图片来源：Dusan Petkovic / Shutterstock
随着生成式AI 从您提出问题的聊天机器人转变为您为实现目标而提出的工具（代理 AI 是这种方法中略显笨拙的短语），越来越明显的是，生成式 AI 在最个性化时最有用。这就是 gen AI 最有用、最受员工赞赏的时候。这是一个熟悉的良性循环，员工最常使用 AI，并在新功能出现时花时间尝试新功能，充分利用它，并继续更频繁地使用它。
这与获得正确的培训密切相关，尤其是在将 gen AI 适当地用于自己的工作流程方面。根据 Microsoft 和 LinkedIn 的一些相当全面的研究，表示这些工具每天为他们节省 30 分钟的 AI 高级用户，他们的公司为他们提供了量身定制的 AI 培训的可能性要高出 37%。大约相同比例的受访者表示，他们接受的培训不仅涵盖基础知识（例如如何编写提示词），而且还针对他们的角色、任务和工作流程进行了定制。
【睿观：投资于针对性的 Gen AI 培训是提高员工工作效率和充分利用 AI 工具的关键。企业应该重视员工的 AI 培训，并根据不同岗位和工作流程的需求，提供定制化的培训内容。
效率提升： 数据表明，接受过针对性培训的员工工作效率更高，每天可以节省 30 分钟。这对于个人和组织来说都是显著的效益提升。
培训的重要性： 培训对于 Gen AI 用户的重要性。只有接受过适当的培训，才能更好地利用这些工具，提高工作效率。
定制化培训： 针对不同角色、任务和工作流程的定制化培训是关键。通用培训可能无法满足每个人的需求，而定制化培训则能更有效地帮助员工掌握 Gen AI 工具。】
AI 高级用户还定期与同事分享他们使用的提示词和其他技巧，并询问他们什么对他们有用。例如，Virgin Atlantic 的成功 Copilot 部署不仅涉及培训，还涉及“在当地寻找冠军，以从重点培训课程中汲取关键知识，并尝试在用户组中传播这些知识，”技术和转型副总裁 Gary Walker （加里·沃克）说。
他认为，为员工创造实验的心理安全感，这也奖励他们与同事和同行分享有效的方法，而不是囤积他们的专业知识，这对任何技术的推广都很重要，并指出了与低代码的相似之处。“当你找到有效的东西时，就把它社交化，”他说。“在内部社交媒体上和与同行分享，这有助于放大您刚刚发现的效率提升。”
这很有效，因为我们从同行那里学习的速度往往比从大多数其他信息来源学习得快得多，Domino Data Lab 的 AI 战略主管 Kjell Carlsson （谢尔·卡尔森）说。
如果这听起来很熟悉，那就是许多组织看到的那种自下而上的病毒式采用和社区围绕低代码和工作流程自动化而发展，解决自己的问题使员工热衷于与同事分享技巧和技术。CIO 可以将成功采用低代码的经验教训作为手册，以充分利用代理AI。“实际上，低代码采用准备度与 gen AI 采用、准备和成功之间存在相关性，”Forrester 首席分析师 John Bratincevic （约翰·布拉蒂内维奇）说。“如果你真的想获得 AI 的价值并进行大规模实验，你必须将其与你的公民发展战略相结合。”
一、以低代码方式管理代理
代理 AI 的范围从基于“填空”提示的日常任务的简单自动化，到检测输入（如传入电子邮件）的更自主的工作流程，这些输入会触发业务流程查找信息并发送响应，甚至下订单或预订会议。Gen AI 使这些自动化变得不那么脆弱，并且更易于创建。
在许多方面，这是一个自然而然的发展过程，Microsoft 的 Power Platform、Mendix、Salesforce 和 Zoho 等低代码平台多年来一直提供 AI 功能来简化开发，现在正在添加一代 AI 工具来帮助用户构建应用程序和工作流程。在 Forrester 的研究中，Bratincevic （布拉蒂内维奇）表示，低代码平台的第一大用例是注入 AI 的应用程序。
