AI智能體將帶給我們怎樣的未來？

文章作者丨麥肯錫公司：Alexander Sukharevsky、Dave Kerr、Klemens Hjartar、Lari H?m?l?inen、Stéphane Bout Vito、Di Leo Guillaume、Dagorret，慎思行采編翻譯

個人微信丨hello_SSX

要點：

• 通過將復雜的工作流程自動化，智能體可以釋放縱向用例的全部潛力。有遠見的公司已經在利用智能體的力量來改變核心流程。

• 要實現智能體的潛力，企業必須改變工作方式，重新定義人類的角色，并從頭開始構建以智能體為中心的流程。

• 要做到這一點，就需要一種新的AI架構模式——能夠整合定制款和現成款智能體的“智能體網格”。但更大的挑戰不在于技術，而將是人的挑戰：征得信任以推動企業采用，并建立合適的管理制度。

突破之道：

將復雜的工作流程自動化

釋放縱向用例的全部潛力

LLM（大語言模型）確實徹底改變了企業與數據打交道的方式——它能夠實現信息綜合、內容生成和自然語言交互。盡管LLM功能強大，但從根本上講，它一直是被動的，并且是與企業系統相隔離的，在相當大程度上無法保留對跨會話內容或上下文的長期記憶。它們的作用基本上僅限于通過處理孤立的任務來提高個人的工作效率。AI智能體則標志著企業應用AI的重大進展——將AI從被動的內容生成，擴展到目標驅動型的自主執行。智能體可以理解任務目標，將其分解為子任務，通過和人類、和系統的互動，進而執行動作，并實時調整——所有這些都只需極少量的人工干預。要實現上述功能，需要把LLM和其他能提供記憶、規劃、協調和整合功能的附加技術相結合。

借助于這些新功能，AI智能體將拓展橫向解決方案的潛力，把通用的AI協作助手從被動的工具升級為主動的隊友。它們不僅能對提示詞做出響應，還能監控儀表板、觸發工作流、跟進行動動作，并實時地提供相關見解。但真正的突破還是來自縱向領域：在這一領域，智能體可以實現涉及多個步驟、多個行動者和多個系統的復雜工作流的自動化——這些功能超出了第一代生成式AI的能力范圍。

智能體

帶來的不僅僅是效率，

還能提高運營敏捷性，

并創造新的營收機會。

在運營層面，智能體承擔了常規的、數據繁重的任務，這樣人類就可以專注于價值更高的工作。但智能體還能更進一步，從以下五個方面改變流程：

• 智能體能夠消除任務之間的延時，實現并行處理，從而加快執行速度。與傳統工作流程依賴順序交接不同，智能體可以協調并同時執行多個步驟，從而縮短周期時間，提高響應速度。

• 智能體能夠帶來適應性。通過不斷攝取數據，智能體可以即時地調整流程，重新安排任務序列，重新分配優先級，或在異常情況演變成事故之前做出標記。這使得工作流程不僅更快，而且也更智能。

• 智能體能夠實現個性化。智能體可以根據客戶資料或行為來定制互動方式和決策內容，動態調整流程，最大限度地提高成果滿意度。

• 智能體的運營體量是可變的。由于智能體是數字化的，它們的執行能力可以根據工作量、業務淡旺季或突發情況實時地擴展或收縮——這是固定的人力模式難以實現的。

• 智能體還能保障運營更具彈性。智能體能夠監控中斷情況、重新安排操作路線，以及只在需要時進行升級，它們可以保障工作流處于正常運行——無論是在供應鏈應對港口延誤，還是在服務行業里應對系統中斷等等。

例如，在復雜的供應鏈環境中，AI智能體可以充當采購、倉儲和配送業務的自主協調層。通過與內部系統（如供應鏈計劃系統或倉庫管理系統）和外部數據源（如天氣預報、供應商信息和需求信號）連接，智能體可以持續性地預測需求。然后，它可以識別延遲或中斷等風險，并動態地規劃運輸和存貨流轉。智能體可以根據成本、交貨時間和環境影響來選擇最佳運輸模式，在倉庫之間重新分配庫存，直接與外部系統協商，并將需要戰略投入的決策上報。最終的結果就是：提高了服務水平，降低了物流成本，還減少了排放。

