导言
维克托-科英布拉 现任 Managing Partner 的首席技术官兼管理合伙人,负责领导该公司在美洲地区的人工智能、 data科学以及工程工作。 他的职业生涯既融合了在贝恩和埃森哲积累的商业战略经验,又具备在复杂企业环境中亲力亲为领导人工智能和机器学习系统部署的实践经验。他致力于帮助组织将技术能力与可衡量的商业成果相结合,包括实现人工智能规模化所需架构、治理和运营模式。
Artefact 是一家全球性的 data 和人工智能咨询公司,致力于协助企业制定战略、构建 data platforms、部署人工智能解决方案,并管理组织变革。其业务涵盖金融服务、医疗保健、制造业和零售业等多个行业。 在其 Adopt AI 峰值, 该活动将于2026年12月3日至4日在巴黎大皇宫举行,科英布拉将探讨企业如何突破试点阶段,组建由人类与人工智能代理共同组成的团队,并衡量人工智能在生产中的价值。
您的职业生涯从埃森哲(Accenture)的商业战略工作起步,随后在data公司领导覆盖整个美洲地区的人工智能、数据科学和工程团队。
战略咨询与亲力亲为的技术领导力相结合,这种结合方式是如何塑造您帮助企业将人工智能投资转化为可衡量的商业成果的方法的?
这让我明白,必须始终将人工智能战略与落地实施相结合。在贝恩和埃森哲的工作经历让我意识到,高管们看重的是利润表项目上的变化。而工程实践则让我明白,从演示文稿到实际生产过程中,很多价值可能会流失。
如今,人工智能已不再仅仅关乎技术,而是更多地关乎如何为核心业务运营构建护城河。关键问题在于,如何将个人生产力转化为企业的集体价值,并在整个公司范围内实现真正的共享认知能力。
这需要策略与执行相结合,而我在亲身实践这两方面时学到了很多。
尽管在artificial intelligence方面投入了大量资金,许多组织仍难以在成功的试点项目之后更进一步。
根据您的经验,阻碍企业人工智能项目投入生产的最常见障碍有哪些?成功实现大规模部署的企业又有哪些独特之处?
根据我的经验,许多项目之所以陷入停滞,是因为在原本仅为人类设计的组织中引入了人工智能。这项技术通常都能正常运作。但工作分工问题往往仍未明确:哪些任务应由智能体负责,哪些仍由人类承担;由谁来审核,以及谁对结果负责。
此外,有三方面因素往往会阻碍规模化发展:随着按使用量计费模式的实施,代币成本呈爆炸式增长;安全与治理问题;以及尽管用户已获得访问权限,却始终未能转化为实际使用。
我观察到那些发展势头良好的公司,都将人工智能视为一种组织架构重构。它们将交付流程划分为两个循环。在内循环中,代理程序负责端到端的执行:编写代码、构建、测试、部署、代码审查。在外循环中,人类设定目标、验证结果,并监控成本和质量。然后,它们在底层构建一个平台,并将其复用于所有用例。
您曾撰文探讨过构建“AI原生”组织的重要性,而非仅仅在现有系统中添加聊天机器人和辅助工具。为了支持这一转型,企业技术架构需要进行哪些根本性变革?目前企业在哪些方面投资不足?
一家原生人工智能公司基于一个平台运行,该平台由四个层级构成:Harness、Context、Model 和 Infra。Harness 是人类与智能代理交互并协作的场所,也是围绕模型构建的完整应用。 “上下文”定义了智能体所掌握的知识及其拥有的权限。“模型”则规定了如何以合理的成本访问、路由和管控模型。“基础设施”是模型实际运行的场所,也是控制权归属的所在。
当然,大多数人的注意力都集中在显而易见的20%上:即副驾驶和聊天工具。而隐藏的80%才是工程工作的核心所在,成本、安全性和控制权也都在这里决定。
我的建议很简单。购买通用型框架,然后自行构建行业专用框架。租用模型和基础设施并进行实验,因为它们每季度都会更新。同时,要完全掌握自己的应用场景。这是真正属于你的层,也是我认为最值得加大投入的地方。
随着人工智能从辅助员工发展到自主执行复杂工作流程,组织应如何确定哪些流程适合采用代理式自动化?在赋予人工智能代理更大的决策权之前,必须建立哪些技术和运营层面的保障措施?