同样重要的是，他们将相同的合规性、治理、信息安全和审计工具应用于代理 AI。与低代码一样，Gen AI 代理需要访问数据源和连接到业务线应用程序，组织还需要控制访问和可以采取哪些动作以及用户可以共享应用程序和工作流的策略。与任何其他基于消费的定价工具一样，IT 团队也希望了解使用情况和采用情况，而经理们也希望了解它为企业带来了什么价值，以了解投资回报率。
低代码已经证明了自己。大多数公司都有公民发展战略，Bratincevic（布拉蒂内维奇）声称有记录在案的例子表明人们从中获得了数亿美元的利益。
“我们经历了过去五六年的 IT 工作，他们意识到，如果他们做对了，它就可以成为他们的规模机器，”Microsoft Power Platform 营销总经理 Richard Riley （理查德·莱利）补充道。“但强大的力量需要强大的控制。”这意味着对 IT 的控制以及业务用户的灵活性。
“这是一个两部分，”他继续说道。“作为业务用户，我们如何赋予您权力？您是了解这些数据、流程（如果可以修复）的人。它可能会节省 500 万美元，但我们如何让您去做呢？然后，我们如何让 IT 部门使您放心呢？这遵循所有数据策略。它有 DLP、EAP [可扩展身份验证协议] 和我们给你的所有风险评估承诺，它在托管环境中运行，因此它有所有的共享、审计和报告。
他承认，与传统的低代码应用程序相比，代理 AI 的成本问题可能更复杂。“你可以运行一次完全相同的代理，它需要来自某个位置的数据库中的 10 行，并使用 10000 个令牌，”Riley （莱利）说。“你可以再次运行它，它可以使用 100 万个代币，因为它获得的输入和采取的行动。我们需要确保我们有围绕它的保护措施，我们正在建立这些措施。
组织希望了解发生了什么，以便跟踪代理的行为，希望获得遥测，以便他们可以优化代理以特定方式工作，并明确成本以便他们可以控制上限。IT 部门将希望监控 AI 代理的使用范围以及生成 AI 的成本，以确保它为业务带来价值并为业务用户提供便利。
如果代理 AI 起飞，您可能需要相同的流程来选择和维护有用的代理，或添加更多功能。例如，Power Platform 管理中心从 Copilot Studio 获取见解，其他平台提供类似信息。“您将能够看到谁构建了代理AI、他们构建了什么、使用情况如何、谁在使用它、流经哪些数据，”Riley（莱利） 说。“如果你愿意，你将能够选择它，将其转变为一个管理性更强的解决方案，并让 IT 部门进行控制。”
尽管您可能希望避免重复工作，但也许可以专注于一个代理的成本控制，而不是多个代理的成本控制。“您应该能够非常轻松地创建一个代理来检查代理，以确保这些代理不会做同样的事情：使用该工具来监管工具，”Riley 补充道。
Bratincevic （布拉蒂内维奇） 指出，组织再次对中间选项感到满意。“这些事情不仅仅是'你做到了，你拥有它'或'我接管它'，”他说。“有更好的流程。”例如，在 Shell，每个应用程序不只有一个所有者，而是一个备份所有者。“他们有确保分布式所有权的工作流程。”
二、启动代理 AI
Riley （莱利）指出，要从代理 AI 中获取价值，首先要弄清楚他们可以在哪些方面应用该技术以及应用什么，这意味着从业务案例开始，而不是从低代码中熟悉的技术开始。
“它遵循我看到 Power Apps 遵循的相同模式，没有人真正怀疑产品的价值，但它正在帮助客户了解可能性的艺术，”他说。“特别是在代理AI领域，很容易将所有这些新技术应用于现有的业务流程和业务问题，并使其变得更好，是的，但我认为这不会是人们期望从 AI 中获得的阶跃变化。我认为，当你向左和向右移动一点时，就会出现这种情况：沿着右侧，你向上扩展到这个自主空间，然后向左向下移动，更多地到达最终用户。”
Bratincevic （布拉蒂内维奇）建议，组织可能会首先将用户执行的流程换成代理完成的流程，并且至少最初由人工检查。检查可能会变得不那么常见，但下一个合乎逻辑的步骤将是围绕模型和代理的作用重新构建流程。“为什么在人工工作流中需要三个步骤，而它可能是一步？”
