过去一年，「上智能体」几乎成了企业数字化项目里的默认答案。但越是默认，越容易出问题——预算花出去了，项目做完了，回头一看，很多所谓「智能体」做的事情，用传统的自动化工具同样能完成，甚至更稳定、更便宜。研究机构 Info-Tech Research Group 近期发布了一套评估框架，专门针对这种现象，提醒企业在为智能体项目拨款之前，先回答一个更基础的问题：这件事，到底需不需要智能体。
先认识一个新词：agent-washing
据公开信息，Info-Tech 把这套框架要解决的障碍之一点名描述为「agent-washing」（智能体洗白）。它指的是把传统自动化、机器人流程自动化（RPA）或 AI 辅助工作流，贴上「智能体」标签的做法。这种标签滥用看似只是措辞问题，实则有着实际的架构后果——一个会自主决策、会采取行动的系统，所需要的治理、安全、监督与升级机制，与一个执行预定任务的确定性工作流，完全不在一个量级上。
换句话说，把「自动化」叫作「智能体」，不只是营销上的夸大，它会让企业按错误的风险假设去设计系统。真正需要严格管控的动作，可能因为被贴上「只是个自动化脚本」的标签而被放过；反过来，一个本可以用简单规则解决的问题，也可能因为被包装成「智能体」而背上不必要的复杂度与成本。
三道资格门：适配、就绪、复杂度
据公开说明，Info-Tech 的框架要求候选项目在进入投资排序之前，先通过三道「资格门」。
其一，agentic fit（适配性）——这个用例是否真的需要智能体。框架建议企业先定义系统的触发条件、智能体将执行的动作、以及预期达成的结果；如果这些可以用更可预测、更经济的方式通过传统自动化完成，就应该在这个阶段被识别出来，而不是等到投入资源之后再发现。其二，readiness（就绪度）——组织是否具备支撑条件。这包括数据、治理、控制与运营条件是否到位。对于被期望「采取行动」而非仅仅「提供信息」的系统，这一步尤其关键——数据质量差、权责不清或治理不足，在系统获得行动权限后会变得更有后果。其三，complexity（复杂度）——构建与运营系统的难度，以及对企业自身价值估算应当给予多少信心。
值得注意的是这套框架的排序逻辑：它主张「资格先于优先级」。也就是说，先淘汰掉那些不合适或时机未到的项目，再在剩下的项目里比较收益、投入与风险，并据此排出一条包含「立即推进」「稍后推进」「需要补基础」的分类路线图。这与「先罗列一大堆用例、再按业务价值排序」的常见做法明显不同。
为什么「先筛选」比「先排序」更重要
这个方法论上的差异，回应的是企业 AI 项目一个反复出现的失败模式：项目清单越长，越容易把资源摊薄，也越容易把明显不该做的项目混进来。据公开信息，Info-Tech 的一位研究负责人直言，「浪费 AI 预算最快的方式，就是在确认用例是否真的需要智能体之前，就先把钱投进去」。
这句话点出了问题的核心。传统 AI 规划习惯于「广度优先」——先把可能的应用场景尽可能列全，再按价值高低排序。但智能体项目的特殊性在于，它的门槛不只在于「值不值得做」，还在于「准备好了没有」。一个价值很高但数据与治理尚未就绪的智能体项目，仓促启动的结果往往不是失败，而是「永远停在试点」——既消耗了预算，也消耗了组织对这类技术的信心。
它把选型问题变成了架构问题
据公开信息，这套框架还指出了一个更宏观的转变：随着智能体获得更多自主性，对「模型周围那些系统」的要求会显著提高。数据质量、元数据、数据血缘、安全、所有权、治理与升级流程，都会成为「让智能体可靠运行」所必需的架构组成部分。
这带来一个重要判断——一个模型「能」完成某项任务，并不意味着企业「准备好」让它在无人监督下独立完成这项任务。把「能力」与「就绪」区分开，是这套框架最有价值的视角之一。它也解释了为什么近期企业级智能体的话题，会从「模型选型」越来越多地转向「治理与架构」——因为真正决定项目成败的，往往是模型之外的那些基础设施。
中立思辨
需要客观看待这套框架。其一，Info-Tech 是研究咨询机构，其框架本身是产品化的一部分（框架配套了候选定义工作簿与评分排序工具包），读者应把它当作一种结构化的分析视角，而非中立结论，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。其二，「三道门」的逻辑清晰，但每一道门的判定标准仍有主观空间——「是否真的需要智能体」在很多场景下并非非黑即白，取决于对「自主性」的定义，容易出现「用框架本身来证明结论」的循环。其三，把资格判断前置会拉长决策周期，在竞争激烈的行业里，这可能让企业错失窗口，效率与严谨之间的平衡需要企业自行把握。其四，agent-washing 是一个有价值的提醒，但也可能被反向使用——成为某些团队压低预算、拒绝尝试的理由，从而掩盖真正需要探索的场景。其五，框架聚焦「该不该做」，对「怎么做好」着墨有限，而后者往往是项目失败的更直接原因。
趋势研判
短期，「该不该上智能体」的资格判断会成为企业 AI 规划里的固定环节，因为预算收紧与试点疲劳会让「先证明必要性」成为默认要求；中期，agent-washing 这类概念会被写进采购与审计的语言体系，成为评估供应商与项目立项时的常用标尺，也会倒逼供应商把「智能体」的定义讲得更清楚；长期，决定企业智能体成败的，不是上了多少个项目，而是能否在「该做的」与「能做的」之间划清界限——在一个技术容易被过度承诺的阶段，克制本身就是一种竞争力。
对企业技术负责人的务实建议是：在为智能体项目立项时，先诚实回答三个问题——这个问题用规则化自动化能不能解决、我们的数据与治理是否已就绪、以及一旦系统开始自主行动，我们是否具备发现与叫停它的能力。这三个问题的答案，比项目清单的长度更能决定投入的回报。