The change agent: Goals, decisions, and implications for CEOs in the agentic age
作者：Alex Singla, Alexander Sukharevsky, Lari Hämäläinen 等 发布时间：2025年10月
核心摘要： 企业正感受到AI自主智能体（Agentic AI）带来的成长阵痛。以下是 CEO 们如何带领企业度过这些阵痛并定位成功的方法。
高管们喜欢引用冰球巨星韦恩·格雷茨基（Wayne Gretzky）的一句名言：“我滑向冰球将要到达的地方，而不是它已经在的地方。”在某种层面上，这是合理的商业建议。但随着AI智能体的迅速演进，那个“冰球”移动的速度比以往任何时候都要快得多。
当 CEO 及其高管团队还在努力从早期的生成式 AI（gen AI）投资中看到底线价值时，呼吁“行动得更快”似乎有些不合时宜。开发和扩展生成式 AI 用例已被证明充满挫折与挑战。一些高管仍未确信 AI 智能体将产生重大影响——至少在短期内如此——并已缩减了投资。
随着 CEO 们在不确定性中前行，值得承认的是正在发生的变革的速度和潜在范围。AI 智能体——这种利用生成式 AI 构建的软件系统，具备规划、行动、记忆和学习能力以自主实现预定结果——正在快速演进。随着它们的成熟，可能会彻底改变公司的运营方式及其创造价值的方式（见侧栏“塑造生成式 AI 和智能体的关键趋势”）。实际上，正如 Gartner 的 John Lovelock 最近所称的这段“幻灭低谷期”，正是高管们超越竞争对手的良机。
CEO 如何管理这一变革将决定他们能多好地捕获收益。尽管 AI 智能体仍处于起步阶段，但早期的经验教训凸显了四种心态和行动，可以让 CEO 处于有利地位：
重新构想可能性 (Reimagine what's possible)。如今关于AI自主智能体（Agentic AI）的许多思考仍集中在自动化基本任务或增强知识上。然而，真正的胜利将来自更大胆的愿景：重新架构工作流，以及围绕“智能体优先（agent-first）”系统构建的组织。
紧迫行动并开始学习 (Actwith urgency and start the learning)。生成式 AI 智能体的快速改进率意味着观望态度可能是一种高风险举动。早期的实践学习对于在技术成熟时迅速建立竞争优势至关重要。
现在就解决规模和长期竞争力问题 (Tackle scale and long-term competitiveness issues now)。围绕技术、信任、治理、购买与自建、能力和人才的关键决策对于推动更广泛的转型至关重要。在实验的同时，应尽快形成战略并开发扩展能力，因为由于人才稀缺和组织复杂性，执行所需的时间将比预期的更长。
让每个人都成为智能体领导者 (Turn everyone into an agent leader)。随着智能体和智能体系统接管更多的执行工作，组织中的每个人都需要培养智能体领导和监督技能。高管团队尤其需要以身作则，倡导学习及工作习惯的演变。
尽管仍有许多未知数，但在智能体时代将需要对企业的运营、创新及保护价值创造源泉的方式进行根本性的重新布线。本文将重点关注企业 CEO 应解决的几个与价值、规模和人才相关的最重要要素。我们将勾勒出一个假设的两年智能体旅程可能是什么样的，CEO 应该考虑哪些类型的决策，以及这对公司运营可能产生的重大影响。
（Key trends shaping gen AI and agents 塑造生成式 AI 和智能体的主要趋势
AI agents are becoming more human-like in the kinds of tasks they can do and the way people interact with them. These features democratize AI in a way prior technologies haven’t and underscore agents’ potential to affect a broad set of activities. The increasing possibilities of gen AI—the foundational capability that enables AI agents—are fueled by four mutually reinforcing trends: AI智能体在能完成的任务类型和人们与它们互动的方式上，变得越来越像人类。这些特性以以往技术未能实现的方式使人工智能民主化，并凸显了智能体影响广泛活动的潜力。生成式人工智能——支撑AI自主智能体的基础能力——日益增长的可能性，由四个相互强化的趋势推动：
An acceleration in innovation pace. Only two new-frontier large language models (LLMs) were announced in 2020;by 2025, the number is in the dozens, even hundreds, depending on counting methodologies.Similarly, the number of new large-scale AI models has grown by 167 percent per year since 2020.The length of tasks AI agents can do (with at least a 50 percent success rate) has been doubling every seven months.At the time of writing, it has been reported that Anthropic’s Claude Opus 4 can complete almost as much work as a human can in a day, while a multiagent system outperformed a single-agent Claude Opus 4 by more than 90 percent. 创新步伐加快。2020 年仅宣布了两种新前沿大型语言模型（LLM）;到 2025 年，这一数字根据统计方法不同，已达到数百。( 例如 ) 同样，自 2020 年以来，新的大型 AI 模型数量每年增长 167%。AI 智能体能完成的任务长度（成功率至少为 50%）每七个月翻一番。截至撰写本文时，Anthropic 的 Claude Opus 4 几乎能完成与人类一天相当的工作量，而多智能体系统的性能则比单智能体的 Claude Opus 4 高出 90%以上。
