过去四年中，围绕在阿里云上运行的Salesforce，客户提出的问题逐年演变。2023年产品上线时，客户最关注CRM是否能够在中国云上使用；第二年则是关于全球系统能力能否迁移到中国的问询；第三年关注点转移到中国的大模型是否能够接入；而到了今年，客户们开始询问Agent是否能够实际成为工作中的生产力。这四年的变化显示了企业对AI期待的逐步提升，从最初的系统部署和数据合规到如今开始将实际业务交予Agent。

在今年的云栖大会上，论坛讨论围绕这些实际应用的问题展开。尽管模型能力是基础，但一旦企业开始使用Agent，就会发现实际面临的挑战往往不在模型本身，而在于数据、流程和能够交由Agent完成的具体工作。如果这些方面未得到妥善处理，Agent就难以有效运作。

过去一年中，Agent的应用明显增加。数据显示，在特定时间段内，Token的调用量和消耗增幅大幅提升。企业常见的做法是将AI嵌入具体的工作流程中，而今年则开始给予Agent明确的目标，让其自主判断所需步骤和调用模型。此类变化主要影响的是被细分的事务性工作，比如销售人员在客户拜访前进行的准备工作。

当Agent承担更多工作时，必须能够读取企业真实的业务数据，并了解企业的流程及权限。这与普通AI的不同在于，Agent不仅是一个使用入口，更要参与具体的业务执行。阿里云上的Salesforce通过连接Agent与企业长期积累的客户数据和业务流程，使其能够在企业的运营逻辑中发挥作用。

为了确保Agent能够有效执行任务，阿里云上的Salesforce将其所需能力分为四个层次：互动系统、智能体系统、业务系统和上下文系统。这四层分别处理员工与Agent的交互、Agent的任务规划、业务规则的执行，以及完成任务所需数据的调用。顶层是互动系统，它记录日常交流并将其整合到Salesforce中；智能体系统则负责任务规划和监控；业务系统固化了企业的业务规则；上下文系统提供必要的客户数据和操作记录。

缺一不可这四层系统的构建，决定了Agent是否能够进入正式的生产环境。很多企业在试用通用大模型时取得不佳效果的原因恰恰是因为数据分散、流程不清晰和权限配置问题，这些在Agent的使用中变得尤为明显。

企业在构建Agent后，最关键的挑战是一线员工是否愿意使用。某光学企业通过利用CRM数据创建专属Agent，经过一个多月的运行，用户交互率显著提升。该企业采取的策略是首先解决高频问题，再逐步提高Agent的能力，重点场景包括每日数据概览、销售问答和拜访准备等。