智能体是新宠，但非万能药——专访麦肯锡全球资深董事合伙人周宁人

在ChatGPT揭开生成式AI大幕三年之际，几乎人人谈AI。企业界运用AI技术的普遍性和实效性如何？麦肯锡公司的一项全球调研显示，全球企业88%已在至少一个业务职能中使用AI技术。

在AI热的背面却呈现着一个字“冷”：88%的“上线率”仅换来39%的“赚钱率”、AI Agent（智能体）成为新宠却仅有不足一成公司真正跑通流程。

海量试点为何跨不过盈利鸿沟？跑通业务流程者为何稀少？中国金融业AI投入与产业比为何不达预期？规则型、生成式、智能体三类技术如何在监管红线与商业效率间“分工协作”？更重要的是，当“人类+AI+机器人”三元协同成为新范式，各企业组织准备好重写岗位、绩效与合规，把人和智能体塞进同一套流程了吗？

这些冷与热在麦肯锡公司2025年的相关多篇报告中得以揭示。这一年，麦肯锡公司发布《麦肯锡2025技术趋势展望》（即《Technology Trends Outlook 2025》）、《2025麦肯锡AI应用现状调研》（即《The State of AI in 2025》）等多篇报告。其中，《2025麦肯锡AI应用现状调研》就AI的运用等相关话题调查了全球各行业近2000家组织。

围绕上述市场聚焦的话题，南方周末新金融研究中心研究员在近日专访了麦肯锡全球资深董事合伙人、中国区金融机构咨询业务负责人周宁人。成立近百年的麦肯锡公司是世界级领先的全球管理咨询公司，在全球一百三十多个国家设有分支机构。

麦肯锡全球资深董事合伙人、中国区金融机构咨询业务负责人周宁人

规模化部署依然稀少

南方周末：2022年底，ChatGPT横空出世，开启人工智能新纪元。据你们观察，三年来，AI在全球各行业中普及情况如何？

周宁人：毫无疑问，科技企业AI应用领先优势明显。但如今，媒体与电信、金融行业的应用率已与科技行业并驾齐驱。过去8年的调研则显示，IT、营销与销售始终是AI应用最集中的职能。2025年最新调研结果显示，知识管理首次跻身这一行列。

南方周末：运用场景正在如何演进？

周宁人：从具体场景观察，AI最常被用于信息获取、处理与分发（如通过对话式界面）；营销策略内容支持（包括方案起草、创意生成及提供营销策略参考知识）；联络中心或客服工作的自动化。

我们发现，虽然越来越多的企业开始使用AI，但真正的规模化部署依然稀少。2025年，麦肯锡调查了全球来自各行业近2000家组织。其中一个最直观的数据是：88%的受访企业表示已在至少一个业务职能中使用AI技术，比2024年高出10个百分点。但在企业层面，多数机构仍停留在探索或试点阶段，仅三分之一已着手推进AI的规模化落地。

南方周末：AI技术在中国内地的普及情况如何？

周宁人：中国内地的AI应用普及率与全球平均水平基本持平。更在国内大模型快速崛起的推动下，生成式AI已广泛渗透至企业运营中：83%的企业在至少一个职能中常态化使用生成式AI，这一比例领先全球平均水平。麦肯锡分别从IT、知识管理、营销与销售、服务与运营等11个职能评估企业AI应用情况。同时，中国大陆地区有45%的受访企业实现AI的规模化或全面部署，高于全球 38%的均值，展现出在AI应用深度上的相对领先优势。