在我看来,智能体非常擅长处理与过去相关的工作,而人类则擅长处理与未来相关的工作。智能体在任何基于现有信息的工作上都表现出色,例如分析、编码、测试、文档编写和数据核对。 人类则擅长需要创造力的工作,而创造力从定义上来说就是面向未来的:品味、远见、规划、决策,以及判断结果是否真正优秀。
实际上,这对应于两个循环。智能体负责运行内层循环并执行任务,而人类则负责外层循环:意图设定、验证和监控。
这些安全保障是经过精心设计的,而非被动响应。我们采用了6层防护体系:任务捕获、内存保护、配备沙箱运行环境和权限控制的安全工作台、带有检查点和澄清机制的循环流程、模型路由,以及界定代理无法独立执行的操作的防护措施,例如人工审批、策略检查和个人身份信息(PII)控制。 随后,自主权会随着业绩记录的积累而逐步提升,这与新员工的发展过程如出一辙。
您曾将人工智能代理描述为“队友”,而非传统的软件工具。这种观点将如何改变组织在构建团队、分配职责以及培训员工与日益自主的人工智能系统协作方面的做法?
我们已经步入了混合型组织时代。我认为目前最关键的问题在于,如何在人类员工和智能代理之间合理分配劳动力。我相信这是实现规模化的关键。
在混合团队中,组织结构图分配的是认知能力,而非人员编制。在我看来,成熟的技术团队中典型的任务分配比例是:15% 纯人工工作、25% 增强型工作,以及 60% 由智能代理完成。 IT 负责人设定目标、分配资源,并对结果和成本负责。一名资深开发人员负责验证智能代理的交付成果并决定架构。一名协调员智能代理负责任务调度并reports成本,而一名审核员智能代理则负责检查每次交付成果。
效益通过三个步骤实现复利增长。增强型员工能带来约5倍的效益;作为合成员工、负责端到端工作的智能代理能带来约10倍的效益。我认为,将两者整合为一支统一的劳动力队伍,正是实现1000倍增长潜力的关键所在。
培训也遵循同样的逻辑。人们学会像指导一名初级工程师那样向代理提供任务简报——提供结构化的背景信息和明确的目标——并将时间用于品味、规划和决策。
企业级人工智能系统在很大程度上依赖于可靠的 data 基础设施,但许多组织仍面临着数据分散 data、治理不一致以及技术陈旧等问题。 企业在为自主人工智能构建data platforms时,应优先考虑哪些基础能力?又该如何在不影响现有运营的情况下实现现代化转型?
为一种新型用户——客服代表——设计您的 data platform。当仪表盘显示的数字有误时,会有人工进行核查;而客服代表则会针对错误的数字采取行动,且能大规模执行。
优先考虑4项能力。统一的业务定义,确保每位客服代表和团队对“活跃客户”这一术语的理解保持一致。具备身份验证功能并支持MCP等标准协议的集成网关,使客服代表能够以所代表角色的权限访问data。 可观测的质量和数据溯源。将非结构化 data 视为一级资产,因为合同、工单和会议记录蕴含着大部分真正的知识。
若要实现无中断现代化改造,应先对遗留系统进行封装,然后按用例逐一迁移。代理技术在此也改变了经济模式。如今,多代理迁移管道能在数月内完成数十万行遗留代码的现代化改造,而架构决策则由人类来决定。
除了能够访问结构化data之外,AI 代理还越来越需要理解机构知识、业务流程和组织背景。企业如何才能有效地捕捉这些知识并将其整合到 AI 系统中?当代理在缺乏充分业务背景的情况下运行时,会产生哪些风险?
