从最初的热情到战略实施：企业如何利用AI智能体获得真正的竞争优势。企业要超越生成式AI的初步应用（如代码助手、SaaS增强），利用具备一定自主行动能力的AI智能体（Agentic AI）获得真正的竞争优势，必须进行战略性的“构建vs购买”决策。
图源：shutterstock/CHIEW
第一波GenAI（生成式人工智能）解决方案已经在企业中取得了相当的成功，特别是在代码编写助手领域以及提高现有SaaS产品效率方面。然而，这些应用只是展示了LLMs（大语言模型）潜力的冰山一角。这项技术的真正实力现在正体现在第二代人工智能驱动的应用程序中：基于AI智能体的系统，它以LLMs的坚实基础为依托，并将其能力提升到一个新的水平。
与传统的AI聊天机器人或简单的SaaS产品辅助工具不同，AI智能体充分利用了LLM的全部能力。它们不仅可以生成文本，还可以（几乎）独立解决复杂问题。AI智能体是一个由LLM驱动的系统，它在定义的自主性边界内追求特定目标，并使用各种工具。
一个例子可以说明其可能性：假设一个LLM接收到一个可以检索当前股价的API的文档。有了这些信息，LLM可以独立创建一个脚本来调用该API获取特定股票的价格。如果系统允许执行这个脚本，它就成为终端用户获取任何股票价格的工具。
一、智能体很少单独行动
那么，是否有可能开发出一个单一的、全面的应用程序来解决企业的所有问题呢？答案是否定的。尽管LLMs具备泛化能力，但企业环境的限制要求每个单独的应用程序的范围相对狭窄。这是企业确保稳定性能以及控制数据和工具访问权限的唯一方法。
这个想象中的“超级应用程序”听起来很方便，但它需要完全访问企业的所有数据和工具，从最普通的到最敏感的。就像员工应该只能访问其工作所需的数据和工具一样，基于智能体的应用程序的访问权限也必须限制在其执行功能所需的范围内。
一家大型公司可能需要多少这样的AI智能体呢？粗略估计：一家拥有十个部门、每个部门有五个核心功能的大型企业，每个功能可能需要五个专门的应用程序。例如，销售部门在销售运营中可以使用一个智能体来：
研究目标客户
核实销售流程的合规性
分析销售管道
总结客户会议内容
支持后续活动
这将总共产生250个应用程序——这对大型组织来说是一个现实的预测。
二、构建还是购买：做出正确决策的艺术
随着数百种新应用程序的出现，公司面临着“构建还是购买”的决策。软件供应商已经在向市场推出相应的应用程序。与此同时，一些先进的企业也在内部开发他们的第一批可投入生产的基于智能体的应用程序。
现成的AI智能体提供了决定性的优势：一旦实施，它们提供即插即用的性能，由专业软件开发人员支持，并实现快速部署。这种现成的AI智能体也存在一些挑战，比如通常很难集成到现有的企业系统中，在跟踪所使用的模型方面存在管理问题，最后但同样重要的是，拥有相同解决方案的竞争对手也能实现相同的性能。
另一方面，自主开发的定制AI智能体可以精确适应特定的业务环境，从而有可能在市场上实现真正的差异化。企业可以完全控制和了解自己的应用程序，并摆脱对外部软件、人工智能和云服务提供商的依赖。然而，这些优势也伴随着自身的挑战：许多企业并不具备足够的开发技能，而且随着自主开发应用程序数量的增加，监控和维护的复杂性也会显著提高。
因此，大多数企业会购买一些应用程序，同时自己开发其他一些应用程序。需要注意的是，尽管AI智能体可以提高运营流程的效率，但如果这些效率提升与竞争对手同步，企业的竞争地位并不会得到改善。
另一方面，开发定制的、基于智能体的应用程序可以使企业创造出竞争对手所没有的能力。考虑到涉及的成本和复杂性，企业会将内部开发工作集中在那些从强大的竞争差异化中获益最大的业务部分，通常是它们的核心业务。
三、克服复杂性阈值
每个组织在其现有实践模式下，所能开发、监控和维护的应用程序数量都存在一个上限。这就是该组织的“complexity threshold（复杂性阈值）”。
随着企业开发的基于智能体的应用程序越来越多，监控和维护这些应用程序的复杂性也在不断增加，直到在某个时候达到最大值，无法再开发更多的应用程序——即使这会有利于业务。
