2026年7月8日，Forbes发表了一篇对AI行业来说最有价值的反叙事文章：西方大学副院长、HCI创始人Jonathan Westover在用AI Agent”构建一切”几个月之后，发现了一个让人清醒的真相——对大多数企业场景来说，工作流比AI Agent更管用、更便宜、也更可靠。

当你停止喝Kool-Aid之后

2026年，几乎每一篇关于企业AI的文章，都在告诉你”Agent是未来”。用AI Agent自动化销售流程、用AI Agent管理HR入职、用AI Agent处理供应链协调……这些叙事在企业AI会议、投资者演讲和产品发布会上被反复放大，形成了一个几乎无法质疑的共识：Agent化是必然的方向，越快部署越好。

Jonathan H. Westover在一段时间里也相信这个共识。他是西方州长大学的副院长，也是HCI（Human Capital Innovations）的创始人，工作中处理大量的HR流程和企业管理问题。当AI Agent开始流行时，他和”其他所有人一样”——开始为每件事都构建Agent。

然后，成本账单来了。

“我发现自己在为那些真的不需要这种复杂度的任务支付高额费用，”他在文章中写道。这种认识触发了他与多位CHO和HR领导者的深度对话，他发现同样的模式无处不在：每个人都为Agent感到兴奋，但卓越并不总意味着适合这个工作。

这篇文章，是他从那段对话中得出的结论。

三层AI的架构：任务、工作流、Agent的根本区别

Westover的分析从一个框架开始，这个框架在实际上非常有价值，因为大多数企业在讨论”AI”时，把三个完全不同层次的事情混在了一起。

第一层：任务（Task）

一次AI请求，一个答案。总结这份简历，起草这封邮件，回答这个问题。快速，便宜——通常每次执行的成本不到一美分。

任务级AI是企业AI采用最广泛、ROI最清晰的场景。有人问，有AI答，简单直接，执行结束。

第二层：工作流（Workflow）

一系列由人设计的步骤，AI负责执行步骤内容。路径是固定的，由人定义的；AI填充步骤中的具体内容（文本生成、数据处理、判断某个具体输入），但不决定下一步是什么。

Westover的例子是新员工入职流程：从录用信提取数据→创建系统账号→生成个性化材料→分配合规培训→安排与经理的沟通→发送确认。这个序列是固定的、设计好的。AI可以驱动每个单独的步骤，但序列本身是人定义的。

这种设计有一个重要特征：你拥有路径，而不是AI拥有路径。这意味着你对流程的控制是完全的，任何错误都在你设计的框架内被捕捉，可以被系统性地排查。

第三层：Agent（Agent）

Agent动态决定自己到达目标的路径。你给出目标，AI决定怎么走。你不再设定路径，你只设定目的地，以及Agent可以使用的工具和边界。

Westover的HR Agent例子：你告诉Agent”确保所有新员工在30天内完成入职”，Agent会主动检查进度、识别瓶颈、用不同渠道发送个性化提醒、在需要时升级处理、并根据效果动态调整方法。

这里有一个关键的架构差异：AI拥有路径，而不是人拥有路径。系统拥有”上下文”（它能看到什么）、”指令”（它的目标和边界）、”工具”（它能执行什么动作）——但具体的下一步，是AI自己决定的。

四个问题：在构建Agent之前先回答这些

Westover提出了一个框架，他称之为在开始构建Agent之前必须问的4个问题——来源于Anthropic的AI架构师指南。

问题一：任务是否频繁地发生且成本高昂？

如果一个任务每周只发生几次，每次5分钟，那么Agent化的工程投入很难在合理时间内回本。如果一个任务每天发生数百次，每次需要15-30分钟的人工处理，Agent化的ROI就更清晰了。

问题二：AI是否会从一个更广泛的上下文中受益？

有些任务，给AI更多上下文确实有帮助——比如基于员工过去6个月的行为模式来定制化沟通。但有些任务，额外上下文不会提升结果，只会增加处理时间和成本。

问题三：工作流是否足够线性，以至于可以被明确定义？

这是一个非常实用的判断标准。如果你可以把一个流程画成一个有清晰分支的流程图，并且几乎所有分支都是可预期的和可规则化的，那么工作流很可能比Agent更合适——因为你已经把大部分”判断”都编码进流程设计了，没有必要再让AI在运行时重新判断一次。