正是上下文,让模型变成了同事。工具理解任务,而智能体理解上下文。你不会在不说明目标、约束条件以及预期结果的情况下,就让一名初级工程师开始工作,智能体也是如此。
从工作本身中汲取知识,而不是依赖那些难以保持更新的庞大文档项目。 每次会议、工单、决策和更正都会为一个上下文层提供数据,该层整合了文件、表格、向量以及关系图谱。每项完成的任务都会将数据写回系统,因此组织在每次交付中都能积累经验。而上下文层也需要自身的治理机制:评估、权限管理和成本控制。
如果缺乏上下文,智能代理往往会以几种可预见的方式陷入困境。它们只会遵循明文规则,却忽略了人尽皆知的潜规则;它们会检索到错误的信息,却仍满怀信心地给出答案;它们还往往基于上季度的数据进行处理。 此外,如果上下文层缺乏严格的权限控制,可能会使敏感的 data 面临风险。
许多公司通过生产力提升、采用率或启动的试点项目数量来衡量人工智能的成功与否。首席信息官和企业领导者应采用哪些指标来评估人工智能的真实投资回报率,特别是在考虑基础设施成本、持续维护以及自主代理的运营复杂性时?
衡量的是混合型劳动力,而非工具本身。采用率只是四个评估层次中的第一层,且始终以部署前的基准值作为参照。采用率关注的是人们是否使用该工具;生产力则关注我们能否更快地交付成果:交货周期、吞吐量、问题解决时间。 质量评估关注产出是否更优:漏检缺陷、变更失败率、返工率。价值与成本评估则关注投入是否物有所值:释放的人力、上市时间、每项任务的总成本。
一个容易被忽视的指标是,各团队之间人类与智能体之间的认知能力如何转移。释放出来的人类能力必须有目的地重新部署到面向未来的工作中。否则,部分收益就会白白流失。
在成本方面,定价模式正从固定费用转向按使用量计费,这可能会导致账单更难预测,因此模型路由和FinOps应从平台上线之初就纳入其中。将AI支出视为cloud支出:透明、可归因于特定团队,并与价值挂钩。
Artefact 与金融服务、医疗保健、制造业、零售业以及其他在人工智能应用方面面临不同挑战的行业的企业展开合作。从这些领域的实际部署中,有哪些经验教训正在浮现?组织应如何在创新与合规、可靠性以及人工监督之间取得平衡?
每个行业都面临着同样的问题:如何在人类和智能代理之间分配工作。不同之处在于,外环中必须由人类负责的部分占多大比例。在零售和消费品行业,犯错的代价较低,因此智能代理能更快地承担更多工作。在制造业,可靠性以及与运营系统的集成程度决定了发展节奏。 在金融服务和医疗保健领域,每一项决策都必须能够解释,因此人类在更长的时间内保留了更多的核查和决策权。
我从各处得到的启示是:合规性作为平台的固有属性,从一开始就融入其中时效果最佳。当防护措施、审计日志和人工审批都内置于系统架构中时,每一个新的用例都会自动继承这些机制。而如果合规性只是在最后阶段才被考虑,那么每个新项目都不得不重新开启这一讨论。
监督应分级进行。代理在处理低风险任务时可独立行动,处理中风险任务时需进行例外审查,而仅在处理高风险任务时才需准备决策。随着信任度的提升,监督级别也会相应调整。
随着Artefact的Adopt AI峰会将于今年12月在巴黎举行,围绕人工智能主权、治理及产业竞争力的讨论正变得日益重要。 您如何看待欧洲在人工智能应用方面的做法对全球企业战略的影响?您认为未来几年哪些发展将决定企业人工智能的下一阶段走向?
欧洲很早就提出了主权问题,我认为这正逐渐成为一项全球性的设计原则。 跨国公司不希望每项法规对应一套架构,因此它们会针对最严格的法规进行设计:掌控自身运行环境、租用模型,并确保对运行位置及密钥持有者的控制权。欧洲的下一个机遇在于以同样的干劲推动这些架构的采用,因为竞争力将源于大规模的应用。
下一阶段是混合型组织,我认为这就是工作的未来。企业将从单纯计算员工人数,转向管理人类与智能代理之间共享的认知能力。智能代理将承担大部分面向过去的工作:分析、编码、报告。 人类则将转向面向未来的工作:品味、远见、规划和决策。
我相信,那些率先解决分工问题的公司将引领行业发展。这就是我希望在巴黎展开的讨论,以规划未来几年的发展方向。
谢谢 安托万·塔尔迪夫,Unite.AI 首席执行官兼创始人 如需阅读这篇详尽的访谈,您可以在此处进一步了解Unite.AI:https://www.unite.ai/victor-coimbra-cto-and-managing-partner-at-artefact-interview-series/

博客




