Agent还是Agency：企业如何根据业务需求做出选择

企业在讨论“Agent还是Agency：企业如何根据业务需求做出选择”时，真正要选的不是一个时髦名词，而是两种交付方式：把能力做进自己的流程，还是把目标交给外部团队完成。凡是高频、规则相对稳定、数据可沉淀、需要持续优化的工作，更适合优先考虑Agent；凡是目标不清、需要创意判断、跨部门协调或短期冲刺的工作，更适合选择Agency。边界也很清楚：Agent不是廉价员工，Agency也不是万能外包，选错之后省下的预算往往会在返工、沟通和风险控制里还回去。

先把概念说清：Agent解决“让系统持续做事”，Agency解决“让团队完成目标”

Agent通常指具备一定自主执行能力的智能体或自动化系统。它可以理解任务、调用工具、读取数据、按流程执行，并在一定规则内给出结果。例如销售线索初筛、客服工单分流、合同条款初审、报表生成、库存预警、会议纪要整理等，都可以由Agent嵌入现有系统，形成可重复运行的能力。

Agency则是服务型组织，可能是咨询公司、营销代理、内容工作室、技术服务商或综合外包团队。它提供的不只是执行动作，还包括策略判断、资源协调、创意产出、项目管理和结果负责。例如品牌年度传播、海外市场进入方案、复杂系统上线、行业研究、投放策略迭代、企业级AI转型规划，往往需要Agency介入。

两者最大的差别在于“责任形态”。Agent承担的是流程中的一段能力，结果依赖企业是否给出清晰目标、数据、权限和验收标准；Agency承担的是阶段性目标，结果依赖服务方经验、项目管理能力以及双方沟通质量。一个偏产品化，一个偏服务化；一个适合长期复用，一个适合不确定性较高的阶段性任务。

哪些业务更适合Agent：重复、可度量、可嵌入

如果某项工作每天都发生，输入和输出比较稳定，且员工已经有明确判断规则，Agent通常更值得投入。典型场景包括内部知识问答、客户咨询分流、财务凭证归类、销售跟进提醒、采购比价初筛、舆情摘要、简历初筛、售后工单分类等。

判断一个场景是否适合Agent，可以看三个条件。第一，是否有足够清晰的数据来源，例如历史工单、产品文档、合同模板、客户记录、操作手册。第二，是否存在可描述的业务规则，例如什么情况转人工、什么情况标记高风险、什么字段必须校验。第三，是否能被系统接入，例如CRM、ERP、客服系统、知识库、邮件、表格或企业即时通讯工具。

Agent的优势不是一次性惊艳，而是稳定降低边际成本。一个合格的客服分流Agent，可能不会替代所有客服，但能把大量重复问题先归类、补齐信息、推荐答案，让人工处理更快。一个销售助理Agent，也未必能直接成交，但可以自动整理客户背景、提醒跟进节点、生成拜访摘要，减少销售人员在低价值事务上的时间消耗。

哪些业务更适合Agency：不确定、跨职能、结果导向

如果企业面对的是一个尚未被清晰定义的问题，Agency往往更合适。比如“我们应该进入哪个东南亚市场”“新品上市如何定位”“投放账户为什么增长停滞”“企业内部AI应用从哪里开始”“品牌声量下滑的根因是什么”。这些问题不是单靠一个流程就能解决，而需要调研、访谈、假设、试错和组织协同。

Agency适合处理三类任务。第一类是高不确定项目，目标明确但路径不清，例如市场进入、组织变革、增长诊断。第二类是高创意项目，需要人类审美、语境理解和传播判断，例如品牌片、整合营销、内容策划。第三类是高协调项目，涉及多部门、多供应商、多系统，例如企业官网重构、会员体系建设、AI中台规划。

选择Agency的关键不是看对方说得多专业，而是看它能否把问题拆成阶段、交付物和责任边界。好的Agency会帮企业澄清需求，指出不可行假设，设计验证路径；差的Agency只会接收任务、堆人执行，最后交付一堆看似完整但无法落地的材料。

一套实用判断框架：从业务问题倒推，而不是从工具出发

第一步，定义任务类型：是流程动作，还是业务结果。

如果需求可以写成“当出现A情况，系统执行B动作，并输出C结果”，它更接近Agent。例如“客户提交售后问题后，系统识别产品型号、问题类型、保修状态，并推荐处理路径”。如果需求只能写成“提高转化率”“重塑品牌认知”“搭建AI能力体系”，它更接近Agency，因为其中包含大量诊断和策略选择。

第二步，衡量频率和生命周期：一次性项目不要急着做Agent。

Agent需要配置、测试、接入、维护，适合长期使用。如果任务一年只发生一次，除非影响巨大，否则直接找Agency或内部项目组更现实。反过来，如果任务每天发生几十次、几百次，哪怕单次价值不高，只要可以标准化，Agent就有机会创造可观收益。

