2026 年 4 月 30 日，Anthropic 发布了一份 23 页的指南——《Building AI Agents for the Enterprise》。这不是又一篇"AI 能做什么"的布道文，而是一个更务实的问题：当企业已经开始用 AI，怎么把零散的试点变成系统性的转型？
Anthropic Economic Index 2025 年 9 月的数据显示，美国已有 40% 的员工在工作中使用 AI，而 2023 年这一数字只有 20%。增长显著，但 Anthropic 在指南中提出了一个关键判断：真正拉开差距的企业，不是让 AI 做更多事情，而是让 AI 做对的事情——嵌入员工的工作方式、优化核心流程、创造新产品能力。
指南最核心的概念之一是 "Agentic Thinking Divide"（Agentic 思维鸿沟）。
Anthropic 观察到，企业的 AI 部署正在分化成两种截然不同的路径：
渐进式部署：把 AI 当工具，解决单点问题。效率提升了，但收益在一个季度后就会触顶。每个团队的 AI 使用是孤立的，知识不共享，能力不积累。
系统性部署：把 AI 当组织能力来建设。将机构知识编码到系统中，让 Agent 的能力随时间复合增长。员工在使用 AI 的过程中不断沉淀最佳实践，流程在 AI 参与后持续优化，产品因 AI 获得全新能力。
差距不在于模型能力，而在于组织如何教员工使用 AI、在哪里应用 AI、以及接下来构建什么。
指南将企业 AI 转型拆解为三个支柱：
核心问题不是"员工会不会用 AI"，而是"员工用的 AI 是不是按照组织的方式工作"。
指南强调 Upskilling（技能提升） 的关键是让 AI 反映组织实际的工作方式——不是通用的"问 AI 一个问题"，而是 AI 理解你的团队怎么协作、你的流程怎么流转、你的知识怎么沉淀。
具体做法包括：
核心问题是压缩信息密集型流程的周期，同时保留人类判断力。
指南明确指出，Agent 最大的价值不是替代人，而是把原本需要几天、几周的流程压缩到几小时甚至几分钟——信息收集、数据整合、文档生成、审批流转。但关键决策仍然需要 Human-in-the-Loop。
典型场景：
核心问题是用 AI 创造新的营收能力，而不仅仅是降低成本。
很多企业的 AI 战略停留在"降本增效"——用 AI 替代部分人力，节省开支。Anthropic 认为这远远不够。真正的差异化来自用 AI 构建全新的产品能力，为客户创造之前不可能提供的价值。
比如：
指南的核心产品推荐是 Claude Cowork——Anthropic 面向企业知识工作者的 Agent 平台。
Claude Cowork 的定位不是"又一个 AI 聊天机器人"，而是一个能理解组织上下文、连接内部系统、执行复杂工作流的 Agent 环境。
MCP（Model Context Protocol）集成：通过 MCP 协议连接企业内部的各类系统——CRM、ERP、知识库、项目管理工具、数据库。Agent 不需要为每个系统单独开发集成，而是通过统一的 MCP 接口访问。
Plugins（插件）：将团队常用的能力封装成可复用的插件。比如"生成周报"插件自动从 Jira、Slack、邮件中汇总本周工作内容。插件可以被整个团队共享，能力不再依赖个人的 Prompt 技巧。
Skills（技能）：比插件更轻量的可复用工作流。一个 Skill 就是一次标准化的任务执行模式——"翻译并本地化文档""根据会议纪要生成 Action Items""分析客户反馈并归类"。
Claude Code：面向工程师的 Agent 能力。不只是代码补全，而是理解整个代码仓库上下文，能自主完成多步骤开发任务——读代码、写代码、运行测试、修复 Bug、提交 PR。
指南提供了一个完整的六个月 Claude Cowork 部署路线图：
| 阶段 | 时间 | 核心任务 |
|---|---|---|
| 评估与规划 | 第 1 个月 | 识别高价值用例，评估组织就绪度，确定优先部署团队 |
| 试点部署 | 第 2-3 个月 | 在 2-3 个团队试点，收集反馈，验证价值，调整配置 |
| 扩展推广 | 第 4-5 个月 | 基于试点经验扩展到更多团队，建立内部最佳实践库 |
| 全面运营 | 第 6 个月 | 全面推广，建立持续优化机制，度量 ROI |
