先看证据

Merge 的工具调用成功率为 99.9%，相比公共 MCP 服务器约 60%。关键事实
筹备晚宴任务从数十小时缩减至约 30 分钟。关键事实
Merge 在 2026 年 Q3 举办 16 场晚宴，Q2 为 8 场，Q4 计划超 30 场。关键事实
Merge 使用 GPT-6 Astra 进行产品测试、营销及内部业务流程自动化。关键事实
Merge 使用 Codex 进行代码审查及新接口实现方案评估。关键事实
系统连接的业务平台包括 Salesforce、Gong、Google Sheets 和 Gmail。关键事实

AI 代理的落地现实：从代码审查到客户经营

2026 年 11 月，企业软件集成平台 Merge 发布了其利用 OpenAI GPT-6 Astra、ChatGPT 和 Codex 模型改造内部业务的实践报告。不同于仅将 AI 用于问答的常规场景，Merge 构建了一套名为“Merge for Workforce”的架构，试图将模型能力直接接入 CRM、文档系统与工程工具链，从而实现从产品开发到客户关系维护的闭环自动化。这一案例的特殊性在于，它将 OpenAI 模型从单纯的 benchmark 基准测试主角，转变为支撑公司日常运营的底层引擎。

Merge 的研发团队目前广泛使用 Codex 进行代码审查与配置界面评估，同时利用 GPT-6 Astra 完成市场营销内容的筛选与发布逻辑梳理。这种深度应用并非为了单纯的提效，而是试图通过统一的连接层，解决企业在处理不同 SaaS 系统数据碎片化的问题，进而推动 AI 代理从“离散任务执行”演进为具备系统操作权限的“业务中枢”。

连接器质量与“成功率鸿沟”

Merge 在实践中提出了一个核心指标：工具调用的成功率。根据其公开数据，基于 Merge 专有连接器的工具调用成功率高达 99.9%，而对比公共 MCP (Model Context Protocol) 服务器，这一数值仅在 60% 左右。这一巨大的差距揭示了当前企业部署 AI 代理时最大的工程门槛——不是模型推理不够强，而是连接层（Middleware）的脆弱性会导致代理在执行任务时频繁掉链子。

为了支撑这种高可靠性，Merge 构建了三个核心组件：Merge Unified 用于标准化客户数据，Merge Agent Handler 提供安全访问接口，而 Merge Gateway 则负责模型路由与成本控制。对于技术负责人而言，这种架构的价值在于将“可靠的连接”作为基础设施，而非让每个智能体自行处理复杂的 API 调用逻辑，从而确保业务系统（如 Salesforce 或 Gong）能够稳定地被 AI 逻辑所驱动。

自动化边界：人工校验作为经营的韧性

Merge 展示的另一个典型场景是高管客户晚宴的筹备。该过程从从 CRM 抓取候选名单、确认邀请回复，到维护进度表与生成座位方案，AI 在其中发挥了关键作用。值得注意的是，虽然准备工作从以往的“数十小时”压缩到每场 30 分钟，但这并不意味着完全取消了人的介入。CEO Shensi Ding 明确指出，模型负责推理与起草，但她本人依然负责审阅输出、修改语调、并基于模型无法掌握的“人际关系背景”对最终名单进行决策与删选。

这种“人机协作”的模式点出了自动化边界的客观存在。在处理需要复杂人际判断的场景时，AI 是极高效率的执行工具，却无法替代关键的决策。如果将业务完全托付给代理，忽略了对“关系背景”缺失的补足，极易导致自动化产生低效甚至负面的沟通结果。对于希望在经营侧引入 AI 的组织，明确哪些环节可以由 AI 闭环，哪些环节必须保持“人工在环（Human-in-the-loop）”，是衡量自动化 ROI 的关键维度。

工程判断：将 AI 视为一种生产要素的治理

Merge 案例的最终指向是对“企业内 AI 访问权”的治理。通过“Merge for Workforce”，员工可以自由选择适合自己工作流的 AI 模型，这引发了内部对于工具选择的良性竞争与讨论。这种做法将 AI 模型从单一的选型问题转变为一种“生产要素管理”。它要求企业在工具接入、模型路由和访问权限管控上具备类似 API 管理系统的细颗粒度。

这种模式对技术负责人的启示在于：AI 基础设施的建设不再是“买一个模型 API”那么简单，而是需要构建一个可扩展、可审计、且具备权限隔离功能的“中台”。只有当企业具备了将模型作为可编程服务接入内部工具链的能力，AI 才能真正从锦上添花的演示产品，转变为切实驱动业务增长（如 Q3 举办晚宴数量翻倍）的基础工具。对于后续的部署路径，建议各团队在尝试此类自动化工作流时，不仅要测试模型性能，更要优先建立起稳健的连接器监控体系，确保在高频工具调用下的系统稳定。