建設AI Agent前，企業必備的12個核心認知

　　7月2日，九科信息產品VP傅愷，受邀參加了由創道硬科技舉辦的“科技Pilot·硬科技新勢力訪談”直播活動，與創道硬科技創始人步日欣圍繞“AI Agent落地，真正提升企業數智化生產力”的話題，展開了思維碰撞與觀點探討。

　　本文特別整理了本次活動的訪談嘉賓，九科信息產品VP傅愷的12個核心觀點，在此和大家分享。

　　嘉賓介紹：

　　● 深耕人工智能及企業級低代碼平臺研發10年+，主導多款億元級商業化產品落地

　　●任碼隆科技產品VP期間主導開發「Retail AI」智慧零售引擎，實現百萬級零售柜設備部署，日均訪客數超300萬次;系統落地商超巨頭累計銷售額破億，終端用戶觸達超1億人次

　　● 為建信金科打造低代碼平臺「云樞」，單客戶為建行創造年營收超千萬元

　　● 清華大學工業工程學士、埃因霍溫理工大學人機交互碩士。全國信息學奧林匹克競賽一等獎（Top 0.1%）

　　一、變革

　　01 AI大模型的誕生，大大降低了非IT工作者的勞動強度。

　　大模型的誕生，讓AI技術得以更廣泛地賦能非IT領域，無需復雜編程即可實現高效自動化，顯著減輕了人工勞動強度。

　　以財務領域為例，在央企每年都有大量的財務數據需要上報國資委。光這一部分的工作，可能就需要動用數千人進行集中式加班，完成數據的搜集、整理、轉換和提交。而由于數字員工的加入，財務數據的上報變得更為簡單。它能夠讓原本需要三四千人的工作量，銳減至一兩百人。

　　02 Agent智能體的出現，讓一人頂百人正成為現實，

　　同時讓企業對工作者的能力要求發生了巨變。

　　在大模型降低了某些領域的勞動強度以及工作量的同時，也無可避免地導致某些崗位的需求變少，甚至有些崗位不再被需要。而其催生的新崗位需求卻還沒有完全成型。

　　Agent帶來了前所未有的工作模式變革，人類也需要不斷的去更新自己的技能庫。尤其對于傳統IT行業從業者，如果不及時更新自己的能力或者是認知體系，可能會首先被AI所影響。未來的工作模式很有可能會升級為少數人管著一堆Agent，所以在享受智能體減輕人類工作負擔的同時，也要及時提升我們對AI的掌控力。

　　03 Agent智能體讓企業監管以及市場響應變得更迅速。

　　在過往，如果我們要了解某供應鏈企業的經營狀況、輿情，或是供應鏈市場變化等信息，通常需要一個較長的工作周期。這種滯后性往往讓企業在市場競爭中錯失良機——比如在突發的原材料價格波動中，因未能及時掌握市場動態而錯失最佳采購時機;在負面輿情發酵時，因信息收集緩慢而無法快速回應，導致品牌形象受損。

　　但得益于Agent智能體的出現，企業不僅能通過其快速搜集相關數據，而且還能就市場變化等問題，按照企業需求做數據分析，讓企業對內對外的響應速度都大幅提升。

　　二、演化

　　04隨著AI的能力越來越泛化，人的參與度越來越低。

　　AI在不同的發展階段，與人類有著不同的協作形式，目前以下面這四個階段為主：

　　(1) Embedding（嵌入）：將文本、圖像等非結構化數據轉化為可被AI理解的向量，是AI處理信息的基礎形式。就像戰斗機上的火控雷達，負責“提供戰斗參數”并“引導武器攻擊”。它能把目標的各類信息轉化為可計算的信號，為人類的后續處理提供基礎。

　　(2) Copilot（智能助手）：以協作方式輔助人類完成任務，通過實時分析場景提供建議，增強人類工作效率。如同戰斗機上的副駕駛，負責“操作武器”或“觀察敵情”。它與主駕飛行員(用戶)緊密配合，共同推進任務完成，兩者依存度高。

　　(3) Agent（智能體）：能接收目標指令后，自主規劃步驟并完成端對端任務，無需人類持續介入。如同無人戰斗機，在指揮系統告知目標后，可自行規劃路徑、執行動作以達成任務。

　　(4) Self Driving（自主驅動）：能自主理解長期戰術目標，主動分解任務并協調執行，具備處理復雜、長期任務的能力。好比一個空軍旅，甚至不需要具體指令，就能夠對戰術目標進行理解，會自行拆解任務、分配角色并推進執行。

　　從最初難以被人類感知到其存在的Embedding，到能與人類協作的Copilot，再到能端到端執行任務的Agent，最后到能夠自主理解、拆解任務目標的Self Driving，在這個演化過程中，人類的參與度一再降低，需要人類親自執行的事情越來越少。目前的企業級AI應用中，Embedding和Copilot更常見，Agent正在加速落地，而Self Driving則是下一代的未來級應用。

