如果说过去三年生成式AI曾让世界惊叹，那么2025年便是企业真正迈入Agentic AI实战的元年。在亚马逊云科技re:Invent高管峰会上，亚马逊云科技Agentic AI副总裁Swami Sivasubramanian与众多企业管理者分享了一项核心洞察：我们正在经历从“向AI提问”到“授权AI行动”的范式转移。这一转变不仅是技术能力的升级，更是对企业组织架构、人才密度和战略护城河的重新定义。

Swami在对话中提出了一个令管理者警醒的观点：传统的软件工程组织模式正在失效。过去需要多人团队、耗时数月推进的大型项目，在Agentic AI的辅助下，或许仅需一支数人的精锐小组在几周内即可完成。企业若继续沿用旧有的人海战术，必将在效率竞争中被淘汰。管理者需要思考的，不再是如何管理庞大的团队，而是如何构建“AI原生”的小型化、敏捷化组织。​

在技术选型上，Swami提出了“持久资产”（Durable Assets）的核心概念。对于通用生产力工具（如文档处理、基础代码生成等），企业应果断选择“购买”或“使用”现成的SaaS服务，避免重复开发。然而，对于企业的核心数据、独特业务逻辑和工作流——这些构成企业长期竞争力的核心资产，必须通过“自建”或深度定制Agentic AI的方式来牢牢掌握。

最大的挑战在于信任的建立。面对概率性的LLM（大语言模型），企业如何敢于授权其处理高价值业务场景？Swami指出了两条核心路径：一是建立人工介入的干预机制。二是引入Neuro-symbolic AI，利用编译器式的逻辑验证层监控模型输出，确保其符合确定性规则。信任并非盲目的，而是建立在可观测、可审计、可干预的基础之上。​

从生成式AI到Agentic AI：技术跃迁与企业落地路径

Q: 去年我们还在谈生成式AI，今年话题已经变成了Agentic AI。能否请您先花点时间，为在座各位对齐这两个术语的区别？

A：我们最初构建的都是AI助手或聊天机器人。如果你问：“嘿，为什么网站最近的流量跌了？”聊天机器人只会从大语言模型中提取通用知识，回复：“也许你应该去检查日志并调试一下。”

但Agentic AI会模仿用户的实际操作路径——不会只给建议，而是会像真正的工程师一样，执行一系列量身定制的操作，比如：调取CloudWatch的最新日志查看具体报错、确认最近是否部署了新代码。它会自主排查，找出根本原因，并确定修复方案。这对客户体验而言，是从“给建议”到“替你做”的巨大飞跃。

从底层技术来看，这是一个质变的过程：早期的大多数模型并不具备处理复杂多步推理的能力。它们可以通过单次提示生成有用的答案，但无法承接高层级的战略目标。随着这类模型具备思维链推理能力，我们终于可以给它下达高层指令了，因为它能将目标拆解为一系列步骤。但仅拥有能拆解步骤却“光说不练”的模型毫无意义——这就是AI Agent的第二项关键突破：工具调用（Tool Calling）。极高的智能水平与实际执行能力的结合，才真正解锁了Agentic AI的新世界。

Q：企业高管们有很多想法，但往往不知从何下手。对于如何选择切入点并取得“首场胜利”，您有什么建议？

A：鉴于这个领域发展迅猛，大家必须彻底转变为“AI 原生”的思考方式，因为游戏规则正在发生根本性的改变。

举个例子，我们发布了Amazon Quick Suite，它就像你的Agentic AI队友，能打通数据仓库、数据库以及微软 365、Google文档等应用。在亚马逊内部，已有约15万用户在使用它。当我要发布新产品时，我会直接上传PR/FAQ文档给它，让它对比竞品功能并生成功能对比矩阵、分析定价策略并给出建议。过去需要团队花两周准备的六页纸备忘录，现在 20分钟就能完成。这让高管们感觉拥有了惊人的能力。

类似地，我们的Kiro团队是用Kiro来构建Kiro的——这听起来像电影《盗梦空间》的情节，但也正是云开发平台Vercel的CEO Guillermo所描述的场景。我们仅用5周时间就构建出了Kiro CLI。

当然，很多人做出了惊艳的演示，却因为无法解决安全扩展、身份验证等底层问题，停留在“概念验证”阶段，无法真正落地。这也是我们构建Amazon Bedrock AgentCore的初衷——帮大家解决这些非差异化事务，让大家专注核心业务。那种需要多人协作才能成事的日子已经过去，实际上，多人沟通反而会拖慢进度。精锐小组配合前沿Agent，构建速度反而更快。

