去一年，生成式 AI 从“写段子”进化到“当员工”，企业却从“兴奋”滑向“焦虑”：demo 惊艳，一上线就“智障”；预算烧掉大半，又得把人工请回来。我们拆解了 50+ 麦肯锡内部项目、30+ 公开市场案例，把血与泪浓缩成 6 条铁律。照单执行，至少省下 30% 冤枉钱。
铁律 1 先画流程图，再谈智能体
• 90% 的失败把预算花在“让智能体更酷”，而非“让流程更顺”。
• 正确姿势：用 SIPOC 工具把现有流程拆成人-机-料-法-环，标出耗时最长、返工最多的 20% 节点，再考虑用智能体啃哪一段。
• 案例：另类法律服务公司把“律师改稿”设为反馈节点，每一次 Delete 键都回传模型，自动增量训练，3 个月后合同审查准确率从 82% 提到 94%，律师人数没增加。
铁律 2 给任务“拍 X 光”，别用锤子钉螺丝
• 低变量+高标准化→规则引擎；高变量+低标准化→智能体。
• 一张“任务 X 光片”=输入结构×变量个数×容错率×监管红线，四象限一画，选型不再拍脑袋。
• 反例：某券商用 LLM 做“开户合规”，结果监管格式 100% 固定，智能体随机冒出一个“《”全角符号，被打回整改，反而多雇 5 人做复检。
铁律 3 把智能体当“新人”招，别当“软件”装
• 新人三件套：JD（岗位说明书）、OKR、导师制。映射到 AI=提示词库+评估指标+人类反馈。
• 预算分配建议：30% 算力、50% 专家标注、20% 运维。舍不得标注，就得花 3 倍预算擦屁股。
• 工具箱：用 “LLM-as-a-Judge” 双盲打分，先跑 1000 条标注，再上线；每周回捞 5% 负面案例，持续 fine-tune。
铁律 4 流程可追溯，问题才能被“定位”而不是“被甩锅”
• 给每个智能体加“黑匣子”——输入、提示、推理、输出、人类干预五段日志全部落库。
• 某全球银行 KYC 上线 300+ 智能体，出问题 10 分钟就能定位到具体提示词版本， rollback 只需回滚配置，不用全量重启。
• 开源方案：LangSmith + OpenTelemetry，一周可搭完，成本不到 1 张 A100 月租。
铁律 5 通用能力平台化，单点需求配置化
• 重复造轮子=烧钱。把“检索-生成-评估-调用 API”做成可复用块，用低代码编排（如 LangFlow、Rivet），业务人员拖拖拽拽就能拼出新智能体。
• 效果：麦肯锡内部平台把平均交付周期从 12 周压到 4 周，代码量 ↓70%。
• 判定标准：同一能力被 3 个以上场景调用，立即抽象进平台；低于 3 次，允许单点野蛮生长。
铁律 6 人机混编，先定“握手协议”
• 人机边界写进 SOP：什么信号人类必须介入、多少秒内响应、谁签字谁负责。
• 某财险公司理赔智能体把“置信度<0.8”自动转人工，并高亮差异字段，核赔员平均处理时长从 30 分钟缩到 8 分钟，用户满意度 +18%。
• 未来组织图：一线“超级个体”=1 人+N 智能体，管理半径扩大 5 倍；中层变“提示词经理”，核心 KPI 是智能体准确率与召回率。
结语
AI 智能体不是风口，而是产线；不是魔法，而是员工。把流程当图纸，把模型当新人，把追踪当安全绳，把复用当利润池，才能真正让生成式 AI 从“演示神器”变成“现金流发动机”。记住：先修铁轨，再发车；先立规矩，再谈创新。