从 80% 到 98%：华润信托、伊利与毕马威把服务智能体接进产线

背景：个人提效没有传导到企业账本

这一批材料开篇引用的两组数字，把问题界定得很清楚。麦肯锡《The State of AI in 2026》调查显示，80% 的企业认为 AI 提升了员工效率，但只有 37% 的企业认为 AI 改善了息税前利润；真正把 AI 跑进业务深处、拿到显著经营结果的高绩效企业只有 6%。

同一批材料里引用的 Gartner 面向 2028 年的预测是：企业采纳的智能体用例超过 80% 将来自专业消费级平台，但最终能成功投产的不足 20%。两个独立口径给出的「真正跑通」比例分别落在 6% 与不足 20% 之间，方向一致。

为什么个人提效没有传导到企业账本，材料里给了三条原因。其一，好用的智能体往往只停在员工自己的电脑上，同事想复用时拿不到完整的上下文、提示词与工作流。其二，个人智能体优化的是原流程中的某个单点动作——写方案快了两小时，不等于方案到落地、推广之间的全业务链路缩短了。其三，企业看不见员工到底用没用、用到什么程度、哪些地方经常出错，因此无法把个人经验沉淀成组织能力。

第三条最容易被忽略，却最有决定性。看不见就无法运营，无法运营就无法改进，无法改进就永远停在「几个人用得挺好」的状态。

五个样本与它们的行业属性

样本	行业	场景属性	核心读数
华润信托	金融 / 信托	高频、强规则、强时效、面向内部交易一线	拆单准确率 80% 至 98%（另一口径 99%）
伊利	快消 / 零售	面向终端消费者的经营链路	导购订单 +26%、点击率 +15.7%、导购运营效率 +50% 以上
毕马威	专业服务	文档密集、检索密集、可回退	深度研报 14 小时到 2 小时以内
云南白药	医药 / 制造	知识与权限治理	权限过滤、全员日志留痕
东北证券	金融 / 证券	合规质检、规则可枚举	展业素材质检准确率 90% 以上

五个样本的共同之处值得先记下来：全部是文档密集或消息密集的场景，且全部保留了人工在关键节点的确认权。这不是巧合，它提示了当前服务智能体真正能承接的任务类型——输入是文本、判断有规则、结果可回退。

华润信托：毫秒级抓指令与保留下来的人工节点

信托交易的节奏以秒计算。交易员手头往往挂着上千个微信交易群，询价与指令在群里刷屏。过去的工作方式是：一边盯群，从聊天文本里找出有效指令、手动拆单并录入系统，一边切换后台查询持仓、回复进度。消息来得密，处理稍慢就可能错过机会；忙起来也容易漏单或录错。

智能债券助手的做法是驻扎进这些交易群，24 小时在线，从海量聊天文本里毫秒级抓取有效指令、精准拆解并打进业务系统；客户问持仓与成交进度时秒级完成查询回复，还能主动跟进询价。

真正的设计重点在后半段：完整保留了原有的业务工作流。在最核心的成交确认节点，依然由专业人工做二次审核把关。前面的信息整理、查询与录入尽量提速，最后的成交确认继续由人把关。

这个切法很值得借鉴。它把一条业务链拆成「信息层」与「承诺层」：信息层包括识别、抽取、录入、查询，出错可以撤回，因此交给智能体；承诺层是成交确认，一旦出错不可逆，因此留给人。判断标准不是「这一步难不难」，而是「这一步错了能不能撤回」。

效果方面，随着持续优化，拆单准确率从最初的 80% 提升到了 98%。每笔业务走到哪一步也有记录，哪个环节卡住了可以及时查到。

两处口径差：98%、99% 与三个智能体

本次核对中出现了一处必须说明的不一致。同一指标在两篇同日 material 中给出两个数值：

来源	表述	附加信息
量子位（2026.11.01，经腾讯新闻发布）	拆单准确率从最初的 80% 提升到 98%	强调「随着持续优化」与保留人工二次审核
运营社（2026.11.02，引自 10.30 专场）	拆单准确率达到 99%	同时给出「三个智能体同时运作」「每年 40 万亿元的债券交易、每天约 4 万条信息」

两个数值的差异只有 1 个百分点，但它对运营的意义并不小。原文以「每年 40 万亿元的债券交易、每天约 4 万条信息」描述该智能体所处的信息环境，但未说明 4 万条是全市场口径还是该公司群聊口径，也未说明「拆单准确率」的分母是拆单次数还是指令条数。若按 4 万条为该场景的日处理量估算：98% 对应每天约 800 条需要人工拦截，99% 对应约 400 条，两者相差一倍。准确率小数点后一位的差别，在这里直接决定人工复核队列的规模与排班。

