背景：九个月 300+ 智能体，官宣口径全景
这份成绩单的官方出处是塔塔钢铁官网新闻稿（2026 年 4 月 22 日，孟买）：塔塔钢铁与 Google Cloud 宣布扩大战略合作伙伴关系，围绕「企业级统一 Agentic AI 战略」推进，九个月内在全球范围部署超过 300 个专业化 AI 智能体。塔塔钢铁 CIO Jayanta Banerjee 在通稿中的表述点出了定位：把 AI 从「技术试验」变成「每位员工的专属协作伙伴」，从预测性资产维护到缩短客户响应时间，让员工能立即基于洞察行动。Google Cloud 印度区董事总经理 Sashi Sreedharan 则把这次部署描述为「工业企业在统一数据与 AI 生态上规模化部署 AI 的蓝本」。
需要先把口径说清楚：这是一次厂商联合官宣，300+ 这个数字、九个月这个周期，以及下文引用的全部效果数据，均为公司自报，没有独立审计。印度经济时报制造版、Datacentrenews、SiliconIndia 与中国宝武集团内网资讯等多个独立信源对同一事实做了交叉报道，事实层（部署规模、平台构成、场景清单）口径一致；效果层（70%、50% 等百分比）未见第三方验证。本文的价值在于拆解路线结构，而非确认效果幅度。
塔塔钢铁案例的真正看点不是「300 个」这个数量级，而是它的结构：先花多年投入统一数据底座（官方称之为「数十年的运营数据沉淀在整合的数据架构上」），再通过低代码平台把智能体开发权下放给非算法岗员工，最终形成按场景细分的「舰队」而非一个万能大平台。规模是结果，数据整合与权限下放才是原因——这与多数企业「先买工具再想场景」的顺序正好相反。
Zen AI：把智能体开发权下放给一线
Zen AI 是塔塔钢铁的内部低代码平台，官方对其能力的定义非常具体：让「非数据科学家」——软件工程师、一线经理——能够自行构建、测试和部署专业化 AI 智能体。技术栈层面，Zen AI 基于 Google Cloud 的 Agent Development Kit（ADK）构建，与 BigQuery、Google Cloud Storage 打通，把结构化运营数据与视频、文档等非结构化数据统一纳入受治理的框架内。
这个设计的产业含义值得展开。传统企业 AI 项目的瓶颈往往不在模型而在人力结构：数据科学家团队是稀缺资源，当每个智能体需求都要排队经过中心化团队，需求积压会杀死业务部门的热情。Zen AI 的解法是把「构建智能体」这个动作的技能门槛从数据科学级降到应用开发级甚至业务级——官方的说法是「把全球员工队伍变成分布式的创新引擎，小团队能以不输科技新贵的速度部署企业级 AI 方案」。300+ 智能体在九个月内出现，本身证明了这个判断：没有一个中心化算法团队能在九个月内交付这个数量，唯有下放。
当然，民主化是有前提的。Zen AI 之所以敢下放，是因为底层有两条护栏：其一是统一的数据底座——开发者不需要各自接数据源，BigQuery 里的数据治理已经就位；其二是平台级的模型治理——模型选择、生命周期管理由平台统一管控（详见后文基础设施一节）。没有这两条护栏的低代码智能体平台，下放的结果通常是一堆无人维护的影子应用。
TDA 数字助手：三类数据域一个入口
TDA（Tata Steel Digital Assistant）是这套体系里的第二个支柱：一个内部门户，把过去分散在各系统的信息汇聚成统一界面，官方称之为「决策指挥中心」。它的架构要点是把数据分为三个域，并在一个入口内打通：
| 数据域 | 典型内容 | 在 TDA 中的用途 |
|---|---|---|
| 全球公开数据 | 实时全球新闻、地缘政治情绪、大宗商品价格 | 叠加在传统商品价格数据上，生成预测性市场情报，辅助应对供应链与市场波动 |
| 内部企业系统 | 运营 API、标准作业程序（SOP）、财务记录 | 员工查询业务规则、流程与经营数据的统一问答入口 |
| 专有用户数据 | 通话录音、复杂电子表格、PDF 文档 | 把组织知识（原本沉淀在个人电脑与录音里）转化为可检索、可行动的洞察 |
「把通话录音和 PDF 变成可行动的洞察」这句话背后是一个常见却常被低估的工程量：企业最有价值的知识往往以最不结构化的形态存在。TDA 的路径与本站此前解构的多个企业知识智能体案例（如巴克莱的全行 RAG 知识助手）同构——先把非结构化知识入库并治理，再谈上层智能体应用。这是所有企业级智能体项目绕不开的地基工程。
场景舰队：从 HR 工单到车间安全
有了平台与数据底座，智能体按场景成军。官方披露的场景清单覆盖四条线，效果数据均为公司自报：
| 场景线 | 智能体 / 系统 | 披露效果（自报口径） |
|---|---|---|
| 内部运营 | TDA 辅助 HR 服务台 | 70% 以上的常规员工工单自治解决，为各团队节省大量时间 |
