从培训到落地：安克创新 AI 赋能者如何让团队真正用上智能体
安克创新与 WaytoAGI 联合推出的六期「AI 正在重构你的安克创新 AI 全景课」进行到第三期，本期聚焦「AI 赋能者」这一角色。安克创新内容营销专家、Marketing AI 能力建设核心成员 Dara 以真实的营销项目为例，拆解了流程智能体在业务中落地受阻的根源，以及她作为赋能者如何搭建「全流程智能体」这座桥梁，让 AI 能力从少数人的经验变成团队可复制的工作方式。适合正在推动 AI 工具落地、或苦恼于「工具建好了却没人用」的企业业务负责人、AI 推进者阅读。
培训很成功，使用数据却很残酷
Dara 在安克负责 Marketing AI 能力建设。上一期直播中，建设者晋璇讲解了如何搭建生成智能体的智能体，但 Dara 提出了一个更现实的问题：这些被精心造出来的流程智能体，怎样才能让业务同学「用一次就爱上」，并真正嵌入日常工作流？
她先抛给观众一个问题：如果有人告诉你有一个封装了业务专家经验的流程智能体，能释放 10 倍生产力，你会立马尝试吗？公屏上扣 1 的很多，扣 2 观望的也不少。这恰好反映了安克内部真实遇到的困境——明明是好东西，业务同学却没有热情地接纳它。
Dara 团队并非没有做过推广。第一批流程智能体上线时，他们认真做了好几轮培训，几百人参加，课程满意度高达 8 分。培训负责人在群里发出评分后，智能体创建人们甚至说要给满意度最高的几个智能体「加鸡腿」。然而两周后，后台数据给所有人泼了一盆冰水：超过一半的流程智能体使用人数不超过 5 个人，基本等于建设者自己加身边一两个同事；还有一部分智能体复用率极差，用户用了一次就再没回来。
「赋能可能还真的不是开几次简单的培训，上几个课，让大家知道我们有哪些工具、流程智能体，告诉大家怎么跑，有些东西被我们忽略了。」Dara 复盘时意识到，问题不在培训，也不在流程智能体本身，而是出在对「赋能」这件事的理解上。
三个结构性缺口：为什么智能体连不起来
通过对业务同学的深度追踪，Dara 团队还原了他们使用流程智能体的真实场景，发现问题的根源在于三个同时存在的结构性缺口。
第一个缺口是项目动态上下文没有被管理起来。建设者在造流程智能体时，会把通用的业务逻辑内置进去——怎么做市场洞察、怎么生成素材，这些是固定的。但每次跑一个具体项目时，动态信息完全不同：这款耳机不是别的耳机，它的核心卖点是什么？打哪类人群？竞品最近有什么动作？预算多少？这些无法提前写进流程智能体，需要一个统一的地方存放。没有这个机制，每个使用智能体的人都要靠自己拼凑信息，拼得全不全、准不准，完全依赖个人能力。
第二个缺口是流程智能体之间没有协作关系设计。每个流程智能体都是按单个智能体的逻辑设计的，逻辑链完整，但不知道旁边还有别的智能体，不知道自己处在链条的哪个环节。洞察智能体跑完产出一份报告就停在那里，策略智能体不知道它的存在。工具之间怎么衔接、谁先谁后、产出怎么传、上下游数据是否匹配，这些都没有被设计过。
第三个缺口是全链路运行状态不可见、不可控。建设者聚焦在自己的那一段，把方法论内置到流程智能体里，质量很高，但视野也局限在自己的专业边界内。做洞察的建设者深度懂洞察，却不一定知道素材智能体需要什么。这不是建设者的问题，而是合理分工下天然的盲区。
这三个缺口对建设者和业务方都不可见，但对赋能者可见。Dara 解释：「赋能者是唯一一个同时站在两端的人，他既懂整个业务的全链路……他也非常懂 AI 的工具前景。」当两个视角叠加，赋能者就能做到别人做不到的事情——「把业务的问题翻译成 AI 能解的任务，又把 AI 的产出翻译回业务能用的结果」。
全流程智能体：三层设计解决三大缺口
Dara 团队搭建了一个「全流程智能体」，把所有流程智能体串联起来，并用一个真实的新品上市项目完整验证了这套系统。选择这个项目是因为它涉及多个流程智能体、多个人与人之间的协作，业务链长——跑通它，其他项目只会更简单。
第一层：项目容器与数据底座。 项目启动的第一步不是开会，而是在全流程智能体里创建项目。项目负责人只需输入产品型号，系统自动带出产品信息、目标市场、周期等，再添加团队成员，提交即创建成功。从这一步开始，所有项目上下文都关联在同一个项目 ID 下，项目是主线，而不是围绕某个人的飞书消息。
系统随后自动从公司各数据库同步项目相关数据——产品基本信息、卖点、竞品、电商评论等。如果发现数据缺失，比如缺少社媒评论数据，而后续洞察和策略智能体都依赖它，全流程智能体会自动提单到公司的评论系统，负责人确认后自动发送采集请求，一两天数据就抓回来了。用户也可以手动上传任何有价值的数据，比如亚马逊链接或知识库文档。大约 20 分钟，项目数据就准备好了。
