Victor Coimbra：Artefact 首席技术官兼管理合伙人——访谈系列

Victor Coimbra是Artefact的首席技术官兼管理合伙人，负责领导公司在美洲各地的人工智能、数据科学和工程工作。他的职业经历融合了在Bain和Accenture积累的商业战略经验，以及在复杂企业环境中交付人工智能和机器学习系统的实战领导经验。他专注于帮助组织将技术能力与可衡量的业务成果相结合，其中包括实现人工智能规模化所需的架构、治理和运营模式。

Artefact是一家全球性数据与人工智能咨询公司，帮助企业制定战略、构建数据平台、部署人工智能解决方案并管理组织变革。其业务涵盖金融服务、医疗保健、制造业和零售业等行业。在将于2026年12月3日至4日在巴黎大皇宫举行的Adopt AI Summit召开前夕，Coimbra探讨了企业如何超越试点阶段、组建融合员工与人工智能智能体的团队，以及如何衡量人工智能在生产环境中的价值。

您的职业生涯从在Accenture从事商业战略工作，发展到在Artefact领导美洲各地的人工智能、数据科学和工程团队。这种战略咨询与技术实战领导相结合的经历，如何影响您帮助企业将人工智能投资转化为可衡量业务成果的方式？

这让我学会始终将人工智能战略与交付联系起来。在Bain和Accenture从事战略工作时，我了解到，高管投资的是损益表中某一项目的变化。而工程实践让我明白，从方案演示到投入生产的过程中，很多价值可能会流失。

如今，人工智能与其说关乎技术，不如说是要围绕企业的核心业务运营构筑护城河。关键问题在于，如何将个人生产力转化为整个企业的价值，让公司上下真正具备共享的认知能力。

这需要兼顾战略与交付，而我从同时从事这两方面工作中学到了很多。

尽管在人工智能领域投入了大量资金，许多组织仍难以走出成功试点项目的阶段。根据您的经验，阻碍企业人工智能项目投入生产的常见障碍有哪些？成功扩大部署规模的公司又有哪些不同之处？

根据我的经验，许多试点项目停滞不前，是因为人工智能被引入了一个原本只为人类设计的组织。技术通常是可行的。往往尚未理清的是工作分工：哪些任务交由智能体完成，哪些由人负责，谁来审核，以及由谁对结果负责。

除此之外，通常还有3个方面会拖慢规模化进程：按使用量计费导致令牌成本飙升、安全与治理问题，以及无法将访问权限转化为实际使用的推广工作。

在我看来，能够顺利扩大规模的公司会把人工智能视为一次组织重塑。他们将交付分为2个循环。在内循环中，智能体端到端地执行任务：编写代码、构建、测试、推送和审核。在外循环中，人类设定目标、核验结果，并监控成本和质量。随后，他们会搭建一个底层平台，并将其复用于每一种用例。

您曾撰文谈到，构建人工智能原生组织的重要性，而不是简单地在现有系统中添加聊天机器人和副驾驶工具。为支持这一转型，企业技术架构需要进行哪些根本性改变？目前企业又在哪些方面投入不足？

人工智能原生公司依托一个平台运行，而这个平台由4层组成：执行框架、上下文、模型和基础设施。执行框架是人类与智能体会合并开展工作的地方，也就是模型周围的完整应用程序。上下文决定智能体掌握哪些信息以及拥有哪些权限。模型层负责以适当的成本访问、路由和治理模型。基础设施层则决定模型实际运行在哪里，以及由谁掌管密钥。

自然，大部分注意力都集中在显而易见的20%上：副驾驶工具和聊天工具。隐形的80%才是大部分工程工作的所在，也决定了成本、安全和控制。

我的建议很简单：购买通用型执行框架，自行构建行业专用型框架。模型和基础设施则采取租用并试验的方式，因为它们每个季度都在变化。至于上下文，则要完全掌握在自己手中。这一层真正属于你，也是我认为最值得加大投入的领域。

随着人工智能从辅助员工发展到自主执行复杂工作流，组织应如何判断哪些流程适合采用智能体自动化？在赋予人工智能智能体更大的决策权限之前，必须建立哪些技术和运营保障措施？

