

当 AI 原生产品遇到专业基础设施

有些 ToB AI 的业务结果依赖双方各自掌握的能力。创业公司擅长重做交互和工作流，传统企业掌握专业内容与验证机制。此时要比较独立建设与合作各自需要付出的成本

2025 年 6 月，LexisNexis 与 Harvey 宣布战略合作，计划把美国法律内容与 Shepard’s Citations 引证验证能力接入 Harvey，其中法律内容包括判例和成文法。双方首先联合开发驳回动议与简易判决动议两类法律流程。LexisNexis 提供专业法律内容和引用验证，Harvey 提供承载这些能力的 AI 原生产品体验。首批合作直接落在律师已有的具体任务上

这份公告证明的是合作安排与开发计划。公告发布时，相关集成仍计划于 2025 年晚些时候完成。公告没有披露准确率与客户 ROI，联合流程的商业结果同样未知。一个案例不足以说明合作已成为 ToB AI 的主流路径。当关键数据和验证能力很难自行复制，新的产品体验又要进入专业工作流时，合作值得进入方案比较

AI 产品经理要同时计算能力互补和合作依赖。合作可以缩短补齐能力的路径，也会增加对对方基础设施的依赖，产品路线还要共同协调。判断先看谁控制客户入口、谁承担输出责任。还要检查合作关系变化后，核心流程能否继续运行

AI 产品经理的机会判断框架

评估对象应该是一条具体流程，同一家公司换一条流程可能得到不同答案。先写清客户最终要完成的业务结果，还要标明结果进入哪个系统，由谁确认才算生效。团队若只能产出内容，用户还要重新搬运，产品仍停在业务外围。错误发生后，要明确谁能暂停流程并承担后果，影响还要可以追踪

把控制关系画成两张图。一张标出业务数据和执行权限由谁控制，也写明执行结果由谁负责。另一张记录新客户接入时仍需重新完成的工作。已有系统能缩短接入，旧数据与历史接口也会带来治理成本。创业公司可以重做交互，缺少客户系统控制权时，则要支付集成与信任成本

现有系统已经握住业务入口，AI 可以沿原流程完成动作时，从传统企业的现有产品切入更直接。任务边界清楚且结果可复核时，创业公司更适合从窄流程切入。创业团队还要验证输入与审核方式能否跨客户复用。关键能力分散在双方手里，就比较合作与独立建设的总成本

产品是否可持续，可以用第一个客户和第十个客户做压力测试。比较连接器与评测集有多少可以复用，人工审核和异常运营是否随客户数量一起增加。公司披露的交易数字可以说明相应口径下的商业进展，覆盖数字至多说明产品的可用或触达范围。两者都不能直接证明稳定生产使用。本文现有材料没有可比的续费与毛利数据，客户结果也缺少足够的独立验证。这些缺口应当成为立项前要补的证据

愿我们永远对世界保持好奇