Agentic AI仅仅是迄今为止开展的 生成式人工智能项目的延伸吗？答案是否定的。其重点不再是通过单一用例进行局部优化，而是彻底重塑核心业务流程，以挖掘切实可衡量的价值。
代理并非只是换了个名字的助手。助手的作用是回答问题或生成内容。而代理则致力于实现特定的业务目标，能够做出决策、与系统交互并执行操作。它能够维护状态、处理异常，并在达到极限时进行升级。这种区别绝非表面文章：代理的设计初衷并非为了“回答”，而是要在流程中采取行动。
从生成式人工智能到代理式人工智能：一场范式转变
“代理式人工智能”的出现标志着与上一波生成式人工智能浪潮的明显决裂，后者往往采取零散的方式，仅针对具体用例逐一处理。
正如Orange、SNCF Voyageurs和Beaumanoir集团等公司最近所显示的那样，这场辩论正从“概念层面转向大型企业的运营现实”。如今，该议题由“高层”直接负责，由执行委员会（Comex）在总经理或首席转型官的推动下进行处理。 正如Orange、SNCF Voyageurs和Beaumanoir集团等公司最近所证明的那样，这场讨论正从“概念层面转向大型企业的运营现实”。如今，该议题由“高层”直接负责，由执行委员会（Comex）主导，并由总经理或首席转型官推动。
这种规模上的变化意义重大。Artefact合伙人兼生成式人工智能负责人哈南·奥赞（Hanan Ouazan）表示，这标志着一场真正的范式转变。其目标不再是逐步改进算法，而是重新思考并实现端到端的流程自动化，从而产生直接且可衡量的投资回报率（ROI）。
哈南·奥赞还指出了以往方法的局限性：“即使你已在局部层面对算法进行了深度优化，这种优化依然局限于局部。你仍需依赖流程中的许多其他环节，而这些环节对于实现最终的投资回报率同样至关重要。”通过聚焦于整个流程，Agentic AI 承诺将克服孤立优化带来的“令人失望的效果”。
代理式人工智能也与传统自动化截然不同。自动化只是执行预先定义的任务序列，而代理化则引入了决策、控制、理解上下文的能力，以及为实现目标而调整路径的能力。我们所谈论的不再是固定的工作流，而是一个能够自主导航业务流程的系统。
制定方向：企业战略对齐的“为什么、在哪里、如何”方法
要实现这一宏伟目标，一个清晰的战略框架至关重要。为了规划这一转型，专家提出了一个简单而有效的方法论框架：即“为什么、在哪里、如何”的三重框架。该方法要求依次回答三个基本问题，以实现整个组织的协同一致。
- “为什么”：明确高层战略目标。这一步骤旨在确立目标的宏大愿景，并为必要的投资提供依据。这种“为什么”可以呈现多种形式，例如法国国家铁路客运公司（SNCF Voyageurs）以客户为中心的“指南针”，或是Beaumanoir公司将其团队的“专业效率”作为当务之急。
- “在哪里”：界定竞争领域。一旦确定了目标，公司便会选定那些能够最有效地创造价值的优先职能和流程。
- “如何”：明确具体手段。这包括建立能够支持转型的技术平台、治理机制和组织架构。治理机制至关重要：代理型人工智能需要明确由谁制定业务规则、由谁监督代理，以及由谁授权敏感操作。
与技术相比，正是这些组织决策推动了规模化发展。该框架确保了该举措与公司战略紧密结合。
选择重点：确定先决条件和符合条件的流程
代理式人工智能项目的成功取决于对以下三个基本先决条件的严格评估：
- 流程认知：必须对当前运营情况进行清晰的梳理，因为“纸面上的流程与公司实际运行的流程之间”往往存在显著差距。对于财务或法务等职能部门而言，由于涉及“核心”利益而必须严格记录，因此通常是更理想的切入点。