Large growth in spend and investments. The compute used to train state-of-the-art models has been growing roughly four to five times per year. The top three hyperscalers collectively plan to invest more than $250 billion in 2025 on AI and data centers, and in 2023, businesses spent about $15 billion on gen AI solutions, representing roughly 2 percent of the global enterprise software market.支出和投资大幅增长。 用于训练最先进模型的计算量每年大约增长四到五次。 三大超大规模企业计划在 2025 年投资超过 2500 亿美元于人工智能和数据中心，2023 年，企业在生成式人工智能解决方案上的投资约为 150 亿美元，约占全球企业软件市场的 2%。
Sharp gains in model training and inferencing efficiency. Breakthroughs in architecture and optimization have driven training costs down significantly for a given capability. The inference costs for ChatGPT 3.5 dropped more than 280 times between November 2022 and October 2024. The cost per million input tokens, for example, has decreased about ten times, from about $36.00 in March 2023 to about $3.50 in August 2024. For some models, the cost is less than $1.00. 模型训练和推理效率大幅提升。 架构和优化的突破显著降低了特定能力的训练成本。ChatGPT 3.5 的推理成本在 2022 年 11 月至 2024 年 10 月间下降了 280 多倍。 例如，每百万输入代币的成本下降了大约十倍，从 2023 年 3 月的约 36 美元降至 2024 年 8 月的约 3.50 美元。 有些型号的价格低于 1.00 美元。【DeepSeeK把 推理成本280× 再往下压 10×】
Breakthroughs in model and system capabilities. New reasoning models deploy “test time compute” thinking during inference (“system-2 thinking”); standardized tool-calling interfaces, such as Anthropic’s Model Context Protocol (MCP), let models invoke enterprise APIs safely; vastly larger and more precise short- and long-term memory structures improve both the recall breadth and precision; multiagent orchestration frameworks (for example, LangGraph, AutoGen) enable specialized agents to delegate, monitor, and reconcile their work; and early agent-to-agent protocols (for example, A2A, created by Google and recently donated to the Linux Foundation to maintain as an open-source project) point to a future where agents autonomously discover peers, negotiate roles, and execute workflows. 模型和系统能力的突破。 新的推理模型在推理过程中采用“测试时间计算”思维（“系统二思维”）;标准化的工具调用接口，如 Anthropic 的模型上下文协议（MCP），使模型能够安全地调用企业 API;更大、更精确的短期和长期记忆结构提升了回忆的广度和精确度;多智能体编排框架（例如 LangGraph、AutoGen）使专业智能体能够委托、监控和对账其工作;早期的智能体间协议（例如由谷歌创建并最近捐赠给 Linux 基金会以开源项目维护的 A2A）预示着自主智能体发现对等体、协商角色和执行工作流的未来。）
Are agents worth it?