在我看来，智能体非常擅长面向过去的工作，而人类擅长面向未来的工作。凡是基于现有信息开展的工作，都是智能体的强项，例如分析、编码、测试、文档编写和对账。需要创造力的工作则由人类负责；创造力从定义上说面向未来，涉及品味、愿景、规划、决策，以及判断结果是否真正出色。

在实践中，这对应着2个循环。智能体负责内循环并执行任务。人类则负责外循环：设定目标、核验结果和进行监控。

这些保障措施是通过工程设计实现的，而不是靠提示词引导。我们采用六层智能体运行框架：任务捕获、记忆、安全工作台（配备沙箱运行环境和权限控制）、带有检查点和澄清环节的工作循环、模型路由，以及明确规定智能体不能独自执行哪些操作的护栏，例如要求人工审批、进行策略检查和实施个人身份信息（PII）控制。智能体的自主程度随后会随着其工作记录逐步提升，就像新员工一样。

您将 AI 智能体描述为团队成员，而不是传统的软件工具。这种看法会如何改变组织构建团队、分配职责，以及培训员工与自主性日益增强的 AI 系统协作的方式？

混合型组织已经成为现实。我认为当下最重要的问题，是如何在人类员工和智能体之间分配劳动力。我相信，这是实现规模化的关键。

在混合型团队中，组织架构分配的是认知能力，而不是员工人数。我在成熟科技团队中常见的一种分工是：15% 的工作仅由人类完成，25% 的工作由智能体辅助完成，60% 的工作则由智能体完成。IT 负责人设定目标、分配能力，并对结果和成本负责。高级开发人员负责核验智能体交付的成果并确定架构。编排智能体负责分派任务并报告成本，审核智能体则检查每一项交付成果。

收益会分三步叠加。经智能体增强的员工，产出约提升 5 倍。作为合成员工端到端完成工作的智能体，产出约提升 10 倍。我认为，将两者作为一支劳动力统一编排，才有望实现 1000 倍的潜力。

培训也遵循同样的逻辑。人们要学会像向初级工程师布置工作那样向智能体交代任务，提供结构化背景信息并明确预期成果，同时把时间投入到判断力、规划和决策上。

企业级 AI 系统高度依赖可靠的数据基础设施，但许多组织仍在为数据碎片化、治理标准不一致和技术老旧等问题所困扰。企业在为智能体式 AI 准备数据平台时，应优先建设哪些基础能力？又该如何在不干扰现有运营的情况下推进现代化改造？

要为一种新型使用者——智能体——设计数据平台。仪表板上的数字有误，人类会提出质疑；智能体遇到错误数字，则会据此采取行动，而且会大规模地这样做。

优先建设 4 项能力。统一的业务定义，让每个智能体和团队对“活跃客户”有相同的理解。配备身份验证并支持 MCP 等标准协议的集成网关，让智能体能够按照其所代表角色的权限访问数据。可观测的质量和数据血缘。还要将非结构化数据视为一等资产，因为合同、工单和会议记录承载着大部分真正有价值的知识。

要在不造成干扰的情况下推进现代化，首先应为旧系统添加封装层，再按用例逐步迁移。智能体也改变了这一领域的经济效益。如今，多智能体迁移流水线能在数月内改造数十万行旧代码，而架构仍由人类决定。

除了访问结构化数据，AI 智能体还日益需要理解机构知识、业务流程和组织背景。企业如何才能有效地捕获这些知识并将其整合到 AI 系统中？智能体在缺乏充分业务背景的情况下运行，又会带来哪些风险？

背景信息能让模型成为同事。工具理解任务，智能体理解背景。你不会让一名初级工程师在不了解目标、限制条件和合格标准的情况下开展工作，智能体也一样。

从实际工作中捕获知识，而不是寄希望于难以持续更新的大型文档项目。每场会议、每张工单、每项决策和每次修正，都会汇入一个背景信息层，其中整合了文件、表格、向量以及关系图。每项已完成的任务都会将信息写回记忆，让组织在每次交付中不断学习。背景信息也需要自身的治理机制：评测、权限和成本控制。