第三步，检查数据和权限：没有燃料，Agent跑不起来。

企业常见误区是以为买了Agent就能自动理解业务。实际上，Agent需要知识库、历史数据、系统接口和权限边界。没有最新产品资料，它会答错；没有客户标签，它无法分层；没有审批规则，它不能自动推进流程。若数据分散、口径混乱、权限难开，先让Agency或内部团队做流程梳理，往往比直接上Agent更稳。

第四步，评估风险等级：低风险自动化，高风险保留人工。

适合先交给Agent的通常是低风险、可回滚、可人工复核的任务，例如摘要、分类、提醒、初稿、推荐。涉及法律承诺、财务支付、医疗建议、人事裁撤、重大客户报价等高风险环节，不宜让Agent独立闭环。可以采用“Agent初判，人工确认”的方式逐步推进。

第五步，计算总成本：别只看采购价，也看管理成本。

Agent的成本包括系统采购或开发、数据治理、接口接入、提示词和规则维护、员工培训、效果评估。Agency的成本包括服务费、沟通时间、内部配合、返工成本、知识留存不足。若企业内部缺少产品经理、流程负责人和数据支持，Agent项目容易变成“买了不用”；若企业缺少明确brief和决策人，Agency项目容易变成“反复改稿”。

第六步，决定组合方式：多数企业不是二选一，而是先后顺序不同。

成熟做法常常是Agency先帮企业诊断场景、梳理流程、设计原型，再把高频稳定环节沉淀为Agent。也可以先用轻量Agent验证效率提升，再请Agency围绕组织流程和业务策略做扩展。换句话说，Agent还是Agency：企业如何根据业务需求做出选择，不是站队问题，而是看当前阶段最缺什么能力。

风险、限制与验收：选型失败通常不是技术问题

Agent项目最常见的风险有四个。第一，业务规则没有写清，导致输出看似智能但不可控。第二，知识库无人维护，三个月后答案过期。第三，权限边界过大，带来数据泄露或误操作风险。第四，缺少验收指标，只凭“好不好用”做判断，最后无法证明价值。

Agent的验收要具体到指标。客服场景可以看问题识别准确率、人工转接率、平均处理时长、客户满意度变化；销售场景可以看线索补全率、跟进提醒命中率、销售填写CRM时间减少量；报表场景可以看生成耗时、人工修正次数、数据口径一致性。不要只验收演示效果，要验收真实业务数据下的稳定表现。

Agency项目的风险则集中在目标漂移、交付物虚化和知识不能沉淀。企业应在合作前明确决策人、里程碑、交付格式、评审标准和数据口径。比如做市场研究，不只要PPT结论，还要访谈样本、数据来源、分析假设和可执行建议；做投放代理，不只看素材数量，还要看账户结构、测试逻辑、归因口径和复盘机制。

Agency的验收不能只看过程辛苦，也不能只看短期结果。品牌、咨询、增长类项目受外部环境影响较大，应同时验收过程质量和业务结果。可核对的内容包括：是否按约定完成调研，是否提出可验证假设，是否形成决策材料，是否留下可复用资产，是否帮助内部团队提升能力。

管理层该怎么拍板：把选择写成一页纸

建议企业在立项前写一页选型说明，避免讨论变成“谁更懂AI”或“谁更会讲方案”。这页纸只需要回答七个问题：要解决的业务问题是什么；任务发生频率多高；输入数据在哪里；输出结果由谁使用；错误后果有多严重；需要持续运行还是阶段性交付；内部是否有人负责维护和验收。

如果答案显示任务高频、规则明确、数据可用、错误可控、需要长期运行，优先考虑Agent。如果答案显示目标复杂、路径不明、跨部门协调多、需要经验判断和创意策略，优先考虑Agency。如果两边都符合，先把Agency用于需求澄清和流程设计，再把稳定环节产品化为Agent。

最后的行动清单：本周就能开始做的五件事

第一，列出公司内部最耗时的十个重复任务，标注频率、耗时、涉及系统和错误后果。

第二，挑出三个低风险场景做Agent候选，例如资料检索、摘要生成、工单分类、线索补全，不要一开始就挑战核心决策。

第三，把一个战略性或不确定性问题写成Agency brief，明确背景、目标、现有数据、预算边界、决策人和期望交付物。

第四，为每个候选项目设置可量化验收指标，至少包括效率、质量、使用率和风险控制四类。

第五，指定内部负责人。Agent需要业务负责人持续维护规则和知识，Agency需要项目负责人控制范围和验收质量。没有内部owner，任何外部能力都会打折。

企业真正需要的不是在Agent和Agency之间选一个绝对答案，而是建立一套基于业务需求的判断机制。能标准化的，尽量沉淀为Agent；还在探索的，借助Agency加速判断；已经验证有效的，再用系统化方式复制。这样做，AI投入才不会停留在演示层面，外部服务也不会变成一次性消耗。