关于 AI 智能体价值的说法充斥着互联网。但由于该技术仍如此之新，这些说法很难验证。然而，早期的实施表明存在巨大的价值。我们在现代化技术资产方面的经验表明，利用 AI 智能体可以加快 40% 到 50% 的时间线，降低 40% 以上的成本，同时提高产出质量。
在另一个案例中，一家领先的综合银行面临着交付大量 IT 项目以推动业务成果的重大挑战，同时还要管理巨额的技术债务和熟练开发人员的短缺。从一个由三名工程师组成的小团队开始，它建立了一个拥有 100 个智能体、仅由 5 人监督的技术现代化智能体工厂。这些智能体在人类监督下执行了整个现代化生命周期——从逆向工程到设计和构建新应用程序——将时间和劳动力成本削减了 50% 以上。
我们的经验表明，利用 AI 智能体支持人员和自动化任务的初步应用，可以在公司层面推动 3% 到 5% 的年度生产力提升。随着 AI 智能体团队变得能够执行更复杂的工作流，增长可能会增加高达 10% 或更多。
Know your agents: From 'agentic labor' to 'agentic engine'
高管们对智能体是什么以及它们能做什么往往仍持有固定和有限的看法。这种困惑可能使他们难以理解需要做出哪些与风险、投资、资源分配和变革相关的决策。虽然很容易用拟人化的方式思考智能体，但更客观的方法是将它们视为可以执行一系列日益复杂任务的软件系统（见图表）。根据我们的经验，这种方法能更清晰地思考需要什么样的组织变革。
（图表说明请见文末）
Agentic labor: Agents as tools to help with existing work
智能体工具可以通过促进个人承担的基本任务和自动化工作流来为现有工作做出贡献。
1.个人增强 (Individual augmentation)。
这些工具帮助自动化、加速或改进人们通常做的任务。许多任务都很熟悉——起草研究笔记、总结会议、生成代码、进行研究或提议合同条款。这些工具可能会——而且在编程等领域已经是——成为类似于员工使用电子邮件和电子表格的“经营成本”。
研究表明，个人产出提高了 20% 到 30%，在单一任务领域有时甚至更高。然而，在整个企业范围内广泛横向部署智能体工具很少转化为重大的业务影响。此外，对于许多工具来说，除了领先用户之外，使用率往往会下降，留存率也会显著下降。
推动个人支持智能体的广泛采用需要熟悉的变革管理投资，例如将工具嵌入标准操作程序，将预期的产出和使用监控集成到绩效管理系统中，为员工提供适当的工具使用培训，以及沟通和示范其益处。同时，鉴于生产力的提高分散在多个小任务中，领导层需要确定如何捕获这些提高的生产力，通常是通过预算和大规模效率工作来实现。
2.任务和工作流自动化 (Task and workflowautomation)。
第二类侧重于自动化组织中现有的流程、工作流和任务。一个智能体执行层本质上位于现有流程和系统之上（并对其进行小的更改）。
主要技术参与者正在推出第一代智能体产品，而大量新公司正在将解决方案带入许多功能领域（例如，客户服务、财务报告和监控、编程、产品开发和采购）。在我们的研究中，早期部署已为重复性、事务性工作带来了 20% 到 40% 的周期时间缩短或处理成本降低。在联络中心，某些类型的呼叫（例如，余额查询和地址更改的事务性处理）几乎完全自动化。
将智能体工具嵌入工作流并建立持续改进的方法是一个核心推动因素，但仅仅给用户提供工具是行不通的。然而，价值的障碍在于这些更特定领域的用例是孤立运作的，并依赖于其他系统和大量的人工干预来执行。此外，虽然模型能力在提高，但公司在以高质量和大规模自动化现有任务的执行能力方面仍在挣扎。
Agentic engine: Agent-native workflows and operating model
由允许智能体团队协同工作的突破所驱动的新兴智能体系统，提供了产生巨大价值的最有前景的机会。然而，捕获这一价值需要重新思考和重新设计工作流以实现“智能体优先”，无论是在职能内部（例如客户服务）还是跨职能（例如从线索到订单）。
1.职能智能体工作流(Functional agentic workflows)。
