使用过传统的AI应用的人都知道，与一个理解有限、操作流程僵化的工具互动是多么困难。智能体可以大幅改善这种状况。它们越来越直观和灵活，能够更精准地理解人们的需求并提供服务。得益于此，它们在整个组织内部以及各种交互场景中的应用规模正在飞速增长。

智能体如何工作

智能体是一种软件程序，可以执行一系列的复杂任务。传统的数字化应用依赖硬编码的指令，因此缺乏灵活性，在任务或条件改变时无法继续生效。然而，随着大语言模型和生成式AI的出现，智能体能够从背景信息中不断学习。这使它们能够适应变化，并处理传统系统无法应对的情况。

智能体的另一项优势在于，它们能够从错误中汲取经验教训。这主要归功于新型智能体的反思和记忆能力，再辅以“基于人类反馈的强化学习”（RLHF）功能，智能体在问题出现时还能够及时识别和纠正。智能体的学习、反思和改进能力将帮助企业快速重构和优化流程，同时确保人员始终参与其中。

将多个智能体组合在一起，通过合作、协调和竞争来解决复杂的问题，标志着企业工作范式的进化。就像蜂巢中的蜜蜂一样，这些智能体各自独立又共同努力，不仅提升了自动化程度，还能实现动态交互，进而催生比传统系统更加睿智、迅速的决策。

最底层是效用智能体（Utility Agents），类似于勤劳的工蜂，它们专业且自主，由企业知识驱动，执行对系统运行至关重要的特定任务，包括收集和整理非结构化数据（类似于花粉）。在它们之上是超级智能体（Super Agents），它们类似于蜂后，监督工作流程，确保效用智能体得到有效管理以实现集体目标。在最顶层，协调智能体（Orchestrator Agents）像蜂巢的复杂通信系统一样，协调整个操作。这种蜂巢式的分层架构确保了任务的精确分配、决策的高效制定以及执行的顺畅进行（见图一）。

依托智能体架构，智能体可以动态地推理、规划、回顾和执行任务。智能体架构将智能体的角色从被动的“信息告知”转变为主动的“任务实施”，极少需要人工参与便可管理复杂的工作流。

真正的自主系统正推动企业重塑

埃森哲的最新研究发现，有三分之一的企业已开始采用某种形式的智能体，尽管很多仍是非自主运行的聊天机器人。那些迅速拥抱这种AI转型的企业将获得显著的竞争优势。他们成功应用传统AI大规模提升了任务完成效率，并迅速扩展生成式AI用例，开辟新的增长点。过去一年中，这些企业数量几乎翻了一番（从9%增至16%），他们的收入增长比其他企业¹ 高出2.5倍，生产效率高出2.4倍，在扩展生成式AI用例方面的成功率高出3.3倍。²

1.    其他企业是指尽管已建立基本运营成本和SLA，但尚未涉及任务自动化或尚处于非常早期的阶段的企业。
2. 《生成式AI重塑运营：驱动增长，推进转型》，埃森哲，2024年9月17日，https://www.accenture.com/content/dam/accenture/final/accenture-com/document-3/Accenture-Reinventing-Enterprise-Operations-CN.pdf#zoom=40 。

尽管智能体的实际应用尚处于起始阶段，但我们已看到了光明前景。以一家大型创新零售商近期的成功经验为例，该零售商正在尝试利用生成式AI来实现供应商谈判自动化，而这项任务以往只能由员工完成。在一个涵盖80多家供应商的项目中，智能体团队成功地与64%的供应商达成了协议，这一成果远超20%的既定目标，并将谈判周期缩短至11天。这一举措不仅节省了1.5%的开支，并且使付款期限延长为35天。

