在過去的一年里，自動化競賽愈演愈烈，智能體已成為提升企業效率的終極變革者。雖然GenAI工具在過去三年里取得了顯著進步，成為企業工作流程中的寶貴助手，但現在焦點正轉向能夠自主思考、行動和協作的智能體。對于準備迎接下一波智能自動化浪潮的企業而言，了解從聊天機器人到檢索增強生成(RAG)應用再到自主多智能體的飛躍至關重要。Gartner在最近的一項調查中指出，到2028年，33%的企業軟件應用將包含智能體，而2024年這一比例還不到1%。

正如Google Brain創始人Andrew Ng所言：“由于智能體工作流程的出現，AI能夠完成的任務范圍將急劇擴大。”這標志著企業對自動化潛力看法的根本轉變，從預定義流程轉向動態、智能的工作流程。

傳統自動化的局限性

盡管前景廣闊，但傳統自動化工具卻受到僵化和高昂實施成本的限制。在過去十年中，像UiPath和Automation Anywhere這樣的機器人流程自動化(RPA)平臺在處理缺乏清晰流程或依賴非結構化數據的工作流程時一直舉步維艱。這些工具模仿人類操作，但往往導致系統脆弱，一旦流程發生變化，就需要昂貴的供應商干預。

當前的GenAI工具，如ChatGPT和Claude，雖然具備先進的推理和內容生成能力，但在自主執行方面仍有所欠缺。它們對復雜工作流程中人類輸入的依賴會造成瓶頸，從而限制效率提升和可擴展性。

垂直智能體的崛起

隨著AI生態系統的不斷發展，正在向垂直智能體發生重大轉變——這些高度專業化的AI系統是為特定行業或用例設計的。微軟創始人比爾·蓋茨在最近的一篇博客文章中表示：“智能體變得更智能。它們具有主動性——能夠在你提出要求之前就提出建議，它們可以在不同的應用程序之間完成任務，它們會隨著時間的推移而不斷改進，因為它們會記住你的活動并識別你的意圖和行為模式。”

與傳統的軟件即服務(SaaS)模型不同，垂直智能體不僅僅優化現有工作流程，它們會徹底重新構想這些流程，從而帶來新的可能性。以下是垂直智能體成為企業自動化下一件大事的原因：

? 消除運營開銷：垂直智能體可以自主執行工作流程，無需運營團隊參與。這不僅僅是自動化，它完全取代了這些領域中的人為干預。

? 解鎖新可能：與僅優化現有流程的SaaS不同，垂直AI從根本上重新構想工作流程。這種方法帶來了前所未有的全新功能，為創新用例創造了機會，重新定義了企業的運營方式。

? 構建強大的競爭優勢：智能體實時適應的能力使它們在當今快速變化的環境中極具相關性。監管合規性，如HIPAA、SOX、GDPR、CCPA以及新的和即將出臺的AI法規，可以幫助這些智能體在高風險市場中建立信任。此外，針對特定行業的專有數據可以創造強大且可防御的壁壘和競爭優勢。

從RPA到多智能體的演進

自動化領域最深刻的轉變是從RPA向能夠進行自主決策和協作的多智能體系統的過渡。根據Gartner最近的一項調查，這一轉變將使15%的日常工作決策能夠在2028年之前實現自主決策。這些智能體正在從簡單的工具進化為真正的協作者，改變著企業的工作流程和系統。這種重新構想正在多個層面發生：

? 記錄系統：像Lutra AI和Relevance AI這樣的智能體整合了多樣化的數據源，創建了多模態記錄系統。利用像Pinecone這樣的向量數據庫，這些智能體可以分析非結構化數據，如文本、圖像和音頻，使企業能夠無縫地從孤立的數據中提取可操作的見解。

? 工作流程：多智能體系統通過將復雜任務分解為可管理的組件來自動化端到端的工作流程。例如：像Cognition這樣的初創公司自動化了軟件開發工作流程，簡化了編碼、測試和部署，而Observe.AI則通過將任務分配給最合適的智能體并在必要時進行升級來處理客戶咨詢。