在这种情况下，特定领域的工作流（例如财务规划和报告）被重新设计，以利用 AI 智能体团队和智能体流程。这意味着重新思考任务顺序、合并任务、访问新数据源以及开发新流程，例如在问题出现之前进行早期感知和解决。
智能体原生系统可以消除掉阻碍许多当前流程的频繁交接和碎片化活动，因为智能体团队被编排为无缝操作。横向和纵向软件领域的专业供应商正在构建和实施全栈、智能体原生的应用程序，用于客户服务、财务、供应链规划和软件现代化等领域。如果部署得当，这些系统可以缩短端到端周期时间，改善解决时间，并提高客户满意度。例如，对于呼叫中心绩效，估计的影响可能是自动化处理 60% 到 80% 的传入请求，其客户满意度得分与当前系统（例如交互式语音应答加一线支持）相当或更好。
此类系统将需要工程（例如，将概率模型与更经典的确定性软件集成）和领域专业知识的结合，以构建多智能体系统并重新设计相关的组织和运营模式，并辅以充分的人类监督。对于目标工作流（例如采购到付款、供应商签约、供应商沟通和政策管理），向这些智能体灌输治理规则（例如访问权、决策权和质量要求）至关重要，以确保监督的人类不会很快被淹没。
2.跨职能智能体系统 (Cross-functional agentic systems)。
这些智能体优先的系统处理跨职能的复杂工作流（如端到端客户旅程），并具有高级决策能力。例如，24/7 全天候的现场服务运营智能体可以自主派遣技术人员、重新安排访问并订购零件；一个保险团队可以裁决索赔；抵押贷款可以在几秒钟内获得批准和承销；或者一个财务周期，智能体处理从年度规划到月度报告的所有事务。
这些智能体系统可以在多方面创造价值，例如更快的上市时间、更低的每笔交易成本、更快的问题解决速度以及通过更好的报价定位增加收入。使用现有技术的早期试点在某些劳动密集型流程中看到了每笔交易成本降低高达 70% 到 80%。
在这个层面上，关键约束与组织和运营模式问题有关。CEO 和董事会需要密切参与重新架构运营模式，包括历史上存在于孤立企业职能中的领导力和团队责任。渐进式变革行不通；这种程度的转型需要与过去的做法彻底决裂。
Decisions to make along an agentic journey—and some big implications to consider
为了帮助 CEO 形象化这一旅程并揭示沿途的一些关键决策，我们制定了一个高层的、假设性的两到三年路线图。它强调了某些目标标记以及需要 CEO 积极参与的一些关键决策。（见侧栏“围绕 AI 智能体建立的初创公司如何重塑业务”）。
（围绕AI自主智能体构建的初创公司如何重塑商业模式
风险投资公司 Antler 的联合创始人兼首席执行官 Magnus Grimeland 与麦肯锡高级合伙人 Lari Hämäläinen 探讨了初创公司如何利用AI自主智能体。以下是经过编辑的对话节选。
Lari Hämäläinen：您认为以智能体为先的模式会颠覆商业模式吗？
Magnus Grimeland：当然。一些公司只是在构建更高效的成本结构，例如自动化后台或开发周期的大部分环节。但有些公司则更具颠覆性，他们完全将人类从商业模式的核心部分移除。我们投资的一家物流公司正寻求彻底重构并替换后台功能，以围绕AI自主智能体优化整个供应链。另一家公司正在寻求取代工厂的工艺工程师。整个价值链都蕴藏着巨大的机遇。
Lari Hämäläinen：在那些围绕AI自主智能体和人工智能构建业务的初创公司中，它们是如何以不同的方式构建业务的？
Magnus Grimeland：这是一个宽泛的问题，但已经出现了一些主题。首先，我们看到公司发展速度更快，但员工人数却比以往任何时候都少得多。其次，它们的组织结构通常更加扁平化，领导层在产品开发和销售方面更加积极主动，整个团队由开发人员组成。
过去，例如，在创办一家物流公司时，你会寻找在该行业拥有 10 到 15 年经验的人。而对于人工智能来说，寻找最优秀的技术人才和工程师将变得越来越重要。另一个优势是，初创公司对变化的速度非常敏感。这意味着他们会思考如何不断提升和重新培训员工，并且会持续关注市场，寻找突破性进展和潜在的竞争对手。
