今天小編分享的教育經驗：麥肯錫解讀AI智能體，歡迎閱讀。
以下文章來源于 AI Prime ，作者 Ace
作者 |Ace
來源 | AI Prime 管理智慧 AI+
咨詢合作 | 13699120588
文章僅代表作者本人觀點
AI 智能體是我們用來與 AI 互動的工具。它們可以自動化并執行復雜的任務，例如自然語言處理，這些任務通常需要人類來完成。
AI 智能體是一種軟體組件，具有代表用戶或系統執行任務的能力。用戶可以将代理組織成系統，這些系統可以編排復雜的工作流，協調多個代理之間的活動，将邏輯應用于棘手的問題，并評估對用戶查詢的回答。
如果你曾經與客戶服務聊天機器人互動過，或者讓生成式 AI 模型為你寫一首十四行詩，那麼你很可能已經熟悉了 AI 智能體的初級版本。如果你注意到自 ChatGPT 引領主流以來，生成式 AI 的性能有所提升，那你的感覺沒錯。雖然各種形式的 AI 智能體已經存在多年，但當今生成式 AI 模型的自然語言處理能力釋放了大量新的可能性，使得代理系統能夠規劃、協作和完成任務——甚至學會改進自身的性能。随着代理變得越來越準确，公司可以越來越多地使用它們來自動化組織流程，并幫助提高員工的日常工作效率。
麥肯錫高級合夥人 Lari H ä m ä l ä inen 表示：" 生成式 AI 的發展速度極快。" " 如今，人機結合的成果可以產生高質量和高生產力。" 近期在短期和長期記憶結構方面的發展使這些代理能夠更好地個性化與内外部用戶的互動，這意味着代理在處理被要求的任何任務時都在迅速變得更好。展望未來，它們将變得更加出色；簡而言之，AI 智能體正在從思考轉向行動。在過去的 18 個月裡，谷歌、微軟、OpenAI 等公司已投資于軟體庫和框架以支持代理功能。并且随着諸如微軟 Copilot、亞馬遜 Q 以及谷歌即将推出的 Project Astra 等由大型語言模型 ( LLM ) 驅動的應用的出現，代理正在從基于知識的工具轉向更基于行動的工具。在不久的将來，代理可能會像今天的移動應用程式一樣普遍。
有哪些不同類型的 AI 智能體？
AI 智能體可以根據其能力、角色、技能以及被訓練來達成的結果進行分類。以下是當今正在創建的一些代理的不完全列表：
個人增強（" 副駕駛 " 代理）：這些代理充當個人用戶的副駕駛，旨在增強該用戶的生產力和能力。諸如微軟的 365 Copilot 和 OpenAI 的 ChatGPT 等副駕駛代理可以協助起草内容、編寫代碼或檢索知識。在某些情況下，副駕駛代理可以作為針對用戶特定工作流程量身定制的 " 智能 " 助手。當然，這類代理的影響取決于每個員工自身的動機和投入程度。
工作流自動化平台：這類代理專注于自動化單步或多步任務或較小的工作流，充當現有工作流的 AI 驅動的流程編排器和執行器。此類代理的示例包括微軟的 Copilot Studio 和 Salesforce 的 Agentforce（目前正在開發中）。由于這些代理主要應用于現有流程，其成功将依賴于在實施、變更管理和代理管理方面的大量投入。
面向領網域解決方案的生成式 AI 原生代理：這些是為特定業務領網域或職能構建的專用解決方案。示例包括 AI 驅動的客戶服務系統或支持 AI 的軟體開發流水線。生成式 AI 原生代理以 AI 為解決方案的核心來重新構想特定領網域，而不是像傳統 AI 智能體那樣将 AI 疊加到現有的角色或工作流上。
AI 原生企業和運營模式：這些代理貫穿于整個企業運營模式中，而不是應用于單個工作流或職能。在這些情況下，公司會進行端到端的 AI 優先重新設計，其中互動層、流程、組織結構甚至商業模式都會被重新構想。企業在首次進行數字化轉型時經歷了這種量級的變革，同樣的情況很可能在 AI 領網域發生。
AI 虛拟員工：AI 虛拟員工是作為員工或團隊成員運作的代理，代表了最具潛在颠覆性的代理類别。這些虛拟員工可以使公司繞過全面的組織轉型，允許 AI 在公司現有模式内運作，這可能有助于更快地獲取價值。