| 后台流程 | 业务流程智能体群 | 发票智能处理、GST 可抵扣/不可抵扣分类、专业化合同分析 |
| 车间作业 | Safety EyeQ / Asset Sphere | 实时视频分析高风险区域 SOP 合规与隐患（如重型设备靠近热物料即触发告警）；设备健康评估支持预测性维护、减少计划外停机 |
| 客户服务 | 投诉分析智能体 | 分析投诉数据、从图像识别投诉意图与缺陷、路由至对应解决组；平均周转时间缩短最高达 50% |
这张表有两个值得注意的结构特征。其一，场景优先级与塔塔钢铁此前多个媒体披露一致：内部运营与后台流程先行（文档密集、规则有界、试错成本低），车间安全与客户服务跟进——这与本站保险行业报告中「理赔先行」的行业规律完全同构，也与满帮生产级 AI 助理「先内部效率后外部服务」的路径互相印证。其二，车间场景（Safety EyeQ、Asset Sphere）是制造业特有的增量：智能体从「读文档」延伸到「看视频、听设备」，输入模态的扩展意味着质检与安防这两类传统上高度依赖人工巡检的岗位开始被部分接管——Metal Industry 占比最高的工伤风险场景里，这是安全价值而非降本价值驱动的部署。
基础设施：按任务匹配模型与弹性伸缩
支撑层的两个选择对成本结构影响很大，值得单独记录。其一是「200+ 模型目录、按任务匹配」：塔塔钢铁在 Google Cloud 的 AI Agent Platform 上可访问超过 200 个模型，官方明确说「为每个任务匹配最优 AI 模型，同时维持严格的生命周期管理与治理」。这是企业级智能体架构在 2026 年的成熟形态——单一模型打天下已被放弃，简单分类任务用小模型、复杂推理用旗舰模型的分层路由，直接决定了舰队的单位成本。第三方报道提及系统使用了 Gemini 及 PaliGemma 等模型用于视觉与分析类任务（转述口径）。
其二是 Cloud Run 的弹性模型：智能体工作负载在需求高峰时即时扩容、空闲时缩容到零。对制造业这种「白班忙、夜班闲、检修季波动」的负载形态，缩容到零的能力对成本账意义重大——智能体基础设施的成本不再与「部署数量」线性挂钩，而与「实际调用量」挂钩，这使得 300+ 个智能体的持续运行成本可控。
可复现路径：四步打法与三条避坑红线
从塔塔钢铁的路线中，可以为计划做企业级智能体规模化部署的制造业（乃至更广泛的重资产企业）提炼四步打法：
- 步骤一：数据底座先行——把结构化运营数据与非结构化文档、录音、视频统一到受治理的数据平台上。官方将「早期对整合数据架构的投资」列为能超越碎片化工具的关键前提；没有这一步，后续每个智能体都要自建数据管道，规模无从谈起。
- 步骤二：低代码平台 + 护栏下放开发权——用 ADK 类框架搭内部平台，把构建权交给懂业务的工程师与一线经理，同时平台层统一管控模型目录、权限与生命周期。下放速度取决于护栏强度，而非相反。
- 步骤三：从内部运营切入，按场景成军——HR 工单、发票处理、GST 分类这类「文档密集 + 规则有界」场景先行，积累运行数据与组织信任后再进入车间安全、客户服务等高风险高价值场景。
- 步骤四：模型分层路由 + 弹性基础设施——按任务复杂度匹配模型、按调用量弹性伸缩，把「智能体数量」与「基础设施成本」解耦。
三条避坑红线同样来自这个案例的结构性启示：其一，不要在数据底座未整合前追求智能体数量——没有统一数据域的「300 个智能体」是 300 个数据孤岛的放大器；其二，不要让民主化变成失控化——低代码平台必须内建权限快照、模型治理与生命周期管理，否则下放的开发权会变成影子 IT 的温床；其三，不要把官宣数字当效果证据——厂商联合通稿的数字（含 70%、50% 这类效果口径）没有基线定义与独立审计，内部立项时必须建立自己的对照组与度量口径。
批判性视角：自报口径下的成绩单怎么读
最后把批判之尺摆到台面上。这份案例的公开信息存在几个明确的留白：300+ 智能体没有细分清单——多少个在跑核心业务、多少个在试点、使用率与废弃率如何，均未披露；70% HR 工单自治与 50% 客诉周转缩短没有基线定义（「周转时间」从多少天到多少天、样本期多长）；「9 个月」的计时起点与部署完成标准未公开；ROI 与总成本未见任何数字。Google Cloud 作为合作方存在天然利益关联，通稿中「行业蓝本」「空前速度」等表述属于公关语境。
这些留白不推翻案例的结构性价值——平台构成、场景清单与部署路线均有多个独立信源交叉，作为「路线图」的参考意义是扎实的——但提醒读者：把「300+ / 70% / 50%」引用进自己的立项材料前，先确认这些数字的度量口径在你的组织里是否可复现。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。