预计到2028年，33%的企业软件应用将包含AI智能体。
约90%的企业认为，智能体AI有望成为竞争优势的来源。
随着AI智能体日益普及、影响不断扩大，了解并选择合适模型也将愈发重要。
智能体人工智能（AI）是AI生成能力催生的最新一项变革性延伸。
预计到2028年，33%的企业软件应用将包含AI智能体，使15%的工作决策能够自主完成。此外，多达90%的企业认为，智能体AI有望通过提升效率、改善决策或增强可扩展性带来竞争优势。
2024年，AI智能体市场估值为51亿美元，预计到2030年将达到471亿美元。
了解即将进入市场的AI智能体
智能体被定义为能够感知环境、处理信息并采取行动以实现特定目标的自主系统。但智能体模型的种类日益增多，其能力、技术和人类参与程度各不相同。
无论企业从头构建AI智能体，还是采用现有框架，其智能体都可能同时属于多个类别。
面向消费者的智能体与企业智能体
面向消费者的智能体为个人B2C用户提供解决方案（如聊天机器人、虚拟销售助理，或研究与推荐工具）。企业智能体则旨在优化业务工作流、决策和生产力。
世界经济论坛如何为人工智能制定护栏？
人工智能卓越中心连接各行业领袖，帮助他们理解人工智能的快速发展及其对经济和社会的影响。该中心支持各方围绕AI应用带来的机遇、风险和权衡开展知情对话。
通过值得信赖的交流空间和协作倡议，该中心帮助合作伙伴增进共识，并携手探索负责任的AI创新与应用方式。
虚拟AI智能体与具身AI智能体
世界经济论坛报告《工业运营中的前沿技术：AI智能体的崛起》指出，虚拟AI智能体“管理各种基于软件的任务，从日常运营和研究到高级分析和任务自动化”。相比之下，具身AI“将AI融入机器人等物理系统，使其能够通过动态而复杂的动作感知环境并与之互动”。
人在环路（HITL）与人不在环路（HOTL）智能体
使用HITL智能体时，人们仍积极参与决策，并在投入、治理和监督方面发挥不同程度的作用。HOTL智能体则基本独立运行，人类大部分或完全不参与决策。
这些类别并非互斥，可能存在多重交叉。例如，虚拟智能体可以是采用HITL模式的面向消费者的智能体。
除这些宽泛类别外，还有多种AI智能体模型，各自具有不同特点：
简单反射型智能体按照预设规则对环境作出响应。
基于模型的反射型智能体更为复杂，会利用历史数据构建环境模型，并据此作出更明智的决策。
目标型智能体运用生成能力，在行动前考虑多种选项，以实现特定目标。
效用型智能体会根据不同结果的益处 对选项排序，并依据预先设定的效用指标进行衡量。
学习型智能体会随着时间推移调整行动，从过往经验中学习以改善输出。
分层智能体／多智能体系统以多个层级部署，由高层智能体监督或协调低层智能体的目标和行动，以解决复杂任务。
部署AI智能体的组织应根据运营目标，在选择合适类型时考虑这些特点。关键选择因素包括：
• 智能体将运行的环境。
• 如何监测智能体的表现。
• AI智能体与人类之间的互动程度。
智能体AI是合适的解决方案吗？
目前，还没有任何AI智能体或系统能让组织放心交出控制权，从而优化端到端的整个流程。
那么，如何判断AI智能体是否适合纳入企业技术栈？
通常，传统自动化适用于任务规则固定、几乎无需适应或学习的场景，也适用于具有严格逻辑步骤、需要产出可预测、可靠且可解释结果且变化很少的流程。仅制造业就有数以千计的现实案例，涵盖装配线、传送系统和传感器驱动的质量控制（不过该领域正迅速采用智能体AI）。
与此同时，AI智能体适用于流程更复杂的场景，这些流程需要在动态情境中进行决策和实时学习；简单自动化难以胜任，且需要一定程度的自主性来创造新价值。
这就涉及另外两个关键评估标准：价值和实现价值所需的时间。企业在实施前必须对AI智能体的成本效益进行测算。智能体解决方案的前期投入可能相当可观，涵盖开发、测试、部署，甚至人员招聘。因此，测算出的价值和战略收益必须超过这些成本。
此外，投资回报不会立竿见影。智能体并非一开始就能完善运行。数据准备、系统集成和模型训练都需要时间。即使投入运行，优化也仍是一个反复迭代、不断学习的过程。应从中期角度考量其变革性影响和实现价值所需的时间。
组织还需要具备部署AI智能体的技术准备。智能体需要技术人员启动和管理解决方案，也需要稳固的数据基础。智能体的自主性越高，为其提供支持的数据框架就越重要。企业还需要明确的治理规程来监测表现，并降低模型幻觉风险，因为幻觉会削弱决策效能。
最后还要考虑可扩展性。AI智能体旨在适应不断变化的情况，而且相对容易扩展。适应过程虽需要重新训练和管理AI模型，但针对新场景学习的能力与生俱来。传统方法在应对复杂任务时往往更不灵活，学习空间较小，也更可能需要大量人工返工。
美国银行成功部署智能体的一个案例，是其对话式智能体Erica。Erica于2018年推出，为客户提供全天候支持和建议，并通过显著改善客户体验以及交叉销售服务，帮助实现了19%的收益增长，服务覆盖了20亿次客户互动。
但这一成功是长期努力的成果。自推出以来，该银行已对Erica的表现进行了超过50,000次更新，。
引入智能体促进工具
组织部署任何AI智能体时，都可能面临重大障碍，影响其成功。例如，世界经济论坛近期一项研究指出，“……应用彼此孤立、系统老旧且可扩展性有限”等技术障碍 阻碍了AI智能体在制造业的进展。
为克服这些障碍并创建和运行有效的AI智能体，组织可以借助多种工具。科技领域许多知名企业都提供支持性解决方案或平台，帮助建立或完善智能体方案。
此外，在建立用于塑造和管理智能体的数据基础方面，流程智能（PI）是关键推动因素，可为业务运营提供数字孪生。PI整合跨系统的实时流程数据，并叠加业务背景信息，如流程指标、关键绩效指标（KPI）定义、流程模型等，从而形成统一的运营事实来源，以及支持智能体决策的数据基础。PI结合业务背景、流程管理和标准化流程知识，使智能体与公司目标、护栏和治理要求保持一致。
AI智能体能够行使的自主权越大，就越需要以必要的洞察支持其理解和分析能力。
改变人在环路中的角色
随着AI智能体部署日益增多，人类与AI伙伴之间的关系将随时间推移而演变。随着智能体从自动化和管理大量（低价值）任务的工具，转变为复杂运营的负责人和管理者，这一变化势在必行。
在某些情况下，人在环路中的概念将发生变化。决策验证或授权不再总是默认由人类完成。相反，只有在必要时，人们才会根据查询的重要性、价值、安全影响或特殊性质选择性地参与。组织将构建认知工作流，避免人工干预成为流程瓶颈，削弱AI智能体带来的生产力和分析能力提升。
目前，让人类完全退出业务关键流程并不现实。世界经济论坛报告《工业运营中的前沿技术》总结了这一演变：“人类的角色将被重新定义，员工将从亲自操作的执行者转变为协调者，并在需要判断力或创造力时介入。这种转变将提升运营效率，使人们能够专注于战略任务和合乎伦理的决策，从而推动创新与增长。”
随着AI智能体日益成熟、工作场所不断优化，机器自主程度将不断提高。随着AI智能体日益普及，了解并选择合适模型也将愈发重要。
