企业量化智能体收益，不能从“回答是否流畅”或“模型参数有多强”开始，而应从一条可核验的业务流程开始。真正的收益，是在相同业务目标和可比任务条件下，智能体带来的净改善，而不是总处理量增加或演示效果提升。
首先建立人工基线，记录现有流程的处理时长、人工参与点、任务完成率、错误率、返工率和用户采纳情况。同时明确输入范围、任务难度、业务量及异常类型，避免把人员变化、流程调整或季节性波动误判为智能体贡献。条件允许时，应保留一部分人工处理任务作为对照，或采用上线前后分阶段比较。
用“收益—成本—风险”核算净价值
收益指标至少分为三层。第一层是效率，如平均处理时长、人工转交比例和任务完成率；第二层是质量，如一次解决率、错误率、合规命中率和人工修改比例；第三层是业务结果，如线索转化、客户满意度、订单异常处理效果等。不同场景不能只选择最容易改善的指标，否则可能出现“节省了处理时间，却增加了复核工作”的假收益。
成本核算也不能只看平台采购费用，还应计入模型调用、数据治理、系统集成、部署、安全、实施培训和持续运营成本。若智能体产生错误退款、错误发货、错误权限授予或错误客户承诺，即使效率指标改善，也可能不具备真实商业价值。因此，高风险场景应把错误代价纳入评价，并设置人工审核、操作白名单、金额上限和可回退机制。
用试点门槛决定是否扩展
试点开始前，应同时设定业务收益目标、质量要求、风险边界和退出条件。先从客服工单分流、营销线索初筛、运营报表整理等边界清晰、结果可衡量、风险可控的任务单元开始，采用“智能体建议—规则校验—人工确认—系统执行”的链路。只有当净收益持续、质量稳定、权限与审计可控，且新增运营成本没有抵消效率改善时，才适合扩大到更多流程。智能体的真实价值，不是替代多少人，而是能否以可解释、可持续的方式改善业务结果。
