Agentic AI時代，企業需要什么樣的領導力？

如果在過去的一年里，你的企業還在糾結于如何讓員工更高效地使用聊天機器人，那么現在是時候調整戰略焦點了。我們正在經歷一個從“自動化”到“Agentic AI”的根本性跨越。

對于企業管理者而言，這是一個既令人興奮又充滿挑戰的時刻。作為變革的推動者，我們有機會帶領企業超越單純的效率提升，邁向高自主性的新時代，同時，這也要求我們徹底重新思考企業的運營邏輯。

重新定義“Agent”

在當前的市場上，似乎一切都被貼上了“Agent”的標簽。但撥開表象，從底層邏輯來看，Agent發展至今，呈現出清晰的成熟度階梯。

第一層是傳統自動化，即通過腳本和固定的工作流，處理具有重復性且可預測的任務。雖然高效，但不具備思考能力。

第二層是AI助手，也就是目前普及的聊天機器人。它們擁有強大的知識庫，能回答查詢、總結文檔，甚至通過RAG（檢索增強生成）調用數據。其核心在于“響應”，能在對話中提供輔助，但獨立行動能力依然受限。

第三層是基于目標和任務的Agent。它們不再依賴指令，而是依賴“意圖”。你給它一個特定的業務目標，它能與人類協作，為完成該任務自主調用工具。

最后一層是Agentic系統，也是自主性的最高形態。多個Agents像一個團隊一樣協作，能處理高度復雜甚至模糊的任務。它們能將目標拆解為無數個具體步驟，并分工完成。在這里，AI的核心價值從“響應”進化為“成就”。

目標驅動：它們不等待每一步的指令，而是接收并理解“高階意圖”，再自主規劃路徑，將意圖轉化為行動。

資源整合能力：它們不僅能訪問數據，還能理解上下文、組織層級和角色。它們知道為完成任務需要調用哪些工具、連接哪些API。

記憶能力：真正的Agent擁有記憶，它能記起上次處理類似任務時遇到的問題，從而避免重蹈覆轍。

學習與適應能力：它們不是靜態的軟件，而是能從反饋循環中不斷自我優化的系統。

上報機制：這一點常被誤解。Agent在遇到無法處理的問題時尋求人類介入，這不僅不是系統的失敗，反而是一種內置的信任機制。這意味著你可以放心地讓它處理業務，因為它知道何時該停下來請求你的幫助，而不是盲目地制造風險。

當然，很多人會問，AI的熱潮已經持續了幾年，為什么現在才強調“Agent”？答案在于兩條關鍵曲線的交匯——如今，AI能夠獨立處理的任務復雜度大約每7個月就會翻一番，這意味著AI可以承接越來越復雜的任務；同時，智能成本正在斷崖式下跌。以MMLU（大規模多任務語言理解）基準測試為例，得分為 83 分就相當于博士級專家，能夠處理細微差別和歧義。幾年前，獲取這種“博士級”智能的成本極其昂貴，而如今，處理百萬Token的成本已從 2022 年的 98 美元降至 0.48 美元左右。

當能力飆升遇上成本驟降，我們便進入了大規模應用Agent的“甜蜜點”。

擁抱“非確定性”

新的Agentic AI時代，與過往的一大不同在于，非確定性（Non-determinism）不再是系統的缺陷，而是其固有特性。因而，和傳統管理學僅聚焦于獎勵“確定性”不同，在Agentic AI時代，價值恰來自非確定性，即根據上下文變化、模糊信息進行即時調整和優化的能力。

要駕馭這種力量，領導者需要在四個維度上進行心智模式的轉變。

1、治理模式：從“過閘機”到“董事會”

傳統的治理如同收費站（Toll Gates），通過定義流程、控制每一步、清單驗證實現合規。但當面對數千個高頻互動的 Agent時，這種模式會徹底崩塌。取代它的，是像董事會管理 CEO 一樣管理Agent。

正如董事會不會告訴CEO每天具體該做什么，而是設定戰略意圖和邊界，你也需要構建一個“策略引擎”，明確告知Agent“這是你的目標，這是絕對不能觸碰的紅線”，隨后通過持續的校準和觀測來進行管理，而非在每筆交易前進行人工審批。

2、風險控制：從“工廠流水線”到“交易大廳”

傳統的風險管控模式類似于工廠，常用方式是設定固定閾值，例如規定采購訂單超過200萬美元需副總裁批準，超過1 000萬美元必須提交給CFO。這種僵化的風控會扼殺Agent的核心優勢。

新時代下，企業應像管理交易大廳一樣管理風險。

金融交易大廳充滿了高風險和不確定性，但通過實時可見性和“熔斷機制”（Circuit Breakers）實現有效管理。交易員的每一個動作并不會被干預，但如果其交易組合或某一特定交易違反了政策，熔斷機制會自動觸發停止交易。管理AI Agent也應遵循這一邏輯。AI Agent 必須通過在企業設計的風險控制范圍內運行，以此贏得其“流動性”（即操作權限）。這不僅包括監控具體Agent的行為，還包括監控Multi-Agent 系統中的系統性偏差——一旦發生偏差，需立即觸發熔斷機制。

