2026年上半年，一家中型物流公司撤掉了跑了三年的发票识别机器人。财务总监算了一笔账：维护成本占三年总拥有成本的42%以上，识别率暴跌至41%。这不是孤例。IDC最新报告显示，传统规则式RPA正在批量退场，但替代它们的AI Agent，也远没到“即插即用”的程度。
《人民日报》今年初把人工智能定义为“通用目的技术”，强调它能“广泛渗透到各个领域”。政策方向没错，但真正落地的人都知道：通用目的技术，往往卡在最不通用的地方。
同一个坎，出现在五个行业
在华东一家转向节工厂，AI质检Agent上线第一个月，异形件误报率超过18%，反光铝面误报率高达25%。三个月后降到4%左右，靠的不是换模型，而是偏振相机、边缘推理和分级人工复核。工厂里的“数字员工”上线，问题从来不出在算法精度上，而出在成像环境、算力部署和人工反馈的链条里。
医疗场景更典型。一家三甲医院试图用大模型辅助病历质控，模型能读懂医嘱，却读不懂不同科室的手写缩写、缩写更新频率和院内编码习惯。非结构化文本不是问题，非结构化的流程才是——质控规则每月都在变，模型跟不上科室内部的“约定俗成”。
零售电商的AI客服，独立接待率越来越高，但2026年中大促复盘显示，退款、投诉等复杂场景一旦缺少人工兜底，AI客服越“能扛”，消费者越难解决问题。效率做成了墙。
教育行业，AI批改作文能跑通，但一遇到学校内部的评分细则、年级差异和教师个人偏好，通用模型立刻失灵。一位中学语文老师直言：“AI给的评语太标准，反而看不出学生的真实问题。”
车企的自动驾驶数据闭环，表面上是技术问题，实际上也是流程问题。2026年8月，欧盟AI Act高风险条款全面执行，中国智能网联汽车的车载语音、驾驶辅助和自动驾驶数据闭环，同时踩在GDPR与AI Act的双重红线上。数据脱敏、用户授权、跨境传输，每一项都要嵌入现有研发流程，不是加一个合规模块就能解决。
通用技术，卡在非通用流程
这么多行业，这么多场景，AI落地受阻的根因可以归结为一句话：非结构化流程对接失败。
什么叫非结构化流程？就是那些没有固定规则、依赖人的判断、随组织和时间动态变化的工作流。传统RPA擅长固定规则，一旦票据版式、系统字段和流程发生变化就失灵。AI Agent把识别、判断、工具调用和异常处理接进同一条工作流，但能否真正落地，仍取决于数据质量、权限控制和人工复核。
一个Agent能操作ERP了，企业还敢发管理员权限吗？权限小了任务跑不通，权限大了可能越权。传统RBAC越来越难用，企业需要把临时授权、人工确认和执行审计放进同一条控制链。这是技术问题，更是流程设计问题。
三个已跑通的轻量级方案
好在，一些团队已经找到了绕过这道坎的方法。不是推倒重来，而是在现有系统上做轻量级适配。
方案一：RPA+AI Agent混合编排，而非替代
那家撤掉发票机器人的物流公司，没有直接上全AI方案。他们用了混合编排：固定版式的发票继续走轻量RPA，版式变化的交给AI Agent识别，异常单据自动转入人工队列。三个月后，处理效率恢复到92%，维护成本下降60%。关键不是AI替代RPA，而是让RPA做它擅长的，让AI做RPA做不了的。
据《RPA 2.0进化论：当AI代理接管传统流程自动化》一文观察，传统规则式RPA的维护成本已占三年总拥有成本的42%以上。混合编排的本质，是把维护成本从规则库迁移到模型微调上，而模型微调的边际成本更低。
方案二：嵌入现有工作流，而非另起一套系统
医院病历质控的突破，来自一个很小的设计决策：不另建质控平台，而是把AI模型嵌入医生现有的电子病历系统。医生写完病历，AI即时给出提示，医生确认或修改后，病历直接存档。AI不替代质控流程，而是成为流程里的一个步骤。
这个方案的关键在于，它尊重了医生的工作习惯和科室内部的隐性知识。AI不需要理解所有缩写，它只需要在医生确认前给出参考。人的判断留在流程里，AI的介入成本就大幅降低。
方案三：以“人”为接口，而非以API为接口
工业质检的误报率下降，靠的不是更好的模型，而是重新设计了人工反馈回路。质检员不再只是处理AI漏掉的缺陷品，而是每天抽检AI判定为“合格”的样品，把误判结果回传给模型训练管道。人成了AI和产线之间的接口。
这种设计把非结构化流程的适配责任，从工程师转移到了日常操作者身上。质检员不需要懂模型，只需要做自己擅长的事：判断产品有没有问题。系统把他们的判断自动转化为训练数据。三个月误报率降到4%，不是因为模型变聪明了，而是因为人机接口变顺了。
通用目的技术的真正门槛
中国社会科学院工业经济研究所今年5月发表的论文指出，通用人工智能通过技术革新、资源整合、协同创新和创新环境塑造四个维度为制造业赋能。但论文也承认，技术扩散的深度取决于“产业链联动”和“组织适应性”。
翻译成落地语言：AI能不能用起来，不只看模型好不好，更看企业愿不愿意重新设计工作流、培训一线员工、容忍三个月的过渡期。
通用目的技术的悖论就在这里：它越通用，越需要具体的适配。蒸汽机是通用技术，但每一条生产线都要重新设计传动装置。电力是通用技术，但每一间工厂都要改造布线。AI也一样。
2026年，全球制造企业Agent真实落地率仅17%。不是在技术选型上卡住，而是在流程对接上卡住。那些跑通了的案例，没有一个靠的是更强的模型。它们靠的是更轻的适配方案，更尊重人的工作习惯，更愿意把AI嵌入现有流程而不是另起炉灶。
AI落地的坎，从来不是技术坎，是人和流程的坎。