如何根据业务需求扩展 AI 智能体

在与企业领导者会面时，大家对智能体式 AI 能为组织带来的潜力非常期待。同样，也迫切需要回答一个问题：企业领导者如何能够高效且有效地部署智能体式 AI。

IBM® 商业价值研究院的最新研究显示了企业领导者的认同和期待：86% 的受访者预计，到 2027 年，流程自动化和工作流将在 AI 智能体的帮助下更加有效。

传统的 AI 或自动化工具虽然能带来一定的生产力提升，但仍然有限，并未真正改变底层流程。通过智能体式 AI，我们可以真正推动更大、更具战略性的业务成果，从而在组织中创造更高的生产力和效率。

这不仅仅是 AI 告诉我们该做什么，而是 AI 开始 做这件事。我们需要超越 AI 助手，拓展智能体式 AI 的可能性，让它们在人工监督下执行并适应各类流程。这种转变需要对工作方式进行真正的重新设计，解锁企业领导者真正想要实现的价值。

根据 IBM 商业价值研究院的数据，已经有 76% 的受访高管表示，他们正在运营和提供概念验证，从而通过 AI 智能体实现智能工作流的自动化。

我合作过的每位客户都希望我们对智能体式 AI 有深入的理解、具备可信的观点，并拥有扩展智能体式 AI 的实践经验。而且有充分的理由。智能体式 AI 带来了 巨大的前景和变革业务的潜力，但同时也伴随着技术要求以及组织内部文化转变的需求。

根据我的经验，我发现“如何实施”已成为客户和组织关注的重点。他们热衷于看到在成本节约、效率和生产力方面取得显著成果。以下是我关于如何整合这项技术并将其扩展以实现卓越成果的见解。

我们观察到智能体 AI 成功应用的具体领域包括客户服务、采购、财务以及整个 IT 流程，而在客户服务领域，我们看到的机会尤为显著。

实际上，我们通过转向智能体式方法，已经改造了那些曾使用传统聊天机器人和自动化工具的联络中心。我们的智能体式对话体验方法引入了一个协调的 AI 智能体团队，能够处理更广泛、更复杂的客户问题，而不是像聊天机器人那样依赖单一的脚本化助手。这有助于在既定防护措施的基础上实现显著效率，同时推动合规性和一致性。

智能体式 AI 比传统聊天机器人更高效的原因在于其能够整体运作，不仅仅是遵循脚本，而是能够动态协调操作、适应异常情况并持续学习。智能体不按照固定顺序工作。它们相互协作并与人类协作，以确定实时解决复杂任务的最有效方法。

在组织扩展解决方案并看到改善的结果之前，必须采取先发制人的措施和准备，来有效且高效地实施智能体式 AI。

首先要确定您的业务中的机会。例如，假设我希望我的采购功能更加高效，并且我希望实施智能体解决方案。IBM 为客户开发了一种方法，可用于正式评估智能体解决方案是否提供附加值并增强流程或工作流。

我们的智能体式 AI 评估方法基于：

• 通过流程挖掘和 LLM 流程分析相结合的方式进行结构化评估
• 一种用于识别最适合智能体式 AI 和自主化转型的业务流程的设计方法
• 评估利用 AI 重塑流程效果的五大支柱

“如何实施”的第二部分考虑了企业架构的底层能力，并识别出架构可能需要如何演进。这可能意味着需要超越传统的整合层，建立一个面向自主化、AI 驱动工作流程的现代架构。一些必要的功能包括：

• 多智能体编排和事件驱动整合
• 集中式智能体目录和生命周期管理
• 智能体记忆和长期上下文存储
• 模块化、AI 就绪的数据产品
• 针对 AI 智能体定制的治理、可观测性和安全层

数据仍然是成功部署 AI 的核心，也是对话开始的关键部分。IBM 的观点是，只有结合体验、流程和数据，这种智能体式 AI 应用程序才能创造价值。

管理结构化和非结构化数据、确保数据质量和保护数据隐私是持续性的挑战。然而，只要制定得当的战略，企业就可以利用 AI 的力量来推动转型和未来增长。

企业为 AI 转型做准备时，需要考虑三个核心挑战。

• 数据访问：据估计，2022 年企业生成的数据* 中有 90% 是非结构化的。组织需要能够访问数据所在的任何位置，并将其统一以满足自身的使用需求。
• 用于实时分析和 AI 的高质量和智能数据：您的人工智能的好坏取决于您输入。您能信任您的 AI 模型的这些数据吗？它的质量是否足够，您如何客观地评估数据的质量？在部署 AI 之前请回答这些问题。
• 数据安全：无论是本地部署还是多云部署，数据安全都需要扩展到整个环境。考虑所有数据，无论它处于何处，无论是结构化数据还是非结构化数据。

