在过去的一年里，自动化竞赛愈演愈烈，智能体已成为提升企业效率的终极变革者。虽然GenAI工具在过去三年里取得了显著进步，成为企业工作流程中的宝贵助手，但现在焦点正转向能够自主思考、行动和协作的智能体。对于准备迎接下一波智能自动化浪潮的企业而言，了解从聊天机器人到检索增强生成(RAG)应用再到自主多智能体的飞跃至关重要。Gartner在最近的一项调查中指出，到2028年，33%的企业软件应用将包含智能体，而2024年这一比例还不到1%。
正如Google Brain创始人Andrew Ng所言：“由于智能体工作流程的出现，AI能够完成的任务范围将急剧扩大。”这标志着企业对自动化潜力看法的根本转变，从预定义流程转向动态、智能的工作流程。
传统自动化的局限性
尽管前景广阔，但传统自动化工具却受到僵化和高昂实施成本的限制。在过去十年中，像UiPath和Automation
Anywhere这样的机器人流程自动化(RPA)平台在处理缺乏清晰流程或依赖非结构化数据的工作流程时一直举步维艰。这些工具模仿人类操作，但往往导致系统脆弱，一旦流程发生变化，就需要昂贵的供应商干预。
当前的GenAI工具，如ChatGPT和Claude，虽然具备先进的推理和内容生成能力，但在自主执行方面仍有所欠缺。它们对复杂工作流程中人类输入的依赖会造成瓶颈，从而限制效率提升和可扩展性。
垂直智能体的崛起
随着AI生态系统的不断发展，正在向垂直智能体发生重大转变——这些高度专业化的AI系统是为特定行业或用例设计的。微软创始人比尔·盖茨在最近的一篇博客文章中表示：“智能体变得更智能。它们具有主动性——能够在你提出要求之前就提出建议，它们可以在不同的应用程序之间完成任务，它们会随着时间的推移而不断改进，因为它们会记住你的活动并识别你的意图和行为模式。”
与传统的软件即服务(SaaS)模型不同，垂直智能体不仅仅优化现有工作流程，它们会彻底重新构想这些流程，从而带来新的可能性。以下是垂直智能体成为企业自动化下一件大事的原因：
• 消除运营开销：垂直智能体可以自主执行工作流程，无需运营团队参与。这不仅仅是自动化，它完全取代了这些领域中的人为干预。
• 解锁新可能：与仅优化现有流程的SaaS不同，垂直AI从根本上重新构想工作流程。这种方法带来了前所未有的全新功能，为创新用例创造了机会，重新定义了企业的运营方式。
•
构建强大的竞争优势：智能体实时适应的能力使它们在当今快速变化的环境中极具相关性。监管合规性，如HIPAA、SOX、GDPR、CCPA以及新的和即将出台的AI法规，可以帮助这些智能体在高风险市场中建立信任。此外，针对特定行业的专有数据可以创造强大且可防御的壁垒和竞争优势。
从RPA到多智能体的演进
自动化领域最深刻的转变是从RPA向能够进行自主决策和协作的多智能体系统的过渡。根据Gartner最近的一项调查，这一转变将使15%的日常工作决策能够在2028年之前实现自主决策。这些智能体正在从简单的工具进化为真正的协作者，改变着企业的工作流程和系统。这种重新构想正在多个层面发生：
• 记录系统：像Lutra AI和Relevance AI这样的智能体整合了多样化的数据源，创建了多模态记录系统。利用像Pinecone这样的向量数据库，这些智能体可以分析非结构化数据，如文本、图像和音频，使企业能够无缝地从孤立的数据中提取可操作的见解。
•
工作流程：多智能体系统通过将复杂任务分解为可管理的组件来自动化端到端的工作流程。例如：像Cognition这样的初创公司自动化了软件开发工作流程，简化了编码、测试和部署，而Observe.AI则通过将任务分配给最合适的智能体并在必要时进行升级来处理客户咨询。
•
真实案例研究：在最近的一次采访中，联想的Linda
Yao表示：“在我们的生成式智能体的帮助下，客户服务的电话处理时间实现了两位数的生产力提升。我们在其他地方也看到了惊人的提升。我们发现，例如，营销团队创建优秀推介书的时间减少了90%，同时还节省了代理费用。”
•
重新构想的架构和开发人员工具：管理智能体需要在工具方面发生根本性转变。像Automation Anywhere的AI Agent
Studio这样的平台使开发人员能够设计和监控具有内置合规性和可观察性功能的智能体。这些工具提供了护栏、内存管理和调试功能，确保智能体在企业环境中安全运行。
•
重新构想的同事：智能体不仅仅是工具，它们正在成为协作的同事。例如，Sierra利用AI来自动化复杂的客户支持场景，让员工能够专注于战略计划。像Yurts
AI这样的初创公司则优化团队之间的决策流程，促进人机协作。根据麦肯锡的说法，“从理论上讲，通过应用包括GenAI在内的各种现有技术能力，全球经济中60%至70%的工作时间都可以实现自动化。”
• 未来展望：随着智能体具备更好的记忆、先进的编排能力和增强的推理能力，它们将在极少人为干预的情况下无缝管理复杂的工作流程，重新定义企业自动化。
准确性要求和经济考量
随着智能体从处理任务发展到管理工作流程和整个工作，它们面临着日益复杂的准确性挑战。每一步的增加都可能引入潜在错误，从而降低整体性能。深度学习领域的领军人物Geoffrey
Hinton警告说：“我们不应该害怕机器思考，我们应该害怕机器不假思索地行动。”这凸显了建立稳健的评估框架以确保自动化流程高精度的关键需求。
例如：一个在执行单项任务时准确率为85%的智能体，在执行两项任务时的整体准确率仅为72%(0.85
×
0.85)。随着任务组合成工作流程和工作，准确率会进一步下降。这引出了一个关键问题：在生产中部署一个只有72%正确率的AI解决方案是否可以接受?当添加更多任务时准确率下降会发生什么?
应对准确性挑战
将AI应用优化到90%至100%的准确率至关重要。企业无法承受不达标的解决方案。为了实现高精度，企业必须投资于：
• 稳健的评估框架：定义明确的成功标准，并使用真实和合成数据进行全面测试。
• 持续监控和反馈循环：监控生产中的AI性能，并利用用户反馈进行改进。
• 自动化优化工具：采用能够自动优化智能体的工具，而不完全依赖于手动调整。
如果没有强大的评估、可观察性和反馈，智能体可能会表现不佳，并落后于那些重视这些方面的竞争对手。
经验教训
随着企业更新其AI路线图，出现了几条经验教训：
• 保持敏捷：AI的快速发展使长期路线图充满挑战。战略和系统必须具有适应性，以减少对任何单一模型的过度依赖。
• 关注可观察性和评估：建立明确的成功标准。确定准确率对你的用例意味着什么，并确定可接受的部署阈值。
• 预期成本降低：AI部署成本预计会显著降低。a16Z最近的一项研究发现，大型语言模型(LLM)推理的成本在三年内下降了1000倍，每年成本降低10倍。为这种降低做好规划，可以为以前因成本过高而无法实施的有抱负的项目打开大门。
• 快速试验和迭代：采用AI优先的心态。实施快速试验、反馈和迭代的流程，目标是频繁的发布周期。
结论
智能体已经作为我们的同事出现。从智能体RAG到完全自主的系统，这些智能体有望重新定义企业运营。拥抱这一范式转变的企业将解锁前所未有的效率和创新能力。现在是行动的时候了，你准备好引领未来了吗?