写于半夜的一点 AI Agent 认知：工具很能干，人也挺烧脑

半夜睡醒上洗手间，人清醒得有点过分，脑子里不知道怎么就转到了 AI 上。这大半年一直在 AI Agent 领域里泡着，看的东西零零碎碎，正好趁这个没人打扰的点，把眼下对整个领域的认知捋一遍，权当给夜里这段清醒留个记号。

先说训练数据这一层。我目前的判断是，大模型的训练数据集，能力重心还是明显倾向于代码编辑。代码数据天然结构清晰、反馈闭环明确，写对写错一眼可辨，模型在这条赛道上迭代得最快也最扎实。这个倾向会自上而下地影响整个生态：模型最拿手的事决定了应用层的形态，所以你会看到大量产品都在围绕代码生成、代码补全、智能编辑器打转。换句话说，不是市场想要什么模型就练什么，而是数据集里什么多，模型就先擅长什么。

再看商业落地。眼下真正跑得通、能收到钱的方案，更多集中在数据分析和 AIGC 内容生成这两类。客户群体也确实多一些，尤其是电商广告类的业务，量特别大——商品文案、营销素材、投放创意，全是高频重复又讲究时效的活儿，交给 AI 正合适。视频制作是另一条跑道，从脚本到成片，工具链一年比一年顺。这些场景有一个共同点：产出物的好坏容错率高，人稍微修一修就能用，所以商业化的坡道短，跑起来快。

企业级的应用则是另一番景象。拿 AI 去接管 OA 系统、ERP 系统，做工单故障排障、工单整理、项目进度跟进，听起来都很美。但冷静想一想，这些事情没有 AI 其实也能实现，工作流引擎和规则系统跑了那么多年，早就把流程自动化玩得很熟。AI 加进来，刚开始的确让人觉得提效，省去了很多重复劳动，可这份新鲜感是有保质期的。

用到最后会发现，它其实也挺烧脑的。这类工具不只会干活，还会生产大量冗余信息：重复的建议、似是而非的分析、需要人去核对的结论。校对它、纠偏它、清理它留下的尾巴，这些隐性成本一点点把省下来的时间又吃回去不少。所以真正的问题从来不是 AI 能不能做，而是这件事值不值得让 AI 做、由谁来做更划算。工具提效的账，最终还是要算到信息处理的总成本上去，这一课很多团队都还在补。