截至 2026 年 10 月 18 日，IBM 咨询业务高级副总裁 Mohammed Ali 接受印度《金融快报》采访时披露：IBM Consulting Advantage 平台上已部署近 6000 个各不相同的 AI 智能体，覆盖150 多条咨询工作流，支撑全球2000 多个活跃项目、500 多个人力与自动化结合的客户部署，背后是1000 多名研发工程师。最值得中文企业注意的不是规模本身，而是 IBM 公开承认的一点：部分智能体部署反而带来负生产率，为此他们在班加罗尔设立生产率基准实验室，对比有无智能体的流程表现。这等于把 AI 落地的评价标准从“上了多少智能体”换成了每条流程的产出是否真的变化，也正是软件外包与 AI 定制服务行业接下来要重算的那笔账。
一、6000 个智能体：企业级落地的第一把真实刻度
10 月 18 日，印度财经媒体《金融快报》刊出对 IBM 咨询业务高级副总裁 Mohammed Ali 的专访，第一次给出 IBM 内部智能体规模的一组硬数字：在 IBM Consulting Advantage 平台上，IBM 已部署近 6000 个各不相同的 AI 智能体，覆盖150 多条咨询工作流，支撑全球2000 多个活跃项目，其中500 多个属于人力与数字自动化结合的客户部署，平台背后是1000 多名研发工程师。这些数字由企业自行披露、未经独立审计，但它给出的量级刻度比行业预测更接近今天的真实水位：真正跑在生产环境里的智能体已是成千上万量级，而不是演示环境里的几十个。
二、150 条工作流与 2000 个项目：规模化的三层结构
把这组数字拆开，会看到企业级智能体规模化的三个层次。第一层是工作流：150 多条，而非 150 个宽泛场景。Ali 明确表示，公司的做法不是让员工多开一个聊天机器人，而是把智能体嵌进财务、人力资源、银行等具体职能，由系统架构师、领域专家和 AI 工程师组成的混合团队重建流程。第二层是项目：2000 多个活跃项目，说明这些智能体挂在真实交付上运转，而不是闲置资产。第三层是人机混合：500 多个客户部署采用人力与数字自动化结合的方式，而非纯自动化交付。三层叠在一起，才构成“6000 个智能体”这个数字的含金量。
三、一个能算得清的样本：45 分钟变成 12 分钟
Ali 给出的具体案例在网络安全调查环节。原先一次安全调查需要约 45 分钟；引入一组智能体后，调查本身压缩到约 2 分钟，随后由人做约 10 分钟的复核，总处理时间降到约 12 分钟。更重要的是量级关系：同样的人力，威胁处理量提升到约 3 倍。这组数字提供了一个可复算的模板——机器做检索与初判，人做确认与担责，而不是让模型独立结案。它同时也提醒了边界：这是 IBM 自述的特定工作流经验，不应把这一比例直接外推到所有企业 AI 部署上。
四、最反直觉的一句话：智能体有时让效率变负
比 6000 这个数字更值得记下来的是 Ali 的另一段承认：某些智能体实现反而导致负生产率。原因并不神秘——自动化任务数量增加，如果它带来错误、就需要额外返工复核，单位产出反而下降。因此 IBM 在印度班加罗尔设立生产率基准实验室，专门对比同一流程在有智能体和无智能体条件下的表现。Ali 的判断很直接：自动化的任务数量本身不是商业价值的可靠指标。这句话等于给所有正在报喜的项目定了一把尺子——不看调用量、不看上线数，只看同一条流程的周期、错误率、返工量和单位成本发生了什么变化。
五、对外包与交付模式的连带影响
还有一层商业含义报道点明了：随着客户引入自动化技术，他们期待服务成本随之下降，这让传统外包与托管服务提供商承受持续的价格压力。IBM 虽有 1000 多名研发工程师的投入、2000 多个活跃项目铺底，也尚未拿出覆盖全部 6000 个智能体的、经独立验证的生产率研究。行业应用与企业 AI 定制服务由此面对一个现实问题：交付方式正被重新定价。
| 评价口径 | 只看智能体数量 | 看基准实验室式的流程对照 |
|---|---|---|
| 衡量什么 | 上线了多少个智能体 | 同一条流程的周期与单位成本 |
| 成功信号 | 调用量、覆盖场景数 | 错误率下降、返工减少、人均产出提升 |
| 失败信号 | 数字好看但无人察觉 | 负生产率：错误与复核吞掉收益 |
| 对服务商的含义 | 难以据此定价 | 可按可验证的流程收益结算 |
六、给杭州与制造业企业的三条起步建议
把这套思路落到企业侧，顺序比工具选型重要。第一，先选一条有明确前后对比口径的流程做试点，而不是同时铺开多个场景；像安全调查这种“原来多久、现在多久”能说清的环节最适合做第一批样板。第二，把人工复核写进流程设计，让责任边界清晰，而不是追求无人值守的漂亮演示。第三，在上线前就约定对照指标，包括周期、返工率与单位成本，并保留一个不使用智能体的基线版本。对正在做 AI 大模型定制、数据挖掘与软件外包交付的团队而言，这三点决定了项目是进入生产还是停在沙箱里演示。
常见问题（FAQ）
据 IBM 咨询业务高级副总裁 Mohammed Ali 于 2026 年 10 月 18 日接受印度《金融快报》采访时的说法，IBM Consulting Advantage 平台上已部署近 6000 个各不相同的 AI 智能体，覆盖 150 多条咨询工作流，支撑全球 2000 多个活跃项目，其中 500 多个是人力与数字自动化结合的客户部署，平台背后有 1000 多名研发工程师。需要注意，这些是企业自述的运营数字，不构成对智能体使用率或财务回报的独立审计。
因为 IBM 公开承认，部分智能体实现反而产生负生产率：自动化任务数量增加，但若带来错误并需要额外返工复核，单位产出反而会下降。所以 IBM 在班加罗尔设立生产率基准实验室，对比同一流程在有无智能体条件下的表现。判断标准因此从“上线多少智能体”转为“这条流程的周期、错误率、返工量和单位成本是否真的变化”。
报道点明了其中的商业压力：客户在引入自动化技术后期待服务成本下降，传统外包与托管服务提供商因此面临持续的价格压力。同时，企业级的智能体落地需要系统架构师、领域专家和 AI 工程师组成的混合团队，而不只是采购工具，这意味着服务商的角色会从“按人天交付人力”向“按可验证的流程收益交付结果”迁移，交付方式与结算依据都将被重新定价。