📢 转载信息
原文作者：Nav Bhasin and Sri Elaprolu
Agentic AI 并非一个可以开启的功能，而是一种工作定义、执行者和决策方式的转变。
大多数企业都会在这方面吃亏。他们启动的项目一遇到真实的流程、系统和治理就停滞不前。模式一再重复：模糊的用例、无法应对混乱数据的原型、失控的自主性、因合规而延误的上线日期、数据不足以支持自主决策。这一切的根源都是同一个问题——没有人就成功的标准达成一致。
AWS Generative AI Innovation Center 已经帮助 1000 多家客户将 AI 投入生产，实现了数百万美元的生产力提升。我们的跨职能团队——科学家、战略家和机器学习专家——与客户一起从构思到部署。越来越多的工作涉及代理（agents）。
在本篇文章中，我们将为 C 级高管提供指导：CTO、CISO、CDO 以及首席数据科学/AI 官，以及业务负责人和合规负责人。我们的核心观察是：当 Agentic AI 有效运行时，它看起来不像神奇的软件，更像一个管理良好的团队——每个代理都有明确的工作、一个监督者、一套操作指南以及持续改进的方法。
如果你在一个高管会议中问：“我们是否在 AI 上投入了足够多的资金？”，答案几乎总是肯定的。但如果你接着问：“今天有哪些具体的工作流程因为 AI 代理而有了实质性的改善，我们如何知道？”，房间就会安静下来。
这是两部分系列文章的第一部分。 我们在这里奠定基础：为什么价值差距主要是执行问题，以及什么使得工作真正具有“代理形态”。第二部分将直接面向每个 C 级高管，使用他们各自职责范围内的语言。
企业面临的共同问题
价值差距主要在于工作方式
如果你在一个高管会议中问：“我们是否在 AI 上投入了足够多的资金？”，答案几乎总是肯定的。但如果你接着问：“今天有哪些具体的工作流程因为 AI 代理而有了实质性的改善，我们如何知道？”，房间就会安静下来。
连接这两个答案之间的不是缺乏基础模型或供应商。而是缺乏一种操作系统。在代理创造可见价值的组织中，通常存在以下三点：
- 工作被极其详细地定义。 人们可以一步一步地描述，什么进来了，发生了什么，以及“完成”意味着什么。他们还可以描述出现问题时会发生什么。
- 自主性是有限度的。 代理被赋予明确的权限限制、明确的升级规则，以及人类可以查看和覆盖决策的界面。
- 改进是一种习惯，而非项目。 定期有团队会审视代理上周的表现，它们在哪些方面提供了帮助，在哪些方面造成了摩擦，以及接下来需要改变什么。
在这些方面缺失的情况下，会出现同样的症状：令人印象深刻的概念验证无法离开实验室，试点项目在几个月后悄然死亡，领导者们不再问“我们接下来能做什么？”，而是开始问“为什么我们在这些上面花费了这么多？”
什么使得工作具有“代理形态”
大多数组织都以“我们可以在哪里使用代理？”这个问题开始。更好的起点是“哪些工作已经像代理可以完成的工作一样被结构化了？”实践中，这意味着四件事。
首先，工作有清晰的开始、结束和目的。 收到一份索赔。出现一张发票。打开一个支持工单。代理能够识别何时拥有足够的信息开始工作，它正在朝哪个目标努力，以及任务何时完成或需要移交。这不仅仅是一个触发器和终点线。代理需要足够理解工作的意图，以处理合理的变化，而无需被明确告知每种情况该怎么做。如果你的团队无法清晰地阐述给定任务的“完成得好”的标准，包括如何处理异常和边缘情况，那么这项工作还没有准备好交给代理。