智能體還可以擴大現有收入流或解鎖全新收入來源，幫助刺激營收增長：

• 擴大現有收入。在電商領域，嵌入在線商城或APP的智能體可以主動分析用戶行為、購物車的商品和操作背景（例如季節性或購買歷史），從而提供實時的追加推銷和交叉推銷優惠。在金融領域，智能體可以幫助客戶發現合適的金融產品，如貸款、保險計劃或投資組合，根據財務狀況、生活事件和用戶行為提供量身定制的指導。

• 創造新的收入來源。對于工業企業來說，嵌入互聯設備中的智能體可以監測使用情況、檢測性能閾值、自主解鎖功能或觸發維護動作，從而創造按次付費、訂閱付費或基于成果的創收模式。同樣，服務機構可以將其內部的專業知識——法律論證、稅務解讀和采購最佳方案——封裝到智能體中，作為軟件服務或API提供給客戶、合作伙伴或缺乏專業知識的小型企業。

簡而言之，智能體不僅僅是自動化。它重新定義了企業運行、調整和創造價值的方式。

不再是科幻小說：

具有前瞻性的公司正在運用智能體的力量

以下的案例研究展示了我們如何幫助企業建立AI智能體員工——其成果遠遠不止于效率的提高。

案例研究1：一家銀行如何利用混合“數字工廠”實現舊式應用程序的現代化

問題：一家大型銀行需要對其陳舊的核心系統進行現代化改造，這個系統由400個軟件組成——這是一項預算超過6億美元的浩大工程。龐大的程序員團隊使用手動的、重復性的任務來處理該項目，這導致了跨部門協調的困難。他們還常常依賴于卡頓、容易出錯的文檔和代碼。雖然第一代生成式AI幫助加快了單個任務的完成，但整體進展仍然緩慢且費力。

用智能體的方法：人類員工被提升為監督者的角色，負責監督AI智能體小組，每個小組按照規定的順序來推進共同的目標（見圖3）。這些小組會追溯舊有程序里的文件，編寫新的代碼，檢查其他智能體的代碼，并將代碼最后聚合到功能中。在交付產品之前，其他智能體還將對這些功能進行測試。從重復的、人工的任務中解脫出來后，人工監督員會對整個流程的每個階段進行檢查、指導，從而提高了交付成果的質量，減少了為實現新功能進行短期沖刺的情況。

影響：早期團隊所花的時間和精力減少了50%以上

案例研究2：一家研究公司如何提高數據質量，以獲得更深刻的市場洞察

問題：一家市場研究和情報公司為確保數據質量投入了大量資源，依靠一支由500多人組成的團隊進行數據的收集、結構化和編碼，從而為客戶提供量身定制的洞察。但這一過程由人工操作時很容易出錯，其中甚至有80%的錯誤是由客戶發現的。

用智能體的方法：采用多智能體（multiagent）的解決方案，可以自主識別數據異常，對銷售或市場份額的變化做出解釋。它能分析內部變動（如產品分類的變化）、搜索網絡發現外部事件（如產品召回或惡劣天氣），對最重要的影響因素進行綜合、排序，為決策者做好各方面準備。通過高級搜索和上下文推理，智能體往往能發現人工容易忽視的洞察。雖然該系統還尚未投入生產，但已經完全投入使用，并顯示出強大的潛力；它可將分析人員解放出來從事更具戰略性的工作。

影響：潛在生產率提高60%以上，預計每年可節省300多萬美元

案例研究 3：一家銀行如何重新設計信用風險備忘錄的創建方式

問題：一家零售銀行的客戶關系經理（RMs）要花費數周時間來撰寫和反復修改信用風險備忘錄，才能幫助做出信貸決策并符合監管要求（見圖4）。這一過程要求客戶經理從至少10個不同的數據源處手動提取和審核信息，并在相關聯的部分（例如，貸款、收入和現金協同演變）進行復雜的細微推理。

