加入我们的每日和每周通讯，获取有关行业领先人工智能报道的最新更新和独家内容。了解更多
在未来的企业中，人类员工预计将与由人工智能代理组成的复杂团队紧密合作。
麦肯锡公司表示，生成式人工智能和其他技术有可能自动化 60% 到 70% 的员工工作。而且，据估计，目前已有三分之一的美国员工在工作场所使用人工智能——而他们的雇主往往对此一无所知。
然而，专家预测，2025 年将是这些所谓的“隐形”人工智能代理走出阴影，在企业运营中发挥更积极作用的一年。
“代理很可能像任何给定团队中的专业成员一样融入企业工作流程，”Databricks 人工智能副总裁兼 MosaicAI 创始人兼前首席执行官 Naveen Rao 说。
人工智能代理超越了问答聊天机器人，成为使用基础模型执行以前被认为不可能的更复杂任务的助手。这些自然语言驱动的代理可以处理多个任务，并且在得到人类授权的情况下，可以采取行动。
“代理以目标为导向，并根据上下文做出独立决策，”商业自动化平台 UiPath 的人工智能战略主管 Ed Challis 解释说。“代理将具有不同程度的自主性。”
最终，人工智能代理将能够感知（处理和解释数据）、计划、行动（有或没有人类参与）、反思、从反馈中学习并随着时间的推移而改进，人工智能 SaaS 公司 SymphonyAI 的首席技术官 Raj Shukla 说。
“从高层次上讲，人工智能代理有望实现企业自动化领域的长期梦想，而机器人流程自动化 (RPA) 曾经被认为可以解决这一问题，”他说。由于大型语言模型 (LLM) 是它们的“规划和推理大脑”，它们最终将开始模仿人类的行为。“一个好的 AI 代理的惊人之处类似于坐在一辆自动驾驶汽车里，看到它在拥挤的道路上行驶。”
然而，人工智能代理仍处于起步阶段，用例仍在不断完善和探索。
“这将是一个广泛的能力范围，”Forrester 高级分析师 Rowan Curran 告诉 VentureBeat。
最基本的一层是他所说的“RAG 加”，即检索增强生成系统，在初始检索后执行一些操作。例如，在工业环境中检测潜在的维护问题，概述维护程序并生成草案工作订单请求。然后将其发送给最终（人类）用户，由他们做出最终决定。
“我们现在已经看到了很多这样的情况，”Curran 说。“它本质上相当于一个异常检测算法。”
在更复杂的情况下，代理可以检索信息并在多个系统中采取行动。例如，用户可能会提示：“我是一名财富顾问，我需要更新所有高净值人士，因为发生了一个问题——你能帮助开发个性化的电子邮件，提供对其特定投资组合的影响见解吗？”然后，人工智能代理将访问各种数据库，运行分析，生成定制电子邮件，并通过 API 调用将其推送到电子邮件营销系统。
Curran 说，更进一步将是复杂的、多代理的生态系统。例如，在工厂车间，预测算法可能会触发维护请求，该请求会发送给一个代理，该代理会识别不同的选项，权衡成本和可用性，同时与第三方代理来回沟通。然后，它可以下订单，因为它与不同的独立系统、机器学习 (ML) 模型、API 集成和企业中间件进行交互。
“那是地平线上下一代，”Curran 说。
不过，他指出，目前，代理不太可能完全自主或大部分自主。大多数用例将涉及人类参与，无论是出于培训、安全还是监管原因。“至少在短期内，自主代理将非常罕见。”
Challis 同意，并强调“关于任何人工智能实施，最重要的是要认识到，人工智能本身并不足以解决问题。我们看到，所有业务流程的最佳解决方案都是传统自动化、人工智能代理和人类协同工作，以最佳方式支持业务功能。”
Challis 指出，人工智能代理的一个几乎每个行业都能理解的用例是新员工入职流程。这通常涉及许多人，包括人力资源、薪资、IT 等。人工智能代理可以简化并加快流程，因为它接收和处理合同，收集文件并设置薪资、IT 和安全审批。
在另一种情况下，想象一下销售代表使用人工智能。该代理可以与采购和供应链代理合作，为提案制定价格和交货条款，咨询公司 Intelligence Briefing 的创始人兼首席人工智能策略师 Andreas Welsch 解释说。
他指出，采购代理将收集有关可用成品和原材料的信息，而供应链代理将计算制造和运输时间，并将结果报告给采购代理。
或者，客户服务代表可以要求代理收集有关特定客户的相关信息。代理会考虑查询、历史记录和最近的购买情况，这些信息可能来自不同的系统和文档。然后，他们会创建一个回复并将其呈现给团队成员，团队成员可以审查和进一步编辑草稿，然后将其发送给客户。
“代理根据用户提供的目标执行工作流程中的步骤，”Welsch 说。“代理将此目标分解为子目标和任务，然后尝试完成它们。”
虽然代理框架相对较新，但一些公司一直在使用 Rao 所谓的复合人工智能系统。例如，商业数据和分析公司 FactSet 运行着一个金融平台，允许分析师查询大量金融数据，以便做出及时的投资和财务决策。
该公司创建了一个复合人工智能系统，允许用户用自然语言编写请求。最初，该公司有一个单一的 LLM，并将“尽可能多的上下文”打包到每个使用 RAG 的调用中。然而，这种方法在准确率约为 59% 和延迟为 16 秒的情况下遇到了质量上限，Rao 解释说。
为了解决这个问题，FactSet 改变了其架构，将其系统分解为一个更高效的人工智能代理，该代理调用各种较小的模型和函数，每个模型和函数都经过定制或微调，以完成特定的、狭窄的任务。Rao 报告说，经过一些迭代后，该公司能够显着提高质量（准确率为 85%），同时将成本和延迟降低了 62%（降至 10 秒）。
他最后指出，“真正的转型将来自利用公司的數據來构建独特的機能或业务流程，从而使该企业在竞争中占据优势。”