这一处也提示了一个通用做法：在采购或验收服务智能体时，准确率的口径必须与「分母是什么、错误怎么被发现、发现后由谁处理」一起写进验收标准。只写「准确率 99%」的合同，在运营侧是不可执行的。

伊利：26%、15.7% 与 50%

伊利的做法是把 ADP 与 WorkBuddy 组合起来，形成一条自上而下与自下而上双向的通路。

自上而下：业务团队用 WorkBuddy 快速聚合多方销售数据，及时下发经营打法，导购运营效率提升超过 50%；ADP 里沉淀的高阶企业 Skill 可以一键下沉到员工桌面的 WorkBuddy 上，随手调用。

自下而上：一线导购配合 ADP 生成的导购智能体与顾客打交道，实时生成针对性的营销话术；业务一线摸索出的高频工作流，通过连接器接入 ADP，经审核后升级为服务全公司的产线智能体。

A/B 测试的结果是销售订单整体涨 26%、点击率提升 15.7%。腾讯集团高级执行副总裁、云与智慧产业事业群 CEO 汤道生在会上专门提到 ADP 与 WorkBuddy 的双向打通：企业侧在 ADP 中构建的 Skill 可一键复用到 WorkBuddy，员工侧在 WorkBuddy 里摸索出的智能体也能上传到 ADP 被更多同事调用。

这组数据的价值在于它是一条完整的链路：数据聚合、策略下发、导购执行、订单结果，四个环节连成一条线，而不是只帮导购生成了几句文案。这也是它区别于「个人提效」样本的地方。

毕马威：14 小时里的 11 小时

毕马威借助 ADP 构建行研助手，给出的读数是：一份深度研报过去需要 14 小时，其中 11 小时用于重复查询与检索，现在整个过程缩短到 2 小时以内。

这是本文认为五个样本里信息量最大的一组，因为它的分母拆得最细。多数案例只给「从 X 到 Y」，读者无法判断被压缩的到底是哪一部分；毕马威这个样本明确说了 14 小时里有 11 小时是重复查询与检索。

由此可以做一次谨慎的拆分推算：若 11 小时的检索工作被压缩到接近零，而非检索工作保持 3 小时不变，总时长应为约 3 小时；实际总时长在 2 小时以内，说明非检索环节也从约 3 小时压缩到 2 小时以内，降幅约 33.3%。需要强调的是，这一步属于本文基于两个公开读数的推断，原文并未给出非检索环节的单独时长，也未说明「2 小时以内」的具体分布。

这个样本还有一层意义：它证明了检索密集型的专业服务是最容易被服务智能体承接的类别之一。判断、写作与责任仍在人身上，被自动化的是「把资料找齐」这一段。

云南白药：把权限做进智能体层

云南白药的实践是五个样本里最不显眼、但工程含义最深的一个。员工在日常办公界面里提问，智能体查资料、给答案之前要先看清使用者的身份与权限；员工只能查到自己职权范围内的信息，超出权限的内容无法访问；每次调用与操作都有日志记录，便于后续核查。

关键在于「相同的问题，不同权限的人得到的答案范围不同，智能体不能绕过企业原有的权限体系」。这一句把检索增强生成在企业里的落地难题说透了：知识库是统一的，但答案的范围必须是个性化的。多数团队的 RAG 实现把权限放在检索前过滤一次就算完成，而这里要求的是答案生成之后仍然受权限约束。

ADP 的做法是把这套连接与权限能力做成可复用模块——沙箱、工作流、连接器、数据库共用同一套对接，完成一次对接后，后续搭建其他应用时不必从头再来。这个设计直接对应了「四道坎」里接入与安全的那一道。

云南白药相关负责人还介绍了一套两层推广方法：对普通员工，把统一入口做得直接好用，再办大赛让业务同学自己做智能体——自己做的总不会说不好，做出来的还能上传到 ADP 被更多人调用；对管理者，则要让智能体带来实实在在的业务价值，管理层看到价值就会主动在组织内推动。

东北证券：90% 与一套需求挖掘法

东北证券人工智能业务负责人在专场上分享了一套需求挖掘方法，本文认为是整批材料里最可直接复用的一条：多问业务部门平时怎么工作、难点在哪里、使用哪些流程和系统，再让业务提供真实的 case 集，而不是直接问他们想要什么。

这句话的价值在于它识别出了需求采集环节的一个系统性偏差——业务方通常无法准确描述自己需要的智能体，但可以准确描述自己现在的麻烦，并且手上有真实的历史案例。用这套方法共建出来的展业素材质检智能体，准确率达到 90% 以上。

