如果在過去的一年里，你的企業(yè)還在糾結(jié)于如何讓員工更高效地使用聊天機(jī)器人，那么現(xiàn)在是時候調(diào)整戰(zhàn)略焦點了。我們正在經(jīng)歷一個從“自動化”到“Agentic AI”的根本性跨越。

對于企業(yè)管理者而言，這是一個既令人興奮又充滿挑戰(zhàn)的時刻。作為變革的推動者，我們有機(jī)會帶領(lǐng)企業(yè)超越單純的效率提升，邁向高自主性的新時代，同時，這也要求我們徹底重新思考企業(yè)的運(yùn)營邏輯。

重新定義“Agent”

在當(dāng)前的市場上，似乎一切都被貼上了“Agent”的標(biāo)簽。但撥開表象，從底層邏輯來看，Agent發(fā)展至今，呈現(xiàn)出清晰的成熟度階梯。

第一層是傳統(tǒng)自動化，即通過腳本和固定的工作流，處理具有重復(fù)性且可預(yù)測的任務(wù)。雖然高效，但不具備思考能力。

第二層是AI助手，也就是目前普及的聊天機(jī)器人。它們擁有強(qiáng)大的知識庫，能回答查詢、總結(jié)文檔，甚至通過RAG（檢索增強(qiáng)生成）調(diào)用數(shù)據(jù)。其核心在于“響應(yīng)”，能在對話中提供輔助，但獨立行動能力依然受限。

第三層是基于目標(biāo)和任務(wù)的Agent。它們不再依賴指令，而是依賴“意圖”。你給它一個特定的業(yè)務(wù)目標(biāo)，它能與人類協(xié)作，為完成該任務(wù)自主調(diào)用工具。

最后一層是Agentic系統(tǒng)，也是自主性的最高形態(tài)。多個Agents像一個團(tuán)隊一樣協(xié)作，能處理高度復(fù)雜甚至模糊的任務(wù)。它們能將目標(biāo)拆解為無數(shù)個具體步驟，并分工完成。在這里，AI的核心價值從“響應(yīng)”進(jìn)化為“成就”。

目標(biāo)驅(qū)動：它們不等待每一步的指令，而是接收并理解“高階意圖”，再自主規(guī)劃路徑，將意圖轉(zhuǎn)化為行動。

資源整合能力：它們不僅能訪問數(shù)據(jù)，還能理解上下文、組織層級和角色。它們知道為完成任務(wù)需要調(diào)用哪些工具、連接哪些API。

記憶能力：真正的Agent擁有記憶，它能記起上次處理類似任務(wù)時遇到的問題，從而避免重蹈覆轍。

學(xué)習(xí)與適應(yīng)能力：它們不是靜態(tài)的軟件，而是能從反饋循環(huán)中不斷自我優(yōu)化的系統(tǒng)。

上報機(jī)制：這一點常被誤解。Agent在遇到無法處理的問題時尋求人類介入，這不僅不是系統(tǒng)的失敗，反而是一種內(nèi)置的信任機(jī)制。這意味著你可以放心地讓它處理業(yè)務(wù)，因為它知道何時該停下來請求你的幫助，而不是盲目地制造風(fēng)險。

當(dāng)然，很多人會問，AI的熱潮已經(jīng)持續(xù)了幾年，為什么現(xiàn)在才強(qiáng)調(diào)“Agent”？答案在于兩條關(guān)鍵曲線的交匯——如今，AI能夠獨立處理的任務(wù)復(fù)雜度大約每7個月就會翻一番，這意味著AI可以承接越來越復(fù)雜的任務(wù)；同時，智能成本正在斷崖式下跌。以MMLU（大規(guī)模多任務(wù)語言理解）基準(zhǔn)測試為例，得分為 83 分就相當(dāng)于博士級專家，能夠處理細(xì)微差別和歧義。幾年前，獲取這種“博士級”智能的成本極其昂貴，而如今，處理百萬Token的成本已從 2022 年的 98 美元降至 0.48 美元左右。

當(dāng)能力飆升遇上成本驟降，我們便進(jìn)入了大規(guī)模應(yīng)用Agent的“甜蜜點”。

擁抱“非確定性”

新的Agentic AI時代，與過往的一大不同在于，非確定性（Non-determinism）不再是系統(tǒng)的缺陷，而是其固有特性。因而，和傳統(tǒng)管理學(xué)僅聚焦于獎勵“確定性”不同，在Agentic AI時代，價值恰來自非確定性，即根據(jù)上下文變化、模糊信息進(jìn)行即時調(diào)整和優(yōu)化的能力。

