你好,欢迎您来到福建信息主管(CIO)网! 设为首页|加入收藏|会员中心
您现在的位置:>> 新闻资讯 >>
思科实现代理式 AI 转型的四大支柱
作者:福建CIO网 来源:CIOCDO 发布时间:2026年11月16日 点击数:

导读:思科系统公司(Cisco Systems)执行副总裁 Liz Centoni 分享了她在引领这家科技巨头价值 150 亿美元的服务业务向“AI 原生(AI-native)”企业转型过程中的实战经验与管理思考。

作者: 托尔·奥拉夫斯鲁德

图片 1:思科执行副总裁兼首席客户体验官 Liz Centoni。图片来源:Cisco

作为网络设备、网络安全与人工智能领域的领军企业,思科系统公司(Cisco Systems)目前正通过整合代理式 AI(Agentic AI)、传统人工智能以及自动化技术,自上而下地全面重塑其业务体系。

执掌思科价值 150 亿美元服务业务的,是公司执行副总裁兼首席客户体验官(CXO)Liz Centoni。她所领导的这一庞大组织拥有 20,000 名员工,全面负责专业服务、客户成功、技术支持,以及软件与服务业务的续约增长引擎。

2024 年,她主导完成了思科斥资 280 亿美元收购数据平台巨头 Splunk 的交易。如今,这位在思科服役长达 26 年的资深高管,正致力于在内部运营模式与对外客户交付两个维度上,引导这家跨国科技集团向一家真正的“AI 原生企业”演进。

支撑她推进这一转型愿景的,是以下四条核心指导原则:

  • 任何受制于“人类精力与时间上限”的工作流,都是亟待重新设计的对象。

  • 维持现状绝非备选项。客户的期望与需求将持续攀升,企业绝不能因为当前营收增长、利润率可观就沾沾自喜,必须持续审视并重新构想现有的业务流程与产品服务。

  • 我们今天所交付的质量只是底线,而非上限。人工智能的底层能力仍在以极快的速度演进。

  • 真正的制约因素在于领导力,而非技术本身。高层领导者需要发掘并支持团队内部的各级骨干领导者,让他们放大变革成效,并带领全体成员共同前进。

基于自身的转型实战经验,Centoni 还总结出了助力企业成功落地代理式 AI 的四大核心支柱:

  1. 重构专业知识的成本方程式


“我们并没有一上来就简单粗暴地把 AI 生硬嫁接(Bolting on)到现有系统上,”Centoni 表示,“我们首先深入审视了底层的业务工作流,去搞清楚我们究竟该如何彻底重做(Redo)这些工作。”

这是 Centoni 和她的团队在转型初期最先铭记于心的一堂课。两年前刚履新现职时,她花了大量时间逐一审阅客户的真实反馈。客户抱怨最多的一大痛点,是在寻求技术支持时,为了找到那位“真正对口的专家”来解决问题所经历的漫长而令人沮丧的过程。这一流程往往需要在不同工程师之间进行多次人工转接(Handoffs),而客户每次都不得不把问题的前因后果重新详细解释一遍。

面对这一痛点,技术团队最初的本能反应是开发一个 AI 智能体(Agent),用来加快在后台检索并匹配合适工程师的速度。但 Centoni 坦言,这一步走错了。

“这样做反而让我们的客户更加恼火,因为这等于向客户暴露了我们在后台足足进行了五次内部转接,只是把这一折腾的过程更快地呈现在了他们面前,”Centoni 反思道,“我们当时只是把 AI 生硬地套在了一个错误的流程上,然后就自诩实现了‘自动化’。”

Centoni 指出,在动念头开发一个智能体之前,团队首先应该追问的是:为什么从一开始就需要存在“人工转接”这个环节?仅仅把现有的工作流画出来并试图将其自动化是远远不够的,因为现有工作流中的许多步骤可能是几十年前为了应对当时的技术局限而设计的,而对于如今的 AI 智能体而言,这些障碍可能根本就不存在,或者完全可以直接穿透。她补充道,至关重要的是先明确期望达成的最终结果,然后结合当前的技术能力与约束条件,从零开始设计工作流。

“一线用户是企业技术栈(Technology stack)中不可或缺的组成部分,”Centoni 强调,“你必须把领域专家(SME, Subject Matter Experts)和实际用户请进来,共同勾勒工作流,而且你必须亲自贴近实际工作现场。如果你做不到这一点,你就没有资格去主导设计。”

她继续指出,其中的一个关键要素是审慎界定人机边界:明确哪些环节可以交由智能体完全自主执行,哪些环节则必须移交给人类专家接管。究竟在哪些场景下,企业能够以 90% 以上的准确率稳定运行自动化与 AI?

