IDC近期的企业用户调研和交流表明，企业建设和应用智能体时主要面临两个难题：哪些业务场景值得优先投入？项目建成后能否取得可验证的业务成效？
围绕这些问题，IDC通过中国企业级Agent最佳实践与案例精选（ROI）视角这本报告，对中国企业Agent的应用案例进行了深入研究，案例覆盖金融、制造、港口、建筑、贸易、零售、能源、医药和城市治理等场景或行业。报告重点关注Agent进入了哪些业务，企业采用了怎样的实践路径，以及项目上线后的投入和效果如何评估。
同时，我们也通过以下四方面的深入观察，洞悉项目建设和运行过程中出现的数据、知识、业务规则、流程与组织协作变化，以及这些积累对后续Agent建设的影响。
一、ROI难以量化已成为企业Agent规模化的首要问题
IDC中国企业智能体调研显示，52.0%的受访企业将ROI难以量化列为智能体规模化落地的最大挑战，远高于其它影响因素：模型能力尚未达到业务要求、Agent基础设施不成熟、人才与技能不足占以及组织内部的变革阻力。
在AI落地初期，部分企业基于推广普及AI的需求一般会更关注覆盖率、使用量和员工采用情况。另外当前部分企业主要落地的知识库问答或简单Workflow的智能体通常任务相对简单，模型调用、系统改造和持续运营投入有限，成本压力暂时不大。
但在复杂任务场景中，Agent则需要反复调用模型和工具，执行链路更长，多Agent模式下还会增加模型调用和系统交互频次，运行成本可能迅速上升。尤其是当前基于Harness架构、具备自主规划循环能力的Agent，在部分场景中的运行成本甚至可能超出企业可以承受的范围。
在涉及到业务和生产流程的高价值场景中，企业往往还需要数据治理、系统连接、权限与审计设计、业务规则整理和流程重构等基础能力建设。这些工作往往需要业务专家、IT团队和FDE长期参与，人力投入通常较高。
而在Agent带来的收益方面，往往又是分散在多个部门。企业如果缺少持续的业务数据监控机制，还需要跨部门统一指标口径、价值归属和成本分摊方式，收益核算会变得十分复杂，不亚于一次组织重构。以客服Agent为例，它可能减少坐席工时、提高一次解决率、缩短投诉周期、改善客户满意度，同时能够将新的问题和解决方法沉淀到企业知识库。经营分析Agent则可能缩短取数时间、统一指标口径、减少分析遗漏，并帮助业务人员更早发现库存、回款或客户流失风险。这些收益由客服、业务、数据、财务和风险管理等不同部门获得，价值兑现时间和衡量标准也有较大差异，难以核算清楚。
但即便当下Agent建设的ROI难以算清，企业也很难绕开这一关键指标。企业最终是要对利润和经营结果负责，Agent作为企业投入的项目同样需要说明这些成本投入能够为企业带来什
二、企业如何判断Agent项目是否值得持续投入
IDC在智能体的企业价值研究中也专门提到了要从战略匹配、用例优先级、价值映射、扩展成本、风险校正和持续优化等方面讨论Agent价值管理（《Agentic AI Business Value Maximization Framework: A Practical Guide for IT Leaders to Unlock Business Value from Agentic AI》）。
结合企业实践，可以用一条公式、两本账和三层观察来理解和应用这套方法，能够兼顾财务核算的严谨性和长期能力建设的观察需求。
- 一条公式：把投入与回报算清楚
场景ROI＝（年度可量化收益－年度TCO）÷年度TCO×100%
（注：公式中的年度TCO除了软件和模型费用，也应包含业务数据和知识的建设、相关系统的改造，业务、IT和实施团队长期参与迭代的投入。）
其中，年度可量化收益通常来自三类，第一类是降本，包括节省工时对应的综合人力成本、减少的外包支出和运营费用；第二类是增收，可以根据转化率增量、客单价、有效触达量或新增产能估算；第三类是风险规避，可以根据风险敞口、原始发生概率和Agent介入后风险发生概率的下降幅度，估算预期损失的减少额。这些收益都需要通过上线前后的业务基线计算增量，企业需要提前记录业务量、处理时间和人力投入，才能在智能体应用上线后形成可比较的数据。
- 两本账：同时记录当期业务收益和长期能力资产
第一本是业务账，回答项目在当前周期产生了什么结果。处理时间缩短了多少，人工投入下降了多少，准确率、自动化率、客户转化率、风险发现率和业务采纳率发生了什么变化，这些指标关系到项目是否继续运行、相关Agent是否向更多部门推广，以及下一轮的投入预算。
第二本是能力账，观察企业的数据、知识、系统、人员和治理方式能否支撑Agent稳定参与实际业务，以及AI Ready与Agent Ready能力是否得到提升。这些变化会影响后续Agent建设的速度、应用范围和运行质量，也会改变企业未来的组织运行方式。
- 三层观察：不同的层级需要关注不同的价值结果
企业不同层级关注的Agent价值结果有所不同，主要分为三层：
- 场景层关注单项任务是否值得继续运行，比较投入与处理效率、质量、增长或风险控制结果。
- 部门层关注Agent是否改善团队整体产能与业务表现，以及收益能否覆盖部门承担的持续成本。