质检类场景之所以容易跑通，原因与华润信托样本一致：规则可枚举、错误可回溯、结果可回退。这类场景应当被列为服务智能体的起步选择。

四道坎的两个版本

本次核对中发现，落地的阶段划分存在两个版本，分别对应甲方视角与平台视角。

版本	阶段	视角
平台能力版（量子位）	接入与安全、构建与集成、可观测与优化、使用与协作	平台需要提供什么能力
甲方痛点版（运营社，引吴永坚）	选场景与系统接入、构建、运行与治理、使用与运营	企业实际卡在哪里
FDE 交付体系（量子位）	接入、建设、验证、推广、治理	交付方怎么排期

三版并不冲突，但顺序不同透露出侧重点不同。腾讯云副总裁、腾讯云智能产研负责人吴永坚在分享中直言，企业从搭建服务智能体到真正落地拿到结果，最痛的是选场景、接入和构建这三步。

选场景这块，平台侧的解法是主动列出高频场景、降低选择门槛：ADP 围绕零售、制造、教育、金融、医疗 5 个行业沉淀了 25 个经过验证的场景包，把行业里已跑通的场景做成模板，企业拿来就能用；另外面向 8 个行业提供专项支持。

接入这块，平台侧给出的能力是：企业现有系统与数据库可通过现成适配插件接入；更关键的是，即便老系统文档不全、当年的研发已经离职，平台也能把企业原有接口在没有文档的情况下自动转成 AI 能识别、能调用的能力；安全上通过私网连接，数据不出企业内网。

构建这块，要求是自然语言搭建——把需求用大白话讲清楚，模型自动生成智能体，还能用对话继续改，也可以直接上手编辑；对确定性要求高的场景则改用工作流方式。无论哪种模式，最终交付的都是智能体、页面、后台一起组成的端到端业务应用，不再只是一个对话框。

运行与治理这块，要求过程全程可见且保留人在关键节点的确认权：可以查看每次任务的运行状态、调用过程与 Token 消耗，报错时定位到具体代码或插件，新版本出问题支持一键回滚；权限管控精细到智能体能访问哪些网段、数据表，甚至表里的具体记录。

使用与运营这块，由 AgentPortal 2.0 承担统一入口：员工不必先判断该找哪个智能体，直接提出问题，系统自动派单；没有对应智能体时由通用智能体兜底；管理员可统一上下架并查看使用数据。

本文八条推算

编号	推算	过程	含义
1	80% 到 98% 更准确的说法是错误量降到原来的十分之一	错误率由 20% 降到 2%，降幅 90%	准确率口径会低估改善；应以错误率口径做运营沟通
2	相对提升约 22.5%	98 除以 80 减一	低于错误率口径的改善幅度，说明口径选择会改变结论强度
3	98% 与 99% 之间，日人工复核队列相差约一倍	按日处理约 4 万条估算，2% 约 800 条对 1% 约 400 条	准确率小数点后一位直接决定复核排班；分母口径未披露，此为估算
4	订单增幅约为点击率增幅的 1.66 倍	26 除以 15.7	改善不止来自曝光，还来自转化环节的话术与推荐
5	研报总时长压缩约 85.7%，非检索环节推测压缩约 33.3%	（14 减 2）除以 14；非检索 3 小时到 2 小时以内	非检索部分属推断，原文未单列；检索环节是被自动化的主体
6	效率感知与利润确认之间落差 43 个百分点	80 减 37	麦肯锡口径；与 6% 高绩效合起来说明传导率不足十分之一
7	两个独立口径把「真正跑通」比例框在 6% 至 20% 之间	麦肯锡 6% 与 Gartner 不足 20%	方向一致，可互为佐证；但两者对「跑通」的定义不同，不能直接合并
8	场景包平均覆盖每行业约 5 个，专项支持行业数多于场景包行业数	25 除以 5；8 大于 5	说明有若干行业仅有专项支持而无成包场景，选用时需先确认本行业属于哪一类

另有两组背景读数值得单独记：WorkBuddy 自 2026 年 3 月上线以来累计完成 90 亿次任务请求，Token 消耗相比上线初期增长 50 倍——按上线至 10 月末约八个月折算，月均约 11.25 亿次请求；Token 增速远高于请求数增速，说明单次任务的轮次或复杂度在显著上升。ADP 方面，已在零售、传媒、金融、医疗等领域沉淀上千个公有云场景与百余个私有云落地标杆，并提供 100 多个开放接口与 CLI 工具。

