一个中型集团的 IT 负责人讲过一件事:年初盘点,发现有 47 个智能体在运行,其中 12 个是重复建设的——三个部门各自做了一个"合同审查助手",功能大同小异,用的是同一个模型、同一份合同库,只是界面不同。
这不是个例。智能体的建设门槛比传统系统低太多,业务部门自己做几个出来并不难,难的是建完之后的管理:谁知道有哪些、谁在维护、谁能用、用了多少、花了多少钱。
智能体需要一份"花名册"
传统的 IT 资产管理管的是服务器、数据库、许可证,对象是静态的。智能体不一样,它有生命周期:创建、配置身份、授权、上岗、退役。中间还会变化:能力升级、权限调整、使用范围扩大。
用友 YonAIG 企业AI治理与运营平台 把这套生命周期做成一条管理链路。智能体不是建完就散落各处,而是进入统一目录,并区分三类形态:数智分身(服务个人)、数智员工(承担岗位职责)、数智团队(多智能体协同)。三类形态的管理要求不同——数智分身关注个人数据边界,数智员工关注岗位授权与绩效,数智团队关注协作编排与责任归属。
能力中心是另一个关键设计。智能体、技能、MCP 等能力资产在这里沉淀,支持分级管理与共享复用。前面那个"三个部门重复做合同审查"的问题,在有能力中心的情况下不会发生:第一个人做完,登记进中心,第二个人直接复用,改的是各自的业务参数而不是重写一遍。
运营看板看四件事
资产有多少、谁在用、用到什么程度、花了多少钱。
资产维度看数量与构成:多少智能体、多少技能、多少 MCP,按部门、按业务域分布。这个数不是为了汇报好看,而是为了判断建设是否均衡——如果 80% 的智能体集中在两个部门,其他部门的渗透就是下一步的重点。
使用维度看活跃与深度:日活、周活、人均调用次数、任务完成率。开通了账号不等于用起来,用起来不等于用得好,这三层要分开看。
渗透维度看部门覆盖:哪些部门已经形成日常使用,哪些还停留在试用。渗透率低的地方,往往不是不需要,而是没有合适的场景或没有培训到位。
成本维度看消耗结构:按部门、按智能体、按模型拆分 Token 与算力消耗,识别高消耗低产出的对象。这一层最容易被忽略,也最容易出问题——某次提示词改版可能让单次调用成本翻三倍,没有账本根本发现不了。
成本不是省出来的,是算出来的
企业里对 AI 成本的讨论常常走向两个极端:一种认为模型调用很便宜,不用管;另一种认为 AI 是吞金兽,要严控。两者都不对,因为都缺少计量。
真实的情况是成本结构差异极大。一个知识问答类智能体,单次成本可能是几分钱;一个需要多轮规划、多次工具调用、长上下文的任务型智能体,单次成本可能是几块钱。同样是"智能体",成本差两个数量级。如果不分开计量,就会出现"整体成本可控"的假象,掩盖了某个高频高耗的智能体正在悄悄烧钱。
YonAIG 的成本管理落在观测与运营两侧:观测侧按用户、会话、请求维度记录消耗,能定位到具体哪一类任务贵;运营侧按部门与智能体聚合,形成投入产出的对照。有了这两层,"哪个该优化、哪个该下线、哪个值得加预算"才有依据。
退役和上岗同等重要
智能体的退役常被忽略。业务调整了、场景消失了、被更好的方案替代了,但旧智能体还挂着权限在那里跑——这是典型的风险敞口。
把退役纳入生命周期管理,需要三个动作:权限回收、资产归档、数据处置。权限回收是安全要求,资产归档是复用要求(好的提示词与技能应当沉淀而不是随智能体一起消失),数据处置是合规要求(智能体运行期间积累的记忆与日志要按规则处理)。
用友在会上强调"从上岗授权到退役交接"的完整链路,说的就是这个意思。企业AI 的成熟度,不体现在上线了多少个智能体,而体现在能不能把每一个都管到最后一公里。