Agentic AI 将深刻影响企业中每一个职能角色人员的工作方式

相信大家对AI 大模型、Generative AI（简称GenAI）、AI Agent这些名词都不陌生。AI大模型、AI Agent、LLM等更侧重的描述一种特定技术能力组件，类似我们以前常说的互联网应用、移动互联网应用不在一个维度。AIGC、GenAI有点这个意思，但其主要关注内容生成，随着AI Agent智能体逐渐普及，这两个词也不太准确表达AI Agent智能体应用。10月份在Nvidia Blog上看到一篇文章，题目是 What is Agentic AI （https://blogs.nvidia.com/blog/what-is-agentic-ai），并给出了这么一个定义：

Agentic AI更强调自主解决复杂问题的全面能力和完整流程，用它来泛指所有AI Agent应用再贴切不过。回到正题：Agentic AI 应用的普及将深刻影响企业中每一个职能角色人员的工作方式。

一、业务专家将主导Agentic AI应用的产品需求和核心业务逻辑定义，快速构建原型验证

在传统的AI应用开发过程中，往往是由技术团队主导，基于技术框架和算法模型来设计解决方案。然而，这种模式容易导致最终产品与实际业务需求脱节，难以快速响应市场变化。Agentic AI的出现，改变了这一现状。它强调业务专家应当通过业务语言来定义AI Agent智能体的行为模式，确保AI应用能够精准地满足业务目标和规则逻辑。这意味着，在项目初期，业务专家与技术团队更加紧密协同合作，共同定义AI Agent智能体的功能、交互方式以及评估标准，从而实现快速敏捷的AI应用原型构建。这种方法不仅能够提高项目的成功率，还能加速产品的迭代周期，使企业在竞争中保持领先地位。

Agentic AI的核心在于其以业务为中心的特性，企业必须让业务专家通过业务语言来定义AI的应用场景。业务专家对企业的业务流程、目标和规则有着深刻的理解，他们能够准确把握业务需求，将复杂的业务逻辑转化为AI可理解的语言。例如，在金融行业，业务专家可以将信贷审批的规则和流程详细描述给AI，让AI明白如何根据客户的信用记录、收入状况等信息来判断是否批准贷款。这种以业务语言定义的方式，使得AI应用的开发更加贴合企业的实际业务需求，避免了技术与业务脱节的问题。

注意，这里说的"业务语言"并不是简单的提示词Prompt，而是一种融合业务知识和提示词技巧的语言（或者叫载体，还不知道未来是以何种形态出现，但必然会出现这么一种业务用户与Agentic AI交互的媒介，曾经我认为是普通自然语言，但那更多会在消费者公众领域，在企业应用中会有行业专业的更多承载形式）。业务专家通过它定义需求问题和产品价值的成功标准，并引导AI Agent进行系统性开放式分析。这一阶段的核心能力在于定义问题、启发和管理AI Agent。这要求AI时代里，业务专家也要技能升级，不仅要有深厚的业务领域知识，还要有 AI Agent 交互技能，以更好与技术团队一起推动企业在数字化智能化转型升级中取得成功。

同时，Agentic AI强调快速敏捷地开发应用原型。在传统的软件开发模式中，从需求分析到产品上线往往需要漫长的周期，而企业面临的市场环境和业务需求却在不断变化。Agentic AI通过低代码或无代码平台，使业务专家能够快速搭建应用原型。这些平台提供了丰富的预构建组件和模块，业务专家只需通过拖拽、配置等简单操作，就能实现业务逻辑的可视化构建。例如，零售企业可以迅速搭建一个基于AI的库存管理原型，实时监控库存水平，自动预测补货需求。这种敏捷开发方式大大缩短了产品迭代周期，使企业能够及时响应市场变化，快速验证业务目标和规则逻辑的可行性，降低项目风险。

二、Agentic AI应用是企业数字员工，对职能业务领域上下文有全面感知，并与现有LOB系统无缝协同工作

AI 数字员工的概念并不新鲜，但目前市面上大量的数字员工更像是聊天对话机器人，解决的是内容和交互体验的问题。涉及到企业级严谨的应用场景中时，往往还是需要使用诸如CRM、ERP等传统的Line-of-Business系统。并不是说Agentic AI应用要去替代LOB系统，这也不是推荐的做法。而是说，企业数智化整体架构中，在所有的LOB系统之上将会多一层叫 Agentic AI 能力应用层，由它来智能的最优的组织编排企业中的各类业务系统、数据、文档资料，甚至是人（需要人介入决策的环节时）来完成一件事情。

因此，Agentic AI 必须具备完整的企业业务上下感知能力，这要求它要能够全面理解企业内部的LOB业务系统、数据和文档资料等。企业LOB业务系统通常包含多个相互关联的子系统，如ERP、CRM、SCM等，它们共同支撑着企业的日常运营。Agentic AI 需要与这些系统实现无缝对接，获取和整合跨系统的数据和信息。例如，在制造业，Agentic AI可以连接生产管理系统、供应链管理系统和客户关系管理系统，实时获取生产进度、库存状况和客户订单信息，从而实现生产计划的智能优化和库存管理的精细化控制。

