你的公司需要一个"养Agent的人"，但没人知道这个岗位叫什么

Klarna的AI客服案例警示：追求效率却导致服务质量暴跌，问题出在没人“养育”AI Agent。自动化不等于无人值守，它需要一种新角色来持续监控与调整。
这个故事值得所有想用AI降本的公司反复咂摸。2023年底，这家瑞典金融科技公司高调宣布AI客服已覆盖35种语言，处理了75%的客户聊天。此后大刀阔斧地裁掉700名客服，总员工数从7400人直降到3000人。效率账面上看极为漂亮：单笔交易客服成本从0.32美元降至0.19美元，跌幅达40%。CEO Sebastian Siemiatkowski在各种场合不遗余力地宣传这个“成功样本”。然后呢？2025年上半年，客户满意度暴跌22%。面对复杂争议、退款处理和敏感金融问题时，AI只能给出千篇一律的通用回复。Q1季度净亏损高达9900万美元。公司不得不再度招人，甚至把软件工程师和市场营销人员临时调去呼叫中心顶班。CEO也公开承认：“对效率的追求，导致了服务质量的急剧下滑。”

症结在哪？根本没人去“养”那个Agent。没有人持续监控它的输出质量是否发生漂移。没有人在业务规则变化时及时更新它的知识库。没有人定义“什么场景必须交给人类处理”的边界。它被当成了部署完就能一劳永逸的机器。但AI Agent不是机器，它更像一个永远不会主动举手说“我搞不定”的新员工。一个从不被培训、从不被检查、从不被告知新规则的员工，出问题是迟早的事。

97%部署了，只有29%赚到了钱

Writer在2026年初对2400人（其中1200名一线员工，1200名C级高管）做了一项调查，结果有些荒诞：97%的高管声称去年部署了AI Agent。再细问是否有实质性回报，只有29%给出了肯定答案。79%的公司面临落地挑战，这个比例甚至比2025年还要高。

更值得关注的是一个细节：35%的公司坦言，在Agent失控时，他们甚至不知道如何立刻关停它。这根本不是技术问题。模型足够强，工具足够多，预算足够大。问题出在一个被所有人有意无意忽略的环节：上线之后，谁在管？

Dan Shipper在最近一期Lenny's Podcast里把这事说得很直白：“要让一个AI Agent有用，它现在真的需要一个在乎它的人。” 这句话听起来像是在说宠物，但它精准描述了一个正在所有公司里浮现的真实需求。Dan的团队Every从15人增长到近30人，其中一个核心原因就是“每自动化一个流程，就需要有人盯着，确认它是在服务业务，而不是在搞破坏”。他们踩过一个典型的坑：一个用vibe coding快速搭出的产品上线后每十分钟崩一次，让Codex自动修复，结果每修一处带出四个新错误，最终只能请两位高级工程师从头重写。自动化不等于不需要人。自动化意味着需要一种新的人。

这个岗位到底长什么样？

海外公司里正在浮现三种“养Agent的人”的原型。

Klarna在2025年中重新招人时，岗位名称不再是“客服代表”，而变成了一个新东西。这些人的职责不是自己接电话，而是审核AI的回答质量、定义什么场景必须转人工、在AI给出错误退款方案时及时兜底。他们需要懂业务规则，但日常工作是“训练和监督AI”，而不是“自己做客服”。

与传统运维的区别在于，传统运维盯着系统挂了没、延迟高不高。而Agent运维要看输出对不对、有没有幻觉、上下文有没有丢失。Gartner在2026年5月的一份报告中预测，未来五年AI Agent将重塑基础设施运维团队的角色和运营模式。“看日志”这件事的含义也在变：不只是看error log，还要看推理trace，判断模型为什么在这步给出了一个看似正确但实际离谱的答案。

他的预测是，公司里会有一个集中维护的“超级Agent”，由专门的小团队负责养好，再服务整个组织。个人Agent维护成本太高，普通人不想SSH到服务器排查问题。最稳妥的做法是让一个人或一个小团队负责把Agent养好，其他人只管用。

这三种角色有一个共同点：他们的核心能力不是写代码、不是画原型、不是跑数据，而是在AI的输出和业务的真实需求之间，做翻译和兜底。你会怎么在招聘网站上写这个JD？大概会是“一个能看懂业务、能读推理日志、能写Prompt、能识别AI幻觉、能在关键时刻兜底的人”。HR大概会问：这到底是产品经理，还是运维工程师，还是QA？答案是没有一个是，但都沾一点。

为什么大多数公司还没意识到这件事？

因为“部署”和“维护”在组织注意力里的权重完全不对等。Writer的调查揭示了一个荒诞现象：75%的高管承认他们的AI战略“更多是对外展示，而非真正的内部方向”。钱花了（59%的公司年投入超过100万美元），公关稿发了，但配套的流程、人才和监督机制根本没跟上。这和Klarna的路径一模一样：先高调宣布AI替代人力，等问题爆发后再手忙脚乱地补人。

问题的根源在于一个认知偏差：人们把AI Agent当成了传统软件。传统软件部署完确实不需要天天有人养。版本固定、行为确定、输出可预测。但Agent不一样。它的行为是概率性的，输出会随输入变化而漂移，面对的业务场景在持续演化。Dan在播客里做了一个很漂亮的区分：个人Agent你自己玩玩可以，出了问题忍一忍。但组织级Agent服务的是客户、影响的是营收、涉及的是合规，容错率极低。

而且随着公司里Agent数量增长，这会变成一个规模性的管理问题。今天你有1个Agent，一个人兼职盯一下就行。明天你有20个Agent，分布在客服、风控、研报、投放各条业务线，你就需要一个正式的团队、一套正式的流程、一个正式的职能。麦肯锡2025年分析了50个Agent项目的失败案例，提炼出6个关键因素，排在最前面的正是那个在工程实践中总是被低估、被跳过、被“等上线再解决”的环节。而持续维护，恰恰就是那个“等上线再解决”的典型。

最后说两句

回到Klarna的故事。它不是一个“AI失败”的故事，它是一个“没人养Agent”的故事。技术没问题。AI确实能处理75%的客服对话。问题在于剩下那25%没人管，知识库没人更新，边界Case没人定义，质量漂移没人监控。公司把Agent当成了一劳永逸的基建，而不是一个需要持续喂养的活物。

这个角色目前没有标准称谓。有人叫AI Ops，有人叫Agent Manager，有人叫AI Trainer，有人直接叫“那个管AI的同事”。叫什么不重要。重要的是你得想清楚一个问题：如果今天你的Agent出了幻觉，谁能在十分钟之内发现？如果答案是“不知道”或“等用户投诉了再说”，那你正在走Klarna走过的路。Agent越强，“养Agent的人”就越重要。这不是悖论，这是规律。