用智能體的方法：通過與銀行的信貸風險專家、信貸經理密切合作，開發一種驗證方式，利用智能體改變信貸備忘錄的工作流程。智能體通過提取數據、起草備忘錄、得出信用分以確定審核的優先級，并提出相關問題來協助信貸客戶經理工作。在這種模式下，人工分析的角色從手動起草轉變為戰略監督和異常處理。

影響：生產率可能提高20%至60%，其中包括信貸周轉率提高30%。

要實現AI智能體的價值最大化，

需要重塑業務流程

要充分發揮AI在縱向領域的潛力，需要的不僅僅是在傳統的工作流程中直接插入智能體。相反，它要求轉變整體設計思路——從實現現有流程的任務自動化，到用人類和智能體員工重塑整個流程。這是因為，如果在不重新設計的情況下將智能體嵌入傳統流程，那么它們通常會扮演效率更高的助手角色——生成內容、檢索數據或執行預定義的步驟。但流程本身仍然是一步接著一步、受規則和人為因素制約的。

圍繞智能體重塑流程不僅僅意味著在現有工作流程的基礎上實現自動化，還需要從頭開始重構整個任務流程。這包括對步驟重新排序、重新分配人類和機器的任務，以及考慮如何才能充分發揮AI智能體的優勢：縮短時間并行執行任務、對變化做出反應的實時適應性、大規模的個性化功能，以及根據需要進行即時調整的彈性能力。

假設有一個客戶呼叫服務中心。在引入AI智能體之前，該中心使用生成式AI工具協助人工從知識庫中檢索文章、總結問題記錄、幫助起草回復。雖然這種協助提高了速度、減少了認知負擔，但流程本身仍完全是由人工操作和被動反應，人工客服仍在管理診斷、協調和解決的每一個步驟。效率的提高潛力不大，通常只能提高5%到10%。

現在設想一下，假如這個呼叫中心引入AI智能體，但在很大程度上依然保留現有的工作流程——增加了智能體來協助特定步驟，而不重新配置客服工作中的路線、追蹤或端到端的解決方式。智能體可以對票單進行分類，指出大概的原因，提出解決建議，甚至可以自主解決頻繁出現的低復雜性問題（如密碼重置）。雖然這樣一來效益有所增加——估計可以節省20%至40%的時間，減少30% 至50%的積壓，但在協調方面仍然存在摩擦，適應性也比較有限，從而阻礙了真正的突破性進展。

真正的轉變發生在第三個層面，即圍繞AI智能體的自主性重新規劃呼叫中心的流程。在這種模式下，智能體不僅要做出響應，還要通過監控各渠道去主動發現常見的客戶問題（如發貨延遲、付款失敗或服務中斷），預測可能出現的需求，自動啟動解決步驟（如退款、重新訂購或更新賬戶），并通過聊天或電子郵件與客戶直接溝通。人類員工被定位為經理和質量監督員，只有當出現了智能體解決不了的不確定性或異常情況時，才會請人工介入。這一層面的影響是變革性的，可以從根本上提高客戶服務的工作效率。高達80%的普通事件可以自動解決，解決時間可縮短60%至90%（見圖 5）。

當然，并非所有業務流程都需要全面改造。對于標準化、重復性和變化有限的工作流程（如工資單處理、差旅費審批或密碼重置）來說，簡單的任務自動化就足夠了，其效益主要來自人工操作的減少。相比之下，復雜的、跨職能的、易出現異常或與業績密切相關的流程往往需要全面重新設計。需要重新設計的關鍵項包括：需要高度協調的開支、會造成交流延遲的僵化的業務順序、本可由數據驅動但被人工頻繁干預的決策，以及可進行動態適應或個性化的機會。在這些情況下，圍繞智能體的協調、適應和學習能力重新設計流程，所帶來的價值將遠大于只是加速現有工作流程。

