Redis CEO分享的AI智能体规模化落地的实战经验

责任编辑:cres

作者:Michael

2026-11-20 15:38:44

来源:企业网D1Net

原创

AI智能体规模化落地,真正的瓶颈不是模型不够聪明,而是企业缺乏业务上下文、记忆、协作与治理能力。

AI智能体正在进入企业,但真正的挑战才刚刚开始

过去几年,大语言模型的能力取得了令人瞩目的进步。从内容生成、代码编写,到复杂问题分析和自主任务执行,AI正在从一个辅助人类工作的工具,逐渐演变为能够理解任务、调用工具、执行流程并与其他智能体协同工作的数字化劳动力。

然而,当企业开始把AI智能体从实验室、概念验证和试点项目推向实际生产环境时,一个重要的问题逐渐显现:模型越来越聪明,并不意味着企业就能自动获得越来越高的商业价值。

Redis首席执行官Rowan Trollope在接受Michael Krigsman采访时,提出了一个值得企业管理者深入思考的判断:

“把美元变成Token很容易,但要把这些Token重新转化为商业收益,就困难得多。”

这句话揭示了当前企业AI转型面临的核心矛盾。

企业已经能够相对容易地获得大语言模型的计算能力,也可以通过API调用、智能体框架和各种开发平台构建AI应用。但真正困难的是,如何让智能体理解企业的业务规则,获取正确的信息,作出符合企业要求的决策,在复杂业务流程中可靠地执行任务,并最终创造可以衡量的经济价值。

从Rowan Trollope的分析来看,企业要实现AI智能体的规模化落地,至少需要解决六个相互关联的问题:

1. 如何为智能体提供准确、及时、完整的业务上下文?

2. 如何通过工具调用、记忆和智能体协作,构建真正有效的智能体架构?

3. 如何建立评测、治理和可观测体系,确保智能体可靠运行?

4. 如何重新设计企业基础设施,以适应智能体带来的全新工作负载?

5. 如何在扩大智能体自主能力的同时,控制安全、合规和业务风险?

6. 如何从广泛试用转向重点投资,让AI真正产生可衡量的商业回报?

这些问题共同构成了企业从AI试验走向AI规模化应用的关键路径。

一、限制AI智能体的真正瓶颈,不是模型智能,而是业务上下文

在当前AI技术的发展过程中,很多企业存在一种普遍认识:只要模型足够先进、参数规模足够大、推理能力足够强,就能够解决越来越复杂的企业业务问题。

但Rowan Trollope认为,这种认识并不完全正确。

他指出,今天的大语言模型已经拥有非常强大的知识储备和推理能力。可以把它们想象成一个阅读过整个互联网、能够以惊人准确度回忆大量信息的人。

然而,即使这样一个知识渊博、智力出众的人,如果不了解企业的具体业务规则,也未必能够做好一项看似简单的工作。

例如,一家企业要求AI智能体处理客户退款请求。

从技术角度来看,模型可能完全理解退款申请的含义,也能够流畅地与客户交流,甚至能够分析客户提供的各种理由。

但是,真正决定退款能否获批的,可能是企业内部一项非常具体的规定:

• VIP客户是否享有特殊退款权限?

• 哪些商品允许无条件退款?

• 超过规定期限后是否还能退款?

• 特殊情况下是否需要主管审批?

• 客户过去的消费记录是否会影响退款决策?

• 当前季度的客户留存目标是否需要纳入处理考虑?

这些信息可能分别存在于企业知识库、业务系统、产品手册、电子邮件、Slack频道,甚至员工长期积累的经验之中。

如果智能体无法获取这些信息,即使使用最先进的模型,也无法保证作出正确决策。

这说明,模型的通用智能与企业业务能力之间,并不能直接画等号。

模型拥有的是通用知识和推理能力,而企业真正需要的是能够在特定业务环境中正确执行任务的能力。

两者之间的关键连接环节,就是上下文。

1. 为什么企业的边缘数据比显性数据更难处理?