为了同时获得微小的改进和这些更大的变化，他认为组织需要大规模的实验——而低代码是实现这一目标的最佳方式。
“真正的价值在于制作新软件，甚至是以 AI 为核心的简单软件，”他继续说道。“实际上，实现这一目标的唯一方法是通过低代码公民开发。我们需要弄清楚如何获得 LLM 中锁定了多年的价值，而实现这一目标的唯一方法是通过大规模实验。
与低代码一样，业务用户是最了解需要更改的内容的领域专家。“他们最接近数据和业务流程，而且他们每天都会因为这个东西不起作用而被戳眼睛，”Riley（莱利） 说。“在低代码领域，他们构建的东西对业务产生了巨大的不成比例的影响，而 IT 部门永远无法做到，因为他们会仔细研究这些东西，并在他们必须做的事情的尾巴上把它放在最后。”
【睿观：组织需要通过大规模实验来驱动微小改进和更大变革，而低代码开发是实现这一目标的最佳方式。 低代码平台赋能业务用户（即“公民开发者”），让他们能够构建以 AI 为核心的简单软件，从而释放 LLM 的价值，并对业务产生巨大影响。
大规模实验的重要性： 为了实现创新，组织需要进行大规模的实验，不断尝试新的软件和流程。
低代码是实现大规模实验的最佳方式： 低代码平台降低了软件开发的门槛，使得非专业开发人员的业务用户也能参与到软件开发中来。
LLM 价值的释放： LLM 中蕴藏着巨大的价值，而通过低代码开发，业务用户可以更容易地利用 LLM 构建 AI 驱动的应用程序，从而释放这些价值。
业务用户的专业性： 业务用户最了解业务需求、数据和流程，因此他们是推动改变的最佳人选。
低代码的影响力： 业务用户通过低代码开发构建的软件，往往能对业务产生巨大的、不成比例的影响，这是传统的 IT 部门难以做到的。
IT 部门的局限性： 传统的 IT 部门由于资源和优先级的限制，往往无法及时响应业务用户的需求，而低代码开发则弥补了这一不足。
分析：低代码开发和业务用户在推动组织创新和利用 LLM 方面的关键作用。它认为，传统的 IT 部门由于种种原因，难以完全满足业务用户的需求，而低代码开发则提供了一个新的解决方案。
低代码的优势： 低代码平台降低了软件开发的门槛，让业务用户能够直接参与到软件开发中来，从而更快地响应业务需求，并进行大规模的实验。
业务用户的重要性： 业务用户是最了解业务需求的人，他们通过低代码开发构建的软件，往往更贴近实际，更能解决实际问题。
LLM 的潜力： LLM 蕴藏着巨大的潜力，而低代码开发则为业务用户利用 LLM 提供了便捷的途径。
对传统 IT 部门的挑战： 分析传统 IT 部门面临的挑战。他们需要适应新的形势，与业务用户更好地协作，共同推动组织的创新。】
Bratincevic （布拉蒂内维奇）说，要通过构建代理AI等更先进的技术来充分利用 gen AI，需要深厚的领域知识。“会计人员或人力资源负责人是能够想象它能做什么的人，他们可以进行快速工程和其他类型的轻量级 RAG，使其发挥作用，并将其包装在流程或体验之类的东西中，然后真正创造一些价值。”他补充道。
企业已经有多个由业务用户使用这种低代码方法构建的“注入 AI”应用程序的示例，其中许多都采用代理AI方法。一家大型建筑公司使用员工构建的应用程序，通过让生成式 AI 提取内容并生成初始回复，更快地响应详细且技术复杂的 RFP（征求建议书 -Request for Proposal, RFP)，从而获得更多业务。然后是大型保险公司使用 gen AI 对传入的索赔进行分类，并在内部将它们路由到适当的组，比手动花费两个小时更快。还有一家律师事务所向其他律师事务所销售使用 gen AI 构建的 SaaS 应用程序，这些应用程序涵盖来自全国各地的法律，属于一个特别不起眼的类别。另一家大型保险公司有三分之一的应用程序是用低代码编写的。Bratincevic （布拉蒂内维奇） 说：“不仅仅是他们的自定义应用程序，他们整个企业应用程序组合的三分之一是定制的，由 IT 以外的领域人员在单一平台上使用低代码工具定制，其中很多是 AI 解决方案。”
【睿观：