　　05 RPA更像流水線工人，Agent智能體更像全能員工。

　　RPA需要先由人類錄入指令或輕度編程才能開始工作，本質上RPA接受的還是細碎的、Copilot式的指令，每一個任務細節都需要人類下達清晰指令。而Agent智能體不僅能完成流水線工作，還能勝任更復雜的任務——它不僅限于回答問題，還能理解并執行戰略級指令，通過在數字世界中操作應用和系統來完成任務，并對現實產生影響。

　　06 現在很多Agent智能體本質上還是個“笨蛋”。

　　很多企業客戶發現，雖然搭建了Agent智能體，但使用體驗還是僅限于“智能客服”式的問答類場景。這些“智能體”的能力上限不高，最多只能基于對話，來完成word、PPT、圖片等生成式任務，并沒有在大模型的已有能力基礎上實現太大的超越。

　　而像九科信息bit-Agent這類的GUI智能體，能夠通過操作用戶電腦，完成一系列復雜的界面操作任務。九科信息bit-Agent既能干RPA的活，也能干Agent的活，這是我們的顯著優勢之一。

　　三、落地

　　07 企業應該先明確自身需求及智能體定位，再啟動部署。

　　企業在利用AI工具實現智能化之前，首先要解決認知層面的問題。比如目前市場上AI工具的功能、定位分別是什么，能解決什么問題。然后結合業務，思考該場景需要哪些工具參與、能夠達到怎樣的效果。

　　智能化的前提是業務的規則化、標準化。

　　Agent智能體搭建的前提，是企業在業務認知上已經有了足夠的積累。大模型是基于我們一般常識所誕生的，因此它的上限就是常識。而很多企業內部的業務，并不是一般常識就能理解或覆蓋的，如果企業本身沒有做好業務的規則化標準化處理，那么所謂的智能化推進，也只能是空中樓閣。

　　08 企業數智化轉型，意味著流程鏈條上各個環節的責任和權力面臨重新分配。

　　企業如果實現了業務智能化，便會產生新的責任分配問題。Agent智能體的各個決策需要權限批準——要不要給AI決定權、AI決策失誤的后果由誰擔責、如何界定AI的責任邊界等新問題，需要企業需要重新考量。因此，Agent智能體的落地，除了帶來生產力的提升，還有人、AI、組織之間關系的復雜重構。

　　09 Agent智能體的典型應用場景，從單一業務環節到全鏈路智能化皆可覆蓋。

　　單一場景智能化。如智能巡檢業務：九科信息bit-Agent智能體持續收集產品/應用的各類信息、數據、圖表，綜合多種數據后進行實時分析診斷和風險判斷;

　　多環節智能化。如上下游銜接：九科信息bit-Agent智能體可以幫企業和供應商、監管部門做數據對接——上游做數據收集、加工，下游做信息錄入;

　　全鏈路智能化。如一站式招聘：九科信息bit-Agent智能體能夠獨立完成，從發起招聘需求，到簡歷篩選，再到預約面試及背調，甚至到辦理入職手續等全鏈路環節智能化。

　　四、共生

　　10 在專業性上，人類無法追上AI。

　　隨著AI的發展，其知識積累的速度和量級遠超人類。因此在專業性上，人類比不過AI，兩者之間的能力也不對等、不平衡。

　　長期來看，人類需要與AI結合共生，并通過資源掌控力、責任承擔力以及權力分配，來增加人類的砝碼，以獲取二者之間的平衡。

　　11 結構化、制度化優先于智能化，想減少“幻覺”，就要限制AI的使用。

　　由于大模型的隨機性，“幻覺”問題無法杜絕，但可以通過可靠的固定流程，把主體工作“框定”起來，以提供確定性。同時，謹慎地使用AI，減少其在整個工作流中的影響，能夠盡可能地降低大模型幻覺所帶來的偏差。

　　因此，在搭建Agent智能體的過程中，結構化、制度化優先于智能化。比如，要求任務執行有著高確定性、低容錯率的辦公、工業場景，傳統RPA技術反而更有用武之地。

　　同時，針對AI做好數據留痕及交叉檢驗。比如九科信息的bit-Agent，一個智能體負責執行界面任務，另一個智能體則專門負責監管。通過這種交叉驗證機制，進一步減少“幻覺”的影響。

　　12 AI將要求人類具備三個方面的能力。

　　未來，人類和AI如何共生?怎么做才不會被AI完全取代?這就要求人類具備三個方面的能力：

　　一、對問題的定義能力：能夠清晰地將你的任務目標告知AI;

　　二、工作流構思的能力：對問題進行拆解，然后形成結構化;

　　三、業務體系迭代能力：利用數據信息，驅動業務改進。

　　要在這場人機協作的深刻變革中搶占先機，企業與個人都必須在“精準定義—結構拆解—持續迭代”三大能力上不斷精進。只有當我們能準確地向AI傳達目標、以系統化思維拆解任務，并善用數據反饋驅動業務優化，才能真正掌握Agent智能體的賦能之道。在這一過程中，人類智慧不僅不會被取代，反而會因與AI的高效協同而得到前所未有的升華，共同開創數智化時代的新高度。