加入我们的每日和每周时事通讯，了解有关行业领先人工智能报道的最新更新和独家内容。了解更多
在未来的企业中，人类员工需要与复杂的人工智能代理团队密切合作。
麦肯锡表示，生成式人工智能和其他技术有潜力实现自动化60% 到 70% 的员工在工作。而且，已经有一个估计三分之一的美国工人正在工作场所使用人工智能——而他们的雇主通常并不知道。
然而，专家预测，2025 年将是这些所谓的– 隐形 – AI 代理开始走出阴影，在企业运营中发挥更多积极作用。
“代理很可能会像任何特定团队的专业成员一样融入企业工作流程，”数据块以及创始人兼前首席执行官马赛克人工智能。
解决 RPA 无法解决的问题
人工智能代理超越问答聊天机器人，成为使用基础模型来执行以前认为不可能的更复杂任务的助手。这些由自然语言驱动的代理可以处理多项任务，并且当人类授权这样做时，可以对这些任务采取行动。
“代理是基于目标的，并根据上下文做出独立决策，”业务自动化平台人工智能战略主管 Ed Challis 解释道UiPath。– 代理将拥有不同程度的自主权。 –
AI SaaS 公司首席技术官 Raj Shukla 表示，最终，人工智能代理将能够感知（处理和解释数据）、计划、行动（无论是否有人参与）、反思、从反馈中学习并随着时间的推移进行改进。交响乐人工智能。
他说：“从高层次上来说，人工智能代理有望实现企业期待已久的自动化梦想，而机器人流程自动化 (RPA) 应该能够解决这一问题。”随着大型语言模型 (LLM) 的不断发展，他们的“计划和推理大脑”最终将开始模仿人类的行为。– 优秀人工智能代理的令人惊叹的因素类似于坐在自动驾驶汽车中并看到它在拥挤的道路上行驶。 –
人工智能代理会是什么样子？
然而，人工智能代理仍处于形成阶段，用例仍在充实和探索中。
“这将是一个广泛的功能，”Forrester 高级分析师 Rowan Curran 告诉 VentureBeat。
最基本的级别是他所说的“RAG plus”或a检索增强生成在初始检索后执行某些操作的系统。例如，检测工业环境中潜在的维护问题，概述维护程序并生成草稿工单请求。然后将其发送给进行最终调用的最终（人类）用户。
“这些天我们已经看到了很多这样的情况，”柯兰说。– 它本质上相当于一种异常检测算法。 –
在更复杂的场景中，代理可以跨多个系统检索信息并采取行动。例如，用户可能会提示：“我是一名财富顾问，我需要向我所有的高净值人士通报发生的问题”，您能否帮助开发个性化电子邮件，深入了解其影响他们的具体投资组合？然后，人工智能代理将访问各种数据库，运行分析，生成定制电子邮件，并通过 API 调用将其推送到电子邮件营销系统。
Curran 表示，更进一步，将是复杂的多主体生态系统。例如，在工厂车间，预测算法可能会触发维护请求，该请求会发送给代理，该代理会识别不同的选项，权衡成本和可用性，同时与第三方代理进行往返。然后，它可以在与不同的独立系统、机器学习 (ML) 模型、API 集成和企业中间件交互时下订单。
“这就是即将到来的下一代，”柯兰说。
但他指出，目前代理不太可能完全自主或大部分自主。无论出于培训、安全还是监管原因，大多数用例都会涉及人员参与。“至少在短期内，自主代理将非常罕见。”
Challis 对此表示同意，并强调，对于任何人工智能实施，需要认识到的最重要的事情之一是人工智能本身是不够的。我们看到，所有业务流程都将通过传统自动化、人工智能代理和人类的结合来最好地解决，他们协同工作以最好地支持业务功能。
帮助人力资源、销售（和其他职能）
Challis 指出，几乎每个行业都可以涉及到的人工智能代理用例的一个示例是新员工入职流程。这通常涉及很多人，包括人力资源、薪资、IT 等。人工智能代理可以简化和加快接收和处理合同、收集文件以及设置工资单、IT 和安全审批的流程。
在另一个场景中，想象一下销售代表使用人工智能。咨询公司创始人兼首席人工智能策略师 Andreas Welsch 解释说，该代理可以与采购和供应链代理合作，制定提案的定价和交付条款。情报简报。一个
他指出，然后采购代理将收集有关可用成品和原材料的信息，而供应链代理将计算制造和运输时间并向采购代理报告。
或者，客户服务代表可以要求代理收集有关特定客户的相关信息。代理会考虑可能来自不同系统和文档的查询、历史记录和最近的购买情况。然后，他们创建响应并将其呈现给团队成员，团队成员可以在将草稿发送给客户之前查看并进一步编辑草稿。
“代理根据用户提供的目标执行工作流程中的步骤，”Welsch 说。– 代理将此目标分解为子目标和任务，然后尝试完成它们。 –
FactSet 如何让 AI 代理发挥作用
虽然代理框架相对较新，但一些公司一直在使用 Rao 所谓的复合人工智能系统。例如，商业数据和分析公司事实集运行一个财务平台，允许分析师查询大量财务数据，以便及时做出投资和财务决策。
该公司创建了一个复合人工智能系统，允许用户用自然语言编写请求。最初，该公司只有一个单一的法学硕士，并在与 RAG 的每次通话中“尽可能多地包含背景信息”。然而，Rao 解释说，这种方法达到了质量上限，准确率约为 59%，延迟为 16 秒。一个
为了解决这个问题，FactSet 改变了其架构，将其系统分解为更高效的人工智能代理，该代理调用各种较小的模型和函数，每个模型和函数都经过定制或微调以完成特定的、狭窄的任务。Rao 报告称，经过几次迭代后，该公司能够显着提高质量（准确率达到 85%），同时将成本和延迟降低 62%（降至 10 秒）。
他指出，最终，“真正的转型将来自于利用公司的数据来构建独特的能力或业务流程，从而使该企业比竞争对手更具优势。”