实践指南：探索 Agentic AI 的复杂性
自动化时代已渐行渐远，Agentic AI 正作为一股新兴的变革力量崛起，有望重塑业务流程、提升运营效率。与任何前沿技术一样，其落地过程也挑战重重，即便是最具前瞻性的组织也可能因此受阻。
每天，我都会协助客户尝试在其组织中扩展 agentic AI。他们都面临着类似的挑战：企业就绪程度（例如，如何有效且安全地将 agentic AI 与组织的业务流程和 IT 环境集成）、确保信任度（例如，如何确保我的 AI 智能体按其设定方式运行），以及缩短上市时间（例如，如何快速扩展概念验证的范围）。
但仅仅部署 AI 智能体远远不够，也难以取得成功。组织的战略要务是开发管理 AI 智能体所需的功能。
专家为您带来最新的 AI 趋势
获取有关最重要且最有趣的 AI 新闻的精选洞察分析。订阅我们的每周 Think 时事通讯。请参阅 IBM 隐私声明。
部署 Agentic AI 的最大挑战之一，在于如何让相关应用程序达到企业级标准。这涉及将 AI 智能体安全地集成到复杂的 IT 环境中，并协调其在不同系统间的交互。要实现这一点，组织必须：
充分利用现有投资：依托在数据和 AI 平台上的既有战略投资进行建设。无论是 IBM watsonx、Microsoft Azure、Amazon Web Services (AWS) 还是 Google 云，这些平台都为实施 Agentic AI 奠定了基础。
评估用例：对业务流程进行全面评估，以确定哪些流程可以从 Agentic AI 中获益。这包括评估流程是否适合应用 Agentic AI，并确定转换这些流程所需的 AI 功能。
设计可扩展架构：开发一个支持跨平台无缝智能体集成与协同的架构。这包括多智能体协同、安全智能体间协作、受控访问工具和集中智能体生命周期管理等功能。
要确保 Agentic AI 的落地与成效，信任至关重要。组织必须解决与数据质量、治理和安全相关的几个问题：
数据就绪度：确保智能体能够访问高质量的相关数据。这包括整理数据产品、管理结构化和非结构化数据，以及维护数据质量，以支持实时分析并保障 AI 模型的准确性。
控制注入：在智能体工作流中实施完善的控制措施，尤其是针对高风险用例。这包括嵌入可观测性、人机回环控制和审计跟踪，以监控智能体行为及其对业务成果的影响。
安全措施：建立全面的安全协议来保护动态和静态数据。这包括在多云环境中保护数据安全，同时确保遵循数据保护法规。
企业的竞争优势取决于速度和敏捷性。为了最大限度提高 agentic AI 的价值，组织必须加快其上市时间：
价值驱动型试点：优先考虑能带来直接价值的试点项目。这包括选择那些即使以最小可行产品 (MVP) 的形式呈现，也能在通常 8 到 12 周内展现出切实效益的 AI 用例。
可扩展协同：实施稳健的智能体协同层，使其能够在协调任务并尊重流程边界的同时，实现跨平台工作。
性能优化：随着智能体规模的扩大，平衡好速度、可靠性与成本。这包括将任务路由优化到最合适的大型语言模型 (LLM) 和工具、利用缓存、备用模型和用量控制等手段，以实现投资回报率 (ROI) 的最大化。
Agentic AI 在变革业务流程方面潜力巨大，但要成功部署，就必须应对这些复杂的挑战。通过解决企业就绪度问题、建立信任并加快产品上市速度，组织能够克服这些挑战，并解锁 Agentic AI 的战略优势。
当我们站在以自主、高效和持续优化为特征的数字化运营新时代的开端，迈向 Agentic AI 的征程不再仅仅是一场技术变革，更是整个组织的转型之旅。现在正是拥抱这一变革、审慎冒险，以开启崭新未来的时刻。在这一时刻，AI 智能体将无缝增强并优化人类能力、推动前所未有的效率与创新。
资源
借助 IBM watsonx.ai 开发平台，让开发人员能够构建、部署和监控 AI 代理。
借助在业界首屈一指的全面功能，帮助企业构建、定制和管理 AI 智能体和助手，从而在提高生产力方面取得突破性进展。
借助专为提高开发人员效率而设计的 Granite 小型开放式模型，可实现 90% 以上的成本节约。这些企业就绪型模型可根据安全基准提供卓越的性能，且适用于多种企业任务，包括网络安全、RAG 等。