问题四：错误是否可容忍？

Agent会出错。不同于工作流的”在你设计的路径内执行”，Agent可能走出你没有预想到的路径，做出你没有预想到的决策，产生你没有预想到的结果。在高风险场景（法律合规、财务结算、医疗决策）里，这种不可预测性的代价可能是灾难性的。工作流的错误通常是可控的、在预期范围内的；Agent的错误可能是结构性的、需要系统性回滚的。

这4个问题，是一个非常实用的Agent vs Workflow决策框架，值得任何考虑企业AI自动化的团队在白板上写下来认真回答。

工作流的实际优势：控制、成本、合规

一个具体的成本对比可以帮助理解这个差异的规模。一个标准的新员工入职邮件生成任务，用工作流实现的成本约为每次0.01-0.05美元（一次LLM调用，固定模板填充）。同样的任务如果用Agent实现——Agent需要先”理解”上下文，再决定路径，再调用多个工具，可能需要5-15次LLM调用——成本可能在0.5-2美元之间，高出10-40倍。这个差距在每年处理数千次入职的大型企业里，会累积成非常可观的成本差异。Anthropic的建筑师指南明确指出，当任务可以被明确定义时，固定工作流的成本效率远优于动态Agent。

具体来说，对大多数企业的大多数HR功能，工作流的优势是什么？

成本：这是最直接的差异。Agent运行的成本，通常比工作流的成本高几倍到几十倍——因为Agent需要做更多的推理、更多的上下文处理、以及更多次的模型调用来决定下一步。对于那些可以被明确定义的重复性任务，这些额外的成本产生的额外价值几乎为零。

可解释性：当一个工作流执行出错，你可以追溯到是哪个步骤、哪个输入、哪个规则产生了这个结果。当一个Agent做出了一个错误的决定，要理解为什么通常需要更多的调试工作，因为Agent的决策路径不是预先可见的。在需要审计、合规、或向HR员工解释”为什么系统做了这个决定”的场景下，工作流的可解释性优势是真实的。

一致性：工作流对相同输入产生相同输出，这在大规模企业运营中是一个重要的属性——确保每个候选人收到标准化的沟通，确保每个新员工经历相同的入职序列。Agent可能根据上下文动态调整，但这种灵活性在需要一致性的场景下反而是问题。

合规性：HR领域有大量合规要求，涉及数据隐私（GDPR、CCPA等）、平等就业机会、薪酬透明等。工作流的每个步骤都可以被审计和记录；Agent在探索路径过程中可能访问或处理的数据范围更难以预先界定，合规审查更复杂。

不是”Agent没用”，而是”Agent不是万用药”

Westover的文章最容易被误读的一点，是把它解读为”AI Agent没有价值”。但这不是他的观点。

他明确指出：Agent确实在某些场景下有独特的价值——那些目标明确但路径不可预知、需要动态适应上下文、错误成本在可接受范围内的复杂任务。

比如：管理一个有数百种可能情况的客户投诉处理流程，其中每个案例都有独特的历史和情绪状态，需要动态判断应对策略——这是Agent的场景，不是工作流的场景。

比如：在一个数据量庞大、模式多变的供应链中，实时识别异常并提出应对方案——同样是Agent更合适的场景。

问题不是Agent好还是工作流好，而是在具体场景里，哪种工具的成本-收益比更高。

Westover的核心洞察是：2026年的大多数企业在这个判断上是过于偏向Agent的，被”Agent等于更智能”的叙事带偏了，在很多可以用更简单、更便宜的工作流解决的场景里，选择了昂贵且不必要的Agent架构。

这不只是一个技术选型的问题，这是企业AI预算分配的结构性问题。当50%的AI Agent项目在6个月内因ROI不足而被叫停（据Forbes引用的Gartner研究预测，40%的Agentic AI项目将在2027年前被取消），其中有相当一部分是因为这个根本原因：选错了工具类型。

