从洞察到行动
人工智能代理时代
人工智能在企业中的作用正在快速演变。从最初的洞察力生成工具，到现在的执行工具，人工智能系统不仅能为决策提供信息，还能为决策采取行动。. 向代理型人工智能的转变标志着业务成熟度进入了一个新阶段。.
Gartner 预测 到 2028 年，将有 33% 的企业软件应用程序采用代理型人工智能，而 2024 年还不到 1%. .这预示着从辅助工具到嵌入日常工作流程的自主系统的快速转变。.
在本期中，我们将通过以下文章探讨这种转变是如何形成的：
• 人工智能代理 重塑零售参与和运营
• Data 平台 实现可扩展的自治
• 供应链和财务 为实时协调部署人工智能
• 长期代理 重新界定管理和授权
代理人工智能与零售业的未来：
采访 Artefact 集团首席执行官 Edouard de Mézerac。.
“有了 agentic，每项功能都会受到影响”。”
人工智能代理将如何影响购物行为？
1. 消费者将使用个人人工智能代理 搜索、比较和购买产品，对品牌和网站的准备工作提出了新的要求。.
2. 零售商正在融入人工智能生态系统. .Edouard 以 OpenAI 和沃尔玛的合作为例，在这种合作中，对话界面成为了新的商务渠道，它比传统的交易 data 提供了更丰富的消费者洞察力。.
3. 代理商务将改变内部零售业务, 支持销售团队、谈判、促销和供应商管理。.
部署人工智能代理的关键先决条件是什么？
1. Data 准备就绪, 在这种情况下，datasets 将被规范化、标准化，并在语义上与 datasets 保持一致。.
2. 流程就绪, 通过明确的工作流程，代理人可以有效地开展工作。.
3. 技术准备, 从平台选择到构建与购买决策。.
在 TCG 领域，投资回报率将首先出现在哪里？
1. 客户服务 通过人工智能驱动的自我保健提供即时回报。.
2. 营销和内容自动化 正在加速运动适应。.
3. IT 运营, 从代码迁移到异常监控，都是节省成本的重要机会。.
Data 和代理平台：
人工智能创新的推动者。.
传统的报告架构难以支持当今的人工智能需求，而现代模式，如 data 湖屋、data 网架和 data 拱顶框架 实现可治理、业务就绪的生态系统。.
通过统一结构化和非结构化 data，这些平台能够 预测分析, GenAI 应用, 和 决策自动化. .它们已经在改变预测、客户参与和运营优化。然而，仅有技术是不够的。成功取决于克服 遗留问题整合的挑战, 加强治理, 和 嵌入强大的 data 管理能力 分阶段实施。.
Agentic data platforms 标志着新的发展，使人工智能系统能够 近乎实时地触发决策和工作流程. .现在进行投资的组织正在建立必要的智能层，以便在竞争激烈的市场环境中脱颖而出。 人工智能驱动的经济.
从成本到价值：
人工智能带来的供应链革命。.
供应链已从业务骨干发展为 竞技场. .然而，尽管波动性不断增加，许多组织在计划、物流和配送方面对人工智能的利用仍然不足。这本实用指南适用于寻求将供应链从成本中心转变为 战略价值驱动因素 通过有针对性地采用人工智能。.
转型始于规划：人工智能增强了以下两个方面 销售与运营规划（S&OP）和执行（S&OE）, 使公司能够从被动预测转变为 动态、data-driven 协调.
在一个家用电器案例研究中，人工智能自动进行了跨职能需求、库存和瓶颈分析，结果是 40% 提高运营效率，改善 SKU 级能见度，减少库存.
超越规划、, 人工智能开启了整个价值链的优化:
• 智能库存政策 平衡服务水平与成本控制。.
• 物流应用 改善入站物料流和出站交付性能。.
• 数字双胞胎和模拟模型 进一步加强情景规划和风险管理。.
金融服务业转型中的 GenAI 和代理人工智能。.
Artefact 展示了生成式人工智能和代理式人工智能如何融合在一起。 重塑运营和价值创造 为银行、保险公司和金融科技公司提供服务。.
高回报用例包括交易和投资组合优化、客户参与、文件处理和自动报告。早期采用者报告了切实的收益：从 研发周期缩短 25% 至 40% 提高信息技术的生产力, 以及在人工智能驱动下大幅节约成本。
客户服务。.