要駕馭這種力量，領(lǐng)導(dǎo)者需要在四個維度上進(jìn)行心智模式的轉(zhuǎn)變。

1、治理模式：從“過閘機(jī)”到“董事會”

傳統(tǒng)的治理如同收費站（Toll Gates），通過定義流程、控制每一步、清單驗證實現(xiàn)合規(guī)。但當(dāng)面對數(shù)千個高頻互動的 Agent時，這種模式會徹底崩塌。取代它的，是像董事會管理 CEO 一樣管理Agent。

正如董事會不會告訴CEO每天具體該做什么，而是設(shè)定戰(zhàn)略意圖和邊界，你也需要構(gòu)建一個“策略引擎”，明確告知Agent“這是你的目標(biāo)，這是絕對不能觸碰的紅線”，隨后通過持續(xù)的校準(zhǔn)和觀測來進(jìn)行管理，而非在每筆交易前進(jìn)行人工審批。

2、風(fēng)險控制：從“工廠流水線”到“交易大廳”

傳統(tǒng)的風(fēng)險管控模式類似于工廠，常用方式是設(shè)定固定閾值，例如規(guī)定采購訂單超過200萬美元需副總裁批準(zhǔn)，超過1 000萬美元必須提交給CFO。這種僵化的風(fēng)控會扼殺Agent的核心優(yōu)勢。

新時代下，企業(yè)應(yīng)像管理交易大廳一樣管理風(fēng)險。

金融交易大廳充滿了高風(fēng)險和不確定性，但通過實時可見性和“熔斷機(jī)制”（Circuit Breakers）實現(xiàn)有效管理。交易員的每一個動作并不會被干預(yù)，但如果其交易組合或某一特定交易違反了政策，熔斷機(jī)制會自動觸發(fā)停止交易。管理AI Agent也應(yīng)遵循這一邏輯。AI Agent 必須通過在企業(yè)設(shè)計的風(fēng)險控制范圍內(nèi)運(yùn)行，以此贏得其“流動性”（即操作權(quán)限）。這不僅包括監(jiān)控具體Agent的行為，還包括監(jiān)控Multi-Agent 系統(tǒng)中的系統(tǒng)性偏差——一旦發(fā)生偏差，需立即觸發(fā)熔斷機(jī)制。

3、組織結(jié)構(gòu)：從“職能筒倉”到“免疫系統(tǒng)”

組織結(jié)構(gòu)總是隨著重大技術(shù)變革而調(diào)整。傳統(tǒng)的組織結(jié)構(gòu)往往是垂直化的，雖然穩(wěn)固，但處理問題時速度遲緩。

在為AI Agent構(gòu)建組織架構(gòu)時，應(yīng)采用的思維模型是“免疫系統(tǒng)”。白細(xì)胞發(fā)現(xiàn)病毒時，它們不需要等待大腦的指令，也不會召集肺部協(xié)同商議，而是迅速集結(jié)，通過目標(biāo)導(dǎo)向的協(xié)同編排解決問題。因此，圍繞業(yè)務(wù)工作流組織跨職能團(tuán)隊，才是真正能從AI Agent獲取價值成果的方式。

4、文化基因：從“運(yùn)營執(zhí)行”到“持續(xù)學(xué)習(xí)”

大多數(shù)企業(yè)文化都在獎勵“精準(zhǔn)執(zhí)行”，懲罰“偏差”。但實驗室文化對新發(fā)現(xiàn)持開放態(tài)度，哪怕結(jié)果不盡如人意。在實驗室中，若出現(xiàn)失誤，會將其作為一種學(xué)習(xí)機(jī)制，記錄下來并廣泛分享。在這樣的文化中，新的發(fā)現(xiàn)和調(diào)整本身成為一種特性，而非缺陷。

構(gòu)建Agent的“大腦”與“工牌”

那么，是哪些技術(shù)能力讓AI Agent成為了現(xiàn)實？答案是三大核心因素：智能、上下文理解和信任。

如果我們把 AI Agent 比作人類，智能就是它的“大腦”，技術(shù)模型——包括用于思維鏈（Chain-of-Thought）推理和反思的思考模型——賦予了“大腦”將意圖轉(zhuǎn)化為任務(wù)的能力。理想狀態(tài)下，我們希望AI Agent擁有最高智能、最低價格和最快響應(yīng)速度，但在現(xiàn)實中，三個維度之間必然存在權(quán)衡。每種模型都有其獨特的優(yōu)勢：有些擅長推理，有些擅長快速響應(yīng)，有些擅長處理文本任務(wù)，還有些在圖像和數(shù)學(xué)任務(wù)上表現(xiàn)出色。

