技术前沿的高管们分享了他们如何利用代理式AI来自动化繁琐任务并极大地增强业务关键活动。
图片来源：Rob Schultz / Shutterstock
ServiceNow的首席数字与信息官（CDIO）Kellie Romack说：“我们不仅仅是在一两个部门中自动化少数手动任务和流程。我们正在将AI智能体注入到各个角落，以重新构想我们的工作方式并驱动可衡量的价值。” 代理式AI（Agentic AI）是AI进化的新前沿，在当今的企业讨论中占据中心位置。AI智能体位居Forrester 2024年趋势列表榜首，Salesforce预计到2026财年底将有10亿个投入使用。 尽管应用尚显宽泛，代理式AI通常指赋予AI智能体更多自主权来优化任务并将日益复杂的行动串联起来。
UIPath的《2025年代理式AI报告》调查了收入达10亿美元或以上公司的美国IT高管，发现93%的人对其业务中的代理式AI高度感兴趣。该研究发现，对业务工作流实现更好的监督是其最被看重的潜在益处。
Shopify首席执行官Tobias Lütke在一份泄露的内部备忘录中补充道：“有效使用AI现在是对Shopify每个人的基本期望。”许多组织正在将AI的热潮转化为经过深思熟虑的行动。那么，这些更具自主性的AI能够极大地增强哪些具体的工作流呢？ AI智能体的用例涵盖了无数的业务工作流。“AI智能体在销售、服务、营销、IT、人力资源以及实际上所有业务团队中都很有价值，”Salesforce业务技术高级副总裁Andy White说。高管们认为其在简化销售漏斗、实时数据分析、个性化客户体验、员工入职、事件解决、欺诈检测、财务合规和供应链优化方面具有巨大潜力。
一、丰富销售渠道 (Enriching the sales pipeline)
SAS的首席信息官Jay Upchurch支持用代理式AI来增强销售、营销、IT和人力资源的运作。“代理式AI可以通过处理潜在客户评分、协助客户细分和优化定向触达来提高销售效率，”他说。 营收智能平台Gong的联合创始人兼首席产品官Eilon Reshef表示，AI智能体最适合作为嵌入到更大工作流中的明确定义的任务来部署。例如，一个AI简报器可以为销售渠道审查过程提供信息，或者一个AI培训师可以作为入职计划的一部分模拟客户互动，他补充道。 另一个领域是数据分析和报告的民主化。基于云的数据仓库公司Snowflake通过其内部代理式AI工具“销售助手”（Sales Assistant）践行了这一点，该工具旨在让其全球销售团队能够通过自然语言查询即时获得数据驱动的洞察，从而节省时间并提高目标定位的准确性。 “通过自然语言查询实现实时、自主的数据检索、分析和可视化，用户可以加速获得洞察的时间，并减少对集中式数据团队的依赖，”首席数据与分析官Anahita Tafvizi说。 （CIO Smart Answers 链接占位符）
因此，代理式AI用例可以贯穿整个销售渠道——非常适合用于筛选潜在客户、触发个性化报价等。“我非常期待看到代理式AI如何通过使销售团队能够战略性地瞄准具有最高潜在回报的客户来推动销售转化，”大型网络安全咨询公司NCC Group的集团首席信息官Rebecca Fox补充道。她看到了使用智能体来安排客户工作并将客户需求与技能最匹配、成本效益最高的资源相匹配的潜力。
二、客户收益 (Customer gains)
客户体验也非常适合通过代理式AI来提升。“AI智能体正在彻底改变我们的工作方式以及我们与客户互动的方式，这已不是什么秘密，”SAS的Upchurch说。
一个领域是个性化页面上的数字互动。“代理式AI可以根据消费者的需求或评论，快速引导他们找到合适的产品，”全球产品设计和技术公司SharkNinja的首席信息官Velia Carboni说。“通过利用AI驱动的解决方案，我们旨在提供引人入胜且直观的购物体验。”Salesforce的Agentforce在SharkNinja的数字化转型中也扮演着关键角色，公司正在评估代理式AI在用户浏览、产品选择、食谱发现和客户支持等方面的应用。 对某些用户而言，AI智能体带来的净收益可能是改变人生的。“我们正在利用代理式AI的力量来增强我们的咨询工作流，”College Possible的首席执行官Siva Kumari说，这是一家支持学生升学之路的非营利组织，它使用AI智能体来分析学生需求、筛选相关院校并快速准确地整合信息。通过将研究时间从35分钟缩短到3分钟以内，辅导老师现在可以建立更好的关系并改善他们的一对一指导。结果是速度、个性化，并有望带来更多成功的大学录取。