企业通常比较容易将订单系统、客户关系管理系统、客服系统等结构化数据接入AI智能体。

这些系统中的数据相对明确,通常具有标准化的数据结构和访问接口。

真正困难的是那些分散在企业日常运营过程中的信息。

例如:

• 某项特殊折扣政策只在一封内部邮件中说明过;

• 某个重要客户的特殊服务要求记录在Slack讨论中;

• 某种产品故障的处理经验只掌握在资深工程师手中;

• 某些业务例外情况需要根据历史经验进行判断;

• 某项特殊审批规则没有完整写入正式业务系统。

这些信息虽然可能没有被系统化管理,却往往直接影响企业业务决策。

如果智能体只能访问正式业务系统,而无法获取这些分散的信息,就很容易在所谓的边缘场景中失败。

因此,企业建设智能体不能仅仅关注数据库和API接口,还必须考虑如何将组织内部各种分散的知识、政策、经验和业务规则转化为智能体能够访问和使用的上下文。

2. 把所有信息都塞进上下文窗口,并不是解决方案

面对上下文不足的问题,一些企业最初采用了简单直接的办法:尽可能多地向模型提供信息。

它们把企业知识库、培训手册、内部文档、聊天记录等大量资料全部加载到模型的上下文窗口中,希望通过增加信息量提高智能体的业务理解能力。

但这种方法存在明显的问题。

信息越多,并不意味着智能体获得的有效知识越多。

当大量无关信息同时进入上下文窗口时,模型反而可能受到干扰,难以准确识别当前任务真正需要的信息。

这就像一个员工在处理某项具体工作之前,被要求阅读企业所有部门的全部文件。

他获得的信息虽然更多,却不一定更容易完成当前任务。

因此,真正重要的不是让智能体掌握所有信息,而是让它能够在正确的时间找到正确的信息。

这意味着企业需要从传统的静态知识加载方式,转向动态的上下文管理方式。

3. 工具调用是解决上下文问题的重要路径

Rowan Trollope特别强调,支持工具调用的智能体是近年来非常重要的一项技术创新。

企业不必在任务开始之前,将所有信息全部加载到模型中,而是可以通过工具调用机制,让智能体根据实际任务主动查询所需信息。

例如:

• 需要处理退款时,调用退款政策查询工具;

• 需要了解客户历史时,访问CRM系统;

• 需要分析产品问题时,查询产品手册和技术知识库;

• 需要处理特殊折扣时,调用价格和审批规则;

• 需要了解客户过去的特殊要求时,读取相关记忆。

这样,模型只需要在当前任务中获取真正相关的信息,而不必承担管理整个企业知识库的任务。

这实际上改变了企业构建AI智能体的基本思路:

从一次性向模型提供大量知识,转向让智能体在任务执行过程中按需获取上下文。

企业AI能力的竞争,不仅取决于模型本身有多聪明,还取决于企业能否让模型在正确的时间获取正确的信息。

二、从单个智能体走向智能体集群:记忆、协作与通信成为核心能力

随着AI应用不断深入企业业务,智能体的数量和复杂程度都在快速增加。

最初,企业可能只是部署一个智能体,负责回答客户问题或协助员工完成某项任务。

但在复杂业务环境中,单个智能体很难独立完成所有工作。

例如,一个客户服务智能体在处理复杂问题时,可能需要同时完成:

• 查询客户历史信息;

• 检索产品知识;

• 分析客户的问题;

• 查询相关业务政策;

• 联系其他业务智能体;

• 更新CRM系统;

• 生成最终处理结果。

这实际上已经不再是一个简单的问答任务,而是一个涉及多个环节、多个系统和多个智能体的复杂工作流程。

因此,企业AI架构正在从单个智能体逐渐演变为多个智能体协同工作的集群。

1. 智能体集群需要分层协作

Rowan Trollope指出,未来一家普通企业可能就会拥有数十万个智能体,而且实际数量可能更多。

这些智能体并不是完全独立的,而是呈现出明显的层级结构。

例如,一家大型企业可能部署数千个直接与客户沟通的智能体。

这些面向客户的智能体负责接收客户需求、理解问题并协调处理流程。

但在它们背后,还可能有大量工作智能体负责具体任务,例如:

• 查询后台知识库;

• 搜索相关业务信息;

• 对复杂问题进行推理;

• 查询客户历史记录;

• 执行数据分析;

• 更新CRM系统;

