John Forrester 是 MightyBot 的 CEO 和联合创始人，MightyBot 是一款面向企业的 Agentic AI 平台。在硅谷拥有超过 30 年的经验，他曾领导过初创公司和企业的产品和市场团队。
Agentic AI已经成为2025年最受讨论的企业技术之一，但真正的部署仍然很少。分析师指出，尽管成千上万的工具被宣传为“代理”，但大多数缺乏真正的自主性。Gartner对大约3,000个代理产品的审查发现，只有4%展示了真正的代理行为，而大多数只是聊天机器人或脚本化的自动化。这导致公司将RPA、工作流自动化或企业ChatGPT访问误认为是真正的代理系统。误解：RPA、ChatGPT许可和炒作RPA与Agentic AI的区别传统的RPA工具遵循静态、预定义的指令。Agentic AI根据上下文规划行动，并使用可用的工具、API和数据源。IDC和其他行业研究表明，RPA执行固定的规则，而代理则动态地适应。许多被宣传为“智能自动化”的工作流，结合聊天机器人和屏幕抓取，被误认为是代理系统。ChatGPT许可与AI部署企业经常假设购买ChatGPT Enterprise或Copilot座位意味着他们已经“部署了AI”。实际上，这只是为员工提供了一个聊天界面。Menlo Ventures报告称，少于10%的公司已经在一般聊天工具之外实施了AI，即使IT团队正在采用它们。聊天机器人界面与目标导向的代理根本不同。供应商过度承诺初创公司和咨询公司经常宣传“代理”作为解决每个业务流程的解决方案。研究表明，88%的高管正在资助代理AI项目，但少于2%的项目达到生产规模。Gartner预测，2025年6月25日，超过40%的当前代理AI项目将因性能不佳或不明确的要求而被取消。什么是Agentic AIAgentic AI涉及几乎自主的决策。一个真正的代理接收到一个目标，访问信息和工具，并确定实现其目标所需的步骤。与僵化的工作流不同，代理可以在新的变量出现时转向。现代框架说明了生态系统的发展。LangChain的LangGraph提供了一个生产就绪的代理运行时。DeepLearning.AI的DSPy提供了计划、工人和工具的原语。新兴平台，如IBM的crewAI和Microsoft的AutoGen，凸显了多代理编排的增长。这些工具仍然处于早期阶段，大多数企业缺乏有效操作它们所需的内部专业知识。在受监管行业的机会受监管的行业，如金融、保险和医疗保健，出乎意料地成为代理自动化的强劲候选者。这些行业依赖于结构化的政策、文档和审计跟踪，这使得它们成为代理的理想环境。金融AI和代理自动化工具被银行用于简化合规、开户和KYC/AML工作流程 – 自动验证文档、运行风险和制裁筛查，并标记需要人工审查的案例。根据SS&C Blue Prism的说法，这可以显著加快开户速度：一家银行在开户到交易之间的时间减少了49%。与此同时，截至2025年，全球越来越多的银行正在部署或评估生成式AI，一项2025年Temenos调查发现，36%已经部署或正在部署，39%正在评估。2025年EY-Parthenon调查报告称，61%使用生成式AI的银行已经观察到显著的好处。行业级别的分析估计，基于AI的自动化可以在合规、运营和风险管理功能中带来30-50%的生产力增益。保险理赔处理、保险和欺诈检测适合代理系统。理赔代理可以阅读文档、提取政策详细信息、验证要求并提议下一步骤。BCG的研究表明，早期采用者实现了大约40%更快的理赔处理和客户满意度的双位数增长。有了NAIC的AI指南，保险公司可以将规则直接嵌入代理的操作逻辑中。2025年Menlo Ventures分析报告称，92%的美国健康保险公司使用AI进行合规性测试、偏差检查和审计任务。医疗保健医疗保健组织正在使用代理来支持临床文档、分诊、排班和早期分析，在临床医生的监督下。根据Menlo Ventures的说法，Kaiser Permanente在40家医院中部署了生成式AI用于文档，减少了行政负担。Mayo Clinic正在投资超过10亿美元的AI支持自动化战略。严格的合规性要求通常导致更安全、更可审计的代理系统。在这些行业中，明确定义的规则，例如保险条款、信用政策和临床协议，可以被编码为代理行为的边界。技术和治理挑战企业在实施代理系统时面临着几个障碍。数据和集成复杂性代理需要访问API、文档、数据库和实时信息。团队必须索引大量的非结构化数据，配置模型上下文协议服务器，并构建可靠的工具接口。这些任务通常超过当前的IT技能水平。工具碎片化没有标准的代理框架。LangGraph、DSPy、AutoGen和类似的工具都有安全性、灵活性和成熟度方面的权衡。许多企业转向咨询公司或“代理即箱”供应商，但只获得脆弱或不完整的解决方案。评估和可观察性衡量代理的准确性、安全性和漂移需要评估管道、场景测试和实时监控。没有这些系统，代理可以在未被检测的情况下做出错误的决定。安全性和新兴风险代理的自主性引入了新的风险。BCG的分析强调了级联错误、跨代理冒充风险和工具调用序列中的漏洞。这些攻击向量在金融和医疗保健等领域尤其令人担忧，因为数据泄露或决策错误的后果很严重。技能缺口大多数企业工程师了解API和数据库，但缺乏代理循环、提示工程或工具链的经验。Gartner指出，许多资助代理计划的高管并不完全了解什么是真正的代理，这导致了低成功率。构建企业级AI代理专家建议组织在构建代理工作流程时，特别是在高风险环境中，遵循以下几种做法。安全设计架构在一开始就定义自主性限制、权限和审计跟踪。只授予必要的访问权限，并将日志记录和故障安全机制嵌入到系统中。BCG强调了将治理设计到核心架构中的重要性。基于策略的平台使用与现有系统集成并在运行时执行规则的平台。策略引擎可以在执行之前将工具调用与公司标准进行验证，确保可重复、可审计的行为。人工在环监控关键步骤应包括人工审查，特别是在受监管的流程中。仪表板和警报允许团队实时监督代理操作，并快速升级异常情况。强大的测试和反馈企业应该运行沙盒模拟、回测和场景压力测试，然后再部署。持续的评估可以检测漂移、错误和合规偏差。将代理视为具有CI/CD管道的软件组件可以增加可靠性。框架继续以内存、授权和审计等功能演进。从长远来看，企业希望有一个统一的平台，可以定义目标和策略，而系统则管理提示、数据访问和合规工作流程。结论Agentic AI有着巨大的潜力来改变复杂的工作流程，特别是在受监管的行业中。真正的成功需要安全的架构、基于策略的治理、人工监督和严格的测试。将Agentic AI视为核心软件能力而不是营销标签的企业将会获得有意义的价值，而那些依赖炒作的企业则会面临停滞的试点项目和浪费的投资。