三、简化客户支持 (Streamlining customer support)
Salesforce的White表示，AI智能体对于自动化重复性的支持查询很有用。他指出，美国大型虚拟会计师事务所1-800Accountant如何使用AI智能体处理了65%的关于状态请求的接入。“通过自动化这些任务，他们的人类同事可以专注于更复杂的客户需求，”他说。
代理式AI对于呼叫中心来说也是一个自然的延伸，因为它们通常已经部署了AI用于语音转文本、实时多语言翻译和情感分析等领域，呼叫与联络中心软件提供商Mitel的首席技术官兼大型企业研发负责人Luiz Domingos说。 “我们正在实施由AI驱动的代理式工具，例如具有聊天和语音功能的自主虚拟座席，以处理和解决客户咨询，并在需要升级到人工座席时收集信息，”他说。他补充道，代理式AI还被用于实时支持、CRM集成和多语言沟通。
四、自动化后台任务 (Automating backend tasks)
业务的每个角落都受到了代理式AI的影响，许多公司正在实施它以改进各种后台业务运营。一个具体的例子是订单处理。“我们非常喜欢用代理式AI来处理常规的订单处理场景，”为医疗服务提供商提供平台的Transcend Company首席信息官Brian Glass说。AI智能体在那里通过在订购管制药品和药物时验证要求和合规性来提供帮助。“我们正在寻找可以消除常规、可重复工作的领域，并将时间还给我们的员工，”Glass补充道。
ServiceNow的Romack同样将AI智能体视为在各业务领域释放人类潜能的方式。在ServiceNow，他们正在将代理式AI注入三个核心领域：回答客户或员工关于技术支持和薪资信息等请求；减少IT、人力资源和客户服务团队的工作量；以及通过加速编码和测试来提高开发人员的生产力。 自动化在精简的非营利工作中至关重要，美国第六大慈善机构Good360已部署辅助型AI智能体来改进他们将捐赠物品与非营利合作伙伴匹配的方式。“一个智能体支持日常运营，而另一个则帮助我们的灾难恢复团队快速将产品与危机响应组织对齐，”首席技术官Stephane Moulec说。“高容量、重复性的任务是AI的理想选择。”
五、简化财务工作流 (Simplifying financial workflows)
AI决策与工作流自动化平台Pegasystems的首席信息官David Vidoni表示，管理高容量、数据密集型工作流的行业，如金融服务、电信和医疗保健，都准备好从代理式AI中受益。“这些行业依赖复杂的多步骤流程来高效服务客户，同时确保合规性。”
总的来说，Vidoni预见代理式AI将在通过提高自动化水平来现代化遗留工作流方面发挥关键作用。“跨行业来看，任何涉及重复性决策、数据验证或跨系统编排的流程都可以从自动化中受益，从而带来更高的效率和成本降低，”他补充道。 同样，软件提供商Akamai正在优先将代理式AI应用于那些流程已经高度成熟并得到高质量数据和安全控制支持的领域。“任何基于规则、数据密集或需要快速决策的工作流都是主要目标，”该公司高级副总裁兼首席信息官Kate Prouty说，她补充道财务领域是特别关注的。 财务运营充满了重复性的、基于规则的任务，代理式AI可以对其进行简化。
“目前，我们专注于推出用于合同自动化的代理式AI，”Xerox IT Solutions首席技术官Milind Shah说。“想象一下总结、审查，甚至在数千份文档中标注风险。我们还在探索用智能体处理内部IT支持工单和财务工作流，如发票匹配和支出分析。” 随着Xerox继续其转型，从传统的打印根基转向服务导向模式，代理式AI非常契合这一旅程。除了合同管理，Shah还强调了采购和IT支持是AI智能体可以消除干扰并自主行动的领域。