其次，工作需要跨工具的判断。 代理不遵循固定的脚本。它会思考需要什么信息，决定查询哪些系统，解释它找到的内容，并根据上下文确定正确的操作。与传统自动化不同的是，路径不是硬编码的：代理会适应其方法，处理变化，并知道何时某种情况超出了其能力范围。但是代理通过工具来运作，而这些工具必须在代理存在之前就已建立。你的系统需要有定义明确、安全可靠的接口，代理可以调用这些接口来读取数据、写入更新、触发交易或发送通信。如果今天的流程是人工在电子邮件和电子表格中进行推理，那么在你拥有可行的代理用例之前，你还需要进行流程设计和工具准备工作。
第三，成功是可以观察和衡量的。 一个不属于该团队的人可以查看输出并说“这是正确的”或“需要修复”，而无需读心术。这可能包括检查工单是否按时解决，表格是否完整且一致，交易是否平衡，或者客户是否得到了他们需要的响应。但可观察性不仅仅是抽查输出。你需要看到代理是如何得出答案的：它使用了什么数据，调用了什么工具，考虑了什么选项，以及为什么选择某个选项。如果你无法评估推理过程，你就无法改进代理，也无法在出现问题时为其决策辩护。
从操作可逆或代理输出是供人类采纳的建议的工作开始。随着信任、控制和评估的成熟，你就能赢得在更高风险的工作中让代理自主完成闭环的权利。
第四，工作在出现问题时有安全模式。 最早适合作为代理候选的工作是那些错误能被快速发现、廉价纠正且不会造成不可逆损害的任务。如果代理错误地分类了支持工单，它可以被重新路由。如果它起草了一份不正确的回复，人类可以在发送前进行编辑。但是，如果代理批准了一笔付款、执行了一笔交易或发送了一份具有法律约束力的通信，那么犯错的成本将完全不同。从操作可逆或代理输出是供人类采纳的推荐的工作开始。随着信任、控制和评估的成熟，你就能获得在更高风险的工作中让代理自行完成闭环的权利。
当这四个要素都具备时，你就拥有了可以成为代理工作的内容。当它们缺失时，对话就会回到像助理、副驾驶或自动化这样的模糊标签，在房间里的每个人心中都有不同的含义。
行动号召
准备好弥合执行差距了吗？
第一部分描述的模式并非理论性的。它们出现在各种规模、各个行业的组织中。好消息是：你当前的位置和你想要达到的位置之间的差距不是技术差距。它是一个执行差距，而执行差距是可以解决的。
本周你可以做以下三件事：
- 命名工作，而非愿望。选择你组织中的一项工作流程，它有清晰的开始、清晰的结束和可衡量的“完成”定义。这就是你的第一个代理候选。
- 在会议中提出棘手的问题。在你下一次领导会议中，不要问“我们是否在 AI 上投入了足够多的资金？”而是问：“今天有哪些具体的工作流程因为 AI 代理而有了实质性的改善，我们如何知道？”随之而来的沉默就是你的路线图。
- 开始撰写职位描述。在任何技术决策之前，写下代理会做什么，它需要什么工具，成功的标准是什么，以及失败时会发生什么。如果你无法填写这一页，那么你还没有准备好构建，而这是有价值的信息。
即将推出第二部分：按角色划分的指导
知道 Agentic AI 是一个执行问题是一回事。知道你在解决它中的角色是另一回事。
在第二部分，我们将直接与需要实际执行这项工作的领导者对话：需要将代理与 KPI 挂钩的业务线所有者，需要在十个一次性代理或一百个代理平台之间做决定的 CTO，必须将代理视为同事而非代码的 CISO，需要让数据变得“无聊”（以最好的方式）的 CDO，以评估为产品核心的首席 AI 官，以及必须在审计发生前就设计好审计程序的合规负责人。
每个角色。每个职责。每项具体行动。
与 Generative AI Innovation Center 合作
你无需独自踏上这段旅程。无论你是正在规划你的第一个 Agentic 试点，还是正在扩展到企业级的能力，都可以联系 Generative AI Innovation Center 团队，与我们开启一段基于你的工作流程、你的数据和你的业务成果的对话。
关于作者
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区