当AI开始决定下一步，它还是工具吗？丨AI Tool与AI Agency的分界

一家企业的管理层最近同时收到三份AI项目申请。

客服团队要做的系统能查知识库、调工单、自动生成回复。财务团队要做的系统能跨五个环节完成对账，中间不需要人干预。研发团队要做的系统能自己排查线上故障，找到原因后处理掉。

三份申请书都用了同一个词：Agent。也都列了同一组能力：推理、记忆、工具调用、多步骤执行。而在此之前不久，供应商刚刚把前一年卖给这家公司的Copilot也改名叫了Agent。

管理层的问题不是信息不够。三份申请书写得都很完整，能力清单一项不缺，演示视频也都看过。问题在于这些信息只能告诉他们这些系统拥有什么能力，却不能告诉他们，这三个项目是不是同一类系统。

如果它们只是因为都叫做某某Agent，管理层就把它们当成同一类项目来立项、验收和管理，那么投入方式、评估标准和汇报口径可能从一开始就错了。要避免这一点，企业就需要深入了解名称背后，本质上有什么不一样。

NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。

功能清单为什么分不开它们

管理层手上现在通用的判断方式，是对着一份能力清单打勾：能不能推理、有没有记忆、能不能调用工具、能不能完成多步骤任务、需要多少人工介入。

这份清单成为默认标准有它的道理。上面每一项都可以被核对——能不能调工具，演示一遍就知道；有没有记忆，问两轮就知道；能跑几步，看日志就知道。它们不需要读技术文档，也不需要供应商开放代码。供应商也乐于按这个口径回答，因为每一项都答得出来。

问题是它分不开那三个项目。

把客服团队和研发团队的系统放在一起看。

客服系统接到一条客户咨询：先分类，再抽取订单信息，再查数据库，再生成回复，最后送人工审核。五个步骤，每一步都调用大模型，用到三个外部系统，全程记住上下文。

研发系统接到一个线上故障。它自己决定先看哪一类日志，看完之后判断需要再查什么，中途发现一条线索不成立就换方向，确认原因后重启了对应的服务，并把配置回滚到上一个版本。

对着清单打勾，两套系统的表现几乎一样：都会推理，都有记忆，都调工具，都跑多步。

但它们之间有一处根本区别。客服系统的五个步骤，顺序是人写死的：第几步做什么、什么条件下走哪个分支、什么时候结束，全部在代码里。模型很强，可它在每一步做的事，是完成一个已经被指定好的任务。研发系统没有这样一张预先画好的路径图，它下一步做什么，取决于上一步看到了什么。

同样是推理、记忆、工具调用和多步骤执行，可以被组装成一条人写好的流水线，也可以被组装成一个由系统自己推进的过程。

分界在过程的控制位置上

真正要看的不是它能做多少，而是谁根据这一步的结果决定下一步。

这句话可以拆成两种角色。

AI Tool，是在企业价值创造中，主要执行由人或预设程序设定的任务路径。它可以很强——生成、分析、预测、调用工具、连续跑完很多步——但目标怎么分解、什么时候行动、下一步是什么、结果能不能接受、失败之后怎么调整，主要在AI之外被决定。

AI Agency，是AI在既定目标和边界内，根据当前情境判断下一步、把判断转化为行动、读取行动结果并据此调整，持续推动目标实现的能力。这里Agency说的是AI在目标实现过程中的自主判断与行动能力。

比如上面说到研发系统，它接到的不是"查一下A服务的日志"，而是"这个故障要处理掉"——一个需要实现的结果，而不是一个已经被完整指定的动作。目标还没达成，它就还在继续。

它看完第一批日志，判断问题可能出在配置而不是代码，于是转向配置变更记录。这一步不是规则唯一决定的，没有一行代码写着"如果日志里出现X就去查配置"。它在几个可行方向里选了一个，而这个选择实际改变了后面的过程。

它没有停在"检查配置"的建议上，而是自己去查、重启服务、配置回滚。判断变成了改变系统状态的行动。

回滚之后，它读到错误率降了下来，于是判断这条路走对了，可以收尾。如果错误率没降，它会换一个方向重来。行动产生的结果回到了下一轮判断里。

这四件事必须凑齐。少了第一件，它面对的只是一个被指定好的动作；少了第二件，路径是人写死的；少了第三件，判断停在纸面上；少了第四件，多跑几步也只是一段更长的自动化流程。