六、提升IT与安全 (Boosting IT and security)
AI智能体正在改变软件工程，在代码生成、测试、重构、可观测性等方面提供帮助。其他技术领域，如低代码数据集成，也将得到推动，Gartner的2024年魔力象限报告称，将AI助手和AI增强的工作流整合到数据集成工具中将减少60%的人工干预。
“NCC Group已经在优先考虑将AI用于网络安全响应自动化、IT流程管理和客户支持，”NCC的Fox补充道。“通过代理式AI，我们看到这些活动的成果变得更加有效。选择这些领域是因为它们具有明确的投资回报潜力。”
七、评估代理式AI的影响 (Evaluating agentic AI’s impact)
高管们普遍认为，代理式AI将人类解放出来，专注于更高影响力的活动，如战略伙伴关系和关系建立。 “随着我们扩展服务业务，这一切都是为了让运营更智能、更快、更具前瞻性，”Xerox的Shah说。NCC的Fox补充道，目标是减少人力瓶颈、提高准确性，并增强对快速变化的业务和客户需求的响应能力。
借助上下文数据，代理式AI可以更主动地揭示洞察、趋势或异常，帮助指导业务决策。“组织可以从反应式报告转向动态的、AI驱动的决策制定，从而驱动更大的敏捷性和影响力，”Snowflake的Tafvizi说。 尽管围绕代理式AI的热情显而易见，但仍存在几个障碍。Crane Venture Partners 2025年的一项研究（调查了代表每年30到40亿美元技术支出的高管）发现，超过一半的受访者将数据集成和互操作性列为主要障碍，这突显了AI雄心与执行之间的差距。约45%的人还提到了数据治理和合规方面的担忧。 因此，大多数高管避免为了追随趋势而增加额外的复杂性。“我们正采取有目的、深思熟虑的方法在整个组织中实施AI，这种周密的策略也延伸到了代理式AI工作流，”Akamai的Prouty解释说。
目前，在技术仍在发展中时，很容易过度承诺。“关于AI取代人类的说法有很多炒作，但现实是AI系统尚未能够执行复杂的多步骤任务，”Gong的Reshef说。“大多数组织寻求的是一致、可重复的流程，所以他们并不是在寻找能够做出独立决策和即兴处理流程的自主智能体。” 由于LLM是非确定性的，意味着它们对相同的输入可能提供不同的响应，因此保持一致性需要新的验证程序。“测试是我们花费了大量时间的事情，”Salesforce的White说。“新的自动化和更接近生产的环境对于成功测试是必需的。” 对于其他人来说，集成仍然是最大的障碍。“AI智能体最大的挑战是让它们在整个技术栈中有效地沟通和协同工作，”ServiceNow的Romack说。“在集成方面，真正的价值来自于AI智能体能够相互对话、共享数据并在不同系统间执行任务。”
许多人重申，目标不是取代人类。“在每个用例中，我们的方法始终是务实且以人为中心的，”Good360的Moulec补充道。“我们使用AI来扩展我们的使命，而不是取代我们的人员。”
八、代理式AI在企业中的未来 (Agentic AI’s future in the enterprise)
“在企业中，AI智能体将从助手转变为决策者——预测问题、采取行动并持续优化运营，”Akamai的Prouty说。“期待更紧密的AI-人类协作，其中AI负责执行，人类专注于战略。” 虽然未来看似是代理式的，但我们仍处于早期阶段，正如Salesforce显示，由于技术和组织挑战（如从零开始构建AI智能体），只有11%的CIO完全采用了AI，尽管84%的人表示AI对企业的重要性将与互联网相当。 为了帮助缩小差距，科技公司已经推出了AI智能体功能，从Salesforce的Agentforce到微软的Magnetic-One、IBM的Bee Agent Framework，以及谷歌用于多智能体系统的ADK框架。Salesforce最近还推出了一个代理成熟度模型（Agentic Maturity Model），为实现能够自主行动并与人类协作的AI智能体提供了更清晰的路径。