这对AI产品设计意味着什么

从更大的视角来看，Westover的观察对AI产品行业有一个重要的暗示：

当前很多企业AI产品，在商业上激励它们以”Agent”来定位自己的产品——因为”我们是Agent”比”我们是更好的工作流工具”更容易融资，估值更高，故事更性感。

但这种商业激励，可能正在导致行业性的过度Agent化：把本来可以用工作流更好解决的问题，强行装进Agent的框架里，导致更高的成本、更差的可解释性、更多的错误，以及最终的客户流失。

如果这种模式在行业里成为普遍，那么”Agent”这个概念的可信度，可能会在一两年后因为大规模的失败案例而遭到严重损伤——类似于2015-2017年的”聊天机器人”泡沫：每家公司都说要用Chatbot改变客户服务，结果大多数Chatbot体验很差，整个赛道的信誉受损，随后才有了更成熟的、以具体场景为中心的语音AI和特定功能AI重新积累信任。

AI Agent是否会重演这个周期？这部分取决于行业的自我纠偏能力，部分取决于像Westover这样的从业者能否在泡沫极度膨胀之前发出清醒的声音。

从这个角度看，这篇文章出现在2026年中，时机恰好。

参考资料：

  • Forbes Human Resources Council: “Stop Building HR Agents: Why Workflows Beat Agentic AI For Most People Functions” by Jonathan H. Westover, Ph.D. (2026-07-08)
  • Anthropic Research: “Building Effective Agents” (2025, referenced in article)
  • Forbes: “Why 40% Of Agentic AI Projects May Be Canceled By 2027” by Robert Szczerba (2026-07-07)
  • MSN: “Automation system advances efficient AI workflows” (2026-07-07)

给企业决策者的三个实用建议

基于Westover的框架和我们对行业的观察，这里是三个可以直接用在企业AI决策中的建议：

第一，先问”这个任务能被流程图清楚描述吗？”

如果你能用Miro或Visio在30分钟内画出这个流程的绝大多数分支，那么这很可能是一个工作流而不是Agent的场景。工作流对应流程图，Agent对应无法被预先完整描述的动态判断。

第二，从成本开始，而不是从功能开始

在技术选型时，不要先问”Agent能做到吗”，而是先问”这个任务如果用Agent实现，每次执行的成本是多少？每月总成本是多少？与工作流方案的成本差是什么？”在大多数情况下，把成本摆到桌面上，Agent-or-Workflow的问题就会变得更清晰。

第三，为”失败模式”设计，而不只是为”成功模式”设计

在选择工具类型时，问自己：当这个系统出错时，最坏会发生什么？我能发现并纠正吗？这个后果是我可以接受的吗？如果工作流出错，它出错的方式通常是在预期路径内的；如果Agent出错，它可能走进你从未预见过的地方。后者在高风险场景下的代价是更高的。

最后一个清醒时刻

“我之前也在为每件事构建Agent，然后成本来了。”

Westover的这句话，是2026年企业AI采用大潮中最真实的一段自我描述。它应该被写在每一个开始讨论”我们要把什么工作流程Agent化”的会议室白板上。

Agent化不是错的，但”Agent化一切”是错的。

在这个行业整体还在被”Agent等于AI的最高形态”这个叙事主导的阶段，能够清醒地说”不，这个任务用工作流更合适”——这才是企业AI实施者真正的判断力。

2026年的AI Agent现实：大规模采用的真实图景

为了让这个讨论有更多数据基础，让我们看看2026年企业AI Agent实际部署的真实图景。

根据多项行业研究，2026年H1的企业AI Agent采用情况呈现了一个比预测更复杂的画面：

Agent采用率的增长：在全球1000强企业中，已经有超过65%在某种形式上部署了AI Agent。但”部署”的定义范围极广——从每周自动发送一封报告邮件的简单工作流，到真正运行复杂多步骤自主决策的完整Agent，都被计入这个数字。

