单个 Agent 演示效果不错，但进入业务一线后，知识、工具和岗位流程彼此割裂，数据权限与效果评估也难以理清。本次分享将通过滔搏、易点天下和满帮三家企业的真实实践，带你了解 Agent 如何深入门店经营、广告投放和稳定性运维，让员工从取数、盯盘和串流程，转向目标设定、关键确认与结果验收，并将老员工经验沉淀为新人可直接调用的技能。你还将看到经营分析从约2小时缩短至20分钟、运营人均效率提升40%以上、重大风险定位缩短至约1分钟的实际成效，以及企业如何选场景、定责任、衡量效果，并借助阿里云 AgentCore 构建可协作、可治理、可度量的企业级智能体体系。

很多企业的经历是：单个 Agent 演示效果不错，一到业务一线，知识和工具各建一套，岗位之间接不起来，数据权限说不清，效果也算不明白。本次分享从三家企业的真实落地讲起：滔搏让 4000 多家门店的店长和一线员工用上经营分析、练货陪练和顾客维护助手，单次经营分析从约 2 小时缩短到约 20 分钟；易点天下让智能体串起广告投放全链路，核心执行类工作约一半由 AI 承担，运营人均效率提升 40% 以上；满帮把值班巡检和故障应急交给 7×24 小时运转的"稳定性数字人"，重大风险定位从拉群排查数小时缩短到 1 分钟左右。你会看到这些团队的工作流具体发生了哪些变化：人从亲自取数、盯盘、串流程，转向定目标、做关键确认、验收结果；老员工的经验被整理成可复用的技能，新人可以直接调用。最后，我们总结三家企业共用的方法：怎样选场景、谁来负责、如何衡量效果，以及支撑这些变化的阿里云 AgentCore 平台能力。

演讲大纲

一、AI 进业务一线的真问题

• 能演示不等于能用：知识和工具重复建设、多个岗位接不起来、权限边界不清、效果难衡量、出了错找不到原因、上线后没人负责。
• 工具省下的是操作，省不下的是人：一个人盯 5 个系统，应急时一次要打开 6 个平台。

二、案例一：滔搏——让每家门店都有"专业助手"

• 背景：4360 家实体门店、3700 家小程序店铺、20 多个合作品牌，最有经验的人不可能同时出现在每一家店。
• 一线练货：经营数据发现商品卖得不好，结合现场反馈确认训练需求，再自动准备商品资料、安排陪练和补练；单月 1.7 万多人参与练货，累计 39 万多次。
• 小程序店长做顾客维护：一个人管一家店，AI 帮他筛选优先维护的顾客、匹配商品、准备话术，店长确认后跟进；顾客唤醒率从 8.0% 提升到 12.0%，触达后成交率从 2.0% 提升到 2.8%。
• 门店经营探索："不加人、不额外打折，这个周末怎么安排？"跨系统分析后形成主推、陈列和顾客维护计划，数据权限随岗位配置；单次分析从约 2 小时缩短到约 20 分钟。

三、案例二：易点天下——智能体接管广告投放全链路

• 背景：服务 1 万多家出海企业，投放链路长、跨系统协同多，异常排查依赖个人经验。
• 从竞品调研、渠道接洽、投放配置、实时监控、策略调优到对账结算，六个环节由智能体串起来；涉及资金和核心配置的节点由人确认，"Agent 跑流程，人守关口"。
• 把老师傅的经验整理成可复用的技能：新人直接调用统一的诊断方法，异常诊断从小时级缩短到分钟级。
• 成效：核心执行类工作约 50% 由 AI 覆盖，运营人均效率提升 40% 以上，100 多个 Agent 每天在生产中运行。

四、案例三：满帮——7×24 小时的"稳定性数字人"

• 背景：业务提速要求人更少、产出更高，系统却越来越复杂，值班和应急两头承压。
• 巡检、诊断、答疑、应急四类工作交给数字人：人工盯盘变为每 10 分钟自动巡检并推送到钉钉群，重大风险自动梳理并进入治理流程。
• 成效：重大风险定位中位数约 1 分钟，准确率 90% 以上；处置动作经授权后执行，全程留痕、可回滚。

五、三家企业的共同做法

• 人的角色变了：从亲自取数、盯盘、串流程，转向定目标、做关键确认、验收结果。
• 选场景：高频、刚需、可衡量，先定好原流程的耗时和验收标准。
• 定责任：业务部门做场景负责人，IT 保障系统接入和权限，AI 团队负责效果优化。
• 算效果：同时看使用与采纳、质量与可靠性、效率与成本、业务价值。

六、背后的产品技术能力

• 智能体构建与治理平台 AgentCore：不同来源的 Agent 统一管理，多个 Agent 与人协同完成任务，权限与审计贯穿全程。
• Agent 观测与优化：每一步可追溯，用真实业务反馈持续评估和改进，让每个 Agent 越用越聪明。

听众收益

• 看清 AI 进入非技术团队后，一线岗位的工作流具体怎么变：哪些交给 AI，哪些仍由人把关。
• 三个可对照的行业案例：零售门店、广告营销、平台稳定性，附落地前后的效果数据。
• 一套落地方法：怎样选第一个场景、怎样把老员工的经验变成组织可复用的能力、业务和 IT 怎样分工。
• 一份衡量清单：除了"用了多少次"，还要看采纳率、正确率、成本和业务结果。
• 了解支撑多个 Agent 规模化运行的平台能力，判断自家企业下一步该补什么。

你的团队可能已经在用 AI 了：有人用它写邮件，有人用它查资料，个人确实快了一些。但到了年底复盘，你很难说清楚 AI 给团队省了多少时间、改变了哪些流程。每个人的用法都不一样，好用的提示词和做法留在个人电脑里，换个人就要从头摸索；核心业务数据也不敢放心交给 AI。

