Guy Yehiav 是 Digi 的 SmartSense 总裁，Digi 是为全国最大的药店零售商、食品零售商和食品服务公司提供 IoT 解决方案的供应商。在他的 25 年职业生涯中，Guy 已经建立了作为一位备受尊敬的高管的声誉，以创造创新和包容的文化而闻名，同时拥抱新的客户和追求垂直市场。之前，他曾是 Zebra Technologies 的总经理和副总裁，以及 Profitect 的首席执行官和董事会主席。
一代新的AI本土创业公司正在以前所未有的速度扩大收入，通常只需几名员工就能达到有意义的商业轨迹。虽然收入增长加快，但这些公司的运营模式与其前辈们截然不同，依靠自动化取代了曾经通过人手建立的功能。这一转变迫使收购者和私募股权公司重新思考估值框架，远离传统的收入里程碑，转向可扩展性、可复制性和影响速度的评估。随着投资者越来越多地针对早期收入资料和退出发生得更早，市场正在发出一个更广泛的信号：估值与组织规模的关系越来越小，而与业务模型在现代运营条件下如何高效复合的关系越来越大。从人数作为杠杆到代码作为基础设施几十年来，创业公司估值隐含地与组织建设相关。随着收入增长，团队也在增长，资本既资助人员也资助产品。通常，达到几百万美元的年度经常性收入需要几十名员工，包括工程、销售、客户支持和运营。预计会有现金燃烧，规模化会晚一些。AI本土公司颠倒了这个等式。 代理代码生成 现在处理了开发、测试、部署，甚至市场执行的很大一部分。创始人从概念到 最小可爱产品 的时间被压缩，验证需求更早，持续迭代而不扩大工资单。结果是企业实现了高 收入每员工 指标。这对投资者有直接的影响。当一家公司在两三个人手下实现盈利时，传统的资本效率、运营杠杆和退出时机假设不再适用。在许多情况下，创始人保留了更长时间的控制权，面临的内部依赖性更少，可以对是否扩大、出售或保持独立做出决定。 单创始人公司 快速实现收入的决策曲线与具有分层治理和对日益增长的团队的义务的风险投资公司不同。具有成功经验的连续创业团队具有类似的决策速度优势。这也重新定义了创始人的风险。历史上，投资者高度关注创始团队、团队凝聚力以及他们在时间上承受压力的能力。这些仍然很重要，但AI减少了可能出现故障的人为因素。人员越少，内部故障点就越少，即使执行速度更快。你真的可以在AI生成的代码上扩展吗？收购者接下来提出的问题是，这些精益模型是否具有持久性。可以在AI生成的代码上可靠、安全、有据可循地扩展业务吗？答案是细致入微的。AI并没有消除对良好架构、治理和技术判断的需求。它改变的是谁执行这项工作、什么时候以及如何快速执行。在AI本土公司中，工程师越来越多地作为 系统设计师 和审查者，而不是主要代码生成者。人类监督转移到上游，专注于定义约束、验证结果和故意管理技术债务，而不是被动地管理。只要执行得当，这种模式可以提高一致性，降低错误率，因为机器擅长重复标准和模式。然而，对于那些将速度误认为是纪律的团队来说，风险是真实的。缺乏治理的AI生成系统可能会迅速积累 隐藏的复杂性 ，在规模和质量上失败，使得后期扩展变得昂贵或冒险。因此，投资者开始评估AI的使用方式，而不仅仅是是否使用AI，寻找故意架构、明确所有权和创始人平衡加速和控制的能力的证据。速度、选择性和证明仍然至关重要由于AI正在压缩开发周期，“早期”的定义正在改变。公司正在展示真正的客户采用、经常性收入和 正的单位经济学 ，比以前更早。买家正在通过提前收购兴趣做出回应，有时将这些业务视为战略上完整的，而不是正在进行的作品。在这些评估中，证明仍然是最重要的。产品是否解决了一个明确的问题？它可以在不增加线性成本的情况下在客户中复制吗？它是否准备好扩展？创始人是否展示了快速、反复从想法到收入的能力？这些信号越来越多地超过了组织图表或长期招聘计划。同时，挑战并没有消失。在分散的市场中，品牌可见性仍然很难实现，脱颖而出仍然需要可信度和信任。分销、合作伙伴关系和相关网络内的相关性继续塑造结果。不同之处在于，开发速度已经从瓶颈转变为基准。对于希望与这种新估值逻辑保持一致的运营商来说，重点必须从建立团队转变为建立准备好扩展的系统。这意味着使用技术从现有资源中提取更多的价值，而不是假设规模需要扩张。组织应该首先： 自动化开发、测试和部署工作流程以缩短迭代周期 使用AI代理来增强客户发现、反馈分析和功能优先级 为可重复配置而非定制设计产品 通过收入到时间和贡献边际而非员工增长来衡量成功 通过保持盈利更长时间和延迟结构复杂性来保留选择性 市场正在迅速调整，但信号很明确。精益的AI本土运营模式并不是暂时的异常现象。它们代表了价值创造、证明和定价方式的结构性转变。这一现实意味着最有价值的公司是那些能够以最少的摩擦学习、交付和复合的公司。估值的未来属于那些设计为精益的企业，而不是被迫精益的企业。