Centoni 表示,这一追问会倒逼你重新思考整个工作流。回顾思科的大部分发展历史,应对复杂客户项目的一贯做法就是“往问题上堆专家(Throw experts at a problem)”——项目越复杂,投入的人类专家就越多。对于客户而言,首要诉求是既快又好地解决问题;然而,顶尖专家工程师的人力档期瓶颈,严重制约了思科进一步提速的能力。

“当我刚接手这块业务时,我们对待每一位客户的服务模式都像是纯手工定制的高定成衣(Bespoke model),”Centoni 说道,“但在过去的 40 多年里,同类技术问题我们其实已经重复解决了成千上万次。”

为此,思科将过去 40 年积累的客户服务经验进行了系统性提炼,构建起了一个庞大的结构化知识库和一系列标准作战剧本(Playbooks),供 AI 智能体和人类专家共同调用,以协助客户规划并执行系统部署。如今,思科只需导入已掌握的客户背景信息及其项目关键绩效指标(KPIs),即可为其量身定制价值实现方案,而无需像过去那样在项目顶层堆砌大量的人类专家。

“现在开启一个新部署项目时,我们会派出一个‘专家智能体(Expert agent)’,它凝聚了过往所有资深专家的智慧,实现了核心知识库的平权化(Democratizes),”Centoni 表示,“最终交付给客户的成果,是更高的一致性、更强的安全性,以及大幅缩短的项目交付周期。”

当然,人类专家依然保留在环路之中(Human-in-the-loop)。Centoni 表示,将繁琐的基础工作交由智能体后,专家团队得以释放出更多精力,去与客户深入探讨如何持续迭代优化系统,从而让客户切实感受到物超所值的服务体验。

  1. 转向更具前瞻性与预测性的主动服务


“多年来,我们的关注焦点一直停留在‘发生故障后,我们能以多快的速度完成根因分析(Root Cause Analysis, RCA)’,”Centoni 说道,“比如过去排查一个问题需要三个小时,我们想的是能不能把它压缩到 30 分钟以内。”

帮助客户更快地解决问题固然值得称道,但 AI 能够赋能思科向更主动(Proactive)、更具预测性(Predictive)的模式跃迁。如今,思科不再仅仅追求事后响应的速度,而是借助 AI 在故障真正波及客户业务之前将其提前扼杀。

“当我们回溯历史工单记录时,会发现许多同类故障呈现出反复出现的集群特征(Clusters),”她指出。思科将数十年来对“系统在何种条件下会出故障”的深厚认知沉淀为底层知识库。如今,AI 智能体能够全天候持续监控客户的运行环境,捕捉任何可能预示故障即将发生的微弱信号,并在问题恶化为严重事故之前,主动推送“下一步最佳行动建议(Next Best Action)”。

“在 12 个月后,我希望能够坐下来对客户说:根据系统推演,你们去年原本会遭遇 10 次系统宕机,而我们帮你们提前拦截并避免了其中的 8 次,”Centoni 表示。

  1. 根据具体业务场景精准匹配模型与工具


过去一年,整个行业都在狂热追逐 AI 采用率和“词元消耗最大化(Token maxing)”;而如今,企业高管与董事会正越来越严格地审视 AI 投入的投资回报率(ROI),并要求看到实质性的商业结果。Centoni 指出,压降成本并拉高回报的关键,在于对底层模型与工具进行有目的、精细化的选型。

“在我们决定走 AI 这条路之前,我们会先问自己一个问题:‘传统的自动化技术能搞定这件事吗?’”她介绍道,“如果这纯粹是一个基于固定规则(Rules-based)的任务,我就会直接采用传统自动化;如果任务需要汇集多维度的动态信号来进行趋势预测,那么我们才会引入 AI。在很多实际场景中,这并非非黑即白的二元选择。我们会采用混合架构——将传统的预测性 AI 模型、流程自动化以及部分新一代大语言模型(LLMs)组合起来使用。”

当业务场景确实需要调用智能体时,企业应当根据具体用例的实际需求(而非系统设计者的个人技术偏好)来挑选最契合的模型与工具。例如,某些特定业务场景涉及严苛的数据主权(Data Sovereignty)合规要求,核心数据必须严格保留在本地机房(On-premises)。

“以我们内部开发的‘续约 AI 助手(AI assistant for renewals)’为例,它在底层协同调度了续约智能体、客户情绪分析智能体、风险评估智能体以及装机量分析智能体;这套系统实际上是基于 Mistral模型构建的,因为它是市面上极少数能够为我们提供具备完整能力的本地化部署模型的厂商之一,”Centoni 透露,“我们在私有实例(Private instance)上对该模型进行了定制化微调,并同步结合了传统的自动化工具来协同运转。”

  1. 警惕并规避“形式主义采用(Compliance Theater)”


许多技术领导者习惯于用“用户采用率(Adoption)”来衡量 AI 项目的成败,但 Centoni 坚决摒弃了这一指标。她指出,如果你单纯考核采用率,大量员工就只会为了完成任务而去系统里“打个勾”,证明自己用过了 AI,随后转身继续使用老掉牙的流程和旧工具去完成实际工作。Centoni 将这种应付差事的假象称为 “形式主义合规秀(Compliance theater)”。