這些 AI 智能體并非相互排斥。許多組織将追求混合策略——例如，在推廣個人 AI 副駕駛的同時，自動化選定的工作流并試點一些虛拟員工。
AI 智能體是如何工作的？
AI 智能體可以支持跨行業和業務職能的高度復雜和模糊的用例。它們可以使用為人類設計的工具（如網絡浏覽器），也可以使用為計算機設計的工具（如 API）。同時具備這兩種能力使得 AI 智能體能夠靈活地跨越組織内外的技術架構進行操作，而無需對這些架構進行重大修改。
AI 智能體的工作過程通常遵循四個步驟：
1. 用戶給代理系統分配任務。 AI 智能體自主工作，規劃并推導如何完成任務。
2. 代理系統規劃、分配和執行工作。AI 智能體系統将工作流分解為任務和子任務，由一個管理者代理分配給其他專門的子代理。這些專門的代理利用先前的經驗和習得的領網域專業知識，相互協調，并使用組織和外部數據來執行任務。
3. 代理系統可能迭代改進輸出。代理系統可能會請求額外的用戶輸入以确保準确性和相關性。一旦交付最終輸出，代理系統可能會請求用戶反饋。
4. 代理執行行動。代理執行任何必要的操作以完全完成任務。
由生成式 AI 賦能的代理很快就能像超高效的虛拟同事一樣工作。
一個代理系統如何執行從提示到輸出的工作流的示意圖：
開始 -> 用戶使用自然語言提示生成式 AI 智能體系統完成任務。-> 代理系統解釋提示并制定工作計劃。一個管理者代理将項目細分為分配給專家代理的任務；他們從多個來源收集和分析數據，并相互協作以執行各自的任務。-> 代理團隊與用戶分享草稿輸出。-> 代理團隊接收用戶反饋，然後相應地迭代和完善輸出。-> 結束。
( 代理系統包含：管理者代理、分析師代理、檢查者代理、規劃師代理等專家代理。專家代理與外部系統互動：代理與數據庫和系統——包括組織和外部數據——進行互動以完成任務。 )
任何 AI 智能體的部署都應包含一系列控制措施。例如，建設性的反饋循環允許代理審查和完善其工作。AI 智能體也可以被編程為自學解決問題或将其上報給人類管理者。代理也可以更好地協同工作：一個批評者專家代理可以審查一個創建者代理制定的計劃并要求迭代，從而產生更好的輸出。一些 AI 智能體甚至可以直接向管理者提問。組織還可以開發專門的代理，根據道德和偏見問題自動測試和糾正其他代理的輸出。
AI 智能體與 LLM（大型語言模型）有何關系？
AI 智能體與不同的 AI 模型協同工作以完成任務。當用于與人類交流時，AI 智能體會與配備了自然語言處理能力的 LLM 合作。以自動駕駛汽車為例，它運行在一系列與各種 AI 模型協同工作的代理上。負責理解用戶想去哪裡的 AI 智能體可能會使用 LLM。但是，負責确保汽車左轉安全的代理會使用高度專業化的設計模型，而不是 LLM 來做這種特定類型的決策。
AI 代理可能如何影響業務增長？
麥肯錫估計，從長遠來看，生成式 AI 的企業用例每年可能創造高達 4.4 萬億美元的價值。然而，除非組織能夠快速實施 AI 來重新構想和轉變工作方式，否則它們無法将這種潛力轉化為業務增長和更高的生產力。AI 代理可以比其他舊技術更快、更好、更便宜地挖掘這座價值寶庫。
但生成式 AI 的價值不僅僅在于自動化常見的工作任務。麥肯錫預測，組織可以部署 AI 智能體來幫助重新構想流程并實現其 IT 基礎設施的現代化。這可能包括從切換到更易于使用的編程語言、過渡到提供更多功能的現代框架，到重構系統使其更具模塊化，以及将應用程式遷移到更便宜的雲計算環境運行等一切事務。技術領導者可以使用多個專門的 AI 智能體，每個代理都具有獨特的角色和專業知識，以協作處理復雜任務，并根據人類的反饋進行實時迭代。然而，真正的價值将來自于編排代理以完成離散的任務以及整個軟體開發過程。
一些行業已經在定期部署 AI 智能體。例如，客戶服務機器人在許多面向客戶的網站上已成為标配。根據麥肯錫關于生成式 AI 經濟潛力的研究，使用支持生成式 AI 的客戶服務代理的組織，每小時的問題解決率提高了 14%，處理問題所花費的時間減少了 9%。麥肯錫高級合夥人 Jorge Amar 表示：" 随着時間的推移，我預計生成式 AI 智能體将提高客戶滿意度并創造收入。它們在銷售新服務或滿足更廣泛的需求方面将至關重要。"" 這将為公司開辟更廣泛的客戶體驗選擇，例如提供更多與人類代理的高接觸互動作為增值服務。"
