代理式人工智能（Agentic AI）——赋能企业转型的关键引擎

2. 人工智能驱动的业务重构

Agentic AI能够规划多步骤行动、动态调整工作流，甚至将任务委派给其他AI Agent或人类工作人员。依托机器学习算法，Agentic AI能通过反馈结果持续优化性能，进行跨应用、跨系统、跨数据源的协作，统筹管理企业业务流程。

这些特性赋予Agentic AI推动变革的巨大潜力，企业必须让Agentic AI深度参与流程设计与自动化过程，才能有效释放其潜能。然而，这一观点与人类的固有认知相悖，经验告诉我们，计算机本质上是“高速运算的傻瓜”，而非可信赖的同事。

Gusher表示，Agentic AI不只是简单统筹工作流，更是一种以人工智能为驱动的战略升级——“如果抛开现有流程，转而聚焦所需输入与目标结果，打造一套以人工智能驱动的全新流程，就能实现90%以上的效率提升”，她举例说明道，“安永咨询曾尝试将人工智能整合到现有流程中，将某内部流程时长从44小时缩短至36小时；而当团队彻底摒弃原有流程、从零开始重新设计后，这项流程耗时降低至45分钟。”

3. Agentic AI已落地创造价值

尽管Agentic AI技术相对较新，但已涌现出诸多极具价值的应用场景。以合规跟踪与报告工作为例，这项工作不仅人工投入量大，还需要工作人员具备相关背景知识，因此通常依赖人工完成。

Agentic AI有望成为此类工作的人工替代，它们能从多个数据库与应用中提取数据，按监管要求标准化处理数据，识别并修复数据质量问题，生成报告并触发整改流程；而GenAI技术则可对海量规则文件进行总结提炼，降低信息获取难度。

不仅如此，Agentic AI正在实现重塑客户服务运营模式的长期愿景。呼叫中心人工坐席往往需要快速从多个渠道调取数据以响应客户诉求，在巨大的工作压力下，员工倦怠与人员流动率高一直是困扰行业的难题。

而Agentic AI能够快速理解并回应常见问题，经过训练后还可以自动执行补救操作（如发放积分、安排服务工单），在提升了客服响应速度的同时，让人工坐席能够集中精力处理紧急且重要的问题。

4. 新技术伴随新风险

尽管潜力巨大，Agentic AI仍存在一定风险，其中，对信任与安全的担忧最为突出。当人工智能被赋予自主决策权时，潜在风险会进一步放大。

与Agentic AI协作首先需要转变思维模式。传统IT系统具有确定性，即按预设指令重复、可靠地执行操作；而人工智能具有非确定性，模型会根据环境变量改变，这种变化甚至每分钟都可能发生，这种学习特性意味着聊天机器人或AI Agent面对同一问题时，可能会给出不同答案。

模型行为的影响因素难以预测，即使添加少量新训练数据，也可能引发显著变化。人们虽然已经逐渐可以容忍GenAI偶尔出现的“幻觉”（信息失真）问题，但在面向客户的场景或关键业务流程中，人工智能的不当行为可能带来严重后果。

这也意味着必须频繁测试，确保模型不会随着时间推移出现“漂移”或性能下降，同时排查是否存在有意或无意引入的、可能破坏模型性能或伦理准则的训练数据。Agentic AI系统测试与传统软件测试截然不同，Gusher表示：“传统测试用例主要聚焦于预期结果，而Agentic AI系统不一定会通过分步流程达成结果，因此测试方式必须升级。”

5. 全新的测试方式

一种有效的方式是采用“红队测试”，即由道德黑客模拟真实世界的攻击，以暴露系统漏洞。红队测试不仅会探查安全缺陷，还能识别动态环境下的逻辑漏洞、目标偏离、非预期行为与模型幻觉等问题。

Gusher指出：“红队测试与传统系统测试有着本质区别，它类似渗透测试，但远不止检测访问权限那么简单，而是会探究影响模型行为的各类因素，迫使模型做出非预设操作。”

这种全新的测试方式需要许多IT团队内部尚不具备的专业技能，因此，在Agentic AI投入生产环境前，企业必须培养员工专业技能或聘请外部机构进行测试，并在后续持续监控。

企业要注意避免陷入RPA的误区，小幅度的改进固然有价值，但最大回报往往来自深耕少数关键领域，通过流程重构打造可持续的竞争优势。Gusher强调：“企业首先要审视自身的机遇、风险与挑战，思考哪些领域值得集中资源深入布局，而不是把精力分散到自动化上千个零散的流程环节上，唯有如此，才能实现真正具有变革意义的突破。”

6. 总结