关键机制是「双向流动」：流程智能体不只从数据池取数，跑完的输出也会流回池子，成为后续智能体的输入。洞察报告存进项目底座，后续所有需要它的智能体都能直接使用。「每一个智能体的产出都可以是下一个智能体的原料，数据在项目池子里持续流动，不需要人来做搬运工。」
第二层：智能体协作关系设计。 数据准备好后，要解决智能体之间怎么协作。项目负责人在这里有三个体验：智能推荐——系统根据项目类型和推广场景自动推荐需要运行的流程智能体清单。新品上市项目被推荐了 15 个，负责人觉得产品较新、洞察要拆得更细，又加了 6 个，最后总共跑 21 个流程智能体。编排引擎——谁先跑、谁后跑、谁等谁、谁能并行，不再靠开会对齐，而是写进系统变成规则：洞察在策略之前完成，网红策略与创意策略可以并行，复盘在执行节点结束后触发。透明度——通过仪表盘一张图展示整个业务链条，每个执行人都能看到全局，知道自己处在什么位置、产出流向谁、被谁影响。
协作关系还有更深一层：流程智能体是人在跑，所以要拉通人与人之间的协作。Dara 团队设计了三种协作模式。普通模式：一个流程智能体对应一个执行人，专人专职。赛马模式：同一个智能体好几个人一起跑，各自产出版本，项目负责人对比选出最好的往下游流。洞察或策略类任务非常依赖跑的人本身的主观判断，三份报告摆在面前，决策时间被压缩到一次评审。多产品模式：多款产品在同一个项目里跑，进度在同一个仪表盘统一呈现，负责人一个页面看到全局。Dara 强调，这三种模式不是提前规划好的，而是「跑了真实的业务实践之后，倒逼出来的一些设计」。
第三层：全链路运行状态监控与质量门禁。 项目启动后，负责人把仪表盘链接发给所有人，大家各自从仪表盘启动任务。以前要开启动会、每周同步会，大半时间花在进度同步上，会后还要整理进度表。现在负责人第二天打开全流程智能体，输入「帮我盘点一下现在的项目进度」，系统返回实时报告：洞察阶段已完成、三份报告可挑选，网红策略快产出，广告策略还在运行。同时弹出一个红色阻塞提示——某个智能体不能启动，因为上游广告测试还要 7 天。系统还会主动建议：「我们现在已经有两个版本的营销标语可以候选，要不要先选定，先把创意策略启动起来？」
质量门禁解决的是 AI 产出质量不可控的问题。每个流程智能体跑完的产出物，必须经过项目负责人审阅确认才能流向下游。「AI 的产出不是 100% 稳定的，细微的偏差沿着整条业务链条叠加，到执行层就会变成很明显的问题。」确认一个节点可能只花 10 分钟，但比问题流到下游花几天返工省时得多。在新品上市项目中，质量门禁在洞察阶段就发挥了作用：竞品定价数据被误读，促销价格被当成正常长期价格记录。负责人批注问题、退回修改，执行人修正后重新提交，确认通过后报告才流向策略，整个过程多花了不到半小时。
整个项目跑完后，21 个流程智能体全部有条不紊地跑完，十几份 AI 输出物全部落地。「你那边好了吗」这种话一次都没在群里出现过。「这并不是某个单点的流程智能体变聪明了，而是整个项目的运作方式变了。」
两套可观测体系与校招生培训
工具跑通后，Dara 团队没有停下来。他们意识到，如果光靠用户自发反馈调优，有点像盲人摸象，于是搭建了两套可观测体系。
第一套观测流程智能体跑得怎么样。每次运行过程全部记录：用户跟它对话了几轮、每轮响应多长时间、调用了哪些工具、工具成功率多少、消耗多少 token。这些结构化数据说明智能体跑得顺不顺。但团队还想知道跑得好不好，于是接了一个评审模块：把每次对话记录给另一个大模型读，从准确性和完整性两个维度给出质量分和评估说明。
第二套观测人用得怎么样。同样一个流程智能体，不同人跑出来结果差别很大，问题可能不在智能体身上，而在人身上。通过观测用户与 AI 的交互行为——发了几条信息、用了哪些功能、调了哪些工具——团队识别出两种典型的人。一种人全程点 yes，流程智能体说什么就认可什么，没有深度介入。「他还没有建立起跟 AI 协作的能力，不知道什么时候该推流程智能体一把，什么时候该把它拉回来……他没有办法驾驭 AI，而是在被 AI 带着走。」另一种人会在过程中主动介入，发现跑偏就纠正，能快速识别 AI 产出差在哪里，并把自己的判断注入进去。这类人被定义为「高能力的 AI 协作者」。团队会主动邀请他们总结交互经验，分享给团队，提升整体使用 AI 的水平。
做完试点后，团队又想到一个问题：老员工可以通过这种方式被激活，刚进公司的新人呢？他们为校招生专门开了一期培训，把多个营销智能体、两周课程和真实业务场景打包在一起，让校招生在最短时间内把营销全链路走一遍，并在真实业务中实战。校招生的反馈是：AI 不再是辅助工具，而是共创伙伴，工作流被重塑了。