AI Agent成新宠

南方周末：据了解，目前较常见的AI应用有生成式AI、AI Agent（智能体）和Agentic AI（智能体AI）。这三者有何区别和联系？

周宁人：简单讲，生成式AI让机器学会“表达”，AI Agent让机器学会“行动”，Agentic AI让机器学会“协作”。

据我们观察，62%的受访组织已经在试验AI Agent类应用，不少还搭建了企业内部Agent，例如AI客服助手、AI知识总结助手、AI代码生成工具等。

南方周末：看起来，AI Agent已成为新宠。其在哪些环节应用最多？存在什么问题？普及率如何？

周宁人：事实上，人人都在谈Agent，但真正跑通业务流程的企业仍是少数派。据我们观察，在任何一个部门里，真正在推动AI Agent的公司都不到一成。

这些真正“跑起来”的应用，主要集中在流程清晰、标准化程度高的部门，例如IT运维、知识管理、营销与销售等。

南方周末：为什么AI Agent在这些领域率先得到应用？

周宁人：这些使用场景有一个共同点：结构清晰、流程标准、数据充分、容错率高。一旦涉及跨部门协作、复杂流程或高风险决策，Agent往往就会止步于试验阶段。

根源在于部署Agent不是接个API就完事了，而是要重构流程+重塑组织+重训员工。因此整体而言，Agent热度虽高，但还远未量产。多数组织目前还处于试用或“验证阶段”，离规模化还有一段距离。

南方周末：在麦肯锡7月份发布的报告《麦肯锡2025技术趋势展望》中，将Agentic AI放在13大前沿趋势的首位。为什么？

周宁人：所谓Agentic AI，是指AI能主动完成任务。比如，以客服为例。一个客服Agent并不是只告诉你订单已发货，还可以自动追踪物流、处理退款。

南方周末：促进Agentic AI走向“C位”的因素是什么？

周宁人：我们认为有三个底层推动力：一是，推理成本大幅下降。2025年，随着DeepSeek-R1模型横空出世，模型推理的价格在一年内下降了9倍至900倍，中位数约为50倍。这种“边际成本塌陷”，往往是新应用大规模普及的前提。

二是，小模型爆发。过去，大家都盯着GPT-4这样动辄千亿参数的大模型。现在，十亿参数级的小模型已经能解决很多垂直任务。这意味着，AI从云端走向本地，可以跑在手机、车载系统，甚至IoT（物联网）设备上。

三是，多模态的突破。从文本到图像、语音、视频，AI的输入与输出能力变得更加全面。多模态与推理能力结合，才让AI有可能执行完整的任务链条，而不是只完成某个环节。

南方周末：如此看来，AI的未来属于Agentic AI。假如顺利的话，未来将会带来哪些改变？

周宁人：虽然Agentic AI是未来趋势，但仍然面临算力与能源、治理与责任、人才缺口及地缘竞争等因素影响。电力可能成为关键约束。

展望未来，真正的竞争力，不在于是否引入AI，而在于是否能重构组织，把人和AI放进同一套流程。未来的工作范式将是人类、AI智能体与机器人三者之间的深度协作。假如Agentic AI能够深度融入企业经营管理，将在三个层面带来改变：

在企业层面，组织架构将被重塑。岗位定义、绩效考核和合规流程都需要重新设计。

在经济层面，AI渗透将会进一步拉大企业间差距。如果企业能有效利用AI，整体生产率提升可能达两位数。

在个人层面，工作的定义会被改写。那些基础性、重复性的任务将被Agent接管，人的价值更多体现在跨学科思维、复杂判断和创造力上。

AI 加速行业分化

南方周末：如你刚才所言，金融业是AI技术落地的前沿阵地。其中银行业因具有大规模、高质量的数据资源和多维度、多元化的应用场景，一直被视为大模型应用最早也是最广泛的领域之一。如何看待AI大模型在金融行业的应用前景？有哪些机遇与挑战？

周宁人：AI带来的不是工具升级，而是自工业革命、数字革命之后第三次组织范式跃升——“智能体组织”登场。

当前，AI大模型正推进中国银行业服务、营销、产品、风控等领域的全面革新，催化“未来银行”加速到来。

我们观察看，不少金融机构反馈AI应用效果不达预期，投入产出比不高。这种现象的根本原因在于金融业对AI应用尚处于尝试阶段，还未真正打开业务流程，重塑作业模式。

南方周末：2025麦肯锡AI调研报告称，只有高绩效企业能真正尝到AI红利。那些能将至少5%的企业EBIT（息税前利润）增长归因于AI，并已在实际业务中实现显著价值回报的组织，被定义为AI高绩效企业。这些高绩效的AI组织具有哪些特征？有何成功经验？