Q：面对业务目标时，高管们往往会纠结于该自建、购买还是直接使用现成方案。您对此怎么看？

A：在业务人员生产力领域，自建工具几乎没有价值。像Amazon Quick Suite这样的工具，能让每个人无需培训即可上手。这一领域直接选用现成工具即可。

真正需要投入资源自建的，是那些能带来长期可持续商业价值的核心领域——你的业务数据和工作流。这才是企业长期的核心资产。在这些领域，你必须掌控全流程，拥有定制化Agent和模型的完整所有权。

AI Agent的信任基石：多维度风险管控体系

Q：我们正从确定性的“工厂流水线”模式，转向不确定性的“交易大厅”模式。如果让 Agent连续运行数小时甚至数天，我们如何确保它不会闯祸？

A：“赢得信任”是核心关键，我们在亚马逊的原则是“信任但要核实”（Trust, but verify），这一原则对Agent同样适用。

具体有三项机制：

1.设置安全防护与人工介入机制

以构建一个处理退款的客服Agent为例。你可以设定规则：1000美元以下的退款请求由其自动处理；超过该数额则触发“人工介入”流程，必须经过人工审批。虽然人工审核成本较高，但相比直接损失1000美元的风险，这笔投入的产出比十分可观。

2.数学验证与Neuro-symbolic AI

除了依靠人工干预，还可以依托数学方法。亚马逊云科技自动推理领域的权威专家Byron Cook，曾在一家酒吧中听我阐述大模型易产生幻觉的问题。他眼前一亮，说道：“这问题能解！”

虽然大模型本质上属于概率性模型，但我们可以构建一个基于编译器的验证器（Compiler-based Verifier）。简单来说，就是用一个逻辑严密的“监工”模块，去检查大模型的输出结果；若发现逻辑错误，便将其打回并让模型重新生成。这一方法开创了Neuro-symbolic AI的全新领域。

3.强化学习环境

我们在Amazon Nova Act中也创新了训练方式，引入了“强化学习训练场”（RL Gyms）这一概念。通过在虚拟环境中让Agent不断试错、积累奖惩反馈，进而提升其可靠性。

归根结底，就像我们信任靠谱的同事一样，可靠性是我们信任Agent的核心基石。

AI时代的未来叩问：变革节奏与人才核心素养

Q：您曾说过AI是这一代最具变革性的技术，也提到创新伴随着“痛苦的自我怀疑”。展望未来，有什么让您夜不能寐？又有什么让您感到乐观？

A：让我夜不能寐的是变革的速度。历史上，技术变革通常会给人类留出较长的适应期，但如今的创新节奏太快了。以前，大型机现代化改造需要耗费三到四年时间，现在几个月就能完成，而我甚至认为这一周期应该缩短到几周。这种速度要求我们必须成为塑造变革的人，而非被变革塑造的人。

让我乐观的是“构建者”门槛的降低。在这个全新的时代里，亲自动手实践比以往任何时候都更为重要。你不再需要成为Java技术专家，也无需花费数小时去研究每个API调用。举个例子，我10岁的女儿，她不懂复杂的代码，但借助Kiro连接Vercel，仅用30分钟就制作出了一个“爆炸独角兽”版的井字棋游戏。

这种“亲手构建”所带来的直觉，比阅读任何新闻报告都重要。这也是为什么我尽管管理着庞大的团队，依然会强制自己每周投入2～4小时亲自编写代码、制作原型。

Q：对于刚步入职场的年轻人，或是担心STEM（理工科）被AI取代的学生，您有什么建议？

A：第一，不要混淆“计算机科学”和“编程”这两个概念。很多人认为STEM未来不再有用，是因为他们误以为STEM只是学习Python语法。Python语法一个周末就能掌握，这类技能确实容易被取代。但真正经久不衰的是核心基础原理：编译器原理、操作系统原理、处理器架构。

第二，物理AI（Physical AI）尚未迎来高光时刻。未来，AI将深入物理世界，这需要人们在物理、生命科学、医疗卫生领域具备扎实的基础。

第三，适应力是终极核心技能。在这个“可能性的边界”持续快速扩张的时代，最持久的竞争力不是掌握某种特定工具，而是学会适应变化，并终身保持学生心态。作为父母或导师，我们应当鼓励孩子学习新事物，不断让他们走出舒适区，去适应这种不确定性。

Jonathan Allen是亚马逊云科技全球企业战略总监。

Swami Sivasubramanian是亚马逊云科技Agentic AI副总裁。

216.73.216.13