九、始终在线，持续改进 (Always on, always improving)
随着企业AI之旅的展开，大多数IT领导者正在采取一种审慎的、迭代的方法。然而，长期愿景已经清晰：AI智能体不仅将支持工作流——它们将重塑工作的完成方式。 “我设想未来有成千上万的AI智能体在后台工作，每个都专注于一个狭窄的任务，但能够无缝地交接和协作，”Romack说。“感觉就像一个数字同事团队，永远在线，永远在改进。”
作者：Bill Doerrfeld 特约撰稿人
在LinkedIn上关注Bill Doerrfeld Bill是一位技术记者，专注于企业云软件领域的前沿技术。他也是API实践者知识中心Nordic APIs的主编，https://www.google.com/search?q=%E5%B9%B6%E4%B8%BADevOps.com、Cloud Native Now（前身为Container Journal）和Acceleration Economy撰稿。 Bill来自西雅图，曾就读于华盛顿大学。他现在在缅因州波特兰生活和工作。
睿观:企业正积极拥抱并探索代理式AI（Agentic AI）——赋予AI更大自主权以优化任务和串联复杂行动的新兴技术，众多IT领导者已在销售、客服、后台运营、财务及IT等多个关键业务工作流中部署或试用AI智能体，旨在自动化繁琐任务、提升效率、个性化体验并释放人力从事更高价值工作。尽管早期应用（如ServiceNow、Snowflake、College Possible等案例）已展现出显著潜力，但数据整合、治理合规、技术成熟度（如LLM非确定性）及跨系统集成仍是广泛存在的挑战，因此当前主流策略是采取以人为本、目标明确、循序渐进的迭代方式来推进，并期待未来AI智能体能从助手进化为决策者，深度重塑企业工作模式。
论据 (Supporting Arguments):
广泛的应用场景与实践案例：
销售与营销：
线索评分、客户细分、定向触达（SAS）、数据分析民主化（Snowflake销售助手）、客户互动模拟（Gong）、战略客户定位（NCC Group）。
客户体验与支持：
个性化数字互动（SharkNinja/Salesforce Agentforce）、高效咨询服务（College Possible）、自动化重复支持查询（1-800Accountant）、赋能呼叫中心（Mitel）。
后台与运营自动化：
订单处理合规验证（Transcend）、HR/IT/客服工单处理（ServiceNow）、非营利组织资源匹配（Good360）。
财务流程简化：
合同自动化（Xerox）、发票匹配、支出分析、采购支持（Akamai）。
IT与安全增强：
软件工程辅助（代码生成、测试、重构）、数据集成自动化（Gartner预测）、网络安全响应（NCC Group）。
核心价值驱动：提升效率与释放人力：
主要目标是通过自动化重复性、基于规则、数据密集型的任务，显著提升运营效率、准确性和响应速度。
将员工从繁琐工作中解放出来，使其能专注于战略思考、客户关系建立、复杂问题解决等更高价值的活动。
通过主动的数据洞察，驱动更敏捷、更智能的业务决策。
面临的挑战与障碍：
数据层面：
数据集成、系统互操作性是首要障碍（Crane调查）；数据治理与合规也是重要顾虑。
技术层面：
AI（尤其是LLM）的非确定性给结果一致性带来挑战，需要新的验证和测试方法；当前技术可能被过度宣传，尚难完全自主处理复杂多步任务。
集成层面：
实现不同系统、不同智能体之间的有效通信与协作是发挥其真正价值的关键，也是一大难点。
实施策略与未来展望：
当前策略：
企业普遍采取谨慎、务实、迭代的方法，优先选择流程成熟、数据质量高、风险可控的场景；强调以人为本，目标是增强而非取代人类；重视人类监督和控制。
未来趋势：
AI智能体将从助手进化为决策者，具备预测、行动和优化能力；人机协作将更紧密（AI执行，人定战略）；尽管尚处早期（采用率仍不高），但各大厂商已推出平台（Salesforce, Microsoft, IBM, Google等）推动发展，未来有望实现大规模、无缝协作的“数字同事”愿景。
