菲律宾电信运营商 PLDT 与自动化厂商 UiPath 的联合部署，把「智能体进生产系统」这件事讲得很实在：不是先画一张宏大的智能体蓝图，而是挑出三块高重复、强规则的工作，交给三个各管一段的智能体。它们跑在 UiPath 受治理的工作流之上，既能调用企业既有系统，又处在可被监管、可被审计的运行环境里。这种「先把活干掉、再谈平台」的路线，比很多空谈智能体操作系统的叙事更接近落地。
KAI：把知识检索从「等人翻文档」变成「随时问」
排在最前的智能体 KAI 负责知识检索。电信企业的知识散落在政策文件、操作手册、内部工单与历史案例里，过去员工要花大量时间翻找，遇到跨部门的复合问题更要来回确认。KAI 把这些分散知识接成统一入口，员工用自然语言提问，它返回带出处的答案，并把调用过程留在可审计的日志里。PLDT 披露，KAI 每年为内部节省约 2.5 万至 3 万小时的人工查找时间——这还只是「找信息」这一项，不涉及更复杂的决策。
增量认知：智能体进企业，最先啃下的往往是「知识检索」这类高重复、低风险、回报可量化的活。它不直接做决策，却把人的大量等待时间还给了业务。对还在犹豫从哪入手的团队，这比一上来就做自主决策智能体要稳得多。
值得强调的是，KAI 的价值不只在「快」，更在「可追溯」。在受监管行业，一个答案如果拿不出依据，再快也不能用。把检索过程留在工作流日志里，意味着每一条回答都能回放、能复核，这正是智能体能在生产系统里站住脚的前提。
Ellie 与 ERICA：一个管员工协作，一个管风险评审
第二个智能体 Ellie 是面向员工的数字助理，承担日程协调、信息汇总、流程引导等协作型任务。PLDT 称其让客户与内部响应速度约快 80，每年再省下 1.8 万至 2.5 万小时。第三个智能体 ERICA 专攻风险评审这类既重要又繁琐的环节：原本需要多人、耗时 2 至 10 天的人工评审，在规则明确的前提下被压缩到分钟级，人工投入砍掉 97 至 99。三者分工清晰——KAI 找知识、Ellie 协员工、ERICA 把关风险，互不抢戏、各自闭环。
把这三块摆在一起看，能发现一条清晰的逻辑：企业先把「找信息、做协作、审风险」这类结构化程度高、规则相对明确的工作交给智能体，而不是一上来就让智能体去拍板模糊的战略决策。这种克制，恰恰是智能体能在强监管环境里存活的关键。
统一跑在受治理工作流之上
三个智能体背后真正的底座，是 UiPath 的受治理工作流。它们不是各自为政的聊天窗口，而是被编排进统一的流程引擎：权限、数据边界、操作留痕、人工介入点都由平台统一管控。这意味着智能体每一步能做什么、不能做什么，都有明确的边界与记录；当某一步需要人类拍板时，流程会主动停下来等审批。对电信、金融这类把「可控」看得比「聪明」更重的行业，这种治理属性往往比模型能力本身更决定采购。
边界提醒：文中 2.5 万至 3 万小时、响应快 80、人工省 97 至 99 等数字，均为企业自报的估算口径，未经独立第三方审计，且高度依赖具体流程的重复度与标准化程度。把它当作「智能体进生产系统」的可参照基线即可，不宜直接套到不同行业或不同成熟度的工作流上。
PLDT 与 UiPath 的案例给出的是一个朴素的模板：挑高重复工作、明确分工、跑在受治理流程上、把可审计当默认要求。智能体落地不需要一蹴而就的超级系统，先把几块真实的活干漂亮，信任与规模才会随之而来。这个模板，值得每一个想把智能体请进办公室的团队照着画一遍。