人工智能的发展速度远超以往任何周期，如果你不掌握新技术，很快就会被淘汰。我们也看到这种速度和灵活性随着成本的显著下降而得到体现。过去，搭建一个电商网站需要技术骨干，这需要大量的规划和漫长的产品开发周期。而对于以人工智能为先导的初创公司来说，产品周期要快得多，而且人们可以切换系统。你可以在一个基础设施上构建，然后，如果另一个基础设施更好，可以相对轻松地切换到另一个。这意味着构建和实验变得更加容易、更便宜、更快捷。
Lari Hämäläinen：AI自主智能体领域的价值将来自哪里？
Magnus Grimeland：价值的含义和来源必须转变。如今，许多服务本质上只是在现有服务中添加一个“AI智能体”按钮，然后收取30%到40%的额外费用。这种模式不会长久奏效。所有公司都必须首先考虑重建人工智能。这意味着重新思考如何与用户互动、如何获取信息以及如何以不同的方式服务客户。最终，这将意味着服务替换，而不仅仅是创造增量收入。）
路线图中提出的目标和时间表是积极进取的，我们承认在两年的时间里会发生很多变化。然而，根据我们的经验，CEO 设定大胆的愿景和目标以激励业务并紧迫行动至关重要。
Years one and two: Setting the course and creating momentum
第一年的初始目标应包括建立理解、创造动力以及开发基础，以便 AI 智能体能够大规模工作。重点应放在降低目标职能和运营中现有活动的运营成本上（例如，考虑高达 10% 的效率提升目标）。不过，首先且最重要的是，这一阶段是为了打破惯性、有目的地行动并学习。
在第一年和第二年，寻找以下智能体业务标记：
智能体“流利度”迅速增长。能够高效使用 AI 智能体是所有员工的要求。虽然对业务的价值较低，但在员工中建立这种能力是“经营成本”。目标应该是让超过 25% 到 50% 的员工定期使用企业智能体和 AI 工具。所有员工都应该通过与智能体“聊天”来查询数据，而不仅仅是阅读报告。
智能体正在使用第一代工具自动化广泛的现有流程。这包括关键流程，如财务备案和更广泛的文档撰写、现有流程中的审批等。具体的好处，如显著更快的交付时间和更低的交易成本，应该清晰可见。例如，在有针对性的案例中，如纠正简单、结构良好的数据质量问题，AI 智能体 可以解决 90% 到 95% 的问题。
首批智能体软件系统集成到关键系统中。关键系统正在将其界面转向基于提示的查询，而不是静态命令。智能体已在关键系统中到位，以自动创建洞察、执行任务和协调活动。
自动化能力（如规划或信息收集）正日益成为常态，支持系统（如报告）正在快速变化。
一个领跑团队启动一个灯塔项目，以重新构想完整的端到端流程。团队为一个完整流程（例如，订单到现金、记录到报告、自动化贷款接受和发放）设计一个 24 个月的目标状态愿景，并从发布一系列最小可行产品开始测试和扩展能力。目标应该大胆。例如，对于订单到现金流程，目标可以是跨所有渠道自动化超过 70% 的交易。
随着生产力提高，某些角色的需求可能会减少。AI 智能体已可靠且高效地接管了简单的编码任务，减轻了一些现有角色的负担。例如，最新的编码智能体（特别是前端代码执行）将生产力显著提高了 50% 到 100%。
为了使业务达到这些标记，需要 CEO 解决一些核心业务领域：
为价值架构转型。目前的关注点过多集中在个人生产力上；虽然有用，但这并不是最大价值池所在。CEO 渴望转型价值，这将来自用智能体重新架构和重新设计整个工作流。CEO 需要确保团队从致力于孤立的用例转向关注跨职能的优先工作流。这将这就需要组织从孤立的 AI 团队转向包括 AI、数据、IT、技术和相关领域职能专家的跨职能智能体团队。随着这些团队的工作，重视过程的学习将至关重要。这意味着确保企业范围内的学习被集中捕获并在整个组织中重用。这也意味着编纂一份智能体优先的工作流重新设计手册，包括 ROI标准、多智能体编排模式、技术和数据集成最佳实践、控制和评估，以及何时应用或不应用智能体。为了领导这项工作，组织将需要一个负责识别工作流、管理重新设计和扩展重新设计的中央团队（“智能体工厂”）。
