德勤：擴展“自主智能”實現真正增長

企業領導者必須超越生成式應用，擴展“自主智能”以捕獲實際增長。生成文本或總結內部溝通雖然能帶來局部生產力提升，但這些能力很少能改變大型組織的核心成本或收入結構。企業現在專注於部署能夠獨立執行的系統。領導者要求能夠遍歷內部網絡、執行多步邏輯並完成交易而無需不斷人工提示的應用。

德勤諮詢公司負責人兼AI與洞察實踐領導者Prakul Sharma表示：“在德勤，我們將這視為智能成熟度曲線的第三階段：從‘輔助智能’（AI和分析幫助人們解讀信息），到‘人工智能’（機器學習增強人類決策），再到‘自主智能’（AI在定義邊界內決策和執行）。當前GenAI時代的能力——如聊天機器人和對話式AI——位於該曲線的中間。代理智能充當進入自主性的橋樑，並且是當前重心正在轉移的地方。我們看到的區別在於主動性：GenAI產生答案，而自主智能通過推理目標、調用工具和數據，並隨着條件變化進行調整來追求結果，人類設置防護欄而非驅動每一步。我們正在各個行業看到這一點，在每種情況下，解鎖的關鍵不是代理本身，而是圍繞它的治理架構，包括身份和人在循環中的檢查點，使自主性能夠安全擴展。”

為提取實際經濟價值，這些自主系統必須直接集成到創收或成本密集型工作流中。考慮企業採購場景：一個代理應用持續將供應鏈庫存與企業資源規劃（ERP）系統中的實時供應商定價進行交叉引用。然後它可以在預定義的財務參數內獨立授權採購訂單，僅在出現偏差時暫停等待人工批准。同一系統還必須在ERP中擁有可驗證的身份，讀取足夠新的定價數據以具有合同約束力，並在法律和合規部門正式批准的審批閾值內運行。這些依賴項中的任何一個未解決，都會完全破壞自主執行的案例。因此，實現這種自動化水平需要在分配任何計算資源之前對現有操作進行詳盡檢查。

Sharma概述了德勤用於啓動此運營改造並定位自主性可產生實際收入領域的方法：“我們建議的第一步是從決策審計和流程開始。我們要求領導者選擇一兩個價值鏈，其中結果受決策（而非流程中的任務）瓶頸限制，並繪製當前決策是如何做出的。我們會問諸如誰擁有數據、誰擁有權限、交接在哪裏中斷、需要什麼行動以及在哪裏應用判斷等問題。提出這些問題會揭示自主性將創造實際經濟價值的流程工作流，同時暴露可能使試點脱軌的數據和治理差距。從那裏，我們幫助領導者安排重新佈線：為第一個價值鏈建立具有AI和代理結構、數據、評估、代理身份和人機迴環模式的基礎層，證明其有效，然後將其作為擴展的模板。”

一旦運營目標被隔離，技術執行常常因上游摩擦而停滯。來自主要供應商的基礎模型已經足夠先進，可以處理複雜推理任務，並已成為可互換的商品。摩擦點在於將這些推理引擎連接到遺留數據架構。Sharma觀察到真正的技術障礙在提示到達大型語言模型之前就出現了：“基於我們所見，模型很少是瓶頸，因為前沿能力正在迅速成為商品。企業在設計階段絆倒的地方在模型上游。他們在映射底層工作流之前選擇用例，導致代理自動化了一個已經損壞或儀器化不良的流程。第二個模式是數據：客户可能低估了自主系統需要決策級數據，而非報告級數據，這意味着大多數企業數據架構並非為支持這種數據而構建。”

這種區別很重要，因為大多數企業數據架構是為人類分析師而非自主系統構建的。報告級數據——按夜間或每週批次週期聚合，為儀表板消費而結構化，並剝離了記錄值如何派生的沿襲——在人對數據應用判斷後才採取行動時是足夠的。自主代理沒有這樣的後盾。當它檢索合同價格或庫存水平以執行交易時，該數字必須帶有足夠新的時間戳以具有約束力、可追蹤的來源以及確認代理有權讀取和操作它的訪問控制。提供這種決策級數據涉及將自主代理與適當的事件存儲和數據庫集成，這些數據庫旨在管理結構化和非結構化企業信息。當代理檢索數據以執行任務時，企業必須保證其新鮮度。依賴陳舊的批處理數據會引入極端風險，可能導致系統基於過時的定價層級或過時的合規框架行事。

擴展這些系統的財務模型還需要預測可變計算費用。由於代理工作流涉及與大型語言模型的多次交互以推理單個目標，API成本可能不可預測地上升。通過檢索增強生成過程緩解幻覺風險也增加了必要的計算開銷，因此需要在企業部署前進行嚴格的財務控制。

從受控測試環境過渡到實際企業部署是一個截然不同的命題。小規模測試可能使用精心挑選的數據集完美運行，但將該能力部署到數千名員工和互連軟件平台時會暴露漏洞。導航現代企業安全環境需要將代理架構與現有身份提供商和雲原生安全控制深度集成，跨越混合雲生態系統。Sharma指出了這種集成失敗以及由此產生的治理債務，阻礙了進展：“我們看到的主要障礙是我們所謂的生產差距。一個試點可以通過巧妙的提示、精心策劃的數據集和一個手動運行它的冠軍團隊成功，但企業部署需要持續的評估、在試點從未接觸過的系統中工作的身份和授權、用户的變更管理，以及能夠吸收大規模使用成本的財務模型。與此相關的是治理債務：為加速試點而放棄的控制、審計軌跡和風險框架，一旦法律和合規部門評估生產部署，往往成為關卡項目。突破的客户是那些不將試點視為實驗，而是將其視為可重用平台的第一個生產實例——具有相同的評估、身份模型和治理。這樣，第二個和第三個用例可以建立在第一個之上，而不是從頭開始。”

初始測試中應用的合規框架通常完全不足以用於實際部署。急於證明概念的團隊經常繞過標準的企業安全協議，從而製造了未來擴展的關卡項目。

所有三種失敗模式——生產差距、治理債務和上游數據摩擦——的共同點是，在運行良好的試點期間，每一種都是不可見的。一個擁有精心策劃的數據集和管理支持的冠軍團隊可以掩蓋缺失的身份控制、過時的數據和延遲的合規審查，足以產生令人信服的演示。只有當系統必須在完整的企業環境中運行，面對真實用户、實時數據和法律審查時，這些差距才會成為結構性障礙，而非已知的變通方法。從一開始就構建可重用平台——將身份驗證、持續模型評估和財務監控視為一等需求，而非發佈後添加——使組織能夠避免為每次後續部署重建這些基礎。

（圖片來源：Pixabay，授權使用。）

想要從行業領導者那裏瞭解更多關於AI和大數據的信息？請查看在阿姆斯特丹、加利福尼亞和倫敦舉辦的AI & Big Data Expo。該綜合活動是TechEx的一部分，並與包括網絡安全與雲博覽會在內的其他領先技術活動同時舉行。點擊此處瞭解更多信息。

AI News由TechForge Media提供支持。在此處探索其他即將舉行的企業技術活動和網絡研討會。