• 完成其他后台操作。

也就是说,一个直接面向客户的智能体,可能需要协调十几个甚至更多的后台工作智能体。

这就形成了一个多层级、多角色、分工协作的智能体体系。

在这样的架构中,智能体之间的通信能力变得至关重要。

2. 智能体间通信是规模化协作的基础

当智能体数量达到数千、数万甚至数十万时,企业必须解决智能体之间如何高效交换信息、传递任务和协调执行的问题。

Rowan Trollope提到了A2A,即Agent-to-Agent(智能体间通信)协议。

Redis通过Agent Mesh产品,为企业智能体集群提供通信支持。

其核心价值在于,为不同智能体之间的任务协作提供底层通信能力。

例如,当一个客户服务智能体接到复杂请求时,可以把不同子任务分配给多个工作智能体。

这些智能体分别执行信息检索、业务分析和系统操作,再将处理结果返回给负责统筹的智能体。

在这个过程中,系统需要支持大量并发通信、任务协调和数据交换。

如果缺乏可靠的通信基础设施,即使每个智能体本身都具有较强的能力,整个系统仍然可能因为协作效率低下而无法正常运行。

因此,未来企业智能体架构的核心竞争力,不只是单个模型的能力,还包括智能体之间的通信、协调和协作能力。

3. 记忆能力决定智能体能否持续理解业务

除了通信,记忆也是智能体规模化应用不可缺少的能力。

传统的大语言模型通常围绕当前对话上下文开展工作。

但是,企业业务具有连续性。

客户可能在不同时间通过不同渠道与企业沟通,企业员工也可能在多个工作阶段反复处理同一个业务问题。

如果智能体每次都从零开始理解客户和业务,就很难提供真正连续、个性化的服务。

为此,Redis开发了智能体记忆产品。

这套机制能够从客户与智能体的文本对话中提取值得保留的信息,并根据后续使用情况动态管理记忆。

它不仅能够判断哪些信息应该记住,还能够随着时间推移,识别哪些信息仍然有价值,哪些信息已经过时,需要遗忘或压缩。

这意味着智能体的记忆不应该只是对历史对话进行简单存储,而应该具备信息筛选、价值判断和动态更新能力。

对于企业而言,真正有价值的智能体记忆,应当能够帮助系统持续理解客户、业务状态和历史决策,从而减少重复沟通,提高任务执行效率。

4. 上下文网关连接企业知识与大语言模型

Redis还开发了上下文网关,用于帮助企业将FAQ、业务文档、流程和其他信息提供给大语言模型。

从企业架构角度来看,这类能力承担着连接企业知识资源与AI模型的重要作用。

企业不再需要把所有信息直接加载到模型中,而是可以通过统一的访问机制,让智能体按需获取相关知识。

结合记忆产品和Agent Mesh,可以看到一种逐渐清晰的企业智能体架构:

• 上下文网关负责提供企业知识和业务信息;

• 记忆系统负责管理需要长期保留的信息;

• 工具调用机制负责让智能体访问外部系统;

• Agent Mesh负责支持不同智能体之间的通信与协作;

• Redis提供底层的数据和通信基础能力。

这也说明,企业级智能体平台不只是一个能够调用大语言模型的应用程序,而是一个包含数据、记忆、上下文、工具、通信和任务协调的完整系统。

三、评测、治理与可观测性:让智能体真正具备生产级可靠性

从试点走向生产环境,是企业AI应用面临的一道重要门槛。

在实验环境中,智能体只需要完成少量任务,偶尔出现错误也可能被人工纠正。

但在实际生产环境中,智能体可能持续处理成千上万甚至更多任务。

此时,任何一个看似微小的问题,都可能被不断放大,最终影响客户体验、业务收入和企业声誉。

因此,企业不能仅仅依靠模型表现出的智能程度来判断智能体是否可以投入生产。

Rowan Trollope认为,成功部署智能体的企业有一个非常重要的共同点:它们拥有严格的评测体系,并且重视持续治理。

1. 建立自动化评测体系

企业首先需要明确:如何判断一个智能体是否正确完成任务?

这听起来很简单,但实际上并不容易。

因为大语言模型具有概率性,同一个问题在不同条件下可能产生不同答案。

对于企业而言,仅仅判断答案是否流畅、是否看起来合理,远远不够。

真正重要的是,答案是否符合业务政策,操作是否符合流程要求,结果是否满足业务目标。

因此,企业需要提前建立一套测试问题和标准答案体系。

例如,对于客户服务智能体,可以建立一组覆盖不同场景的测试问题:

• 普通客户申请退款;

• VIP客户申请退款;

• 超过退款期限的客户申请退款;

• 客户要求特殊折扣;

• 客户提出超出标准政策范围的要求;

• 客户试图诱导智能体违反企业规定。

每个测试问题都应该有相应的可接受答案或处理标准。

然后,通过自动化测试持续检查智能体的表现。

这就是评测体系的核心作用。

它使企业能够以相对客观、可重复的方式判断智能体是否符合预期。

2. 持续监测智能体质量变化

建立评测体系只是第一步。

智能体上线之后,企业还需要持续观察其表现。

因为模型、数据、业务规则和外部环境都可能发生变化。

一个智能体在上线初期表现良好,并不意味着几个月之后仍然能够保持同样的质量。

例如,企业更新了退款政策,但智能体仍然使用旧规则;知识库中的某些信息发生变化,却没有及时同步;模型或提示词调整后,原本正常的任务开始出现错误。

这些变化都可能导致智能体质量下降。

因此,企业必须持续跟踪智能体在评测体系中的表现,及时发现质量退化。

3. 保留执行轨迹,弄清楚智能体为什么犯错

对于生产级智能体而言,只知道它回答错了还不够。

企业还必须知道它为什么会犯错。

例如:

• 它是否获取了错误的上下文?