扩展转型。2002 年，亚马逊创始人杰夫·贝索斯强制要求开发人员的代码包含可以向第三方公开的 API。这一强制令是亚马逊实现规模化的方式。CEO 需要自己的方式来建立——并强制执行——AI 智能体的相同设计原则。通过开发可组合的智能体，而不是单体流程，元素可以被重用并重新组合用于其他任务。这应该是一个组织指令，而不是技术偏好。
智能体工厂对于工业化这种扩展能力至关重要。它由致力于构建和部署智能体的团队组成，同时开发系统和标准以确保它们扩展。示例包括开发运营流程的可重用蓝图库、风险检查和护栏、处理智能体绩效评估的系统技术措施以及标准化的自上而下的 KPI。该工厂需要拥有强大的治理角色，以避免组织内不受控制的智能体蔓延，并检查智能体是否符合公司和国家法规。
使智能体工厂有效运作的关键转变包括：
技术和数据。为了确保协调的智能体开发和管理，CEO 需要优先创建适当的架构。在某些情况下，这可以通过智能体服务提供商提供。作为平衡，保持供应商中立可以避免锁定，并允许跨多个技术平台组合定制和现成的智能体。投资意愿较高的公司应考虑AI智能体网格架构，这是一套编排工作负载的模式、实践和原则。同样，智能体只有在能够访问经过策划、动态和结构化的数据时才能扩展。这项工作并非微不足道，它需要高层领导优先考虑为智能体建立强大的数据基础。
平台化。公司将拥有数百甚至数千个智能体，这可能很快成为管理噩梦。CEO 应优先开发或收购一个自动化智能体管理和可观测性的平台。这应包括管理智能体成本和性能、智能体上线和退役、访问权（例如，根据当地法规确定哪些智能体可以访问数据）、隐私权和安全的协议。
信任。人们需要了解 AI 智能体如何运作才能信任它们。没有这种信任，采用率将受到影响。为了帮助从一开始就建立这种信任，CEO 应优先考虑帮助用户了解智能体如何通过决策以及偏见在哪里的系统。
转变人才和运营模式。许多组织已急于开展关于如何将生成式 AI 和 AI 智能体作为“工具”使用的培训。这在提供基本技能方面很有用。然而，更重要的是，每个人都需要有能力开发和监督智能体。智能体作为常规工作之上的“工具”并不是最有效的；它需要被构建到每个人工作的方式中。这种转变将要求人员领导者开始专注于构建新的人机混合运营模式，其中应包括嵌入新技能，如如何有效地构建和应用智能体、如何训练它们、如何为它们设置任务、如何跟踪和纠正它们的工作，以及如何将一系列智能体串联起来执行更复杂的任务。这种运营模式的改变——本质上是未来如何完成工作——是重新布线流程可持续性的关键要素，也是作为部署智能体解决方案一部分需要实施的关键变革要素。嵌入变革的一部分是绩效管理和评估将需要调整以关注“智能体管理”。支持这一变革将需要更改 KPI，使其与人们与智能体合作的好坏挂钩（例如，用智能体完成的任务数量、产出质量等）。
Years two and three: Scaling across the organization
智能体旅程的第二年全是关于扩展早期学习，重点从智能体活动指标转向损益表（P&L）影响。这是公司应该开始“智能体化（agentify）”关键客户旅程和工作流的时期，而不仅仅是将智能体集成到现有流程和流中。
在第二年和第三年，寻找以下智能体业务标记：
第一个智能体“灯塔”达到引爆点。在第一年建立的第一个重新构想的客户旅程灯塔实现了规模化，自动化程度超过 90%。智能体交互在标准流程中具有高性能和满意度，并在异常情况下有效地升级给人工。
智能体自动化在关键价值流中扩展。智能体自动化在全公司 90% 的关键价值流中受到驱动。智能体系统不仅作为系统升级，而且作为一种新的运营模式成为标准选项。
围绕静态职能和线性交接构建的传统运营模式开始瓦解。至少有五个优先客户旅程主要由 AI 智能体团队在人类监督下管理，并跨越传统职能（例如，一个 AI 智能体团队分析客户、开发和发送个性化营销优惠、完成销售并管理客户服务）。同样，跨越企业职能边界的智能体对智能体交互（包括与客户代表智能体或采购代表智能体）变得普遍。
员工正在成为“智能体团队领导者”。使用 AI 智能体正在成为新常态，所有关键职能部门的采用率超过 75%。几乎每位专业人士都至少有一个 AI 智能体，通常有三到五个智能体“为”他们工作，少数高级用户甚至同时处理数十个智能体。