指南特别强调：不要试图一次性在所有团队铺开。 找到 2-3 个高价值、高可行性的用例，快速验证，用成功案例推动组织内部的采纳意愿。
全球美妆巨头 L'Oréal 使用 Agent 优化从市场研究到产品开发的信息流转。Agent 自动收集全球市场趋势、消费者反馈、竞品信息，生成结构化分析报告，帮助产品团队更快做出决策。
共享出行公司 Lyft 将 Agent 应用于内部运营流程优化。通过 Agent 自动化数据提取、报告生成和跨团队信息同步，压缩了原本需要数天的运营分析流程。
日本电商巨头 Rakuten 利用 Agent 提升客户服务和内部知识管理效率。Agent 连接了分散在多个系统中的客户数据和知识库，让一线员工能更快获取准确信息。
从技术架构角度看，Anthropic 的指南和业界实践共同指向一个趋势：企业级 AI Agent 部署正在从单个 Agent 演进为 Agent Fleet（Agent 舰队）。
企业 Agent Fleet 的技术栈可以分为六层：
| 层级 | 名称 | 职责 |
|---|---|---|
| 1 | Interface Layer | 用户交互界面——Slack、Web、API、IDE |
| 2 | Orchestration Layer | 任务分发、路由、多 Agent 协调 |
| 3 | Skill Layer | 可复用的业务能力封装（Sovereign Skills） |
| 4 | Tool Layer | 具体工具调用——MCP Server、API、数据库 |
| 5 | Memory Layer | 短期会话记忆 + 长期机构知识 |
| 6 | Governance Layer | 权限控制、审计日志、安全策略 |
指南中一个值得关注的概念是 Sovereign Skills（主权技能）——由组织自己定义、拥有和维护的核心工作流。
与依赖外部平台提供的通用 Skill 不同，Sovereign Skills 编码了组织独有的业务逻辑、流程规范和知识积累。这意味着即使底层模型更换，组织的核心 AI 能力也不会丢失。
Sovereign Skills 的本质是将机构知识从人脑转移到系统中，使其成为组织资产而非个人能力。
指南提出了一套多维度的 ROI 度量指标，超越了传统的"节省了多少人力成本"：
| 指标 | 含义 |
|---|---|
| Cycle-Time Compression | 关键流程从启动到完成的周期缩短幅度 |
| Accepted-Output Rate | Agent 输出被人类直接采纳（无需大幅修改）的比例 |
| Human-Review Time | 人类审查 Agent 输出所需的时间 |
| Cost Per Workflow | 单次完整工作流执行的总成本 |
| Business Movement | 业务指标（营收、客户满意度、决策速度）的实际变化 |
指南特别强调：不要只盯着成本节约。 Cycle-Time Compression 和 Business Movement 才是衡量 AI 是否真正创造竞争优势的关键指标。一个能把产品开发周期从 3 个月压缩到 1 个月的 Agent 系统，其价值远超"省了几个人的工资"。
表面看，这是一份产品使用指南。更深层次，Anthropic 在传递一个判断：AI Agent 的企业化部署，核心挑战不是技术，而是组织。
模型能力已经足够强。真正的瓶颈在于：组织是否愿意重新设计工作流程，是否愿意投入时间教员工与 Agent 协作，是否愿意把分散在个人头脑中的知识系统化地沉淀到 Agent 可以访问的知识库中。
Agentic Thinking Divide 的本质不是技术鸿沟，而是组织能力的鸿沟。那些愿意系统性地建设 AI 能力的企业，会看到复利式增长；那些只是让每个员工"自己试试 AI"的企业，很快就会遇到天花板。
指南原文：Building AI Agents for the Enterprise
作者: itech001
来源: 公众号：AI人工智能时代
网站: https://www.theaiera.cn/
每日分享最前沿的AI新闻资讯和技术研究。
本文首发于 AI人工智能时代，转载请注明出处。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。