ROI 四列账

把五个样本放到同一张表里，会发现它们的收益落在四列中的不同位置。本文建议任何服务智能体项目都用这四列记账，缺一列就不足以判断价值。

样本	时长节省	质量变化	频率改变	复核成本
华润信托	未披露原始单笔耗时	拆单准确率 80% 至 98%	24 小时在线，覆盖此前无法覆盖的时段	成交确认保留人工二次审核；按 4 万条日量估算，日复核队列约 400 至 800 条
伊利	导购运营效率 +50% 以上	话术实时生成，未披露质量指标	可随营销节奏调整	A/B 测试即为复核机制
毕马威	14 小时到 2 小时以内	未披露质量指标	研报频次未披露	责任仍由专业人员承担
云南白药	未披露	权限合规，答案范围受控	未披露	全量调用与操作日志
东北证券	未披露	质检准确率 90% 以上	未披露	质检天然可回退

这张表最直接的用途是暴露缺口。五个样本中只有两个给出了时长、三个给出了质量、一个给出了频率、三个给出了复核安排。没有任何一个样本四列齐全。这既反映了当前披露的普遍水平，也提示企业在做自己的 ROI 评估时，应当把四列都设成必填项。

六步路径：从场景包到产线

步骤	动作	依据
1	用「你现在怎么工作、难点在哪、用哪些系统」替代「你想要什么」，并索取真实 case 集	东北证券的需求挖掘法
2	优先选文档密集、规则可枚举、错误可回退的场景	五个样本的共同属性
3	把业务链拆成信息层与承诺层，只把前者交给智能体	华润信托保留成交确认人工节点
4	先做权限与日志，再谈效果	云南白药把权限做进智能体层
5	上线即建立四列 ROI 台账与回滚能力	ADP 的一键回滚与调用过程可查
6	用大赛与统一入口做双向推广：一线自建、平台收编	云南白药的两层推广与 ADP 与 WorkBuddy 的双向打通

三条红线

红线	内容	触发后果
承诺层不得无人	不可逆动作（成交确认、对外承诺、资金划付）必须由人确认	错误无法撤回，责任无法归属
权限不得绕过	智能体不能越过企业既有身份与数据权限体系，答案范围须随人变化	合规风险，且会制造出一条无法审计的数据通路
准确率须带分母	验收标准必须写明分母、错误发现机制与责任人	如 98% 与 99% 之别，会直接改变复核排班规模

冷静判断：这批样本证明了什么

先把边界说清楚。这批材料全部来自厂商大会与随后的公开报道，腾讯是平台方，案例企业是客户，三方对「平台化交付」都有立场；五个样本均未披露时长基线、样本量与统计口径；98% 与 99% 两处不一致也未见到统一说明；华润信托场景中「每天约 4 万条信息」是全市场口径还是该公司群聊口径同样未作区分。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。因此它们的正确读法是「一批已经跑在生产环境的可拆解样本」，而不是「一组可直接套用的收益基准」。

在这个前提下，这批样本仍然证明了三件具体的事。其一，服务智能体当前真正能承接的任务类型是明确的：输入为文本、判断有规则、结果可回退。五个样本无一例外。其二，把业务链拆成信息层与承诺层是可行且必要的工程手法，华润信托的做法给出了可直接照搬的切分标准——不是看这一步难不难，而是看错了能不能撤回。其三，落地的卡点顺序已经稳定：选场景、接入、构建排在前面，而平台方正在把这三步做成能力（场景包、无文档接口转换、自然语言搭建）。

它同样没有证明两件事。其一，不能证明局部提速会自动变成账上收益——麦肯锡的 80% 对 37% 与 6% 已经把这件事说得很清楚，而五个样本里只有伊利给出了直接挂到经营指标上的读数（订单 +26%）。其二，不能证明这套打法可以原样搬到另一家企业。材料自己也点明了：云南白药要理清知识和权限，华润信托要协调响应速度与交易流程，换一家企业，系统和业务规则可能完全不同，这就需要懂行业、懂业务的人参与交付——这也是 ADP 的 FDE 交付体系要覆盖接入、建设、验证、推广、治理五个阶段的原因。

对正在规划服务智能体的团队，本文认为最值得抄走的一条不是任何一项百分比，而是东北证券那套需求挖掘法：不要问业务方想要什么，要问他们现在怎么工作、难点在哪里、用哪些系统和流程，然后要一批真实的 case 集。这条建议不依赖任何平台，也不依赖模型能力的下一次跃升，而且它恰好作用在吴永坚所说的三处痛点里最靠前的那一处。