智能体与全职当量 (FTE) 的比例发生了显著变化。智能体在基本和中等任务上的可靠性很高，尽管人类监督和审查很重要。【注：全职当量(FTE, Full-Time Equivalent)：是衡量工作量的标准单位，1个FTE相当于一个全职员工(通常为每周40小时)的工作量。例如，两个各工作20小时/周的兼职员工合计为1个FTE。】
职能现代化在许多领域发生。例如，软件开发生命周期中的 FTE 需求可能下降多达 30% 到 40%，而财务规划和报告组织的工作量减少了 75%。
随着公司智能体能力的成熟，CEO 的重点将需要转移到更多的组织和运营变革上。
1.为价值重新构想并架构转型。
削减成本和学习的初始计划很重要，但 CEO 应关注远超 50% 的生产力和价值提升，并有兴趣质疑业务所做的一切。在这个阶段，CEO 应该有意义地重新构想创造价值和管理业务的可能性。具体来说，他们应该挑战在智能体世界中商业模式的哪些元素是可防御的，以及哪些智能体创新和体验可以创造可持续差异化的来源。对未来差异化来源的敏锐和清晰的观点，对于为自建、购买还是合作的决策提供信息，以及为组织应保护的数据、知识产权和竞争优势提供信息至关重要。作为这一加速重新构想计划的一部分，拥有使用智能体快速测试、学习和适应心态的 CEO 可以获得重要的战略利益。例如，在数字孪生环境中运行的智能体将能够大规模、廉价且快速地测试广泛的流程、应用程序和报价。成功的测试几乎可以立即引入，因为智能体直接影响变化，高度自动化工作流的变革管理成本显著下降。
作为这种演变的一部分，CEO 将需要根据智能体经济学驱动的转变重新思考预算、商业模式和投资。其中一些动态将包括员工与智能体比例的重大变化，投资从劳动力有意义地转向技术。CEO 需要与 CFO 和首席人力资源官 (CHRO) 合作，开发财务和劳动力能力模型，以更好地预算、跟踪和分配技术与人员。
2.扩展转型。
随着端到端的智能体工作流和客户旅程跨越职能，传统的组织模型将变得不再那么有意义。坚持这些结构并构建镜像它们的智能体系统将扼杀规模。相反，至关重要的是将业务重新定位于结果，并围绕它们设计智能体组织。一种模式可能是围绕价值流（如客户引导或新客户销售）组织人-智能体团队。向这种模式的过渡将需要围绕治理（如谁将管理并负责价值流）以及投资跟踪智能体绩效的机制做出重大且往往困难的权衡决策。这些领域将需要 CEO 确保智能体优先组织的推广不会导致混乱。例如，如果不同部门或团队开发相互竞争的智能体，可能会造成混乱并使业务面临新风险。
3.人才和运营模式。
麦肯锡的研究假设，到 2030 年，高达 30% 的当前工作时间可能会被自动化，而潜力要大得多。这一转型将从根本上改变组织中人与技术的比例，并创造智能体-智能体和人-智能体工作场所动态的新模式。CEO 需要与 CHRO 密切合作，确定智能体劳动力将是什么样子，随着智能体的成熟，技能建设能力将如何演变，以及如何重新部署释放出来的能力。鉴于变革的步伐，人力资源系统将需要进行重大重新校准，以定期审查哪些档案需要重塑、创建或移除，并监督日益加快的技能提升和再培训步伐。人员分配、职业结构、绩效管理、激励和报告系统将需要重新设计以支持这种智能体操作系统。这将包括，例如，将智能体管理 KPI 嵌入绩效评估，并定义新的角色原型，如“智能体协调员”和“智能体培训师”。职业晋升应与这些角色的熟练程度以及管理智能体和人员团队的能力挂钩。
随着智能体在企业中激增，它们有潜力深刻影响业务的每一个部分。这将要求每位 CEO 和董事会以两种速度运作：在推动短期转型的同时，思考长期后果。（见侧栏“CEO 议程：概览”了解 CEO 如何促进组织中的智能体变革）。
以下问题可以帮助 CEO 及其董事会开始思考智能体业务的长期影响：
AI智能体将如何影响我的商业模式，挑战我们现有的差异化来源，并创造新的差异化来源？
我们可以实施什么策略来捍卫我们的市场并扩展到新市场？
AI智能体如何破坏核心业务以及与客户、供应商和合作伙伴的关系（例如，智能体产生的去中介化）？