这里的"决定下一步"，是在既定目标和边界内根据当前状态判断下一步行动，不等于AI获得了企业的最终决策权。

还有一点同样重要——这个判断的对象是某一个具体的目标闭环，不是整个产品。一家公司完全可能有这样的系统：整体流程是固定的，接单、调查、处理、审批、回复，顺序写死；但"调查"这一个环节内部，AI自己选数据源、根据结果改变调查路径、判断什么时候查完。那么这个流程整体不由AI控制，而在调查这一段里，Agency已经出现了。所以要问的不是"这个产品是Tool还是Agency"，而是"在我关心的这个闭环里，下一步由谁决定"。

有人审批，还算不算

这条分界最容易被划错的地方，是把人工审批当成了否定条件。

设想一套系统，可以自行调查问题、选择数据源、调用工具、处理失败、修改计划、形成解决方案，只有在退款、付款、发布生产代码这类不可逆高风险动作之前，需要人点一下批准。

如果认为"有人在环就不是Agency"，它会被直接排除。但这会把大量真实存在的系统一起误判掉。

关键在于人在审批节点上到底做了什么。一种情况是，AI已经决定了下一步要做什么，人做的是放行或者否决这个动作。另一种情况是，AI给出三个方案，人挑一个，然后人发起执行，AI再等下一次调用——这里人做的是重新判断下一步应该是什么。

前一种情况下，AI仍然承接目标、仍然根据状态选择行动、仍然读取结果调整路径，人保留的是对特定高风险动作的否决权。后一种情况下，AI给出各种选项，但并不决定下一步。

所以要看的不是有没有审批节点，而是在审批节点之间，AI控制了什么。如果它控制了一段有实际意义的判断、行动、读取结果、再调整的过程，那就是有边界的AI Agency。这种能力可以存在于授权边界之内，并不要求AI拥有无限的行动权限。

同一条标准也能处理另外两个混淆。
RPA可以无人值守跑几个小时处理上千笔订单，但所有路径和异常规则都已预先编码——长时间无人运行本身不说明任何问题。
而目标由人设定并不能否定Agency：企业里的员工同样在使命、职责、预算和制度边界内行动，Agency不要求行动者自己创造最终目标。

行业也在把分界指向过程控制

Anthropic在2024年12月的一篇工程文章里指出：workflow是大模型与工具通过预设代码路径编排的系统，agent是大模型动态主导自身过程与工具使用、对如何完成任务保持控制的系统。同一篇文章还提到，“agent"这个词在行业里的用法并不一致——有客户用它指长期独立运行的系统，也有客户用它指遵循预设工作流的实现。

OpenAI的Agent实践指南把关键点放在工作流控制上：集成了大模型、但不用它控制工作流执行的应用，不属于Agent。

非厂商方面也出现了同样的关注点。美国国家标准与技术研究院（NIST）下属的国家网络安全卓越中心（NCCoE）在2026年2月发布的一份项目概念草案中，把AI Agent描述为具备自主决策与采取行动能力、在有限人类监督下实现复杂目标的系统。这份草案当时公开征求意见，并不是已经生效的标准。

这些定义主要回答的是：什么样的系统可以被称为Agent。

ANC更关心的是另一个问题：当AI开始控制目标如何继续推进时，它在企业价值创造中承担的角色发生了什么变化？

企业不能只根据产品名称或能力清单判断一个项目。它需要进一步看见，在一个具体的目标闭环里，究竟是谁在理解当前状态、决定下一步、采取行动，并根据结果继续调整。

AI Tool与AI Agency的分界，要看三件事

厂商的定义讲的是系统内部的架构差异，而管理层面对的是一个已经打包好的产品，看不见里面是预设路径还是动态主导。所以需要一组能从外部观察的特征。

第一，看输入给它的是什么：规定了具体动作和执行顺序，还是规定了要达到的状态、把路径留给系统在运行中决定。“按这五步生成对账报告"和"把本月账目对平，无法解决的差异单独报出来”，前者连做法都指定了，后者只指定了终点。

