德勤：扩展“自主智能”实现真正增长

企业领导者必须超越生成式应用，扩展“自主智能”以捕获实际增长。生成文本或总结内部沟通虽然能带来局部生产力提升，但这些能力很少能改变大型组织的核心成本或收入结构。企业现在专注于部署能够独立执行的系统。领导者要求能够遍历内部网络、执行多步逻辑并完成交易而无需不断人工提示的应用。

德勤咨询公司负责人兼AI与洞察实践领导者Prakul Sharma表示：“在德勤，我们将这视为智能成熟度曲线的第三阶段：从‘辅助智能’（AI和分析帮助人们解读信息），到‘人工智能’（机器学习增强人类决策），再到‘自主智能’（AI在定义边界内决策和执行）。当前GenAI时代的能力——如聊天机器人和对话式AI——位于该曲线的中间。代理智能充当进入自主性的桥梁，并且是当前重心正在转移的地方。我们看到的区别在于主动性：GenAI产生答案，而自主智能通过推理目标、调用工具和数据，并随着条件变化进行调整来追求结果，人类设置防护栏而非驱动每一步。我们正在各个行业看到这一点，在每种情况下，解锁的关键不是代理本身，而是围绕它的治理架构，包括身份和人在循环中的检查点，使自主性能够安全扩展。”

为提取实际经济价值，这些自主系统必须直接集成到创收或成本密集型工作流中。考虑企业采购场景：一个代理应用持续将供应链库存与企业资源规划（ERP）系统中的实时供应商定价进行交叉引用。然后它可以在预定义的财务参数内独立授权采购订单，仅在出现偏差时暂停等待人工批准。同一系统还必须在ERP中拥有可验证的身份，读取足够新的定价数据以具有合同约束力，并在法律和合规部门正式批准的审批阈值内运行。这些依赖项中的任何一个未解决，都会完全破坏自主执行的案例。因此，实现这种自动化水平需要在分配任何计算资源之前对现有操作进行详尽检查。

Sharma概述了德勤用于启动此运营改造并定位自主性可产生实际收入领域的方法：“我们建议的第一步是从决策审计和流程开始。我们要求领导者选择一两个价值链，其中结果受决策（而非流程中的任务）瓶颈限制，并绘制当前决策是如何做出的。我们会问诸如谁拥有数据、谁拥有权限、交接在哪里中断、需要什么行动以及在哪里应用判断等问题。提出这些问题会揭示自主性将创造实际经济价值的流程工作流，同时暴露可能使试点脱轨的数据和治理差距。从那里，我们帮助领导者安排重新布线：为第一个价值链建立具有AI和代理结构、数据、评估、代理身份和人机回环模式的基础层，证明其有效，然后将其作为扩展的模板。”

一旦运营目标被隔离，技术执行常常因上游摩擦而停滞。来自主要供应商的基础模型已经足够先进，可以处理复杂推理任务，并已成为可互换的商品。摩擦点在于将这些推理引擎连接到遗留数据架构。Sharma观察到真正的技术障碍在提示到达大型语言模型之前就出现了：“基于我们所见，模型很少是瓶颈，因为前沿能力正在迅速成为商品。企业在设计阶段绊倒的地方在模型上游。他们在映射底层工作流之前选择用例，导致代理自动化了一个已经损坏或仪器化不良的流程。第二个模式是数据：客户可能低估了自主系统需要决策级数据，而非报告级数据，这意味着大多数企业数据架构并非为支持这种数据而构建。”

这种区别很重要，因为大多数企业数据架构是为人类分析师而非自主系统构建的。报告级数据——按夜间或每周批次周期聚合，为仪表板消费而结构化，并剥离了记录值如何派生的沿袭——在人对数据应用判断后才采取行动时是足够的。自主代理没有这样的后盾。当它检索合同价格或库存水平以执行交易时，该数字必须带有足够新的时间戳以具有约束力、可追踪的来源以及确认代理有权读取和操作它的访问控制。提供这种决策级数据涉及将自主代理与适当的事件存储和数据库集成，这些数据库旨在管理结构化和非结构化企业信息。当代理检索数据以执行任务时，企业必须保证其新鲜度。依赖陈旧的批处理数据会引入极端风险，可能导致系统基于过时的定价层级或过时的合规框架行事。

扩展这些系统的财务模型还需要预测可变计算费用。由于代理工作流涉及与大型语言模型的多次交互以推理单个目标，API成本可能不可预测地上升。通过检索增强生成过程缓解幻觉风险也增加了必要的计算开销，因此需要在企业部署前进行严格的财务控制。

从受控测试环境过渡到实际企业部署是一个截然不同的命题。小规模测试可能使用精心挑选的数据集完美运行，但将该能力部署到数千名员工和互连软件平台时会暴露漏洞。导航现代企业安全环境需要将代理架构与现有身份提供商和云原生安全控制深度集成，跨越混合云生态系统。Sharma指出了这种集成失败以及由此产生的治理债务，阻碍了进展：“我们看到的主要障碍是我们所谓的生产差距。一个试点可以通过巧妙的提示、精心策划的数据集和一个手动运行它的冠军团队成功，但企业部署需要持续的评估、在试点从未接触过的系统中工作的身份和授权、用户的变更管理，以及能够吸收大规模使用成本的财务模型。与此相关的是治理债务：为加速试点而放弃的控制、审计轨迹和风险框架，一旦法律和合规部门评估生产部署，往往成为关卡项目。突破的客户是那些不将试点视为实验，而是将其视为可重用平台的第一个生产实例——具有相同的评估、身份模型和治理。这样，第二个和第三个用例可以建立在第一个之上，而不是从头开始。”

初始测试中应用的合规框架通常完全不足以用于实际部署。急于证明概念的团队经常绕过标准的企业安全协议，从而制造了未来扩展的关卡项目。

所有三种失败模式——生产差距、治理债务和上游数据摩擦——的共同点是，在运行良好的试点期间，每一种都是不可见的。一个拥有精心策划的数据集和管理支持的冠军团队可以掩盖缺失的身份控制、过时的数据和延迟的合规审查，足以产生令人信服的演示。只有当系统必须在完整的企业环境中运行，面对真实用户、实时数据和法律审查时，这些差距才会成为结构性障碍，而非已知的变通方法。从一开始就构建可重用平台——将身份验证、持续模型评估和财务监控视为一等需求，而非发布后添加——使组织能够避免为每次后续部署重建这些基础。

（图片来源：Pixabay，授权使用。）

想要从行业领导者那里了解更多关于AI和大数据的信息？请查看在阿姆斯特丹、加利福尼亚和伦敦举办的AI & Big Data Expo。该综合活动是TechEx的一部分，并与包括网络安全与云博览会在内的其他领先技术活动同时举行。点击此处了解更多信息。

AI News由TechForge Media提供支持。在此处探索其他即将举行的企业技术活动和网络研讨会。