代理人AI具有重塑多个行业的潜力，通过实现自主决策、实时适应性和主动问题解决。随着企业努力提高运营效率，他们面临着决定如何和在哪里实施代理人AI以实现最大影响力的挑战。从供应链优化到预测性维护和客户体验增强，企业领导者必须仔细评估他们的业务中哪些领域最能从代理人AI中受益。评估AI集成机会的战略框架对于确保投资与业务目标保持一致、驱动可衡量的结果和在自动化和人工监督之间保持平衡至关重要。了解AI的演进为了了解代理人AI的作用，我们必须首先将其与传统的AI实现区分开来。历史上，企业利用AI分析历史数据、生成见解，甚至提出建议。然而，这些系统通常需要人工干预来执行决策和工作流程。例如，一个机器学习算法系统会生成新的观察结果、改进其模型，并随着时间的推移而改进，但它永远不会做出决定，而标准AI则根据其学习经验提出行动建议，可能会生成一个行动来推进一个步骤。代理人AI将自主性引入方程式。与其仅仅提出建议，代理人AI执行它们，实时解决问题和优化工作流程，多个AI代理人并行操作。关键的区别在于代理人的概念——独立的AI实体，它们根据学习机制和现实世界条件采取行动。单个AI代理人可能会在库存不足时重新订购库存，而代理人AI（由多个代理人组成）则可以协调整个供应链响应，动态调整采购、运输和存储条件。代理人AI不会执行决策树，而是根据实时输入进行适应，学习其不断变化的环境，并相应地修改其行为。例如，在食品零售中，基于规则的系统可能会遵循结构化的合规工作流程——例如，当冷藏单元超过设定的温度阈值时，通知经理。另一方面，代理人AI系统可以自主调整冷藏设置，重新路由受影响的货物，并重新订购库存——所有这些都无需人工干预。在航空物流等高度动态的环境中，完全代理人AI网络同时分析所有受影响的旅行者，重新预订航班，通知地面服务，并与客户服务代表进行无缝沟通——所有这些都是并行进行的，减少了中断并提高了效率。管理代理人AI的自主性水平随着AI的演进，代理人AI将获得更多的自主性，并处理越来越复杂的决策场景。在未来，AI代理人将跨行业合作并做出上下文感知的决策。前进的挑战将是确定全自动化和人工监督之间的正确平衡，以管理偏差、防止错误和系统锁定。企业必须仔细考虑不同工作流程的风险阈值，实施保障措施以防止意外行为，同时最大限度地发挥AI驱动的进步的潜力。各行业的领导者应该考虑代理人AI特别有价值的领域，即决策需要实时、适应性和高度可扩展性。最能从代理人AI中受益的关键业务功能包括供应链和库存管理。AI代理人可以监控库存水平，预测需求波动，并自主重新订购产品以减少浪费，避免不必要的损失，并优化物流结果。在预测性维护中，代理人AI分析设备健康状况，检测潜在故障，并主动安排维护以减少停机时间。合规性和风险管理功能也可以受益，因为AI监督合规工作流程，在受监管的行业中，自动调整标准操作程序以满足不断变化的要求。代理人AI采用的成功步骤为了确保代理人AI的成功采纳，企业领导者应该遵循一个结构化的评估过程。 通过评估业务功能来确定高影响力的用例，实时决策可以提高效率并减少客户或员工的行政负担。 通过建立保障措施、审批流程和干预点来定义风险容忍度和监督机制，平衡AI自主性和人工监督。 确保AI投资与业务目标保持一致，关注能够提供可衡量的投资回报率和支持更广泛的战略目标的应用。 从小规模开始，逐渐扩大范围，首先在受控环境中启动试点项目，然后将代理人AI部署扩展到整个企业。 定期评估代理人AI计划，根据结果和持续改进的方法来改进模型。 随着代理人AI的发展，我们将看到企业自动化领域的一大飞跃，企业将从洞察和建议转向自主执行。代理人AI的成功实施将需要对工作流程设计、风险管理和治理结构进行战略性的考虑。企业领导者如果迅速而深思熟虑地行动，将最大限度地提高效率，增强韧性，并为他们的业务提供未来保障。
