最初是生成式 AI，随后通用人工智能吸引了大家的想象。如今，正是代理式 AI 令 C-Suite 高管夜不能寐，因为商业领袖不仅希望 AI 能生成回答，更希望它能采取行动、做出决策并提供实实在在的商业价值。
董事会对此极为关注，投资者纷纷押注，决策者正在试点应用，而 Gartner 分析师预测，到 2028 年，将有三分之一的企业软件会包含代理式 AI —— 从 2024 年仅 1% 迅速提升 —— 到那时，它将自主完成 15% 的日常业务决策。
但尽管炒作不断，实际情况似乎总是卡壳，大多数组织仍然停留在试点阶段，许多试点项目从未成功规模化或在部署过程中失败。考虑到背景，85% 的 AI 项目都以失败告终。当你询问构建这些工具的人们实际情况如何时，他们普遍的看法是：虽然拥有 AI 代理，但却缺乏支持它们的生态系统。
首先构建基础设施
NTT DATA 数字协作服务高级副总裁 Aishwarya Singh 近距离见证了这一过程。她在一次采访中告诉我，“最大的经济瓶颈包括在基础设施和技术上的高额初始投入、将 AI 与现有系统整合的成本以及需要专门人才来管理和维护 AI 系统。”
理论上，代理式 AI 应该可以降低成本和复杂性，但实际上它增加了新的成本和复杂性层面 —— 尤其是当企业将其视为一种产品而非一种流程时。Singh 表示，“许多领导者低估了成功整合所需的时间、精力和资源。忽略这一点可能导致项目延误、成本超支以及绩效不佳。”
今年三月上线的 NTT DATA 新一代代理式 AI 服务，利用 Microsoft 的 CoPilot Studio 和 Azure AI Foundry 构建，旨在解决这一问题 —— 不仅仅是部署代理，而是支持整个生命周期：咨询、构建、实施、监控、再训练和优化。这是一种作为托管服务提供的 AI 基础设施，并且已经在公司内部开始部署。
Singh 表示，“在我们自己的内部工单系统中，生产率提高了 50 至 65% 。我们针对不同类型的工单构建代理，并将它们通过全渠道大语言模型连接起来，从而能够通过语音、电子邮件和聊天持续叠加新的自动化功能。”
AI 人才不足
但正如业内专家所说，缺乏基础设施或生态系统并非制约代理式 AI 的唯一因素。另一个问题，甚至更为严重的，是 AI 人才短缺。根据 Accenture 最近对 3,400 位高管和 2,000 个企业项目的研究，只有 13% 的 AI 项目真正为企业带来了显著的商业价值。原因在于，企业在技术上的投入是人才投入的三倍 —— 而 AI 技能差距正日益显现。
Accenture 咨询业务集团首席执行官 Jack Azagury 表示，“人才准备不足是企业扩展规模和释放价值的最大障碍之一。你可以投资所有可用的生成式 AI 工具，但如果员工不知道如何或为何使用它们，那么其价值就无法体现。”
Singh 同意这一观点，并指出，正是由于这一日益扩大的 AI 人才缺口，NTT DATA 才在今年投入力量培训 200,000 名员工，并认证 15,000 名生成式 AI 专家。“这也催生了许多思路，探讨我们如何利用这一技术来提升自身业务表现，从而带来令人难以置信的新创新。”
AI 部署困境
当你摒弃人才问题时，还会面临一个更大的问题 —— 实际部署 AI 时的困境。美国国家经济研究局最近的一份工作报告追踪了 7,000 个工作场所中 AI 聊天机器人的使用情况，结果显示这些聊天机器人几乎没有对任何职业的薪酬或工时产生显著影响。尽管采用范围广泛，但研究发现，平均而言，AI 仅为员工节省了 3% 的时间。其中，仅有 3% 到 7% 转换为更高的薪酬。
更令人震惊的是，大多数员工将节省下的时间转向了其他任务，往往是 AI 系统自身创造的任务 —— 编辑 AI 输出、重新核对虚构的事实或调整语气。换句话说，这项技术增加的复杂性远大于它所减少的复杂性。
类似的情形 IBM 在另一项研究中也发现，只有 25% 的 AI 项目实现了预期的投资回报率。Informatica 最近的报告显示，数据质量和整合问题仍然是大多数 AI 项目失败的主要原因。
归根结底，企业尚未掌握或理解如何构建支持环境，这也是导致 AI 代理无法规模化的根本原因。
部署后的复杂性
如果你成功部署了 AI 代理，那么接下来你还必须担心部署之后的情况。即便是最优秀的 AI 代理也需要背后有一个团队支持：开发人员、数据管理人员、安全架构师、培训师、伦理学家等等。Singh 表示，这是大部分公司面临的最大挑战，不在于部署一个代理，而在于管理部署后的情况。
她告诉我，“部署后，（代理管理）涉及定期更新、绩效跟踪、安全审计以及与不断变化的业务目标保持一致。我们从客户那里听到的一个重大痛点是，如何在组织中最好地管理大量涌入的代理式 AI 代理。”这正是许多组织在没有相应策略来保持代理运行、管理和优化规模化的情况下盲目构建 AI 代理所面临的问题。
为了应对这一日益严峻的挑战，Singh 指出，NTT DATA 正开始在其托管体系中引入 guardian agents（守护代理）和 Red Teaming agents（红队代理） —— 这些模型旨在随着代理在各职能间的扩散，对安全性、合规性以及运营完整性进行监控。
真正实现投资回报的起点
那么，有哪些措施是有效的呢？如果代理式 AI 充满了各种复杂性，为什么仍有如此大的热度，以至于全球众多公司计划向代理式 AI 转型？Singh 的回答是：尽管面临复杂性和挫折，代理式 AI 在现实世界中的使用案例确实展现了其在正确部署时的潜力。
Singh 解释道，“我们在 IT 服务、战术流程自动化、客户服务以及针对更复杂任务（如库存管理）的多代理模型中看到了最佳使用案例。客户可以预期 6 至 12 个月的回报期，且生产率的提升通常在最初几个月内便开始显现。”
但这些成果仅会在代理背后有一个完整系统时显现 —— 这个系统应包括变革管理、人才培养、跨平台整合以及持续优化。正如 Singh 所指出，取得成功的企业是那些在战术使用场景下快速原型开发，并拥有与超级规模云厂商对齐、能够在现有云环境中迅速扩展的团队。
把基础打牢
代理式 AI 不会因为你雇用了一个供应商而得以规模化。它之所以能真正扩展，是因为你建立了支持它的内部架构 —— 包括技术、组织和人力资源。这是分析师、预测及多个企业案例研究给企业提出的主要信息。
每个代理式 AI 成功案例都始于打好基础 —— 数据、人才和基础设施。正如 Singh 所说，这需要大量规划。关键问题不在于企业能否扩展代理式 AI 项目，而在于它们是否做好了实现这一目标所需的全部准备。
本文链接：http://www.xihao.site/showinfo-1-76515.html真正实现代理式 AI 扩展所需条件