但用目标式的措辞下达任务，本身并不构成Agency。一个系统收到"把账对平"这样的指令，完全可能仍然在跑一套写死的流程。这一项只能识别前提，真正的关键在下一项。

第二，看中途出现意外时谁决定下一步，以及这个判断能不能在边界内变成实际行动。这是三件事里最关键的一件，一个能自己判断方向、却只能把结论写成建议交出去的系统，和一个判断完就去执行的系统，不是同一种东西。

第三，看行动产生的结果会不会回到下一轮判断里。一个系统可以采取行动，但如果它不读取行动的后果，或者读了也不改变后续路径，那么它执行的仍然是一套预设动作。

这三件事问的都是运行的时候发生了什么，不是系统里装了什么。所以管理层不必先读懂源代码或底层架构——但也不能只听功能描述、只看一次演示。演示走的是理想路径，而理想路径上，一条精心设计的固定流程和一个真正在自己判断的系统，看起来似乎是一样的。

要拿到的是中间那一层：真实运行留下的痕迹。多次运行的轨迹记录、工具调用是谁发起的、遇到失败之后做了什么、什么时候停下来、什么时候升级给人。

真正的分界，不是AI能不能做这一步，而是谁根据这一步的结果决定下一步。

回到开头那三份申请书。

仅凭申请书上写的东西，三个项目很难区分。推理、记忆、工具调用、多步骤执行——这些描述在三种截然不同的系统上都成立。

客服那套很可能是一条设计良好的固定流程；研发那套听起来更接近一个自己推进的过程；财务那套"跨五个环节不需要人干预”，光看这句话完全无法区分是五步写死的自动化，还是系统自己在决定每一步。无人干预不是分界所在。

要做出判断，管理层向三个团队要的不该是再演示一遍，而是运行记录：真实任务留下的轨迹、异常发生时系统做了什么、以及在一个事先没有被流程覆盖的异常情境中，系统如何选择下一步。

这个区别看上去很小，但它是企业给AI项目分类的关键依据：从按功能和产品名称分类，转向按AI在目标闭环里承担的角色分类。

AI Tool执行人的决定，AI Agency参与目标的实现。

分类并不是分级，不代表好坏

分类不是评价。被归为AI Tool的项目，并不表示价值比AI Agency的要低。

客服那套跑五步、调三个系统的固定流程，很可能是一个出色的工程实现，创造真实收益，投资回报清楚。它只是不属于"AI Agency"这一类，因此不该按这一类的预期去投入、汇报和衡量。

Agency它是一种性质判断。有大量业务场景，正确的选择就是使用路径固定、可预测、可审计的系统——尤其当任务定义清晰、错误代价很高、或者要求结果完全可复现的时候。

有限边界同样不是缺陷。人类设定目标、限定业务范围、约束工具权限、规定升级和退出条件，这些都可以和AI Agency同时成立。自主不等于没有边界。

至于企业为什么要设置这些边界、边界该划在哪里、谁来批准AI的行动、出了问题由谁承担——这些是真实且重要的问题，但它们属于授权与治理，不在本篇的范围内。

写在最后

假设这家企业已经能够分辨AI Tool 和 AI Agency，并且确认研发系统确实存在AI Agency。

那么一个新的问题随之出现。过去，企业使用过大量软件、算法和自动化系统，但真正理解目标、处理例外、决定下一步的，始终是岗位中的人。企业的岗位、流程、交接和责任安排，也都建立在“会自主判断和行动的，只有人”，这个默认之上。

现在，AI开始在限定范围内判断下一步、采取行动并继续推进目标。一个新的自主行动节点出现。那么传统的公司能承载这个变化吗？

感谢你看到最后，如果你觉得有启发，随手点个赞、在看、转发吧，如果想第一时间收到推送，也可以给我加个星标⭐我们下期见。

我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是深度洞察AI第一性原理和应用实践的前瞻性研究实验室，目前有两个主要研究方向：
「塔迪AI工程系列」FDE落地工程、ANC：AI Native Company未来公司系列、GEO、AI判断工程。
「塔迪硅基禅心」是传统东方智慧、未来AI前沿、当下应用实践，深层共鸣的探索。不是用AI解读经典，也不是用经典指导AI。 这是一场跨越2500年的对话，在算法与古老智慧之间，照见意识、智能与存在的本质。
塔迪的微信 - tardyai2025。