需要一種新的架構范式來譜寫價值

——AI智能體網格

要大規模應用智能體，企業需要克服三重挑戰：處理AI智能體帶來的新風險、融合定制款和現成款的智能體系統，以及在快速發展的技術中保持敏捷（避免被鎖定）。

• 管理新一輪的風險。智能體帶來了一系列新的風險，而傳統的生成式AI主要是為LLM相關的孤立用例而設計的，根本無法應對這些風險：不受控制的自主性、分散的系統權限、缺乏可觀測性和可追溯性、可攻擊的范圍不斷擴大、智能體的無序增生和復制。除非具備可控制、可擴展和可信任的基礎，否則這種智能自動化在一開始就會很快陷入運行混亂。

• 融合定制款和現成款的智能體。要充分發揮AI智能體的變革潛力，企業就不能僅僅是激活軟件套件中嵌入的智能體。這些現成的智能體是可以簡化日常工作流程，但這樣很少能夠發揮出戰略性的優勢。充分實現AI智能體的潛能需要針對影響度高的流程做定制開發，如端到端的客戶解決方案、自適應的供應鏈協調、或復雜決策工具。這些智能體必須與公司的運行邏輯、數據流和價值創造杠桿深度契合，才能使之難以被復制并發揮出獨特的強大功能。

• 在高速發展的技術中保持敏捷。AI智能體是一個新的技術領域，方案的進化非常迅速。智能體必須能夠支持跨多個系統的工作流，而不應被硬套在一個固定的平臺上。因此，我們需要一個不斷革新的、與供應商無關的架構。

要應對這些挑戰，就不能僅僅是在現有的Gen AI堆棧上插入新的組件，例如存儲或協調引擎。雖然這些的確是必要的，但還不足夠。我們需要的是根本性的架構轉變：從靜態的、以 LLM 為中心的基礎設施轉向一種動態的、模塊化的、專門為智能體構建的管理環境——AI智能體網格。

AI智能體網格是一種可組合的、分布式的、與供應商無關的架構范式，能讓多個智能體在各種系統、工具和語言模型之間自主地進行推理、協作、采取行動——并且是安全的、規?；模軌螂S著技術的發展而發展。這種范式的核心是五個相互增強的設計原則：

• 可組合性。任何的智能體、工具或 LLM 都可以插入網格，而無需進行系統化的重新設計。

• 分布式智能。任務可以通過智能體合作網格被分發、解決。

• 分層解耦。邏輯、內存、協調和接口功能被解耦，以最大限度地提高模塊化程度。

• 供應商的中立性。即使技術進步，所有組件也都可以獨立更新或替換，從而避免被供應商鎖定，使架構面向未來。尤為重要的是，開放標準（如模型上下文協議（MCP）、Agent2Agent（A2A））要比專有協議更受青睞。

• 自主管理。通過嵌入式的策略、權限和升級機制，可以主動控制智能體的動作，確保運行安全、透明。

AI智能體網格扮演著連接層和協調層的角色，使大規模的智能體生態系統能夠安全、高效地運行并不斷發展。它讓公司能在一個統一的框架下協調定制款和現成款的智能體，允許智能體共享上下文、互相委派任務，并有效緩解主要風險（如智能體復制蔓延、自主偏移和缺乏可觀察性等），同時保持技術演進所需的敏捷性。（見下圖：AI智能體網格所需的七種相互關聯的能力）

除了這個架構之外，企業還必須重新審視自己的LLM戰略。每個定制智能體的核心都有一個基礎模型——能為感知、決策和交互提供動力的推理引擎。而在智能體時代，對LLM的要求發生了顯著變化。智能體不再是被動的協作助手，而是自主的、持續性的嵌入式系統。這就產生了五種對LLM的核心要求，每一種都與特定的部署環境相一致，不同類的模型也將與之相關。（見下圖：智能體的基礎模型：五種要求）