实际使用的场景分布：在已部署的企业中，80%以上的实际使用集中在三类场景：客服自动化（自动回复标准化问题）、内容生成辅助（报告初稿、社交媒体帖子）、以及数据处理自动化（报表生成、数据归类）。这三类场景，在Westover的框架里，都是工作流而不是Agent——它们有固定路径、可预测输出、明确的验证标准。

真正Agent化的比例：允许AI做真正意义上”动态路径决策”的部署，在所有企业AI使用中的占比不到15%，且高度集中在技术公司和金融服务行业。

这意味着什么？大多数公司喊着”我们已经Agent化了”，但实际上运行的是工作流。他们给工作流贴上了”Agent”的标签，可能是因为这样更好融资、更好向董事会汇报、更好招聘AI人才。

这是行业话语与实践之间的一个重要断层。而Westover的文章，恰恰是在戳破这个断层——说明白什么是真正的Agent，什么只是被包装成Agent的工作流。

HR场景的特殊性：为什么这个行业特别需要这个讨论

Westover选择以HR作为反Agent叙事的主战场，不是偶然的。HR是一个在AI Agent炒作中受到特别大关注的领域，同时也是一个在实际操作上与”Agent万能论”摩擦最多的领域。

原因有几个：

第一，HR流程的标准化程度远高于外部所见。招聘、入职、绩效管理、离职管理——这些流程在大多数中型以上企业里，都有非常详细的SOP。它们的步骤是固定的，合规要求是硬性的，操作人员是不被允许”随机应变”的。这种高标准化，恰恰是工作流比Agent更适合的信号。

第二，HR领域的法律合规风险极高。平等就业机会法规、反歧视要求、员工数据保护（GDPR）、薪酬透明法规——HR流程中的每一个决策，都可能有合规风险。如果AI Agent动态地改变了一个候选人的沟通方式、或者在招聘过程中对不同候选人施加了不同的处理逻辑，这可能构成无意识的歧视风险，而且这种风险很难追溯和审计。工作流的可审计性，在这里是真正的安全需求。

第三，HR的”成功”定义是多维度的，但验证周期很长。一个AI Agent做出的入职安排是否”好”，可能在新员工6个月后的留存率和参与度上才能体现。这种长验证周期和多维度成功定义的场景，使得Agent的路径探索很难被及时纠正，积累的错误可能不会立刻被发现。

这三点合在一起，解释了为什么Westover特别以HR作为”停止构建Agent”的场景——它不只是一个例子，而是一个系统性地说明工作流优先原则的代表性案例。

写作系统工程师的视角：为什么会持续踩这个坑

从AI系统工程的角度来看，企业为什么会系统性地过度Agent化？

一是评估框架的缺失。大多数企业在采购或开发AI工具时，没有一个标准化的”Task vs Workflow vs Agent”决策框架。Westover提供的4问框架，是一个很好的起点，但类似的框架在企业决策中并不普遍。没有框架，决策就会被”最新、最强”的叙事主导，而不是被”最合适”的需求主导。

二是激励结构的错位。对于AI产品供应商来说，”我们的产品是Agent”比”我们的产品是更好的工作流工具”更容易卖出高价格、获得更高估值。对于企业内部的AI团队来说，”我们构建了一个AI Agent系统”比”我们优化了一个工作流自动化流程”在内部更容易获得资源和认可。这种系统性的激励错位，使整个生态倾向于过度Agent化。

三是学习效应的延迟。只有当成本账单来了、或者AI Agent在生产环境中产生了一个代价高昂的错误，企业才会回头重新评估Tool vs Workflow vs Agent的选择。这个学习周期通常需要6-12个月，而AI技术的发展速度远快于这个周期，使学习的改正往往又被新一轮的工具炒作所覆盖。

理解了这三个原因，就能理解为什么”Agent万能论”不是一个可以靠单篇文章就能扭转的行业偏见。它需要的，是足够多的真实案例积累、足够清晰的评估框架推广，以及行业整体的成熟周期。

Westover这篇文章的价值，是在这个周期里贡献了一份清醒的声音。它不会立刻改变行业，但它会让每一个读到它的企业决策者，在下次做”应该构建Agent还是工作流”的决定时，多想一个问题。