• 它是否遗漏了重要的业务规则?

• 它是否调用了错误的工具?

• 它是否错误理解了用户意图?

• 它是否在执行过程中偏离了原定流程?

• 它是否受到了无关信息的干扰?

这就需要系统保留足够的执行轨迹和数据记录。

通过这些记录,企业能够追踪智能体从接收任务、获取信息、调用工具到作出决策的整个过程。

这也是可观测性的重要组成部分。

评测解决的是智能体表现是否符合要求的问题;治理解决的是如何持续控制和改进智能体行为的问题;可观测性则帮助企业理解智能体实际执行过程中发生了什么。

三者相互配合,构成了生产级智能体系统的重要保障。

4. 将企业业务规则转化为AI可以理解和执行的标准

Rowan Trollope特别强调,企业必须把自己的政策、流程、运营方式和行为规范系统化地记录下来。

他将这些内容称为企业的核心竞争要素(Enterprise Alpha)。

因为真正让一家企业区别于其他企业的,不只是它拥有多少数据和技术,还包括它如何运营、如何服务客户、如何培训员工、如何制定政策,以及如何确保所有员工按照正确的方式执行工作。

这些长期积累的组织知识,构成了企业独特的运营能力。

过去,这些知识主要由员工掌握,通过培训、经验传承和管理制度进行传播。

而当AI智能体开始承担企业工作时,这些知识必须进一步转化为智能体能够理解、访问和执行的内容。

这意味着企业需要重新审视自己的知识管理体系。

不能只是简单地把文件上传到知识库,而是要确保业务规则清晰、流程定义准确、数据结构合理,并且能够通过工具和接口有效地提供给智能体。

未来企业AI竞争的一个重要分水岭,将是企业能否把自身长期积累的业务知识,转化为可被智能体有效使用的数字化能力。

四、传统IT基础设施必须重新设计:智能体正在改变企业的工作负载模式

企业部署智能体后,另一个容易被低估的问题,是传统IT基础设施能否承受全新的工作负载。

Rowan Trollope指出,今天大多数企业的IT基础设施,都是按照人类员工的工作方式和访问模式建设的。

但智能体的工作方式与人类存在根本区别。

1. 智能体没有人类工作时间和处理能力的限制

人类员工每天需要休息,工作时间通常受到一定限制。

即使工作强度较高,也很难做到每天24小时不间断工作。

而智能体不需要睡觉,不需要休息,也不受人类阅读、打字和信息处理速度的限制。

它们能够以远高于人类的速度读取数据、生成指令、调用工具和执行任务。

因此,当智能体开始大量访问企业后台系统时,传统基础设施所面临的负载模式将发生显著变化。

例如,一家拥有1000名员工的企业,如果每名员工都开始使用AI智能体,那么一次复杂的研究任务就可能启动1000个智能体,同时开展互联网搜索、数据收集和信息分析。

这意味着,一个人类员工发起的一次请求,可能在后台转化为上千个并行执行的任务。

传统系统原本可能只需要处理少量员工发起的请求,现在却必须面对大量智能体同时访问后台系统的情况。

这不仅是计算资源需求的增加,更是整个系统访问模式的变化。

2. 企业必须重新设计数据基础设施和应用基础设施

面对这种变化,企业不能仅仅通过增加服务器或扩大计算资源来解决问题。

更重要的是重新审视整个基础设施架构。

企业需要考虑:

• 如何支持大量智能体并发访问?

• 如何管理不同智能体发起的海量请求?

• 如何进行速率限制,防止系统过载?

• 如何协调大量并行任务?

• 如何保障数据访问的稳定性?

• 如何处理不同智能体之间的通信?

• 如何确保后台系统在高负载情况下持续可靠运行?