- 组织层关注跨部门复用、整体能效、治理体系和人员能力，评估Agent对企业运行方式产生的长期影响。
三、哪些Agent场景已经取得可验证的业务成效
本次案例研究覆盖的相关案例主要从两个维度展开研究：一是Agent在企业中落地了哪些业务场景，建设的方案和依赖的基础条件；二是项目运行后取得了哪些效果，以及企业是如何计算ROI的。（注：不同项目的场景和环境并不相同，相关统计数据不适用于跨案例对比。）
- 规则明确的重复流程最容易形成可量化结果
在案例研究中我们发现，很多业务工作流中传统需要大量人工处理重复操作的场景是最容易体现项目效果的。
例如在腾讯云与找钢网的案例中，其将Agent用于询价、报价和采购比价，原来需要近一小时完成的比价工作缩短到几分钟，报价效率也提升了10-20倍。来也科技帮助某电子元器件分销商处理订单，订单处理团队从约20人减少到1人，只需要负责监管和异常复核工作就能够完成大量的订单处理工作。在金智维与国盛证券的案例中，他们将证券运维中的CMDB查询接入工单和自动处置流程，把查询时间从数天或缩短到秒级。得帆与中国弹簧把计划物流、采购、排产和质量整改等业务流程整理为Skills，并连接企业业务系统帮助员工处理业务任务，实现整体效率70%—80%的提升。
- 数据检索和分析类场景任务能够显著提效
在数据分析方面智能体也在多家企业中展现出了业务价值，例如某全球医药企业原本需要排期2至5天完成报表查询和分析工作，采用神州数码的方案后缩短到分钟级。汉得帮助中亿丰建设了知识问答、经营分析和客商风险预警等问答和数据分析的能力，智能问数从小时级响应缩短至分钟级。迈富时为某全球美妆集团建设数据分析Agent，将经营决策周期从5天缩短到1天之内，支撑集团实现了更敏捷的经营管理能力。
- 营销和客服场景Agent已经带来了显著的业务回报
在销售和客户经营场景中，蓝凌与加福加德通过Agent将行业情报、客户资料、话术和配方知识实时提供给销售人员，可以在客户现场实时完成响应，并将日均有效触客量提升30%以上。蚂蚁数科与杭州银行案例中基于多个Agent处理客户洞察、产品分析和营销策略，项目测算显示，策略生成时间从天级缩短到分钟级。火山引擎与来伊份上线了预测补货、智能导购和AI客服等能力，其AI购物助手的下单转化率能够提升190%，AI客服已经可以独立回答约70%的咨询。
- 基于专业模型和算法的Agent在专业场景也有显著效果
百度伐谋使用Agent持续优化青岛港的配载算法，项目统计显示，算法迭代周期缩短50%以上，从数周缩短到小时级。商汤大装置的方案支持上海市规划和自然资源局通过自然语言调用地图和空间数据，处理城市治理任务，已经覆盖50多个核心场景，业务处理时长缩短60%，人均产出效率提升70%。
- 在组织运营场景Agent也能带来直接的产出提升
昆仑数智数字化咨询中心用Agent帮助完成AI组织变革，先以标准工单记录任务、责任与交付，再用任务督办、方案共创、消息监控、会议纪要和知识检索Agent智能化自动化的协助处理日常工作。部门平均任务响应时间从24小时缩短到4小时；人员规模缩减的同时，营业收入增长30%。
四、案例企业中Agent落地的最佳实践
综合案例研究，企业Agent的落地过程可以概括为一个业务价值闭环。Agent位于企业现有业务系统之上，负责协调判断与执行：先读取业务状态和任务输入，结合企业数据、知识与规则形成判断，再调用工具和系统完成业务动作，而执行结果、异常情况和人工反馈会被记录下来，继续用于更新知识、规则和评测依据，形成“感知—分析—执行—沉淀”的持续循环。
Source：中国企业级Agent最佳实践与案例精选（ROI视角）
- 优先选择结果可以验证的业务问题
期望短期把业务账算明白的企业，可以优先从业务量稳定、结果可以验证、责任人明确的业务场景开始，而能力账的建设投入则应该拉长ROI的观察周期，例如来伊份在企业实践中就分别为经营项目和战略项目设置了不同观察周期。
- 持续完善数据、知识和业务规则
专业Agent依赖企业对业务数据和知识的长期治理，智能体依赖的数据、知识和业务规则需要在实际使用中不断校正，才能确保其在业务场景中能够持续稳定运行。
- 业务人员需参与任务定义和结果验证
业务人员最清楚任务是否合理、结果能否使用，也最早发现Agent在真实工作中的偏差。例如得帆和中国弹簧的案例中，就由中国弹簧的业务人员参与提供了具体的Agent业务定义和测试样例，并完整参与了结果验证，这类做法能够确保Agent能够更符合业务需求。
- 把评估、治理和改进纳入日常运营
Agent上线后的评估和治理也是构成业务价值闭环的关键环节，企业需要根据真实运行数据发现偏差和风险，找出需要调整的环节，并持续更新迭代智能体以满足实际的业务需求。
更多内容请关注IDC报告：
中国企业级Agent最佳实践与案例精选（投资回报率视角）——从场景落地方法到业务价值。（Doc#CHC 54811526，2026年8月）
如果您希望了解人工智能相关的研究或开展进一步交流，欢迎点击 联系我们！