但僅有大腦并不代表具備行動能力。訪問權(quán)限和上下文理解才是AI Agent的“雙手”。它們賦予了AI Agent訪問正確數(shù)據(jù)、采取行動以及調(diào)用各類工具實現(xiàn)目標(biāo)的能力。在組織中運(yùn)用上下文理解時，尤其是針對復(fù)雜工作流，需要AI Agent理解角色、層級、數(shù)據(jù)、系統(tǒng)和工具。這包括通過知識圖譜讓AI Agent理解數(shù)據(jù)中不同對象和領(lǐng)域之間的關(guān)系，以及利用向量數(shù)據(jù)庫讓AI Agent理解語義（即事物之間的相近性，例如“貓”和“狗”是近義詞，而與“云計算”相去甚遠(yuǎn)）；讓AI Agent擁有記憶能力同樣關(guān)鍵，它需要記住角色設(shè)定（你是誰）、程序記憶（怎么做）、語義記憶（各類知識），以及情景記憶（上次發(fā)生了什么）。

最后一層是信任。沒有信任，AI Agent就無法實現(xiàn)規(guī)?；瘧?yīng)用。

確保信任的一種方式是設(shè)置安全防護(hù)機(jī)制。比如敏感信息過濾器（即PII，個人身份信息）。企業(yè)不希望這類信息泄露，可在安全防護(hù)機(jī)制中定義相關(guān)規(guī)則。上下文一致性檢查能為所有AI Agent提供政策層面的信息指引，例如明確告知：“我們的退貨政策是90天?！边@些規(guī)則必須獨立于模型存在，無論調(diào)用哪個大模型，安全防護(hù)機(jī)制始終生效。

“自動化推理檢查”也是讓企業(yè)能夠信任 AI Agent并確保其在公司中有效擴(kuò)展應(yīng)用的核心工具之一。這是一種數(shù)學(xué)驗證方法：與其像測試員一樣繪制無數(shù)個三角形來驗證勾股定理，不如用數(shù)學(xué)定理證明其必然正確。亞馬遜云科技就利用自動推理將幻覺發(fā)生率降低了99%。

必須強(qiáng)調(diào)的是，AI Agent目前仍處于早期發(fā)展階段，不能將其視為“萬能魔法棒”。事實上，若企業(yè)擁有步驟固定、工具使用高度有限的可預(yù)測工作流，基礎(chǔ)自動化或簡單生成式AI助手便已足夠。當(dāng)企業(yè)需要動態(tài)選擇工具，或希望利用Agent的適應(yīng)性和學(xué)習(xí)能力時，Agent才會展現(xiàn)真正的強(qiáng)項。此時，企業(yè)可從價值最大的三個特定領(lǐng)域入手：軟件開發(fā)、客戶支持，以及知識型工作。

例如：湯森路透（Thomson Reuters）利用Agentic AI進(jìn)行代碼現(xiàn)代化改造，將遺留的 .NET 代碼遷移速度提升了4倍。這不僅是效率的提升，更讓工程師從技術(shù)債中解脫出來，專注于創(chuàng)造新價值。亞馬遜的購物助手Rufus能夠回答諸如“這個玩具需要幾號電池”或“這跟我以前買的配件兼容嗎”這類高度情境化的問題，數(shù)據(jù)顯示，使用Rufus的用戶購買轉(zhuǎn)化率提升了60%。應(yīng)付賬款的案例則是知識型工作與異常處理的典型場景：傳統(tǒng)的應(yīng)付賬款（AP）處理目標(biāo)是“準(zhǔn)時付款”，而Agent AP的目標(biāo)可以是“優(yōu)化現(xiàn)金流”。它可以根據(jù)匯率波動、廠商歷史信用、合同條款，自主選擇是根據(jù)匯率波動提前付款，還是利用外匯對沖策略延遲付款。這正是從“按部就班”到“高能動性”的價值躍遷。

伊希特·瓦赫拉賈尼（Ishit Vachhrajani）| 文

伊希特·瓦赫拉賈尼是亞馬遜云科技全球技術(shù)、AI分析與企業(yè)戰(zhàn)略負(fù)責(zé)人。

聯(lián)系方式

投稿、廣告、內(nèi)容和商務(wù)合作

newmedia@hbrchina.org