赋能者的三个特点
这些变化背后是安克从各业务线抽调的一批人——做财务的、做渠道销售的、做品质管控的、做营销的。他们不是 IT 背景，也不是算法专家，而是各自领域扎根最深的业务骨干。Dara 总结了 AI 赋能者的三个特点：扎根业务，是从业务里土生土长出来的人；拥抱变化、深度理解 AI，知道 AI 能做什么、做到什么程度，才能精准地把工具配到对的业务环节；让能力可复制，不满足于自己跑通，而是让团队里每个人都能跑，甚至业务同学自己跑出的结果比赋能者还好。
「赋能者真正的工作是，他要永远站在两个视角的交叉点上，一边看 AI 能做到什么新的事，它又成长了哪些新的能力，一边看业务还卡在哪里。」Dara 说，「这两个视角叠在一起，我们就能在别人还没有意识到问题的时候，先看到下一步在哪里。」
现场问答
为什么用这么多智能体，而不是一个一个的小智能体？
要看整个业务链。工具不是想搭就搭，而是为了业务去匹配工具。简单项目一个智能体就能搞定，但复杂项目横跨多个板块、多个岗位族群，需要不同的流程智能体和不同的人协作。
智能体的运行先后顺序是人工规划的还是大模型规划的？
赋能者基于业务经验做基础配置，内置到全流程智能体里，系统据此给出智能推荐。但推荐不是卡死的，项目负责人可以人工增删智能体。业务流转本身有大概的前后逻辑，比如营销就是从洞察到策略到执行到复盘。
全流程智能体到底是什么？
本质也是一个流程智能体，只是它负责的事情是把所有流程智能体串联起来。搭建逻辑与上一期建设者分享的相同。它由 AI 赋能者搭建，配置了仪表盘和可视化界面，「看起来是个智能体，但用起来就像一个系统」。
质量门禁能解决大模型幻觉吗？
坦白说还在探索中。团队正在用各种方式评估对话质量和产出物质量，识别 AI 幻觉和交互是否 OK。
增加这么多智能体，工作量是增加还是减少？
根据实际开跑的项目，基本都非常减负。数据储备阶段节省大量时间，AI 跑每个环节本身提效，产出物不需要四处转发、直接流转。用过一次就回不去了。
项目组还需要开会吗？
目前仍需要会议机制，但频率可以降低。比如赛马模式跑出三份洞察报告，可以开会讨论选哪个版本。理想状态是全自动、不需要人工介入，但目前在真实业务项目的关键节点仍坚持人工确认。
外部数据和内部数据大概准备多久？
公司数据在数据仓库里，项目启动时把数据从仓库装到同一个「货架」上，已有数据很快。如果仓库里没有，需要想办法获取，就会比较慢。
21 个智能体运行的项目花了多少时间？
业务周期不会因为用了 AI 工具而改变，上市时间不会因此提前。改变的是每个人花在项目上的工时，目前提效比例不错。
大模型分析海量数据，怎么识别结果对不对？
这是建设者做的事情。全流程智能体把数据绑到项目 ID 里，但数据怎么处理、使用、编排，是建设者在每个流程智能体里设置好的逻辑，通过接 skill 或 MCP 等方式保证计算准确。
如何确认哪些事情需要项目负责人确认？
与项目编排逻辑类似。每个流程智能体的创建设者知道自己在哪个部分需要确认，每个环节——洞察、策略、执行、复盘——本身就有确认点。最终还是回归对业务的判断，不同业务流程不一样。
流程智能体是每个项目都在动态编排吗？
团队会先看不同业务线有哪些项目类型，针对不同项目总结需要哪些业务串联和流程智能体串联，内置成标配模式。项目负责人可以在此基础上增加或删减。
要点回顾
- 培训满意度高不等于使用效果好。安克第一批流程智能体培训满意度 8 分，但两周后超过一半智能体使用人数不超过 5 人，问题出在「赋能」的理解上，而非培训或工具本身。
- 流程智能体落地受阻源于三个结构性缺口：项目动态上下文未被管理、智能体间缺乏协作关系设计、全链路运行状态不可见不可控。这三个缺口对建设者和业务方不可见，但对同时懂业务和 AI 的赋能者可见。
- 全流程智能体通过三层设计解决缺口：项目容器与数据底座管理动态上下文，实现数据双向流动；编排引擎与三种协作模式（普通、赛马、多产品）解决智能体间和人与人间的协作；实时仪表盘与质量门禁实现进度可见、质量可控。
- 两套可观测体系支撑持续迭代：一套记录流程智能体的运行过程并接入大模型评审模块，从准确性和完整性打分；另一套观测人与 AI 的交互行为，识别「被动接受型」和「主动协作型」使用者，让高能力协作者分享经验。
- AI 赋能者的三个特点：扎根业务、深度理解 AI、让能力可复制。他们不满足于自己跑通，而是让团队里每个人都能跑出更好的结果。
直播回放约 74 分钟
播放器来自飞书妙记 · 在新窗口打开