- 数据与信息系统成熟度：自动化在实施过程中常常会遇到那些在设计之初并未考虑互操作性的遗留系统。 代理不仅需要能够读取信息，还需能够写入信息以执行操作，这要求系统具备开放性。这一能力需要精确的架构：包括协调器、上下文存储、与业务系统的连接器以及监督层。其目标是构建一个贯穿各环节的“神经系统”，将流程与信息系统（IS）相互连接，而非对现有系统进行重复开发。
- 组织成熟度：一个能够监督新流程、整合人工干预（“人机协同”）并管理变革的架构是必不可少的。
综合考虑这三个方面，对于确保部署阶段顺利进行至关重要。
一份务实的部署路线图
一旦确定了符合条件的流程，部署方法应坚决采取务实态度。
第一步是通过权衡潜在价值（预期收益）与转型复杂性（技术、人员、组织方面）来确定流程的优先级。接下来关键的一步是，在“理想状态下”重写目标流程（不考虑任何限制），然后衡量其与现实之间的差距。
然而，哈南·奥赞提醒大家要警惕一个重大陷阱：“试图立即重现未来的流程”。这种做法注定会失败。最佳做法是分阶段制定路线图，从最易获取的价值领域入手。
Oney 通过其“Agentic 概念验证”项目提供了一个具体案例：这家 BPCE 的子公司专注于“简化个人贷款申请流程”这一具体目标。他们没有试图推倒重来，而是首先实现了对 42 份必备文件的自动化分析。仅这一步就使整个流程缩短了三天，并带来了立竿见影的效益。
这种渐进式方法虽能保障项目顺利推进，但并不能消除所有障碍。实践中观察到的反模式包括：在明确流程之前就构建代理；在缺乏保障措施的情况下给予关键代理过大的自由度；或者在未进行组织重组的情况下，就假设代理将“取代”某个角色。相反，将本应需要持续监督和调整的代理视为成品，也是另一种陷阱。
技术之外的挑战：治理、历史遗留问题与工具成熟度
具有自主性的AI项目所面临的挑战，远不止于纯粹的技术范畴。
其一是工具的极快演变，哈南·奥赞将其比作“试图拍摄一列以300公里时速疾驰而过的TGV列车”。押注于尚在开发中的技术风险颇高，因此明智地“选择战场”至关重要。
第二个主要障碍在于组织层面。流程转型本质上是跨部门的，这与那种“各部门互相踩踏”的孤岛式组织结构存在根本冲突。正如法国国家铁路客运公司（SNCF Voyageurs）在“覆盖整个组织”方面所面临的挑战所示，如果缺乏最高层明确的授权，此类举措注定难以成功。
最后，现有工具的成熟度也令人担忧。Artefact 指出，企业级聊天机器人等解决方案与面向专家用户的复杂开发平台之间存在“巨大差距”。Hanan Ouazan认为，需要“低代码”工具来帮助业务用户创建智能代理，同时也需要不依赖特定模型的“端到端”监督平台。
代理互操作性与监督标准
关于Agent to Agent（A2A）或MCP等协议，它们仍处于初期阶段，市场显然尚未成熟。 该专家指出，一家采用多种模型（Mistral、OpenAI、Google、Azure）的CAC40企业目前无法全面监管其所有系统。据他称，业界高度期待供应商能解决这一互操作性和大规模管理问题。供应商必须能够提供解决方案，以“可靠且稳健的方式扩展智能代理的构建”，并实现对这些智能代理的“可靠治理”。
由于缺乏统一的协议和监控平台，企业目前只能被迫要么进行“孤注一掷”（将所有资源押注于单一模型），要么管理“接口”，这严重限制了其扩展能力。主要的技术挑战在于，目前缺乏针对多厂商代理程序互操作性和监控的标准化规范及成熟的管理解决方案。
未来12到24个月内，行业格局将发生快速演变：面向业务用户的低代码平台将应运而生，事务连接器将实现标准化，可观测性能力将得到强化，同时，直接集成到日常工具中的专用代理也将陆续出现。
问题不再是“这是否可行？”，而是“应该对哪些流程进行转型，以及如何有效监督这一过程？”。
观看演讲回放：