亚马逊内部同样遇到过这些问题。这次分享以亚马逊部门案例如何先把数据理顺，再把企业知识和 AI 接起来，最后让 AI 在云端常驻、按计划自己完成重复工作，把个人的好做法沉淀成整个团队都能复用的能力。你会看到每个案例原来怎么做、现在怎么做、人在哪一步把关，以及最后省下的时间。

分享也会结合 Amazon Quick 这条产品线十年的演进，说明一家企业从数据就绪、AI 就绪到 AI 原生，每一步该做什么、容易踩哪些坑，帮助你回去就能挑出第一件值得交给 AI 的事。

演讲大纲

1. 问题：个人用上了 AI，团队为什么还看不到效果

• 用法分散、经验不沉淀、数据不敢交。

2. 亚马逊内部怎样用 AI 提效

• 各团队的典型用法与节省的时间。
• 深入案例

3.亚马逊 37 万员工提效方案

• 核心场景
• 安全与权限上的设计

4. 带走一份可以马上开始的行动清单

• 先挑哪件事、谁来牵头、怎么衡量。

听众收益

• 了解亚马逊各部门的具体做法和实际成效，得到一套判断企业 AI 转型走到哪一步的方法：数据就绪、AI 就绪、AI 原生，以及每一步的重点和常见的坑。
• 学会把个人的 AI 用法沉淀成团队可复用的能力，让效率在团队里不断累积。
• 了解 Amazon Quick 的核心能力，以及在安全与权限上的考虑。
• 带走一份可以马上开始的行动清单：先挑哪件事、谁来牵头、怎么衡量。

2026 年去哪儿旅行基础架构团队推动公司 AI 研发落地，经历了从追求出码率和使用率、到研发流程渗透最后到端到端交付三个阶段，在技术需求场景和业务需求场景中探索出一条切实可行的 AI 研发落地路径，沉淀出研发基础设施改造、AI 研发平台建设、AI 研发全流程质量和效能度量、研发流程和组织协作重构等方面的建设和踩坑经验，可以对于想要在研发团队中进一步发挥 AI 生产力、追求 AI 端到端交付的技术团队和管理者提供经过实践检验的经验参考。

演讲大纲

一、研发团队落地 AI 的困境和解决思路

1. 常见困境：AI 能力 ≠ 组织生产力

2. 我们踩过的三个坑：

• 把"使用率高"当成"落地成功"——数据涨了，交付没变快
• 提效停留在员工个人电脑里——个人省下的时间，组织收不回来
• AI 在干什么看不见——无法衡量，就无法管理

3. 解决思路：AI 落地不是接入问题，是管理问题；无法度量 = 无法运营

二、AI 落地三步走其一：先解决"看得清"——给 AI 装上一套仪表盘

1. 为什么度量要先于推广：没有度量，token 花在哪里、换来什么，就是"开盲盒"

2. 我们做了什么：建立覆盖全公司、全研发流程的 AI 效能度量体系

3. 管理者视角的三个关键指标：使用率 → 产出贡献率 → 交付结果

4. 我们的实践现状

三、AI 落地三步走其二：从个人提效到组织产出——让 AI 嵌入业务流程

1. 为什么个人提效会被"稀释"：一个环节快了，流程其他环节成为新瓶颈

2. 我们的做法：把 AI 铺到研发全流程的每一个环节

3. 组织配套动作：流程规范、统一平台、虚拟组织建设

4. 我们的实践现状

四、AI 落地三步走其三：让 AI 自主干活——端到端交付的边界与条件

1. 什么场景适合让 AI 独立完成整个任务：用度量数据回答，而不是靠感觉

2. 为什么不能套用老流程：AI 自主交付需要重新设计流程和验收方式

3. 决策者的误区：端到端是方向，但盲目推进的代价远大于收益

4. 我们的实践现状

五、总结：组织决策者的推进建议和展望

1. 先度量，后推广

2. 当组织变革做，不当能力接入做

3. 务实划定边界：全流程渗透是当下最扎实的价值，端到端自主交付循序渐进

4. 展望

听众收益

• 分清"使用率高"和"落地成功"的区别，了解用"使用率 → 产出贡献率 → 交付结果"三层指标衡量 AI 投入的真实回报
• 掌握"先度量看得清 → 再嵌入业务流程 → 有边界地让 AI 自主交付"的三步走路线图，以及流程规范、统一平台、虚拟组织等组织配套动作，可直接对照自身团队所处阶段找到下一步。
• 掌握如何用度量数据识别哪些场景能让 AI 自主干活

当前，几乎所有技术团队都深陷同一个怪象：全员配备了 AI 工具，个体的编码与内容产出效率提升了 30% 甚至更高，但团队整体的版本交付周期和业务吞吐量却原地踏步。为什么“个人提效”迟迟无法转化为“组织提效”？核心症结在于：大多数企业的 AI 仍停留在各自为战的“单点外挂”阶段，缺乏系统级的工程控制与工作流重塑。

作为《 Agentic 之道》的进阶姊妹篇，本次双人联合分享将核心聚焦于 AI 时代的“驾驭（Harness）工程”与组织系统重塑。

演讲大纲

• 上半场从系统架构视角切入，剖析单点提速如何被上下游的上下文断层、评审堰塞湖所吞噬，并给出从“个体外挂”跃迁至“受控系统”的驾驭框架。
• 下半场基于数十家企业的真实 AI 落地实战，复盘一线企业在改造中的典型败局与破局样本，还原如何通过流程重构、资产沉淀与人机协同协议，真正将散落的个人 AI 算力转化为稳定、可控的组织级产能。

听众收益

• 直击个人提效不等于组织提效难题，可以带走一套实践的方法论。