调查显示，我们还没有准备好支持自主人工智能代理

人工智能代理正在崛起，现金正在流向他们。超过一半的公司每年为人工智能代理预算 50 万美元或更多。问题是大多数公司缺乏有效部署这些代理的技术基础设施堆栈。 

这些是新的要点民意调查Tray.ai 发布的 1,045 名企业技术经理和专业人员的排名。调查发现，42% 的受访者预计在未来一年内构建或原型化 100 多个人工智能代理，36% 的受访者预计将有 100 多个投入生产。类似比例 (41%) 期望解决 20 多个不同的业务问题。

还：到 2025 年，25% 使用人工智能的企业将部署人工智能代理

人工智能代理是智能助手，可以自主做出决策并采取行动。他们的目的是充当数字同事、助理或客户服务代表，通过自然语言处理进行交流。 

对人工智能代理的预测意义重大。到 2025 年底，四分之一的人表示，他们公司的大部分核心业务流程将由人工智能代理运行。另外 41% 的人认为，他们 26% 到 50% 的核心流程将由人工智能代理启用。 

还：编写更好的 ChatGPT 提示并更快获得您想要的结果的 7 种方法

调查还发现，超过 86% 的专业人士表示需要升级现有技术堆栈，为人工智能代理做好准备。广泛整合挑战可能会阻碍人工智能代理的部署，42％的受访者表示他们的企业需要访问八个或更多数据源才能成功部署人工智能代理。 

至少 42% 的专业人士还表示，他们必须进行重大基础设施升级，例如在技术堆栈中添加新供应商或进行全面检修。41% 的人表示他们正在采用构建或购买解决方案的混合开发方法，而 24% 的人表示他们打算使用代码构建客户解决方案。 

Tray.ai 首席执行官 Rich Waldron 告诉 ZDNET：“虽然人工智能代理令人兴奋，但许多企业目前缺少安全有效地开发和部署它们的基本构建模块。” 

“他们依赖大量现成的 SaaS 应用程序，这些应用程序导致了碎片化和集成挑战，导致 CI​​O 花费更多的时间来管理复杂性，而不是推动创新。”他表示，需要提高流程自动化程度并关注非结构化数据处理。

另外： 为什么代理人工智能是新电力，而近 80% 的企业领导者害怕黑暗

整个行业一致认为，代理人工智能需要做更多准备。埃森哲首席人工智能官兰关表示，自主人工智能代理需要有效的基础设施和数据管理实践。 

“组织处于不同的准备阶段。强大的企业平台架构可以确保对基础模型的无缝访问，包括云与本地托管等技术基础设施考虑因素，还包括网络功能、安全措施以及有效扩展业务的能力。随着对人工智能代理驱动功能的需求增长，系统的需求不断增长。” 

Excella 副总裁 Taylor Bird 同意大多数企业对真正自主的人工智能代理的准备不足：“虽然公司在实施传统人工智能系统方面取得了长足进步，但代理人工智能带来了额外的挑战，需要新的基础设施、治理和技能开发方法。”

Bird 表示，基础设施准备就绪是必须的：“组织需要强大的 API 生态系统，让人工智能代理能够安全地与其软件系统进行交互。系统之间存在孤岛的公司使用自主代理的能力将受到限制。” 

另外： Agentic AI 是 2025 年最重要的战略技术趋势

虚弱的安全和控制框架也会阻碍人工智能代理的开发和部署。“代理将为公司的软件所能实现的目标带来更多分支路径，”伯德说。“传统的监控和安全机制可能只提供确定性场景的覆盖范围。从当前状态发展到代理系统需要一个学习曲线。”

MinIO 的 AI/ML 主题专家 Keith Pijanowski 表示，AI 代理的成功将取决于模型。“如果企业想要建立有效的代理，他们就需要有效的模型，”他说。“因此，训练模型和在生产中运行模型所需的一切都需要代理的成功。你的模型越好，你的代理就越好。”一个 

最终，人工智能代理将成为将人工智能交付给特定的、狭窄的任务的关键。“人工智能代理代表了实现控制逻辑的不同方式，”Pijanowski 说。“到目前为止，控制逻辑是由开发人员编写的，并且在运行时不会改变。使用代理，法学硕士首先需要制定一个计划，然后按照计划的每一步采取行动。”

Pijanowski 预测，随着人工智能代理变得更加主流，“模型将变得更加专业，这也将推动进一步的采用”。“通用模型将会减少，而经过训练可以很好地完成一件事的小型模型将会增多。”

另外： 风险投资家表示，企业正在为如何利用 Gen AI 而苦苦挣扎

人工智能代理“代表了一种实现控制逻辑的新方法，”他继续说道。“代理不是在设计时由工程师进行硬编码，而是在出现问题时找出行动方案。这既令人恐惧又令人兴奋。可怕的是，如果没有内部验证和护栏，代理可能会创建然而，这是一种可以改进现有流程的新方法，过去过于复杂的问题现在可能可以解决。” 

应对人工智能代理挑战的最佳方法是意识和培训随着人工智能代理的激增。Bird 表示：“至于公司如何做好准备，我们已经通过黑客马拉松等内部学习活动成功地与代理一起实施了用例，并且我们利用吸取的经验教训构建其他 AI/ML 解决方案。”

数据是为人工智能代理提供动力的燃料，这里还需要做很多工作。关说，代理人工智能系统必须准备好“利用能够处理不同数据类型的多模式模型，包括图像、文本和视频等非结构化数据”。“有效的数据集成对于确保代理可以轻松实时访问来自不同系统的数据以做出明智的决策和采取行动至关重要。” 

关还表示，精选的企业知识是人工智能代理的另一个关键组成部分。他敦促组织追求集中式企业存储，“应结合知识管理机制、定义数据元素之间关系的语义层以及确保一致性的标准化定义”。

通过捕获和组织企业特定的知识，“代理可以随着时间的推移不断学习并提高他们的绩效，”关说。关键先决条件包括“代理 API 控制、可观察性和性能跟踪、反馈和持续学习，以及模型微调和培训”。一个 

然而，Pijanowski 表示，人工智能代理的日益普及（更多模型在专门数据集上进行训练）将为数据存储带来压力。 

另外： 贴纸冲击：企业对人工智能的幻想是否越来越幻灭？

“不仅模型本身需要进行版本控制并保存在某个地方，用于创建它们的实验结果也需要进行版本控制，这个过程称为机器学习操作（MLOps）。代理中使用的模型必须进行检测并保存遥测数据所有这些都比使用简单布尔决策的传统应用程序代表更多的数据。” 

Pijanowski 总结道，显而易见的是，存储的信息不断增加，需要更广泛的数据存储策略。