人工智能的迅速崛起使得该技术从未来主义概念转变为关键的商业工具。然而，许多组织面临着一个基本挑战：虽然人工智能承诺带来变革性的好处，但客户的怀疑和不确定性往往会对人工智能驱动的解决方案产生抵制。成功的人工智能实施的关键不仅仅在于技术本身，还在于组织如何通过强大的安全性、透明度和沟通来积极管理和超越客户期望。随着人工智能变得越来越重要的商业运营，建立和维护客户信任的能力将决定哪些组织在这个新时代中蓬勃发展。理解客户对人工智能实施的抵制组织在实施人工智能解决方案时面临的主要障碍往往源于客户的担忧，而不是技术限制。客户越来越意识到他们的数据如何被收集、存储和利用，特别是在人工智能系统中。对数据泄露或滥用的恐惧会对人工智能采纳产生重大抵制。许多客户对人工智能能够做出公平、无偏见的决策持怀疑态度，特别是在金融服务或医疗保健等敏感领域。这种怀疑往往源于媒体对人工智能失败或偏见结果的报道。许多人工智能系统的“黑盒子”性质会让客户对决策过程和影响这些决策的因素感到焦虑，因为客户希望了解人工智能驱动的建议和行动背后的逻辑。此外，组织通常难以将人工智能解决方案无缝集成到现有的客户服务框架中，而不会破坏既定的关系和信任。最近的行业调查显示，多达68%的客户对人工智能系统中如何使用他们的数据表示担忧，而72%的客户希望对人工智能决策过程有更多的透明度。这些统计数据强调了组织需要积极解决这些问题，而不是等待问题出现的必要性。未能解决这些问题的成本可能很高，一些组织报告称，客户流失率在人工智能实施管理不善的情况下增加了多达30%。通过安全和透明建立信任为了解决这些挑战，组织必须首先建立强大的安全措施来保护客户的数据和隐私。这从为所有由人工智能系统收集和处理的数据实施端到端加密开始，使用传输和存储过程中的最新加密方法。组织应该定期更新其安全协议以应对新出现的威胁。他们必须制定和实施严格的访问控制，限制数据可见性仅限于需要的人，包括人类操作员和人工智能系统本身。定期的安全评估和渗透测试对于识别和解决漏洞至关重要，包括内部系统和第三方人工智能解决方案。一个组织的安全性只与其最弱的环节一样强，通常是一个人类回答钓鱼电子邮件、短信或电话。处理数据的透明度对于建立和维护客户信任同样至关重要。组织需要创建和传达全面数据处理政策，解释客户信息如何被收集、使用和保护，使用清晰、易于理解的语言。他们应该制定明确的数据保留、处理和删除协议，确保客户了解其数据将被存储多久，并对其使用有控制权。为客户提供轻松访问其自身数据的机会，并提供有关其在人工智能系统中使用的数据的清晰信息（包括查看、导出和删除数据的能力，就像欧盟的GDPR要求一样），至关重要。定期进行合规性审查以评估数据处理实践是否符合不断演变的监管要求和行业最佳实践也很重要。组织还应制定和维护全面的事故响应计划，专门针对与人工智能相关的安全漏洞，包括清晰的沟通协议和补救策略。这些有弹性的主动计划应定期测试和更新，以确保它们在威胁演变时保持有效。领先的组织越来越多地采用“设计时安全”方法，将安全考虑因素纳入人工智能系统开发的早期阶段，而不是将其视为事后补充。超越合规，实现客户伙伴关系有效的沟通是管理客户期望和建立对人工智能解决方案的信心的基石。组织应该开发教育内容，解释人工智能系统的工作原理、其好处和局限性，帮助客户就与人工智能驱动的服务互动做出明智的决定。让客户了解系统改进、更新、故障和可能影响其体验的更改至关重要，就像建立客户反馈渠道并展示如何利用这些反馈影响系统开发一样。使用各种沟通渠道可以确保一致的信息传递到客户最喜欢的渠道。虽然满足监管要求是必要的，但组织应该努力超越基本的合规标准。这包括制定和公开分享指导人工智能决策和系统开发的道德框架，解决偏见预防、公平性和问责制等问题。聘请独立审计师来验证安全措施、数据实践和人工智能系统性能有助于建立额外的信任，就像与客户分享这些结果一样。定期审查和更新人工智能系统，基于客户反馈、不断变化的需求和新出现的最佳实践，表明了对卓越和客户服务的承诺。建立客户咨询委员会可以让关键利益相关者直接参与人工智能实施策略，并促进伙伴关系意识的形成。成功实施人工智能解决方案同时保持客户信任的组织将是那些采取主动、整体方法来解决顾虑和超越期望的组织。这意味着在实施人工智能解决方案之前投资强大的安全基础设施，制定明确的数据处理政策和程序，创建主动的沟通策略来教育和告知客户，建立反馈机制以实现持续改进，并在人工智能系统中构建灵活性，以适应不断变化的客户需求和期望。人工智能实施的未来并不在于强迫客户接受变化，而在于创造一个环境，让人工智能驱动的解决方案被视为可靠的伙伴，为客户提供卓越的服务和价值。通过致力于安全、透明和开放的沟通，组织可以将客户的怀疑转变为对人工智能驱动解决方案的热情采纳，最后创建持久的伙伴关系，这些伙伴关系推动了人工智能时代的创新和增长。这种努力需要持续的承诺、资源和真正的理解：客户信任不仅是人工智能采纳的前提，也是日益以人工智能为驱动的市场中的竞争优势。
