让AI代理在生产环境中可靠运行——而不只是在演示中——比企业预期的要困难得多。数据碎片化、工作流程不明确、升级率失控正在拖慢各行业的部署。
“技术本身在演示中往往运作良好，”Greyhound Research首席分析师Sanchit Vir Gogia表示，”挑战始于它被要求在真实组织的复杂性中运作时。”
三大核心原则
Creatio负责代理部署的Burley Kawasaki及其团队开发了一套方法论，围绕三大原则构建：
- 数据虚拟化：绕过数据湖延迟
- 代理仪表板和KPI：作为管理层
- 严格限定的用例循环：推动高自主性
Kawasaki表示，在简单用例中，这些实践已使代理能够自主处理高达80-90%的任务。经过进一步调优，即使在更复杂的部署中，估计也能支持至少一半用例的自主解决。
为什么代理在生产中持续失败
企业渴望以某种形式采用代理AI——往往是因为害怕落后——但在数据架构、集成、监控、安全和工作流程设计方面遇到重大瓶颈。
第一个障碍几乎总是数据。企业信息很少以整洁统一的形式存在；它分散在SaaS平台、应用、内部数据库和其他数据存储中。有些是结构化的，有些不是。
即使企业克服了数据检索问题，集成也是一大挑战。代理依赖API和自动化钩子与应用交互，但许多企业系统在设计时从未考虑过这种自主交互。这可能导致API不完整或不一致，系统在程序化访问时可能做出不可预测的响应。
调优循环
Creatio以”有明确护栏的有界范围”部署代理，随后进行”明确”的调优和验证阶段。团队审查初步结果，根据需要调整，然后重新测试，直到达到可接受的准确度水平。这个循环通常遵循以下模式：
- 设计时调优（上线前）：通过提示工程、上下文包装、角色定义、工作流程设计、数据和文档锚定来提升性能
- 人在环校正（执行中）：开发者批准、编辑或解决异常；在人工干预最多的地方，用户建立更强的规则、提供更多上下文、更新工作流程步骤或缩小工具访问范围
- 持续优化（上线后）：开发者持续监控异常率和结果，根据需要反复调优
数据就绪不一定需要大改造
在部署代理时，”我的数据准备好了吗？”是常见的早期问题。企业知道数据访问很重要，但可能被大规模数据整合项目吓退。
但虚拟连接可以让代理访问底层系统，绕过典型的数据湖/湖仓/仓库延迟。Kawasaki的团队构建了一个与数据集成的平台，现在正在开发一种方法：将数据拉入虚拟对象，处理它，像标准对象一样用于UI和工作流程。这样就不需要在其数据库中”持久化或复制”大量数据。
将代理与工作匹配
最适合自主（或近乎自主）代理的是具有”清晰结构和可控风险”的高容量工作流程。例如，入职或贷款准备中的文档接收和验证，或续约和推荐等标准化外联。
“特别是当你能将它们与行业内的具体流程联系起来时——那就是你可以真正衡量和交付硬ROI的地方，”Kawasaki说。
例如，金融机构通常天然是孤立的。商业贷款团队在自己的环境中运作，财富管理在另一个。但自主代理可以跨部门查看，识别商业客户是否可能是财富管理或顾问服务的良好候选者。
“你可能认为这是一个显而易见的机会，但没有人跨所有孤岛查看，”Kawasaki说。一些将代理应用于此场景的银行已看到”数百万美元增量收入的收益”。
关键要点
最终，代理需要企业架构的协调变更、新的编排框架和明确的访问控制。代理必须被分配身份以限制其权限并使其保持在边界内。可观察性至关重要；监控工具可以记录任务完成率、升级事件、系统交互和错误模式。
“当AI系统可以采取行动时，企业必须回答一些在副驾驶部署中很少出现的问题，”Gogia说。比如：代理被允许访问哪些系统？它可以不经批准执行哪些类型的操作？哪些活动必须始终需要人工决策？如何记录和审查每个行动？
那些低估挑战的企业往往发现自己被困在看起来令人印象深刻的演示中，却无法在真实的运营复杂性中生存。
发表回复