? 真實案例研究：在最近的一次采訪中，聯想的Linda Yao表示：“在我們的生成式智能體的幫助下，客戶服務的電話處理時間實現了兩位數的生產力提升。我們在其他地方也看到了驚人的提升。我們發現，例如，營銷團隊創建優秀推介書的時間減少了90%，同時還節省了代理費用。”

? 重新構想的架構和開發人員工具：管理智能體需要在工具方面發生根本性轉變。像Automation Anywhere的AI Agent Studio這樣的平臺使開發人員能夠設計和監控具有內置合規性和可觀察性功能的智能體。這些工具提供了護欄、內存管理和調試功能，確保智能體在企業環境中安全運行。

? 重新構想的同事：智能體不僅僅是工具，它們正在成為協作的同事。例如，Sierra利用AI來自動化復雜的客戶支持場景，讓員工能夠專注于戰略計劃。像Yurts AI這樣的初創公司則優化團隊之間的決策流程，促進人機協作。根據麥肯錫的說法，“從理論上講，通過應用包括GenAI在內的各種現有技術能力，全球經濟中60%至70%的工作時間都可以實現自動化。”

? 未來展望：隨著智能體具備更好的記憶、先進的編排能力和增強的推理能力，它們將在極少人為干預的情況下無縫管理復雜的工作流程，重新定義企業自動化。

準確性要求和經濟考量

隨著智能體從處理任務發展到管理工作流程和整個工作，它們面臨著日益復雜的準確性挑戰。每一步的增加都可能引入潛在錯誤，從而降低整體性能。深度學習領域的領軍人物Geoffrey Hinton警告說：“我們不應該害怕機器思考，我們應該害怕機器不假思索地行動。”這凸顯了建立穩健的評估框架以確保自動化流程高精度的關鍵需求。

例如：一個在執行單項任務時準確率為85%的智能體，在執行兩項任務時的整體準確率僅為72%(0.85 × 0.85)。隨著任務組合成工作流程和工作，準確率會進一步下降。這引出了一個關鍵問題：在生產中部署一個只有72%正確率的AI解決方案是否可以接受?當添加更多任務時準確率下降會發生什么?

應對準確性挑戰

將AI應用優化到90%至100%的準確率至關重要。企業無法承受不達標的解決方案。為了實現高精度，企業必須投資于：

? 穩健的評估框架：定義明確的成功標準，并使用真實和合成數據進行全面測試。

? 持續監控和反饋循環：監控生產中的AI性能，并利用用戶反饋進行改進。

? 自動化優化工具：采用能夠自動優化智能體的工具，而不完全依賴于手動調整。

如果沒有強大的評估、可觀察性和反饋，智能體可能會表現不佳，并落后于那些重視這些方面的競爭對手。

經驗教訓

隨著企業更新其AI路線圖，出現了幾條經驗教訓：

? 保持敏捷：AI的快速發展使長期路線圖充滿挑戰。戰略和系統必須具有適應性，以減少對任何單一模型的過度依賴。

? 關注可觀察性和評估：建立明確的成功標準。確定準確率對你的用例意味著什么，并確定可接受的部署閾值。

? 預期成本降低：AI部署成本預計會顯著降低。a16Z最近的一項研究發現，大型語言模型(LLM)推理的成本在三年內下降了1000倍，每年成本降低10倍。為這種降低做好規劃，可以為以前因成本過高而無法實施的有抱負的項目打開大門。

? 快速試驗和迭代：采用AI優先的心態。實施快速試驗、反饋和迭代的流程，目標是頻繁的發布周期。

結論

智能體已經作為我們的同事出現。從智能體RAG到完全自主的系統，這些智能體有望重新定義企業運營。擁抱這一范式轉變的企業將解鎖前所未有的效率和創新能力。現在是行動的時候了，你準備好引領未來了嗎?