3、組織結構：從“職能筒倉”到“免疫系統”

組織結構總是隨著重大技術變革而調整。傳統的組織結構往往是垂直化的，雖然穩固，但處理問題時速度遲緩。

在為AI Agent構建組織架構時，應采用的思維模型是“免疫系統”。白細胞發現病毒時，它們不需要等待大腦的指令，也不會召集肺部協同商議，而是迅速集結，通過目標導向的協同編排解決問題。因此，圍繞業務工作流組織跨職能團隊，才是真正能從AI Agent獲取價值成果的方式。

4、文化基因：從“運營執行”到“持續學習”

大多數企業文化都在獎勵“精準執行”，懲罰“偏差”。但實驗室文化對新發現持開放態度，哪怕結果不盡如人意。在實驗室中，若出現失誤，會將其作為一種學習機制，記錄下來并廣泛分享。在這樣的文化中，新的發現和調整本身成為一種特性，而非缺陷。

構建Agent的“大腦”與“工牌”

那么，是哪些技術能力讓AI Agent成為了現實？答案是三大核心因素：智能、上下文理解和信任。

如果我們把 AI Agent 比作人類，智能就是它的“大腦”，技術模型——包括用于思維鏈（Chain-of-Thought）推理和反思的思考模型——賦予了“大腦”將意圖轉化為任務的能力。理想狀態下，我們希望AI Agent擁有最高智能、最低價格和最快響應速度，但在現實中，三個維度之間必然存在權衡。每種模型都有其獨特的優勢：有些擅長推理，有些擅長快速響應，有些擅長處理文本任務，還有些在圖像和數學任務上表現出色。

但僅有大腦并不代表具備行動能力。訪問權限和上下文理解才是AI Agent的“雙手”。它們賦予了AI Agent訪問正確數據、采取行動以及調用各類工具實現目標的能力。在組織中運用上下文理解時，尤其是針對復雜工作流，需要AI Agent理解角色、層級、數據、系統和工具。這包括通過知識圖譜讓AI Agent理解數據中不同對象和領域之間的關系，以及利用向量數據庫讓AI Agent理解語義（即事物之間的相近性，例如“貓”和“狗”是近義詞，而與“云計算”相去甚遠）；讓AI Agent擁有記憶能力同樣關鍵，它需要記住角色設定（你是誰）、程序記憶（怎么做）、語義記憶（各類知識），以及情景記憶（上次發生了什么）。

最后一層是信任。沒有信任，AI Agent就無法實現規模化應用。

確保信任的一種方式是設置安全防護機制。比如敏感信息過濾器（即PII，個人身份信息）。企業不希望這類信息泄露，可在安全防護機制中定義相關規則。上下文一致性檢查能為所有AI Agent提供政策層面的信息指引，例如明確告知：“我們的退貨政策是90天。”這些規則必須獨立于模型存在，無論調用哪個大模型，安全防護機制始終生效。

“自動化推理檢查”也是讓企業能夠信任 AI Agent并確保其在公司中有效擴展應用的核心工具之一。這是一種數學驗證方法：與其像測試員一樣繪制無數個三角形來驗證勾股定理，不如用數學定理證明其必然正確。亞馬遜云科技就利用自動推理將幻覺發生率降低了99%。

必須強調的是，AI Agent目前仍處于早期發展階段，不能將其視為“萬能魔法棒”。事實上，若企業擁有步驟固定、工具使用高度有限的可預測工作流，基礎自動化或簡單生成式AI助手便已足夠。當企業需要動態選擇工具，或希望利用Agent的適應性和學習能力時，Agent才會展現真正的強項。此時，企業可從價值最大的三個特定領域入手：軟件開發、客戶支持，以及知識型工作。

例如：湯森路透（Thomson Reuters）利用Agentic AI進行代碼現代化改造，將遺留的 .NET 代碼遷移速度提升了4倍。這不僅是效率的提升，更讓工程師從技術債中解脫出來，專注于創造新價值。亞馬遜的購物助手Rufus能夠回答諸如“這個玩具需要幾號電池”或“這跟我以前買的配件兼容嗎”這類高度情境化的問題，數據顯示，使用Rufus的用戶購買轉化率提升了60%。應付賬款的案例則是知識型工作與異常處理的典型場景：傳統的應付賬款（AP）處理目標是“準時付款”，而Agent AP的目標可以是“優化現金流”。它可以根據匯率波動、廠商歷史信用、合同條款，自主選擇是根據匯率波動提前付款，還是利用外匯對沖策略延遲付款。這正是從“按部就班”到“高能動性”的價值躍遷。

伊希特·瓦赫拉賈尼（Ishit Vachhrajani）| 文

伊希特·瓦赫拉賈尼是亞馬遜云科技全球技術、AI分析與企業戰略負責人。

聯系方式

投稿、廣告、內容和商務合作

newmedia@hbrchina.org