为了评估思科所部署 AI 的真实成效,她考核的是:底层的实际工作流是否发生了实质性改变?自打上线了续约 AI 助手后,续约业务团队是否展现出了更高的业务吞吐量与产能(Capacity)?在她看来,这才是衡量 AI 成功与否最具说服力的硬核指标。

要想让一线用户真正深度使用 AI,管理者必须认清一个客观规律:智能体是一项需要持续打磨的演进工程,必须在迭代过程中将用户作为反馈闭环(Feedback loop)的核心组成部分。

“AI 智能体与传统软件之间有着本质的区别:开发传统软件时,你完成编写、测试并部署上线后,它的功能在交付那一刻就是 100% 完整的,”Centoni 深刻地指出,“但对于一个智能体而言,当它的第一个迭代版本上线时,在可用性(Usability)上往往只达到了 60% 的水准;而一线用户正是我们整体技术栈的一部分,负责在使用过程中源源不断地向我们提供反馈以推动其进化。”

她补充道,搭建一条顺畅的反馈通道至关重要,因为唯有持续收集一线反馈并快速迭代,企业才能让智能体真正具备规模化推广的可用性。

例如,思科的“内部技术支持智能体”目前已无缝嵌入到客服工程师的日常工作流中。一旦有客户提交了故障工单,该智能体就会在瞬间自动调取并汇总该客户所有相关的历史工单记录与环境上下文(Context),直接呈现在技术支持人员的屏幕手边,从而彻底免去了过去工程师在接单后的前 30 分钟里,还需要反复向客户询问故障基础细节的繁琐过程。

“这在前端就为双方节省了大量的时间,并消除了挫败感,”Centoni 总结道,“同时,智能体还会自动给出下一步最佳行动建议。现在,我们的技术支持人员可以基于系统对客户运行环境的全面洞察,直接为客户提供精准的排障协助与前瞻性的优化建议。”

💡 技术与管理名词速览 (Tips)

  • AI-native (AI 原生):指企业或软件系统从底层架构设计、业务流程规划到组织运作模式,均以人工智能为核心驱动力进行重构,而非在传统的手工或信息化流程表面简单附加 AI 插件(Bolting on)。

  • Root Cause Analysis (RCA / 根因分析):IT 运维与工程管理中的核心排障方法。指在系统发生故障后,通过分析日志与链路数据,追溯导致问题发生的根本底层原因,而非仅仅停留在消除表面症状。

  • Token Maxing (词元消耗最大化):讽刺企业或开发者在构建 AI 应用时,不顾及投入产出比(ROI),盲目将所有简单任务或海量未清洗文本全部塞给昂贵的大语言模型(LLM)处理,导致 Token 算力消耗激增但实际商业价值有限的粗放模式。

  • Compliance Theater (形式主义合规 / 表面采用秀):源于安全领域的“Security Theater(安全秀)”。在企业数字化转型中,指一线员工迫于管理层下达的“AI 工具使用率”行政摊派考核,象征性地登录并点击 AI 工具以完成打卡指标,但在实际核心业务中依然沿用旧习惯,导致后台统计的高采用率无法转化为真实生产力的现象。

  • Multi-agent Orchestration (多智能体协同编排):如文中思科“续约助手”所示,面对复杂的企业级任务,不再依赖单一的全能大模型,而是将任务拆解,由分别专精于情绪分析、风险评估、历史装机量查询等多个垂直领域的轻量化子智能体(Sub-agents)协同作业并汇总结果的架构模式。


睿评:跨越“外挂”与“打卡”陷阱,以第一性原理重构 AI 原生工作流


思科执掌 150 亿美元服务业务的实战复盘,精准剖析了当前众多企业在推进代理式 AI(Agentic AI)时最易踩中的两大深坑:在架构上“为错误流程加速”,在管理上“用打卡率掩盖真问题”。

对于正致力于推动组织向“AI 原生”演进的 CIO 与 CDO 而言,思科的探索提供了三条极具实操价值的行动指南:

1、先砍冗余交接,再做沉淀赋能:切忌用 AI 去加速原本就低效的“五次人工转接”。技术高管应倒逼团队回归业务终点,先砍掉历史遗留的繁琐交接,再将企业数十年的专家隐性经验结构化为标准剧本(Playbooks),通过“专家智能体”实现顶尖能力的平权化输出。

2、摒弃“唯大模型论”,执行精益路由:告别盲目堆砌算力的 Token maxing。建立清晰的架构分流标准:纯规则任务交由传统自动化(RPA),多维信号预测采用传统机器学习,而在涉及严苛数据主权的复杂交互场景中,则针对性引入可私有化部署的轻量级大模型(如 Mistral),以此实现 ROI 的最优化。

3、承认“60分起步”,将用户纳入技术栈:彻底废除易诱发“形式主义打卡(Compliance theater)”的浅层采用率考核。正视智能体上线初期仅有 60% 可用度的客观规律,将一线业务人员定义为“技术栈的反馈闭环”,以“工作流是否发生实质重构、团队业务吞吐量是否跃升”作为检验 AI 价值的唯一标尺。