最后，要想在整個企業中真正擴大智能體的部署規模，企業系統本身也必須不斷發展。

在短期內，API（允許不同軟件應用進行通信和交換數據的協議）仍將是智能體與企業系統交互的主要接口。但從長遠來看，僅靠 API 是不夠的。企業必須圍繞“智能體優先模式”重新規劃其IT架構——在這種模式下，用戶界面、邏輯和數據訪問層都是為機器交互而非人類領航來設計的。在這種模式下，系統不再是圍繞人類可讀的電子屏幕和表單來組織的，而是圍繞機器可讀的界面、自動的工作流和智能體領導的決策流來組織的。

這一轉變已經開始。微軟正在通過 Copilot Studio 將智能體嵌入 Dynamics 365 和 Microsoft 365 的核心；Salesforce正在將他們的Agentforce 擴展為多智能體協調層；SAP正在重新構建其業務技術平臺 (BTP)，以通過其Joule助手來支持智能體的集成。這些變化都預示著轉型的信號：企業軟件的未來不僅是要靠AI來增強的，而且是原生出來就屬于智能體的。

主要的挑戰不在于技術，而在于人

隨著智能體從被動的“副駕駛”演變為主動的“行動者”，并在整個企業中擴展開來，它們帶來的復雜性將不僅僅是技術上的，而主要是組織上的。真正的挑戰在于協作、判斷力和信任。這種組織上的復雜性將在以下三個方面表現得最為明顯：人類與智能體如何共事處理日常工作流程；組織如何對這些自主行動的系統進行管理；以及，當智能體的創建變得越來越民主大眾化之時，組織如何能夠防止它們無節制的擴張。

• 人類與智能體共事。智能體將不僅僅是人類的助手，而是將與人類并肩作戰。這就提出了二者互動、共存的微妙問題：什么時候智能體應該主動行動？什么時候又應該服從？我們怎樣才能既保持人類的能動性和監督作用，又不至于拖機器的后腿？明確這些將需要花上不少的時間、試驗和觀念的調整。信任不會只從技術性中生成——它取決于智能體如何與人透明地溝通、如何可被人預測地行動，以及如何直觀地融入日常工作流程之中。

• 控制自主性。智能體的強大之處——獨立行動的能力——同時也帶來了不確定性。與傳統工具不同，智能體不會等待指令。它們會做出反應并進行調整，有時還可能會出人意料。要駕馭這一現實，就意味著要面對臨界情況：如果智能體執行得過于激進了怎么辦？或是把一個小問題惡化為大問題？我們將面臨的挑戰不是要怎么消除自主性，而是要讓它變得可理解，并與組織的預期一致。這種一致性將不是一成不變、一勞永逸的。它需要隨著智能體的學習、系統的轉變和信任的加深而不斷發展。關于控制機制，還有一點是必須應對幻覺的風險，即智能體可能產生看似合理但不準確的輸出。

• 遏制智能體的蔓延。在機器流程自動化的早期，確實存在著智能體蔓延的風險——冗余、分散、不受控的智能體在團隊和職能部門中無序擴散。由于低代碼、無代碼平臺使得任何人都可以創建智能體，因此企業面臨著一種新型的影子IT的風險：智能體在團隊中成倍地增加、重復地勞動或在缺乏監督的情況下運行。如何才能避免碎片化？由誰來決定什么應該創建，什么應該淘汰？如果沒有系統化地治理、設計標準和生命周期管理，智能體的生態系統很快就將變得脆弱、冗余、無法擴展。

編輯 | Noah

進一步交流

進入專業社群展開深度討論

慎思行通過微信等平臺覆蓋超過10萬戰略人、咨詢人等各類專業人士。我們也構建了專業社群，推動戰略與咨詢領域的問題討論、信息交流和機會分享，社群已有超過5年歷史，并成為了頂尖專業人士感知市場前沿，獲得實踐經驗的首要選擇。入群請添加慎思君微信，并提供名片。

現在微信公眾號更改規則，如果你不特地點進來，很可能看不到我們的推送了。希望喜歡【慎思行】的讀者朋友們將本號【設為星標★】，方便找到我們；也歡迎點擊右下角的【在看】。