客户必须考虑的另一个关键因素是强大的变革管理。具体来说，客户必须考虑那些需要将 AI 纳入日常工作的人群。

一个具体示例来自人力资源转型视角，这是一个我们真正需要重新思考人员角色并考虑 AI 可能最有价值的场景。我们在 HR 职能部门的许多客户会考虑提升和再培训那些角色正在被重新定义的员工。

变革管理应该是任何 AI 转型中不可或缺的一部分。这不仅仅是技术实施，这是一个注重整体的过程，要求客户考虑使业务平稳运行的整个生态系统，包括科技、流程和人员。

智能体式 AI 带来的这一变革不仅仅是员工的变化或岗位职能的重新配置。例如，在 IBM，重新构想流程以创建工作流，使得 AI 能够集成以实现无缝优化，从而使得转型成为可能，并帮助 IBM 实现了 35 亿美元的生产力提升。

我们拥有适当的工具和专业知识，可以为客户提供就正确的战略和方法提供建议，将智能体式 AI 引入其业务。

一旦“如何实施”已明确，并且客户了解成功扩展智能体式 AI 所需的条件，下一步就是将智能体式 AI 整合到业务中。

1. 重新设计智能体式 AI：智能体式 AI 需要改变工作的设计和执行方式。
   专业提示：重新考虑智能体的工作流。将常规任务交给 AI 处理，同时提升人的角色，以进行监督、升级处理和增值判断。
2. 确保可扩展性：跨系统和功能扩展智能体需要强大的编排。
   专业提示：实施强大的智能体编排层，使智能体能够安全跨平台工作、协调任务、遵守流程边界和控制层。
3. 准备您的数据：智能体需要访问可操作的重点、高质量数据。
   专业提示：构建针对特定用例的数据产品，确保其经过精心整理、受管控且可通过 API 访问，从而保证智能体拥有在实时且具有情境下执行所需的结构化输入。
4. 优化性能：在大规模应用中，平衡速度、可靠性和成本至关重要。
   专业提示：配置您的平台，根据任务的复杂性和成本，将智能体任务路由到合适的 LLM 和工具。使用缓存、智能回退模型和使用控制来最大化投资回报。
5. 可靠性测试：在部署之前，应监控智能体的公平性和可解释性。
   专业提示：将智能体评估整合到 AgentOps 生命周期中。在部署前和生产过程中持续自动测试准确性、偏差、稳健性和道德合规性。
6. 建立治理：运行控制和可见性对于可信的 AI 执行至关重要。
   专业提示：建立一个治理框架，包括可观测性、人工干预控制、关键绩效指标 (KPI) 跟踪和审计追踪，以监控智能体的行为及其对业务的影响。
7. 推动快速部署：快速获得价值并积累动力。
   专业提示：从高价值、范围较窄的用例入手，以快速展示影响力。使用可重复使用的智能体模板和模块化架构，横向扩展各种功能。
8. 追踪商业价值：影响必须是有形的、可衡量的。
   专业提示：定义 KPI，例如工作流程融合、人工交接率和业务成果改进。使用它们来指导迭代、采用和高管支持。

当将智能体 AI 集成到您的业务中时，我有三条建议：

• 重新构想流程：不要只是修复损坏的流程；使用增强方法彻底重新思考它们。
• 超越智能体思维：考虑整个端到端业务流程，包括用户体验、流程编排和必要的数据产品。考虑您希望提供的整体体验。

可扩展性规划：设计您的 AI 架构以快速扩展，从一开始就进行强大的治理，并提供现在和将来可以使用的高质量数据。

智能体式 AI 已经成为企业创新的中心。传统的 SaaS 平台正在演变为市场，其中应用程序可以跨多个系统获取、调用和协调 AI 智能体以执行完整的工作流。

企业将不再依赖单一应用程序来执行严格的任务，而是开始部署多智能体系统，动态协调工作、适应环境并减少人工干预的需要。

这一转型标志着数字化运营新架构的开始，一个面向自主化、高效与持续优化的架构。

* DC 白皮书：非结构化数据的未开发价值