更普遍地說，支持生成式 AI 的代理可以通過三種重要方式潛在地簡化復雜用例的自動化：
代理可以更容易地處理不太可預測的情況。基于規則的系統在遇到規則設計者未預料到的情況時往往會失效。相比之下，生成式 AI 智能體系統可以處理給定用例的各種場景。因為它們是使用基礎模型構建的，這些模型已經在大型、非結構化數據集上進行了訓練，所以生成式 AI 智能體可以實時适應不同的場景并執行專門的任務。
代理系統可以通過自然語言進行指導。自然語言處理可以使用戶比以往任何時候都更快、更容易地編碼復雜的工作流。用自然語言處理編碼的生成式 AI 智能體可以使更廣泛的員工能夠構想和使用 AI 工具來實現結果，而無需專門編程或編排更大的 IT 項目。
代理可以與現有的軟體工具和平台協同工作。生成式 AI 智能體運行在基礎模型上，這使得代理能夠使用工具并在更廣泛的數字生态系統中進行通信。如果沒有基礎模型，這些能力将需要大量的手動工作來集成系統或整理不同系統的輸出。代理可以顯著減少跨系統集成所需的工作量和返工量。此外，根據麥肯錫合夥人 Aaron Bawcom 的說法，" 當代理協同工作時，它們的能力可以根據環境發生復合反應。它們可以發展出未被明确編程的意外行為和技能，其效果大于各部分之和。這就是所謂的湧現式 AI。"
有公司使用 AI 智能體的真實案例嗎？
聯想（Lenovo）已在其業務的兩個主要領網域部署了 AI 智能體：軟體工程和客戶支持。該公司解決方案與服務集團首席技術官 Arthur Hu 表示，公司的軟體工程師已經看到了高達 15% 的效率提升。該公司的首席運營官兼戰略負責人 Linda Yao 補充說，客戶服務方面在通話處理時間上實現了兩位數的生產力增長。
迄今為止，聯想已将生成式 AI 智能體優化為虛拟助手。Yao 設想，未來 AI 智能體将作為人類的副手，被部署去獨立完成任務。
AI 智能體還有哪些其他的企業用例？
以下是三個假設性的用例，讓我們得以一窺未來 AI 智能體可能實現的功能：
貸款審批。一個包含多個專業代理的 AI 智能體系統可以處理各種信用風險場景。過去，這通常是一個耗時且高度協作的過程，涉及匯編、分析和審查與借款人、貸款類型和其他變量相關的各種信息。
代碼文檔化和現代化。大型企業的遺留軟體應用程式和系統通常存在安全風險，并可能拖慢業務創新的步伐。AI 智能體可以幫助簡化這些系統的現代化過程。例如，公司可以部署一個專門的代理作為遺留軟體專家來分析舊代碼，而另一個——質量保證代理——則可以評審文檔并迭代地完善 AI 的輸出，以确保準确性并遵守組織标準。
在線營銷活動。設計、啟動和運行在線營銷活動可能是一個復雜、多層次的過程，涉及許多不同的人。單個 AI 智能體系統可以根據公司營銷專業人員的輸入來開發、測試和迭代營銷活動創意。然後，數字營銷代理可以收集洞察以制定策略和文案，而設計代理可以構建定制化的内容。
組織在采用 AI 智能體方面面臨哪些障礙？
麥肯錫合夥人 Nicolai von Bismarck 表示，建立信任是采用 AI 智能體技術的一大障礙：" 我們發現，所有年齡段的客戶——甚至是 Z 世代——在尋求客戶幫助和支持時仍然更喜歡實時的電話交談。" 他接着說，一家銀行通過創建一個架構來解決這個問題，該架構在将答案分享給客戶之前檢查 AI 智能體的錯誤或 " 幻覺 "，從而減少了不正确響應的數量并建立了信任。
麥肯錫合夥人 Roger Roberts 說：" 那些從 AI 中獲得最大價值的公司，将是那些與其客戶、員工和利益相關者建立信任的公司。人們必須足夠信任 AI，才能将任務交給它。公司的道德決策必須植根于每個組織獨特的價值觀以及将人類置于 AI 生态系統中心的社會價值觀。"
