AI 代理：一场亟待掌握的变革浪潮
人工智能已不再仅仅是一个愿景，而是正在重塑商业格局的现实。然而，将其有效融入企业组织仍面临重大挑战。Artefact的管理合伙人兼人工智能加速度 全球负责人哈南·奥赞（Hanan Ouazan）近日就如何应对人工智能代理在营销、传播和运营流程中的崛起，提出了极具启发性的见解。他的发言强调了成功应用人工智能的关键要素。
零星的采用与持续存在的障碍
谷歌与波士顿咨询集团（BCG）的一项研究揭示，真正完成人工智能转型的企业不足1%。尽管许多企业正在尝试优化现有流程，但大多数企业仍难以实现全球范围的整合。造成这一差距的原因在于，从以工具为中心的思维模式转向真正的以流程为中心的思维模式存在困难。市场上的技术层出不穷，这使得持续的监控与整合成为日常挑战。
有三大障碍阻碍了这项技术的广泛应用。首先是数据问题：近三分之二的企业数据尚未得到利用。其次是组织架构问题：作为一门成熟的学科，市场营销往往存在僵化与部门壁垒，阻碍了灵活的协同运作。第三个挑战是集成问题。虽然孤立的概念验证（POC）容易实现，但将该技术集成到现有流程的上下游环节则复杂得多。
从大型语言模型到智能体：人工智能付诸行动
尽管面临这些挑战，当前的环境已为创新提供了绝佳契机。大约两年半前，大型语言模型（LLM）的出现使得处理海量数据成为可能。除了信息检索应用外，LLM还能进行更精细的分析。Hanan Ouazan 举了一个极具说服力的例子：LLM 可以分析 Google Analytics 日志，从而识别用户在网站上的潜在意图。 浏览各类家具产品的用户，不仅仅是在寻找单件商品，他很可能是在“重新装修客厅”。这种对整体意图的理解，开辟了前所未有的精准营销视角。
下一步——即人工智能代理的出现——标志着真正的加速。大型语言模型（LLMs）负责处理信息，而代理则负责激活和协调这些信息。这一进步填补了各渠道之间协同的空白，并为流程的流畅性带来了革命性的变革。要驾驭这一转型，必须关注三个关键领域：数据、集成和信任。
数据：自主人工智能的必要燃料
第一个领域是数据，它是任何生成式人工智能项目的“原材料”。数据质量至关重要。我们的目标是充分利用100%的数据，既包括“补救模式”（用于改进现有数据），也包括“主动模式”（用于对每次新交互进行质量把关）。例如，大型语言模型（LLM）可以修正填写不规范的产品资料表；在呼叫中心场景中，它还能实时捕获并整理通话信息，从而以符合质量标准的方式丰富客户关系管理系统（CRM）的数据。
集成：大规模生产的挑战
第二个领域是系统集成。呼叫中心的案例很好地说明了这一点：理想的场景是人工智能能够实时监听通话，识别客户咨询内容，并立即向客服专员显示相关回复。这需要电话系统、人工智能、知识库和客户关系管理系统（CRM）之间实现无缝集成。虽然概念验证（POC）项目可以快速搭建，但投入生产时往往会因连接问题或软件兼容性问题而受阻。预见这些“摩擦点”对于实现规模化至关重要。
信任与治理：掌握代理部署
第三个也是最根本的领域是信任问题。为每位员工部署人工智能“副驾驶”——每名员工可能配备多个智能代理——这引发了一系列关乎存亡的问题。 人们往往低估了这些能够访问数据、产生成本且可能失控的智能代理的激增。这引发了经济可行性、可靠性（模型可能“产生幻觉”）、安全性（API及敏感数据的访问权限）以及合规性等关键问题。随着谷歌AI Agent Space等专用平台的出现，对这些AI智能代理的治理与监管正成为当务之急。
这些智能代理的管理范围已超越了单纯的IT领域。虽然IT部门负责确保技术运行，但数据团队和业务团队必须共同评估AI响应的相关性和准确性。组织转型势在必行。这已不再是优化现有流程的问题，而是要对流程进行彻底重构。AI代理的存在并非为了强化现有方法，而是要对其进行彻底的重新思考，包括用户体验在内，因为消费者对AI已经抱有极高的期望。
这一深刻的转型需要企业最高层的大力支持。这不仅仅是一个技术项目，更是对职业、IT、数据及业务角色的一次重新定义。这不仅涉及预算，还需在培训和团队文化融合方面进行大规模投资。 一项近期研究（2025年初）揭示了员工期望与实际情况之间存在令人担忧的差距：很大一部分员工缺乏人工智能方面的培训。这表明，尽管承诺要进行转型，但许多组织尚未做好准备。
总而言之，人工智能代理的兴起远不止于技术层面。这本质上是一项涉及组织、战略和人的挑战，需要采取整体性方法并具备清晰的愿景，才能引领企业在这一新范式下重新定义自身角色。
观看演讲回放：
