人工智能代理：掌握变革浪潮
人工智能不再只是一个承诺，而是重新定义商业轮廓的现实。然而，在企业内部有效整合人工智能仍面临重大挑战。Managing Partner 和 Artefact 人工智能加速全球负责人哈南-瓦赞（Hanan Ouazan）最近就如何在我们的营销、沟通和运营流程中使用人工智能代理提出了富有启发性的见解。他的发言强调了成功采用人工智能的必要条件。.
零散采用和持续障碍
谷歌和 BCG 的一项研究发现，真正完成人工智能转型的公司不到 1%。虽然许多公司正在尝试和优化现有流程，但大多数公司都在努力协调全球整合。造成这一差距的原因是，从以工具为中心的逻辑转变为真正以流程为中心的逻辑非常困难。市场上的技术已趋于饱和，因此持续监控和整合成为一项日常挑战。.
有三大障碍阻碍了这一大规模应用。首先是 data：近三分之二的企业 data 仍未开发。其次是组织方面的障碍：营销作为一门成熟的学科，往往沿袭了僵化和孤立的做法，阻碍了流畅的协调。第三个挑战是整合。虽然孤立的概念验证 (POC) 很容易创建，但将技术集成到现有流程的上游和下游却复杂得多。.
从法律硕士到代理人：人工智能行动起来
尽管存在这些挑战，但当前的创新环境已经成熟。大约两年半前，大型语言模型（LLM）的出现提供了处理海量 data 的能力。除了信息检索应用之外，LLM 还能进行更精细的分析。Hanan Ouazan 举了一个鲜明的例子：LLM 可以通过分析谷歌分析日志来检测用户访问网站的潜在意图。用户在浏览各种家具产品时，并不仅仅是在寻找单件商品，他很可能是在 “重新装修自己的客厅”。这种对整体意图的理解为我们提供了前所未有的精准营销视角。.
下一步，人工智能代理的出现标志着真正的加速。LLM 可以消化信息，而代理则可以激活和协调信息。这一进步填补了渠道间协调的空白，是流程流畅性的一次革命。要掌握这一转变，必须考虑三个关键领域：data、整合和信任。.
Data：人工智能代理的基本燃料
第一个领域是 data，它是任何生成式人工智能计划的原材料。它的质量至关重要。我们的目标是以治疗模式（改进现有的 data）和主动模式（鉴定每个新的交互）利用 data 的 100% 。例如，LLM 可纠正填写不完整的产品单，或在呼叫中心实时捕捉和构建呼叫信息，以合格的方式丰富客户关系管理。.
整合：大规模生产的挑战
第二个方面是整合。呼叫中心的例子说明了这一点：最理想的是人工智能能够实时监听呼叫，识别客户的疑问，并立即向顾问显示相关回复。这需要电话、人工智能、知识库和客户关系管理之间的无缝集成。虽然 POC 可以快速创建，但投入生产往往会因连接或软件兼容性问题而放缓。预测这些 “摩擦点 ”对于扩大规模至关重要。.
信任与管理：掌握代理部署
第三个基本方面是信任问题。为每个员工部署人工智能 “副驾驶”--每个人可能有几个代理--会引发生存问题。 这种可访问 data、产生成本且可能无法控制的代理的扩散往往被低估。它提出了经济可行性、可靠性（模型可能产生 “幻觉”）、安全性（访问 API 和敏感的 data）和合规性等关键问题。随着谷歌人工智能代理空间等专用平台的出现，对这些人工智能代理的管理和监督已成为当务之急。.
对这些代理的管理不仅仅局限于 IT 领域。在信息技术确保技术运行的同时，data 和业务团队必须共同评估人工智能响应的相关性和准确性。组织转型不可避免。它不再是优化现有流程，而是重塑流程。人工智能代理的存在不是为了给当前的方法增添新的动力，而是为了彻底重新思考这些方法，包括用户体验，因为消费者对人工智能已经有了很高的期望。.
这种深刻的变革需要企业最高层的大力支持。这不仅仅是一个技术项目，而是对职业、IT 角色、data 和业务的重新定义。这不仅需要预算，还需要在培训和团队文化适应方面进行大量投资。最近的一项研究（2025 年初）强调了员工期望与实际情况之间存在的惊人差距：很大一部分员工缺乏人工智能方面的培训。这表明，尽管承诺进行转型，但许多组织尚未做好准备。.
总之，人工智能代理的兴起远远超出了技术框架。从根本上说，这是一个组织、战略和人力方面的挑战，需要采取全面的方法和清晰的愿景，引导公司在这一新模式中重新定义自己的角色。.
观看 replay 演示：
