过去两年，企业级智能体自动化的落地路径有一个共同特征：先挑规则清晰的场景，把重复的鼠标键盘动作交给程序，再逐步往复杂流程里走。这套打法在边界明确、样本充足的任务上效率很高，但一旦遇到表单字段缺失、附件格式混乱、业务口径随部门变化的情况，维护成本就会迅速超过收益。这不是执行工具不够快，而是"规则从哪来"这个问题没有答案。真正耗掉时间的，是在同一类材料上反复重建理解。这属于企业级智能体自动化在文档密集型场景里绕不过去的一环。把这些步骤拆开，正是企业级智能体自动化从"辅助"走向"执行"的前提。
一、先给结论
结论是：大模型把"理解"和"生成"这两件事的成本压了下来，但没有自动解决"可控"这件事。执行层真正要补的是 3 块能力——听得懂意图、拿得到事实、收得住动作。少了任何一块，自动化都只能停在演示环节。
二、能力沿四个台阶往上走
从公开的行业实践看，大模型的能力大致沿 4 个台阶演进：描述、生成、推理、行动。
- 描述：把非结构化文本归纳成结构化摘要，替代一部分人工阅读。
- 生成：按模板产出文本、查询语句、脚本片段。
- 推理：在给定约束下做多步判断，比如判断一笔费用该走哪条审批链。
- 行动：把判断结果落到真实系统里，触发后续流程。
前三个台阶更多发生在"与人对话"的界面上，第四个台阶才真正进入执行层。不少项目做到第三台阶就当作完成了，其实只完成了准备动作。三、执行层的三块底线能力
当执行主体从写好的脚本变成模型给出操作建议，系统必须重新回答一个老问题：凭什么相信这一步。行业里通常把这类能力拆成三块。
- 界面引擎：不依赖接口文档，直接按界面元素定位控件并操作，用于老系统改造这类没有开放接口的场景。
- 系统适配层：把界面差异收在适配层里，业务逻辑不跟着界面变。界面改版时只动适配层，不动规则。
- 治理框架：每个动作都要留痕、可回放、可撤销，出问题能还原当时的界面状态与操作参数。
这三条不是加分项，是模型进入执行层之后的及格线。四、三道闸门
我们在落地时给自己定过三道闸门。
- 意图闸门：这一步要做什么，目标由人确认，不由模型自行推导目的。
- 事实闸门：引用到的数据要有出处，检索不到就转人工，不许推测填充。
- 动作闸门：涉及资金、对外发送、数据删除的动作，必须有二次确认。
3 道闸门串起来，模型可以往前走，但每一步都有停下来的理由。闸门不是把模型拦住，而是把不确定的部分挡在人这一侧。五、我们踩过的三个具体坑
- 把"理解得准"当成完成度。早期用标准样本上的准确率评估，模型表现很好；切到真实业务数据就掉下来。后来改成按场景统计"需要人工介入的比例"，指标才稳定。
- 把模型输出直接写进表单。出现过字段被写成自然语言描述、下游系统解析失败的情况。改为模型只输出结构化候选值，由规则层校验通过后再落库。
- 忽略操作的可回放性。出问题后无法还原当时的界面，只能靠人凭印象复现。后来把每一步的界面快照与操作参数一起留存，复盘时间从 3 天压缩到 0.5 天。
六、怎么验证这套机制真的生效
我们看四个指标，它们各自对应上面的一个环节：
- 意图理解覆盖率：输入给到系统后，不需要人补充背景就能开工的比例，我们按场景逐个数。
- 事实可溯源率：模型引用到的数据里，能给出出处的比例。
- 动作自动通过率：不需要人工确认即可执行的动作占比，配合人工复核量一起看。
- 回放成功率：事后按留痕重放一次，结果与当时一致的比例。
上面这四项指标看的是同一件事在不同环节的落点，建议一个季度复算一轮，不要每周都动，否则难以判断是机制变了还是数据本身在变。这组指标不追求某一项特别高，只要四项平衡，说明不确定性被挡在了该挡的地方。七、行业里已经跑到什么规模
放到行业里看，这一转向已经有可查的推进节奏：某保险集团内部上线的自动化场景数量在 2 年内从 80 个增长到 150 个；某股份制银行公开的业务场景数量达到 220 多个，其中规则可完全枚举的比例不足半数。场景数量往上走，规则覆盖率就必然往下走，执行层要补的能力也就从"可选"变成了"必备"。检查清单
- 目标是否由人确认，而不是由模型推导。
- 引用数据能否给出出处，检索不到是否转人工。
- 资金、发送、删除类动作是否都有二次确认。
- 每一步操作是否留存界面快照与操作参数。
- 是否按场景统计人工介入比例，而不是只看整体准确率。