此外，企业积累了大量的业务数据和文档，这些数据和文档是企业知识和经验的载体。Agentic AI 通过自然语言处理、机器学习等技术，能够深入理解数据和文档中的业务逻辑和知识。它可以从历史销售数据中挖掘市场趋势和客户偏好，从合同文档中提取关键条款和风险点，为企业的决策提供有力支持。同时，Agentic AI 还能将这些知识和经验转化为可操作的业务规则和策略，指导企业的业务执行和优化。

当前阶段，为了实现无缝集成与演进，Agentic AI 需要与企业现有的技术栈兼容。企业技术栈可能包含多种技术平台、框架和工具，Agentic AI 应提供灵活的接口和适配器，确保与现有技术的协同工作。例如，它可以与企业的数据仓库和大数据平台对接，利用其强大的数据处理和分析能力；与企业的开发框架和工具集成，实现代码的自动化生成和部署。通过无缝集成，企业可以在现有技术基础上，逐步引入和扩展 Agentic AI 的应用，实现技术的平滑演进和升级，降低转型成本和风险。

我们每位职场人都不得不转变mindset，学会如何更好的与数字员工交流和交互，让渡一部分职责工作，但更重要的是要学会如何管理和使用AI数字员工，lead 这批无限制 head count 的数字员工team，灵活地管理和调度它们实现业务目标。这要求我们不仅要有深厚的AI Agent交互能力，还要有业务战略眼光和领导能力，推动企业在数智化转型升级中取得成功。

三、企业 Agentic AI 需要运营机制驱动持续完善进化，可管控/可解释/可审计确保健康发展

企业 Agentic AI 应用并非一成不变，而是需要随着企业的发展、业务的升级不断演进和完善。企业业务环境、市场需求和技术条件都在不断变化，Agentic AI必须具备持续进化的能力。运营机制是驱动Agentic AI进化的核心，企业应建立完善的运营机制，包括反馈收集、模型持续训练和效果评估等环节形成闭环持续迭代。

首先，企业要建立有效的反馈收集机制。通过用户反馈、业务指标和系统日志等多渠道收集数据，全面了解 Agentic AI 在实际应用中的表现和问题。例如，电商平台可以收集用户对推荐商品的点击率、购买转化率和满意度反馈，评估推荐算法的效果；企业内部系统可以记录AI处理业务流程的效率和准确性，以及员工对AI辅助工具的使用体验。这些反馈数据为 Agentic AI 的改进提供了宝贵的依据。

其次，企业一般还需要定期对 Agentic AI 进行模型训练微调和优化。利用收集到的反馈数据和新的业务数据，对AI模型进行再训练，使其不断学习和适应新的业务场景和规则。例如，医疗诊断AI系统可以根据最新的医疗研究和病例数据，更新诊断模型，提高诊断准确率。同时，企业还可以引入强化学习等技术，让 Agentic AI 在与环境的交互中不断优化决策策略，实现自我进化。

这里有一个博弈，就是基础大模型和企业专属大模型的能力边界，影响着企业是否需要对Agentic AI所依赖的大模型持续进行微调训练。我的观点是有志于打造垂直行业领域平台或生态壁垒的企业，建议探索和构建自身专属大模型，逐步形成企业的模型资产；其他企业尽量使用基础大模型构建企业 Agentic AI 层，最大化基础大模型+Agentic AI的价值。这里就不再详细展开。

最后，企业要对 Agentic AI 的效果进行持续评估和监控。建立科学的评估指标体系，涵盖业务价值、用户体验、技术性能等多个维度，定期评估Agentic AI的应用效果。例如，制造业企业可以评估AI在生产优化中的成本节约和效率提升情况；金融企业可以监控AI在风险控制中的准确率和误判率。通过效果评估，企业能够及时发现和解决 Agentic AI 存在的问题，确保其始终符合企业的业务目标和要求。

在持续升级完善的过程中，企业Agentic AI 还需遵循安全合规、可管控、可解释和可审计等要求。确保数据安全和隐私保护，遵守相关法律法规和行业标准；提高AI决策的可解释性，使企业能够理解AI的决策依据和逻辑；建立可审计的AI系统，记录关键操作和决策过程，便于事后追溯和分析。这些要求有助于企业建立对Agentic AI的信任，确保其在企业中的可靠应用和健康发展。

总结

总之，Agentic AI 的发展预示着企业工作方式的革命性转变，它通过自主解决复杂问题的能力，深刻影响着企业里的每一个职场人。业务专家将主导AI应用的产品需求和核心业务逻辑定义，利用业务语言与技术团队紧密合作，快速构建原型验证，确保AI应用精准满足业务目标。Agentic AI作为企业数字员工，全面感知业务上下文，与现有系统无缝协同，智能组织企业资源，完成复杂任务。它通过AI大模型和LOB业务系统无缝协同，深入理解企业数据和文档，为企业决策提供支持。企业Agentic AI的持续完善和进化需要运营机制的驱动，形成闭环持续迭代，同时确保安全合规、可管控、可解释和可审计，以建立信任并保障其健康发展。这一变革要求企业人员不仅要有深厚的业务领域知识，还要掌握AI Agent交互技能，共同推动企业在数智化转型升级中取得成功。