2026 年再看园区后勤的招标文件,几乎每一份都有"AI 智能体"这几个字。厂商也配合,PPT 里必有一页 Agent 架构图。但把这些方案拆开看,相当一部分所谓的"AI 后勤",本质是给老系统套了一个对话框:员工问"食堂今天有什么菜",它答一段菜单——这是客服,不是 Agent。
我们的立场很直接:Agent 的价值不在"会聊天",在"会干活"。而一件活能不能交给 Agent,不取决于模型多聪明,取决于这件活本身长什么样。
判断标准:三个问题
把一件后勤业务丢给 AI 之前,先问三个问题:
- 有没有数据闭环? Agent 做了动作,结果能不能被系统看见、用来修正下一次?派单出去有没有完工回执,预测备餐有没有当天真实消费来对账。没有闭环,AI 永远在盲打。
- 规则是否明确? "水管爆了先关阀再派单"是规则,"这个员工该不该分到朝南的宿舍"是人情。规则清楚的,机器比人稳;规则模糊的,机器只会把模糊放大。
- 做错了能不能撤销? 派错一个工单,重派就是;扣错一笔钱、放错一个人进园区,追不回来。
三条全是"是",放心交。有一条是"否",AI 只能坐建议位,拍板的还得是人。
按这个标准,现在就能交的三类活
预测类:备餐量、能耗、床位周转。 这类活的共同点是有多年历史数据、每天都有真实结果回来对账、预测错了损失可控(多备两盆菜,不是事故)。这是 Agent 最先该上的位置,也是见效最快的——备餐贴着预测走,泔水桶轻了,这个账一个月就能算出来。
调度类:工单派发、保洁排班、车辆调度。 规则明确(技能匹配、就近、负载均衡),闭环完整(接单、完工、评价全在线),错了可重派。我们看到的普遍效果是:派单从"班长凭经验吼"变成秒级自动分派,真正的收益不是快那几分钟,而是负载终于均衡了——以前谁老实谁多干,现在数据面前藏不住。
巡检报告类:设备巡检记录、日报周报、台账整理。 这类活人做最烦、错最多,Agent 做几乎零成本。把基层管理员从报表里捞出来,本身就是收益。
暂时别急着交的三类活
涉钱的审批:费用报销、供应商结算、押金退还。不是模型算不准,是责任链没法闭合——审批出了错,追责追到谁?在监管语境下,"AI 批的"不是一个可以写进整改报告的答案。
安全决策:门禁放行、访客准入、危险作业许可。撤销不了的动作,一票否决。
对人的评价:绩效、考核、评优。数据可以供参考,结论必须人来下,这既是管理伦理,也是劳动争议风险。
这三类活里,Agent 的正确姿势是建议位:把该看的数据摆到审批人面前,把异常标红,把相似历史案例贴在旁边——决策提速的效果一样有,责任还在人手里。
比选模型更重要的事:先把底账做实
见过不少单位,数据底子没打好就急着上 AI,结果是:床位账本来就不准,AI 只会把错的算得更快。
所以上 Agent 之前,先回答一个朴素问题:你的宿舍台账、工单记录、消费流水,现在敢不敢直接拿去对账?敢,再谈智能;不敢,先花三个月把业务搬到线上、把账做平。后勤不是成本中心,是运营数据的源头——这句话反过来说也成立:数据不实,后勤的一切"智能"都是空中楼阁。
另一件事是给 Agent 定 KPI。我们的做法是每个 Agent 都挂一个具体业务指标:备餐 Agent 看损耗率,派单 Agent 看响应时长和负载方差,不考核"对话轮次""调用次数"这种虚指标。考核聊天量的 Agent,最后一定长成客服。
给采购方的三个问题
如果您正在评估一个"智慧后勤"方案,不妨拿这三个问题问厂商:
- 你的 Agent 挂在哪个业务指标上?(答不出具体指标的,是套壳客服)
- 预测错了、派错了,系统怎么发现、怎么纠正?(答不出闭环的,是演示品)
- 涉钱涉安全的环节,人在哪个位置?(说"全自动"的,建议直接送客)
AI 进后勤这件事,方向没有悬念,节奏才是分水岭。先预测、再调度、最后碰审批;先做实底账、再谈智能。走这个顺序的,一年后能拿出可审计的数字;反着走的,一年后多一个没人用的对话框。