缺少背景信息时，智能体往往会以几种可预见的方式陷入困境。它们会遵循明文规则，却忽略人人都知道的不成文规则。它们会检索到错误的信息，却以十足的把握作答。它们会依据上个季度的数据开展工作。此外，如果背景信息层缺乏严格的权限控制，敏感数据就可能面临风险。

许多公司通过生产力提升、采用率或启动的试点项目数量来衡量 AI 是否成功。CIO 和业务领导者应采用哪些指标来评估 AI 是否真正带来投资回报，尤其是在核算基础设施成本、持续维护费用以及自主智能体带来的运营复杂性时？

衡量混合型劳动力，而不是工具。采用率只是四个层级中的第一个，而且始终要与推广前设定的基线进行对照。采用率关注人们是否在使用。生产力关注交付是否更快：交付周期、吞吐量、解决时间。质量关注产出是否更好：遗漏缺陷、变更失败率、返工。价值和成本关注是否值得：释放的工作量、产品上市时间、每项任务的总成本。

一个容易被忽视的指标，是认知能力如何在不同团队中于人类和智能体之间流动。释放出来的人力能力必须有目的地重新投入面向未来的工作，否则部分收益就会流失。

在成本方面，定价正从固定费用转向按使用量计费，这可能让账单更难预测，因此模型路由和 FinOps 应从第一天起就纳入平台。应像管理云支出一样管理 AI 支出：确保支出清晰可见、归属到具体团队，并与价值挂钩。

Artefact 与金融服务、医疗保健、制造业、零售业等领域的企业合作，而 AI 的应用在这些行业面临着各不相同的挑战。从这些领域的实际部署中，正在显现出哪些经验？组织又该如何在创新与监管合规、可靠性及人工监督之间取得平衡？

所有行业都面临同一个问题：如何在人类与智能体之间分配工作。不同之处在于，外围流程中有多少环节必须由人来完成。在零售和消费品行业，出错的代价较低，因此智能体能更快接手更多工作。在制造业，可靠性以及与运营系统的集成决定了推进速度。在金融服务和医疗保健领域，每项决策都必须可解释，因此在更长时间内，更多核验和决策工作仍由人来承担。

我在各处看到的经验是，合规作为平台的一项内在属性，从一开始就融入其中，效果最好。如果护栏、审计日志和人工审批都纳入运行框架，每个新的应用场景就能自动继承这些机制。如果合规只在最后阶段才被考虑，每个新项目都得重新开始讨论。

监督应分级实施。低风险任务由智能体自主执行；中风险任务按例外情况进行审核；高风险任务则只由智能体准备决策材料。随着信任逐步建立，各级监督的适用范围也会随之调整。

Artefact 的 Adopt AI Summit 将于今年 12 月在巴黎举行，围绕 AI 主权、治理和产业竞争力的讨论正变得日益重要。您如何看待欧洲的 AI 应用方式对全球企业战略的影响？您认为未来几年哪些发展将决定企业 AI 的下一阶段？

欧洲很早就开始提出主权问题，而我认为，这正逐渐成为一项全球性的设计原则。跨国企业不希望针对每项法规采用一套架构，因此会按照最严格的规定来设计：自主掌控自己的上下文，租用模型，并确保能够控制模型的运行地点以及密钥的持有者。欧洲接下来的机遇，是以同样的热忱推动 AI 应用，因为竞争力将来自大规模应用。

下一阶段将是混合型组织，我相信这就是工作的未来。企业将不再只计算员工人数，而是转向管理人类与智能体共享的认知能力。智能体将承担大部分面向过去的工作：分析、编写代码和报告。人类则将转向面向未来的工作：品味、愿景、规划和决策。

我相信，率先解决工作分配问题的企业将引领潮流。这正是我希望在巴黎探讨的话题，以共同界定未来几年的发展方向。

感谢您带来这场精彩的访谈。希望进一步了解企业 AI 应用、智能体工作流和数据转型的读者，请访问 Artefact。