另一个成功案例是微软（Microsoft）2024年7月推出的Dynamics 365客户服务中心，这套内部解决方案包括一组经过预先集成的智能体，通过数字和语音渠道与客户展开贴合具体场景且高度个性化的交流。在智能体团队的帮助下，微软客户服务与支持人员的首次呼叫解决率提升了31%，查询方向错误的情况减少了20%。之后，微软又宣布，Microsoft 365 Copilot®工具将支持用户创建多种智能体，这些智能体可以在整个企业中自主执行任务。另外，Salesforce公司也发布了类似公告，推出自己的智能体。

不难想象，该技术将在更多行业大显身手。然而，真正的变革在于它们将在企业内部激发自动化的持续重塑，并无缝地集成到运营当中——因为智能体不仅会利用数据学习，还能相互促进，从而不断提升智能水平。它们不只是跟随企业的发展，更能为改善业务不断贡献力量。

例如，在物流领域，智能体可以分析交通模式和天气状况，持续优化交付时间和燃料效率。在客户服务方面，它们可以根据客户实时情绪和互动历史来调整沟通策略。

不仅如此，跨行业的潜在应用也不容忽视（见图二）。在零售业中智能体可以分析购物行为，据此优化库存、自动重新进货，并根据顾客过往的购买行为推荐商品，打造个性化体验。在医疗保健领域，它们可以管理患者数据、安排预约和协助诊断，确保为所有诊疗提供方搭建起无缝衔接的护理流程。在能源部门，智能体可以优化配电、管理智能电网并整合可再生能源，同时预测需求，实时调整供电以减少浪费。

应用障碍及破解之法

随着企业开始积极引入智能体架构，他们可能遭遇许多障碍与风险，需要仔细考量并制定战略规划。

一、输出信息的可靠性和性能漂移

智能体系统依赖大语言模型生成的输出结果。虽然大语言模型功能强大，但它们也很容易产生幻觉和错误，这可能会在智能体系统中引发连锁风险，最终造成严重后果。比如，智能体预订了一趟目的地并不存在的航班，或者因为带有偏见的决定而致使企业面临诉讼，甚至是犯下不可逆转、代价高昂的错误。大语言模型的不可预测性与智能体系统的自主性叠加在一起，有可能造成传统系统未曾面临的全新风险。

二、僵化的传统流程

许多企业仍在沿用基于人工系统设计的过时流程，这些流程缺乏灵活性，严重制约了智能体充分发挥作用。企业无需再由人员来审核采购申请和费用报销，智能体可以简化并自动完成这些工作；智能体完全能够自主回复日常客户查询，不必进行人工验证。

三、文化抵触

员工的抵制往往成为技术实施的重大障碍，特别是那些使用此类技术的员工，如果他们不相信AI有能力承担任务，或者认为它对自身的工作构成了威胁，抵触情绪将尤为强烈。例如，埃森哲近期的一项调研发现，58%的受访企业员工表示担心工作岗位会在AI驱动的环境中不复存在。然而，在本次调研中，只有不到三分之一的首席高管认为害怕被AI取代是大多数员工的主要顾虑。对消费者来说，他们可能担忧AI会优先考虑企业利益，自身利益遭到忽视。企业面临的挑战在于，必须有效消除员工的这些抵触心理，同时向员工展示AI能够增强他们的工作能力，而非取而代之。

四、低质量数据

对于智能体而言，计算领域“无用输入只能产生无用输出”的固有原则依然适用。大多数企业并没有为智能体做好数据准备。例如，当埃森哲在2024年面向2000名首席高管展开调研时，48%的受访者都坦承，所在企业缺乏充足的高质量数据来推进各种生成式AI举措。 

五、过时的技术基础设施

多智能体系统可以提供强大的功能，但是这些系统也给企业的计算基础设施带来了额外压力。离开了先进技术基础设施的支持智能体将无法发挥应有的潜能。

智能体不再是遥不可及的未来科技，它已融入我们的现实生活，并可以助力企业快速适应市场变化、预测客户需求、简化复杂运营，从而增强企业韧性。通过持续学习与不断适应，智能体系统可以支持企业不断重塑自我，领先同行。

原文于2024年12月发布于《埃森哲前瞻洞察2025》