周宁人：高绩效AI组织的成功并非偶然。从战略、技术、人才、数据和运营五大维度观察，结果发现：AI绩效越高的企业，几乎在每项实践上都做得更早、更深入。

比如在战略层面，高绩效企业大多已绘制明确的AI路线图。在组织执行层面，它们不只停留在“用AI试试“的阶段，而是主动重写业务流程，将AI嵌入前线流程与系统，采取敏捷开发模式，追求“快速试错-持续迭代”的落地节奏。

南方周末：大模型加速融入金融行业，推动效率提升，但也加剧行业分化。大型金融机构率先建成企业级千亿金融大模型技术体系，全面推动大模型在各类业务场景落地。相比之下，中小金融机构如何以低成本、低风险方式快速试错，实现能力跃升？

周宁人：大型金融机构确实具有资金优势，但中小金融机构并非没有机会。随着大模型推理成本逐渐降低，中小金融机构布局AI的门槛也随之降低。关键不在于投入多少硬件设施，而是要找到应用场景，围绕重点业务，避免重复建设。

建议找更懂中小金融机构的AI合作伙伴，搭建符合自身特色的转型方案，尽快找到成本可控、更快上手的AI布局路径。

不能“一刀切”地应用AI

南方周末：2025麦肯锡AI调研报告还称，88%的组织都在用AI，但只有39%的组织吃到“真金白银”。你如何看待这种现象？有何建议？

周宁人：这种挫折是任何新技术发展的必然过程。为此我们总结几大经验：

一是，要通过智能体AI实现业务价值，必须改变工作流程。重新设计工作流程的重要起点是梳理流程并找出用户的核心痛点。这一步对于设计能够减少无用功、让智能体和人员高效协作实现业务目标的系统至关重要。

以财富管理流程为例，通常有“五个步骤”：即明确财务状况、设定理财目标、评估风险承受能力、制定资产配置策略和执行与监控。未来在AI助力下，可能只需要三步，即“现状扫描与风险评估”“智能规划与目标拆解”和“动态管理与风险预警”。

二是，智能体不是万能药。“AI+金融”是“一把手”工程，在急于上马智能体方案前，领导者应先评估任务需求。具体而言，就是要搞清楚流程的标准化程度如何、需要处理多少变化、哪些工作最适合智能体来做。

我们观察，那些高变化、低标准化的工作流程更适合用智能体。比如某金融服务公司部署智能体来提取复杂的金融信息，减少了人工验证的工作量，实现流程简化。

三是，杜绝“AI垃圾”，重视评估用户对AI工具的信任感。经常听到用户抱怨“AI垃圾”或输出质量差。这将使用户失去对智能体的信任。开发有效的智能体是个挑战性工作，需要结合具体专业知识来创建评估标准，并为特定任务制定足够详细的最佳实践。更关键的是，专家必须持续参与智能体测试，不能“一次部署，终身不管”。

四是，人的作用依然不可或缺，但角色和人数会变。智能体能完成很多工作，但人类仍将是劳动力的重要组成部分。智能体并非总是最佳答案，因此需要人员与机器学习模型等其他工具配合工作。人员需要监督模型准确性、确保合规、运用判断力、处理边缘情况等。

南方周末：AI金融模型的可解释性与监管红线如何平衡？强制披露AI策略的核心特征（如训练数据范围、特征变量），是否有效？

周宁人：关键在于不能“一刀切”地应用AI，而是根据业务特性选择最适合的AI类型，在创新与风险之间找到平衡点。

规则型AI基于明确逻辑，可预测性最高，适用于信贷审批等标准化业务场景，能确保决策一致性和可解释性；生成式AI和智能体AI在非标知识领域更具优势，可高效完成知识收集与综合整理，但不应让其直接制定规则。

在实际应用中，需建立完善的治理框架。事前为每个AI模型设定清晰的职责边界和评估标准，设计安全护栏机制；事后进行常态化监测，建立反馈优化闭环。

这种差异化策略不是简单地将所有领域视为“黑盒”，而是在创新与风险间找到平衡，通过“规则主导+AI辅助”的混合模式，既发挥AI在知识处理方面的效率优势，又保持关键业务环节的可控性和透明度，最终实现金融AI应用的稳健发展。