RFP 的定义： 征求建议书 (Request for Proposal, RFP) 是企业或组织为了满足特定需求而发布的文件，邀请供应商提交解决方案或建议。
RFP 的目的： 帮助买方选择最合适的供应商，以满足其在技术、成本、服务等方面的需求。
RFP 的类型：
技术型 RFP： 侧重于技术方案、性能指标、实施方法等。
服务型 RFP： 侧重于服务内容、质量、交付能力等。
综合型 RFP： 包含技术、服务、成本等多个方面。
初步评估：
快速浏览 RFP，判断是否符合自身业务范围和优势。
评估项目规模、复杂程度、时间限制等，确定是否值得投入。
组建团队：
抽调技术、销售、项目管理等人员，组建专业的 RFP 响应团队。
明确团队成员职责，确保分工协作。
深入分析 RFP：
仔细阅读 RFP，理解买方的需求、目标、评估标准等。
识别关键技术点、难点、风险点等。
针对性地制定响应策略。
制定响应计划：
确定响应时间表、工作流程、资源投入等。
制定详细的撰写计划，明确各部分内容、负责人、完成时间等。
撰写响应文件：
严格按照 RFP 要求，撰写技术方案、服务方案、商务方案等。
突出自身优势、特点、成功案例等。
确保内容完整、准确、清晰、专业。
审核与修改：
完成初稿后，进行内部审核，确保内容质量。
根据审核意见进行修改和完善。
提交响应文件：
在规定时间内，按照要求提交纸质或电子版响应文件。
后续跟进：
提交后，与买方保持沟通，及时解答疑问。
积极参与答辩、演示等环节。
建立 RFP 响应知识库：
收集整理过往 RFP、响应文件、成功案例等，形成知识库。
方便团队成员快速查找和利用相关信息。
使用 RFP 响应模板：
针对不同类型的 RFP，建立相应的响应模板。
提高撰写效率，确保内容结构规范。
利用专业工具：
借助 RFP 管理软件、协作平台等工具，提高团队协作效率。
实现信息共享、任务分配、进度跟踪等。
加强团队培训：
定期组织 RFP 响应培训，提升团队成员的专业能力。
学习 RFP 撰写技巧、沟通技巧、谈判技巧等。
优化工作流程：
梳理 RFP 响应流程，找出瓶颈环节，进行优化。
缩短响应时间，提高响应质量。
项目概述：
背景介绍、项目目标、需求描述等。
技术要求：
技术方案、性能指标、实施方法、验收标准等。
服务要求：
服务内容、服务质量、交付能力、售后服务等。
商务要求：
报价方式、付款方式、合同条款、知识产权等。
评估标准：
技术评分、服务评分、商务评分、综合评分等。
时间要求：
提交截止时间、答辩时间、签约时间、项目周期等。
仔细阅读 RFP，确保理解所有要求。
组建专业的团队，明确分工协作。
突出自身优势，展示专业能力。
确保响应文件内容完整、准确、清晰、专业。
按时提交响应文件，并积极跟进。】
三、让人们准备好构建代理AI
重要的是要将代理 AI 视为组织培训员工使用的技术转变，而不是对现有软件的更新，他们可以期望自己吸收。就像一般的 gen AI 一样，“这是一项非常直观的技术，可以玩几分钟。它不那么直观，或者说你如何将其集成到你的工作流程中也不太清楚，“Domino 的 Carlsson （卡尔松）说。
员工需要提高技能，以赋予他们利用代理 AI 的专业知识，而且他们肯定对有效涵盖 gen AI 的培训感兴趣。在TalentLMS最新的年度L&D基准报告中，64%的员工希望接受如何使用新AI工具的培训，49%的员工抱怨AI的发展速度超过了公司培训的步伐。
同样，这是您可以依赖低代码中熟悉方法的地方，这也应该有助于解决研究分析，有多少员工对 AI 可能对其工作构成的威胁感到担忧和不情愿。
负责任的通用 AI 采用包括让员工分享这些工具的好处，而不是将它们视为竞争对手，组织可以通过奖励和支持分享成功实验的员工来证明这一点，并明确哪些领域适合这些实验，哪些领域风险太高。通过有效的、量身定制的培训课程来提供指导，而不仅仅是通过正式和令人反感的政策文件。
