专家建议爬行，然后步行，然后与AI代理商一起跑步

欢迎体验多智能体AI系统时代，其在提升个人和专业生产力方面的潜力巨大。然而，将这些先进的生成式AI（Gen AI）工具整合进您的组织并非易事。根据德勤近期报告，自主智能体开发的兴趣正在上升，26%的组织正在探索这一领域。超过半数的管理者（52%）热衷于开发智能体AI，45%的管理者希望扩展到多智能体系统。尽管这些系统前景可期，但它们并非解决所有挑战的万能药。

报告指出，智能体AI通过自主实现目标、最小化人工干预，可显著提升可持续商业价值的创造。然而，报告也提到，生成式AI面临的障碍——如监管不确定性、风险管理、数据不足和劳动力问题——在智能体系统因其复杂性增加而被放大。

德勤咨询AI负责人Jim Rowan强调，与主要对输入做出反应的传统机器人不同，智能体AI能够规划、优先排序任务并执行复杂工作流程，几乎无需人工监督。然而，他警告说，实施这些系统成本高昂，强调了强大数据基础设施的重要性，包括可扩展的云平台、先进的数据分析工具和强大的网络安全措施。

对于希望采用AI智能体的组织，简单起步是关键。宾夕法尼亚大学教授Benjamin Lee建议，已经使用生成式AI处理简单任务的公司有良好基础利用智能体AI。这些组织的员工习惯将复杂任务分解为更简单的任务交给AI，从而已经体验到生产力提升。

Rowan建议采取分阶段方法——从试点项目开始，在可控环境中测试多智能体系统。他将当前的AI状态比喻为幼儿，而智能体AI更先进，类似青少年——功能强大，能够执行特定功能。

为进一步整合AI智能体，组织应鼓励使用生成式AI处理简单任务，并制定策略将复杂任务分解为可管理的部分。这种方法将使智能体带来的生产力提升透明、易懂且值得信赖。

Rowan还主张使用较小的语言模型，而非主导生成式AI领域的大型模型。这些较小模型在供应链管理、软件开发和财务分析等多个角色中可能更有效。Lee对此表示赞同，指出智能体可以将复杂任务分解为更简单的任务，并使用专业模型将结果整合成连贯的响应。

高质量数据对AI智能体的有效运作至关重要。不准确、不完整或不一致的数据可能导致不可靠的输出和行动，带来采用和风险挑战。因此，投资于强大的数据管理和知识建模至关重要。

劳动力技能提升是另一个关键领域，Rowan强调需要培训技术技能以及与AI智能体协作的能力。准备充分的劳动力对充分发挥AI智能体的潜力至关重要。

持续监控和改进AI智能体的性能也必不可少。这包括收集和分析性能数据，识别改进领域，并进行调整以优化性能。

从政策角度看，公司必须建立明确的智能体AI使用指南。Digital.ai全球智能实践负责人Ben Sapp指出，确定谁可以使用智能体AI、其与其他智能体的交互权限以及系统交互或冲突时的决策层级非常重要。

Sapp举了一个金融服务公司的例子，该公司使用AI模型预测变更失败。根据失败概率，人工可以决定是否更深入审查变更或批准。如果失败概率低于1%，智能体AI可以自动批准变更，消除人工干预需求并简化流程。

总之，尽管智能体AI在提升生产力和创造可持续商业价值方面具有巨大潜力，但其成功实施需要仔细考虑技术、数据、劳动力和政策挑战。