真正的转变来自于代理型人工智能系统，它可以 实时监控交易，主动发现欺诈行为，优化风险管理, 和 自动化工作流程 只需最少的人工干预，将人工智能从决策支持转向执行。.
这些新能力正在加快创新和响应速度，但要推广它们需要 强大的治理、data 安全和合规框架.
长期人工智能代理，从短暂提示到持续自主
技术见解：三部曲系列。.
长期人工智能代理，第一部分：无人问津的问题。.
人工智能在崩溃之前能维持多久有意义的工作？研究显示 任务持续时间每 7 个月翻一番. .但实际生产情况却落后于基准。在企业测试中、, 未经人工清理，无法使用人工智能输出结果. .文件差距、验证问题和质量缺陷是系统性的。清理时间平均占任务持续时间的三分之一。.
这就产生了一个生产率悖论。在对照研究中, 由于调试、上下文切换和质量补救，人工智能用户的速度慢了 19%.
根本原因在于建筑。. 随着任务时间的延长，人工智能工作记忆会趋于饱和, 这就造成了上下文丢失、矛盾和复合错误。不同领域的能力也大相径庭。长期人工智能正在快速进步、, 但持续自治仍然有限.
长期人工智能代理，第二部分：三种实际可行的方法。.
虽然人工智能会在长时间的工作流程中退化，但可以通过三种架构方法来扩展长期代理操作：
1.新启动循环： 当性能下降时，重置人工智能。工作会被保存到外部，会话会以干净的方式重新启动，进度会继续递增。.
2.选择性记忆： 只保留会话之间的基本上下文。2. 2.进度跟踪器、摘要和变更历史记录可保持连续性，同时减少信息过载。.
3.团队协调： 将工作分配给由中央协调人员管理的多个专业代理。通过分解任务和只传递相关信息，多代理系统在处理复杂工作时的表现明显优于单个代理。.
每种方法都能将人工智能内部无法可靠保留的信息外部化。. 自行车偏向于简单性，记忆系统偏向于连续性，团队偏向于规模化和专业化. .大多数生产部署都会将三者结合起来。.
长期人工智能代理，第三部分：这对企业的实际意义。.
随着人工智能的长期运行、, 人工智能助手将转向人工智能工人. .将出现长达八小时的工作流程，包括完整的交付和实施。.
- 界面将从对话工具演变为授权系统，仪表板、检查点、审计跟踪和恢复机制将取代实时提示。.
- Data 质量和管理将变得至关重要，因为长期运行的人工智能可能会加剧错误、超越权限或根据错误的假设进行操作。.
- 包括访问控制、升级触发器和决策记录在内的有界自治框架将成为必修课。.
长期人工智能尚未完全成熟，但它在今天的以下方面已具有可操作性 目标用例. .现实的机遇在于 结构化、注意力密集型工作 可衡量的结果。有意识地进行试验，并制定强有力的防范措施的组织将 先声夺人.
耐克森客户案例：
制定 2028 年全球 data 和人工智能战略。.
作为电气化领域的全球领导者，耐克森在 40 个国家开展业务，支持能源转型和可持续电气化。在其成功的 SHIFT 性能计划的基础上，耐克森推出了 SHIFT AI 使 data 和人工智能成为业务绩效的核心驱动力。他们定义了 2028 AI 愿景，建立了 统一 data platform, 和 部署强大的 data governance.
挑战:结构 data 和人工智能支持大规模业务转型。.
通过 SHIFT AI，耐克森的目标是 将企业 data 的使用量从 20% 提高到 90%. .为此，他们需要
- 评估 data 和人工智能的成熟度
- 制定与业务优先事项相一致的战略
- 识别高价值的人工智能用例并确定其优先次序
- 提高整个价值链的灵活性
- 平衡增长、可持续性和经济绩效
解决方案:耐克森部署了集中管理的 data platform。.
- 确定了 70 多个跨业务功能的 data、BI 和 AI 用例
- 优先考虑 2028 年范围内的 25 个战略用例
- 2025 年部署了五个使用案例
成果:可扩展的 data 和人工智能运营模式已实现业务价值，工业人工智能战略与长期业务绩效保持一致。.
战略与转型 | AI 加速 | 数据基础与生物技术 | IT 与数据平台 | 营销数据与数字化
www.artefact.com
版权 © 2026 Artefact
