“打造智能体不是靠一个人就能完成的。只有数据科学、安全和法务团队协同参与，企业才能构建可扩展的智能体体系。”

8月25日，在“Dell Technologies Forum 2026”主题演讲中，Dell Technologies总部高级副总裁Matt Dunphy作出上述表述，并围绕“复杂性”和“自主性”两条主线，梳理了AI智能体的演进路径。

在他看来，当前处于起步阶段的是“生产力智能体”，主要用于邮件撰写辅助、数据分析支持等场景；再往前一步，是负责数据清洗、整理和管理的“无界面智能体”；此后则发展为可处理服务流转、账户迁移等任务的“协同智能体”，以及可直接面向客户、与电商平台交互的“专家智能体”。而位于更高层级的，则是能够统筹上述流程的“礼宾智能体”。

Matt Dunphy表示，未来1至2年内，职场人士都可能从单纯的工具使用者，转变为管理数十、数百甚至数千个智能体的“管理者”。

谈及企业AI落地，他认为，目前仍有两大难题尚未得到有效解决。其一，企业很难准确界定，哪些工作最有可能创造差异化价值；其二，在如何把AI投入真正转化为业务成果方面，许多企业仍未形成清晰的运营模式。

他直言，“如果只是在现有流程之上简单叠加AI，那往往是最糟糕的做法。”

在AI基础设施方面，Matt Dunphy也指出，不少企业的准备程度仍然不足。他援引Dell的一项调研称，在韩国企业决策者中，72%认为所在公司的IT基础设施尚未准备好支持AI。与此同时，与3年前相比，数据准备依然是企业推进AI的最大障碍。

除基础设施外，他还特别提到“Token经济”的重要性。在Matt Dunphy看来，如果企业无法理解Token消耗与成本结构之间的关系，就很难真正获得AI投资回报。

他以Dell内部销售组织为例称，10%的员工消耗了90%的Token使用量；如果这种使用模式进一步扩展到全体员工，企业从成本结构上将难以承受。

他同时指出，模型选择以及任务运行位置，同样是决定成本的关键因素。以视频监控场景为例，如果企业希望从视频数据中回答“事故发生后，应急团队多久到达现场”这一问题，即便最终只是输出“用了多少秒”这样一个简单结果，任务处理过程也可能需要在多个工具和智能体之间反复流转，并消耗约3亿个Token。

Matt Dunphy表示，对于同一任务，如果放在云端并使用最便宜的模型处理，其成本仍可能比在Dell GB10设备上进行本地处理高出10倍。

他进一步称，若使用Gemini Flash模型，相关成本将升至200美元；若改用GPT-5模型，成本还会更高。

“如今，IT负责人不应只停留在系统管理员的角色上，更要成为AI架构与设计的决策者。真正关键的能力，在于理解工作负载特征，并据此决定在何处运行何种模型。”他说。