根據麥肯錫高級合夥人 Amar 的說法，另一個挑戰将是組織在擴展 AI 智能體過程中的變革管理。" 這遠比僅僅推出一套新工具要廣泛得多，" 他說。" 公司需要重新連接各職能部門的工作方式，以便從生成式 AI 智能體中獲得全部價值。" 這種重新連接包括采用新技術，以及對現有技術進行調整，使其能更好地與基于機器學習和生成式 AI 的工具協同工作。組織還應調整其運營模式，以支持迭代開發新服務的小型團隊。更重要的是，領導者應創建激勵機制，幫助員工學習如何使用——并信任——這些新工具。
最後，" 數據保護是領導者在部署 AI 智能體時面臨的一個主要擔憂，" 麥肯錫合夥人 Bawcom 說。正在推行 AI 智能體計劃的公司應謹慎實施适當的安全、運營和數據控制措施。有許多不斷發展的現成和定制方法及解決方案。
AI 智能體可能如何改變組織的科技架構？
AI 智能體的普及可能會改變組織運行其技術項目的方式。麥肯錫預計，IT 架構将從傳統的以應用為中心的模式轉向新的多代理模型。在這種類型的架構中，技術領導者監管着多達數千個相互通信、并與人類和外部程式通信以實現共同目标的代理。
以下是技術領導者可以在其當前環境中部署代理的三種方式（圖表 2）：
•超級平台 ( Super platforms ) 。這些是下一代的第三方業務應用程式，例如協作工具或客戶關系管理 ( CRM ) 程式，它們内置了生成式 AI 智能體。例如，用戶可以部署一個 CRM 超級平台來運行銷售報告，同時自動與公司的分析工具進行通信。過去，這需要針對特定用例進行編程。
• AI 包裝器 ( AI wrappers ) 。這些工具允許企業服務通過 API 與第三方服務進行通信和協作，而無需暴露公司的專有數據。例如，一家銀行可以圍繞内部開發的、AI 驅動的信用風險模型構建一個支持生成式 AI 的包裝器。然後，這個 AI 包裝器可以啟動操作，例如要求供應商的 LLM 根據客戶數據和信用評分生成風險因素，而無需向供應商甚至 LLM 透露這些數據。
•自定義 AI 智能體 ( CustomAIagents ) 。員工可以通過微調預訓練的 LLM 或使用檢索增強生成 ( RAG ) 訪問公司的專有數據來開發自定義的生成式 AI 代理。例如，在客戶服務場景中，員工可以用客戶數據、呼叫中心記錄和公司政策來 " 喂養 " 現有模型，以創建一個生成式 AI 智能體，協助呼叫中心員工回應客戶問題。組織将需要調整其 IT 架構，以更好地服務于這些新的以代理為中心的工作流，并允許持續迭代和改進。
架構可能随着三種 AI 賦能模式演變。當前賦能模式：SaaS、打包應用、平台化應用、内部定制開發。
AI 賦能模式：
1. 第三方超級平台：通過第三方平台實現 AI 賦能。最适合快速部署行業标準能力（如 CRM、ERP）。
2.AI 包裝器 + 第三方：企業創建自己的 AI 包裝器，使第三方能夠通過 API 訪問與企業平台互動。适用于在保持靈活性和保護專有數據的同時，獲取最新的創新。
3. 自定義 AI 智能體：通過塑造先前訓練的大型語言模型構建全棧 AI 智能體。适用于保護專有數據和創造差異化的知識產權。
組織可以采取哪些步驟來實施 AI 智能體？
領導者可以關注三個重要領網域：
1.仔細審查任何時間長、需要大量人力的技術提案。這意味着要審查所有大型提案，以确定生成式 AI 如何能夠降低成本并縮短時間表。領導者應對那些聲稱整合了生成式 AI 能力的提案保持特别警惕，因為這些能力在價值潛力方面可能是有限的或輔助性的。
2.關注最大的問題。小規模的舉措通常只會帶來小規模的成果。1 因此，公司最好識别出最大、最復雜的技術問題——那些成本高昂、時間跨度長達數年，并造成嚴重技術債務的問題——并将生成式 AI 的使用重點放在解決這些問題上。
3. 預先考慮人才、技術和運營模式的影響。随着多代理方法的擴展，領導者需要理解并規劃其業務影響。1 包括重新思考他們的人才戰略和再培訓計劃，相應地調整他們的運營模式，并重新評估他們的運營和資本支出。
AI 智能體的演進才剛剛開始，還有許多學習和發現有待進行。AI 智能體領網域的許多工作正在從實驗室走向全面應用。AI 智能體提供了新的能力，有助于重新構想各種行業和規模的組織中人們的工作方式。