我该如何准备塑造和管理“智能体劳动力”，同时保持公司的价值观和文化？
随着工作流无缝跨越传统职能边界，我们应如何管理向混合人-智能体运营模式的过渡？
我的人才战略是什么，它应该如何指导内部人才与外包能力的比例？
开源、多供应商和单一平台技术选项的最佳平衡是什么，以提供最大的灵活性和运营价值？
我的转型和投资路线图应该是什么样的，以既满足近期业务目标，又建立开发和扩展转型变革的正确基础？
请参考以下说明将原文档中的图表/侧栏插入到相应位置：
侧栏 1 (Page 3): 塑造生成式 AI 和智能体的关键趋势 (Key trends shaping gen AI and agents)
创新步伐加速：新模型数量激增，智能体能完成的任务长度每七个月翻一番。
支出和投资大幅增长：用于训练最先进模型的算力每年增长 4-5 倍。
模型训练和推理效率急剧提升：推理成本大幅下降（例如 ChatGPT 3.5 的成本下降了 280 倍以上）。
模型和系统能力的突破：包括推理模型（如“系统 2 思维”）、标准化工具调用接口（如 MCP）、更大的记忆结构、多智能体编排框架以及智能体对智能体协议（如 A2A）。
标题：塑造生成式 AI 和智能体的关键趋势
内容摘要：AI 智能体正变得更像人类。生成式 AI 的可能性由四个相互强化的趋势推动：
图表 (Page 5): 基于任务复杂性增加的智能体系统 (Agentic systems based on increasing task complexity)
个人增强 (Individual augmentation)：智能体帮助自动化和改进基本任务。主要效益：个人生产力。
任务和工作流自动化 (Task and workflowautomation)：现有低复杂性工作流的自动化。主要效益：成本效率、速度、合规。
职能智能体工作流(Functional agentic workflows)：智能体团队在重新设计的工作流上工作。主要效益：效率、速度和客户满意度的提升；更大的规模；收入提升。
跨职能智能体系统 (Cross-functional agentic systems)：智能体驱动的系统跨职能处理复杂工作流，具有高层决策能力。主要效益：更快的生产、更低的交易成本、更高的客户价值、加速的跨职能处理。
标题：智能体系统可以处理日益复杂的任务，具体取决于公司如何克服关键约束。
内容：展示了从左到右四个阶段的智能体系统：
底部说明：关键约束从“高学习曲线”演变为“执行能力”再到“重新构想流程的能力”最后是“组织和运营模式的重新设计”。
侧栏 2 (Page 7): 围绕 AI 智能体建立的初创公司如何重塑业务 (How start-ups built around AI agents are reshaping business)
颠覆性：一些公司通过完全移除核心部分的某些人类环节（如用 AI 智能体优化整个供应链）来进行颠覆。
建设方式不同：初创公司增长更快但人数更少；结构更扁平；团队由建设者（builders）组成；持续关注技能提升和市场变化。
价值来源：未来的价值不在于简单地在现有服务上加个“AI 智能体”按钮并加价，而在于利用 AI 优先重建，重新思考如何与用户互动和获取信息。
标题：围绕 AI 智能体建立的初创公司如何重塑业务
内容摘要：风险投资公司 Antler 的联合创始人兼 CEO Magnus Grimeland 与麦肯锡高级合伙人 Lari Hämäläinen 的对话摘录。
侧栏 3 (Page 13): CEO 议程：概览 (The CEO agenda: An overview)
制定北极星和路线图：明确 CEO 领导的长期愿景和战略。
设计基础：设计组织、人才库、企业技术和数据的“从-到”变革。
推动双速变革：孵化大胆的试点（自下而上）；启动两到三个智能体灯塔工作流（自上而下）；建立“快车道”治理。
承诺并亲自示范变革：亲自领导灯塔项目；建立激励机制；沟通期望。
投资于就绪的 AI 领导者：获取、投资、提升和提拔领导者以推动公司的智能体变革。
标题：CEO 议程：概览
内容摘要：CEO 需要考虑AI智能体转型旅程中的关键步骤。