企业必须想办法提高其复杂性阈值，以便开发更多应用程序。这就需要对这些应用程序的开发进行标准化和结构化处理。
四、基于智能体应用程序的新架构范式
多年来，组织使用了各种架构范式，从单体应用程序到面向服务的架构，再到微服务架构。如今，用于构建基于智能体应用程序的基础设施大多是单体架构，并使用诸如LangChain之类的框架。虽然这种方法适用于开发初始原型，但它反映出基于智能体的应用程序设计在企业环境中还相对不成熟。
因此，需要一种新的架构范式来创建和维护大量基于智能体的应用程序。一种实现方式是为LLMs以及在企业中创建智能体所需的相关组件构建一种网状架构。它提供了抽象层，可将不同组件归为统一的对象类型。
这种多层架构可能包括以下组件：
基础模型：经过训练的AI模型，具备基本的数学权重。
数据层：分为非结构化和结构化数据。
服务层：包括模型运行所需的服务以及数据访问服务。
编排层：在这里，提示信息、智能体和工具被整合在一起。
应用层：带有用户界面、可供使用的应用程序。
这种架构的关键优势在于抽象性：它在不同层之间创建了标准化的接口，允许在无需调整其他组件的情况下替换单个服务。这种解耦方式使企业能够提高其复杂性阈值。
作者：Kurt Muehmel（库尔特·米默尔）是Dataiku的人工智能战略负责人。他是一位富有创造力和分析能力的高管，拥有15年以上的经验，并在企业人工智能领域以及更广泛的B2B SaaS市场营销策略和战术方面拥有深厚的专业知识。
译者：宝蓝
睿观：
好的，这是根据您提供的中文文章内容，按照之前处理方式生成的金字塔原理总结。
睿观: 企业要超越生成式AI的初步应用（如代码助手、SaaS增强），利用具备一定自主行动能力的AI智能体（Agentic AI）获得真正的竞争优势，必须进行战略性的“构建vs购买”决策。考虑到单一“超级智能体”在企业环境中的不可行性以及内部开发运维能力存在的“复杂性阈值”，企业应通过采用新的、标准化的、分层解耦的架构范式（如网状架构）来克服这一阈值，从而能够规模化地开发、部署和管理大量针对特定业务场景的、权限受控的智能体应用，尤其是在核心业务领域通过自建定制化智能体来实现关键的竞争差异化。
主要观点:
AI智能体的潜力与企业应用形态：
AI智能体是基于LLM、能在定义的自主边界内、使用工具追求特定目标的系统，其解决复杂问题的能力远超简单的GenAI应用或聊天机器人。
企业环境中不存在全能的“超级智能体”，因为稳定性和数据/工具访问权限控制要求应用范围相对狭窄。企业需要的是大量（可能数百个）功能专一、权限明确的专用AI智能体。
“构建 vs 购买”的战略权衡：
面对大量智能体应用需求，企业需做决策。“购买”现成产品可快速部署，但难以集成、缺乏差异化（竞争对手亦可获得）。“构建”定制应用可精准适应业务、创造独特优势并实现完全控制，但对内部开发技能和维护能力要求极高。
大多数企业将采取混合策略：对能带来显著竞争差异化的核心业务能力进行内部定制开发；对于通用效率提升或非核心功能，则可考虑购买。
克服“复杂性阈值”的挑战：
任何组织在现有实践模式下，其内部能够有效开发、监控和维护的智能体应用程序数量都存在一个上限，即“复杂性阈值”。
随着自建应用增多，复杂性急剧上升，一旦达到阈值，即使有业务需求也难以继续开发新应用。
企业必须通过标准化和结构化的开发、运维方法来提高自身的“复杂性阈值”，以支持更大规模的智能体应用部署。
需要新的架构范式（推荐：网状架构）：
当前常用的、基于框架（如LangChain）的单体式开发方法虽适用于原型，但难以支撑大规模、企业级的智能体应用生态。
提出需要一种新的架构范式，例如分层（基础模型、数据、服务、编排、应用层）的网状架构（Mesh Architecture）。
这种架构的关键优势在于抽象化和解耦：通过标准化的接口隔离不同层级和组件，允许灵活替换、更新单个服务而不影响全局，从而有效管理复杂性，提升可扩展性、可维护性，最终帮助企业提高其“复杂性阈值”。