在自己的工作流程中从通用 AI 中获得优势的个体员工可能不会自然地分享他们的成功，原因很明显：禁止不当使用一代 AI 的政策可能会吓跑他们，他们可能会期望他们的结果比分享他们的一代 AI 技术获得更多回报，他们可能会担心削减成本或因为一代 AI 生产力的提高而被分配更多的工作。
或者，您组织中的 Gen AI 高级用户可能热衷于分享对他们有用的方法;他们只是没有有效的方法来做到这一点。同样，支持低代码采用的相同计划——寻找和支持冠军、举办黑客马拉松和分享会、建立卓越中心和融合团队来支持员工，以及通过加薪和晋升甚至开发新角色来认可员工的专业知识——将激励分享对代理 AI 有效的方法。
“一旦你勾选了安全性和你使用的模型，并确保你的数据已经准备好了，以及所有这些基本的事情，你的机制大部分就是通过同样的剧本来运行，寻找早期采用者，通过黑客马拉松和新兵训练营，然后通过不同领域的所有自愿参与者来扩展实验。” 制作注入 AI 的新应用程序，代理就是其中之一，“Bratincevic（布拉蒂内维奇） 说。“在那里，你可以定义和发现价值并从中赚钱。”
融合团队已经成为现实。Forrester 的 2023 年数据显示，62% 的开发人员大部分或全部工作都是与 IT 以外的平民开发者合作完成的。“技术人员根据需要帮助非技术人员，”他说。“他们添加新的数据源或终点，或者帮助他们学习他们不知道的东西。”
Carlsson （卡尔松）建议将融合团队或卓越中心视为 AI 伙伴，它们可以提供指导和支持，同时对哪些工作良好和哪些工作不正常进行现实评估。“永远不应该单独使用 AI 成为定律，”他说。
有些实验会失败。“这并不是说没有混乱或风险，”Bratincevic（布拉蒂内维奇） 表示同意。“扩大民主化显然存在混乱和风险。成功的公司所做的是务实地管理风险。他们分离出不同类型的风险，并有一个经批准的地方来存放东西，这大大减轻了这种风险。同样，这就是低代码的常见优势：利用员工创造力的动能来解决业务问题，现在可以添加代理 AI 作为工具，以托管和可见的方式做到这一点。
作者： Mary Branscombe（玛丽·布兰斯科姆）
Mary Branscombe（玛丽·布兰斯科姆） 是一名自由记者，二十多年来一直从事技术报道，撰写了从编程语言、Windows 和 Office 的早期版本以及 Web 的到来到消费电子产品和家庭娱乐的所有内容。
译者：小知
【睿观：如何成功地将生成式人工智能（Gen AI）应用到企业中，尤其是通过平民开发者（即非专业开发人员的业务用户）来推动这一进程。以下是关键点的概述：
定制化培训的重要性：
有效的AI培训应针对员工的具体角色和工作流程进行定制。
数据显示，接受定制化培训的员工每天可以节省30分钟的时间，从而提高工作效率。
知识共享与社区建设：
鼓励高级用户分享他们的提示词和技巧，促进内部学习。
通过内部社交媒体和同行交流，加速知识传播和经验分享。
低代码平台的应用：
低代码平台（如Microsoft Power Platform、Mendix等）为平民开发者提供了构建AI应用程序的工具。
低代码平台不仅简化了开发过程，还提供了合规性、治理和安全控制。
通过低代码平台，企业可以大规模实验并快速实现创新。
启动代理AI项目：
从明确业务需求开始，而不是简单地应用现有技术。
逐步将人工流程替换为代理AI完成的流程，并逐步优化这些流程。
利用领域专家的知识来设计和实施AI解决方案。
组织支持与激励：
通过寻找和支持早期采用者、举办黑客马拉松和分享会等方式，激励员工参与AI项目的开发。
建立融合团队或卓越中心，提供指导和支持，确保AI应用的成功。
通过加薪、晋升或其他奖励机制，认可员工在AI项目中的贡献。
风险管理与治理：
通过务实的风险管理策略，分离不同类型的风险，并在批准的地方存放AI项目。
低代码平台提供了托管和可见的方式，帮助企业更好地管理和控制AI应用。
总之，通过定制化的培训、知识共享、低代码平台的支持、逐步推进的项目启动、组织激励以及有效的风险管理，企业可以成功地利用生成式人工智能，提高工作效率并实现创新。】
