500家企业怎么用AI的？这份报告给出了答案

企业都在谈AI落地，但具体用在哪、怎么用、效果如何，一直缺少清晰的答案。

全球顶尖的AI大模型公司Anthropic联合研究机构Material在2025年底调研了500多家美国企业，发布《2026年AI智能体应用报告》。

这份报告回答一个问题：企业现在到底怎么用AI智能体的？

数据很直接：80%企业已从AI获得真实回报，90%在用AI辅助编程，57%用AI处理多步骤工作流。

报告最有价值的部分是记录了这些企业具体怎么做的。

Doctolib：300个工程师怎么统一用AI

Doctolib是欧洲最大医疗科技公司，服务42万医疗专业人员。300个工程师如果各自摸索AI用法，质量无法保证，经验也传承不了。

他们建了一个Git仓库，往里面放三类资源：

通用提示词模板，比如"审查这段代码的安全问题""为这个函数写单元测试"，这些是团队反复验证过的高质量提示词。

自定义命令，针对Doctolib特定场景开发，比如处理医疗数据的特殊格式、符合GDPR要求的数据处理流程。

子智能体，预配置好的专用智能体，每个都包含特定的上下文、规则和最佳实践。比如专门处理遗留代码的智能体、专门做安全审查的智能体。

所有开发者安装时自动从中央仓库拉取最新配置，5分钟就能在任何IDE上手。用的都是团队验证过的工作流，不需要每个人重新摸索。

更进一步，他们把AI通过headless模式嵌入CI流程。每次代码变更自动触发任务更新技术文档，完全不需要人工维护。

结果是300工程师日活，功能交付速度提升40%。这个做法本质上是把AI使用方法当代码管理——Git版本控制、团队共享、持续迭代。

欧莱雅：让44000员工直接问数据

欧莱雅在150多个国家运营，37个品牌。员工要查数据，传统方式是排队等IT部门做报表。

他们让AI当"总指挥"，背后协调多个专业智能体。这个架构的关键是智能体分工明确：

当员工用自然语言提问"上个月法国市场口红销售前十的SKU"，AI首先判断需要调用哪些智能体。

语义API智能体理解问题意图，数据检索系统去相应数据库拉数据，计算智能体做排序和统计，产品主数据智能体补充SKU详细信息，地理主数据智能体确认"法国市场"的准确范围。

整个过程是AI协调编排，每个智能体专注做自己擅长的事。最后AI综合所有智能体的结果，生成答案和可视化图表。

技术难点在准确率。之前的GenAI方案只有90%，员工不敢信。严格测试后达到99.9%才上线。

现在44000员工每月生成250万次查询，销售市场运营团队直接问数据，不依赖IT。

这个案例的关键是AI不是替代某个岗位，而是像经验丰富的项目协调者，知道该找谁、怎么整合、如何呈现。多智能体协同工作，比单个AI处理所有任务更准确。

eSentire：1000个案例验证才上线

eSentire在80多个国家保护关键基础设施，做网络安全。安全分析师每次威胁调查要花5小时。

他们用1000个真实历史案例验证AI能力。具体做法是让AI和最资深安全专家同时分析同一个案例，对比决策过程和结论。不只看最终答案，还要看推理路径、证据选择、风险判断是否一致。

AI能从日志、网络流量、终端行为等多个来源综合证据，像专家一样关联不同安全事件形成完整结论。95%与最资深专家对齐才部署。

结果是威胁分析从5小时压缩到7分钟，威胁抑制率99.3%。Parcha为金融科技提供合规工具，AI通过了银行级合规认证（行业最严格的模型治理评估之一），客户尽调从3个月降到5分钟。

诺和诺德：让产品经理也能做原型

诺和诺德生产Ozempic，做临床研究报告。一份300页的文档，传统方式一年只能完成2.3份，每延迟一天损失1500万美元。

他们建立了专家审核文本库，把领域专家已批准的标准文本、术语全部入库作为RAG数据源。然后定义变量模板，每个报告结构类似，只是药物名称、剂量、试验数据等变量不同。

AI从文本库提取内容填充变量生成草稿，但必须经领域专家确认才发布。

结果是临床报告从10周降到10分钟，设备验证协议资源减少95%。

意外收获是让非技术人员也能做原型开发。产品经理验证想法从等几天排期变成几小时自己动手，11人开发团队能力扩展了数倍。

从350万次对话看到的规律

Anthropic分析了350万次对话，发现一个稳定规律：输入上下文长度每增加1%，输出质量和长度提升0.38%。这意味着如果企业数据分散在多个系统、格式不统一、访问权限复杂，AI再强也发挥不出来。

另一个规律是使用模式在变。8个月内，指令式对话（用户直接委托完整任务）从27%跃升到39%，首次超过辅助式使用。企业API使用77%显示自动化模式，远高于消费者的50%。

还有一个打破常识的发现：最昂贵的任务使用率最高。企业在模型能力强、自动化创造真实价值的地方部署，不在乎成本。近一半API流量(44%)是计算机和数学任务。

企业使用AI中遇到的障碍

报告显示，46%企业遇到系统集成困难，42%卡在数据质量，43%被实施成本困扰。中小企业51%最大障碍是员工抵制，远高于大企业。

N26是持牌银行，从实施到测试只需1-2周，一年实现70%流程自动化。选择AWS Bedrock因为需要处理多语言文档、满足GDPR监管要求、企业级安全已验证。

Doctolib从30人试点开始，NBIM主权基金管理1.7万亿美元资产，从初期用户到600人使用。分析师每周节省20%时间用在更高价值的投资判断上。

接下来会怎样

81%企业计划处理更复杂的AI项目，39%开发多步骤流程智能体，29%做跨部门协作。

应用场景在扩散，更多企业计划部署研究报告智能体，其次是供应链优化、产品开发、财务规划。

这也影响了员工工作时间分配，BCG认为2026年智能体将驱动真实业务影响，Deloitte指出劳动力转型决定谁赢，技术部署只是一半。