这些问题既涉及数据基础设施,也涉及应用基础设施。

从这个角度来看,智能体时代的基础设施升级,并不是传统IT架构的简单扩容,而是需要围绕新的工作负载和访问模式进行重新设计。

3. 基础设施管理本身也需要智能体化

Rowan Trollope还提出了一个更进一步的观点:

当企业的智能体数量大幅增加时,负责管理基础设施的人类员工,也可能成为系统扩展的瓶颈。

如果基础设施需要人类员工持续处理大量智能体产生的请求和异常,那么系统规模越大,人工管理的压力就越大。

因此,Redis正在采用另一种方式:

一方面,开发让智能体能够直接访问基础设施的接口;另一方面,在基础设施后台部署运维智能体,让它们负责基础设施的日常运行和管理。

Redis将过去15年积累的大规模基础设施运营经验,用于训练自己的运维智能体。

这些智能体能够在后台持续运行,负责维护Redis基础设施。

这体现了一个重要趋势:

未来企业不仅需要部署智能体来完成业务工作,还需要利用智能体管理和维护支撑这些业务的IT基础设施。

AI智能体将逐渐从业务应用层延伸到基础设施管理层,形成更加自动化的技术运营体系。

五、安全与合规:智能体需要像员工一样受到约束

随着智能体能够访问越来越多的企业数据和业务系统,安全与合规问题也变得更加重要。

智能体拥有的权限越大,能够执行的操作越多,一旦发生错误或受到攻击,造成的影响也可能越严重。

Rowan Trollope认为,企业必须重新思考智能体的安全管理方式。

1. 智能体面临的安全问题与员工存在相似之处

他提出了一个很有启发性的类比:

企业内部其实早就存在具有不确定性、可能犯错的主体,那就是员工。

企业已经建立了一套成熟的管理机制,用来约束员工的行为,确保他们按照规定处理业务。

例如:

• 员工访问数据需要权限控制;

• 敏感操作需要经过审批;

• 重要业务需要遵循规定流程;

• 员工必须接受安全和合规培训;

• 企业需要监控和审计关键操作。

AI智能体同样需要这些约束。

因为智能体也可能错误理解指令、访问不应该访问的数据、执行不符合业务要求的操作,甚至受到外部攻击者的诱导。

例如,大语言模型可能受到恶意提示的影响,泄露原本不应该公开的个人信息。

因此,企业不能因为智能体是软件系统,就忽略它所面临的行为风险。

2. 智能体安全必须融入工具和数据访问体系

如果企业正在开发能够访问客户数据的新应用,就必须在相关工具和数据接口之前建立安全与治理规则。

这意味着,安全不能仅仅依靠模型自身的判断能力。

企业需要通过技术架构和管理制度,明确智能体可以访问哪些数据、可以调用哪些工具,以及在什么条件下允许执行特定操作。

尤其是涉及客户隐私、财务数据和关键业务操作时,必须设置严格的访问控制和执行约束。

从这个角度来看,智能体安全与传统企业安全并不是相互独立的两个体系。

它应该成为企业现有身份管理、权限控制、数据保护、审计和合规体系的重要组成部分。

3. 企业必须利用AI增强自身网络安全能力

Rowan Trollope还指出,AI不仅带来了新的安全风险,也改变了攻击者的能力。

过去,攻击者可能需要投入大量人力和技术资源才能完成复杂攻击。

如今,大语言模型为攻击者提供了更加强大的工具,使针对企业的攻击变得更加容易。

因此,企业不能只考虑如何防范AI智能体带来的风险,还应该利用AI主动增强自身的安全能力。

例如,部署智能体开展安全取证、分析潜在风险、发现系统漏洞和评估网络安全状况。

这体现了网络安全领域的一个重要变化:

企业既要建立针对AI的安全防护体系,也要利用AI构建更加智能化、自动化的安全运营体系。

六、从广泛试用到战略聚焦:企业必须重新思考AI投资回报

技术能力不断增强,并不意味着企业投入AI的每一笔资金都能自动产生回报。

Rowan Trollope指出,目前很多企业的AI投入产出关系仍然没有得到充分验证。

企业面临的一个现实问题是:Token消耗成本不断增加,但实际商业收益却很难衡量。

1. 广泛开放AI工具,容易出现成本清晰、收益模糊的问题

很多企业最初采用的是自下而上的推广方式。

企业向所有员工开放AI工具,让员工自由探索和使用。

这种方式具有一定价值。

员工可以通过实际使用了解AI的能力,发现哪些工作适合自动化,哪些业务环节可以得到改善。

但问题在于,如果企业缺乏明确的业务目标和衡量机制,就很难知道这些AI投入究竟创造了多少价值。

结果可能是:

Token消耗不断增加,企业账单越来越高,但管理层却无法清楚说明AI究竟为企业带来了多少收入增长、成本节约或效率提升。

这就是Rowan Trollope所说的:

“你可以看到账单,却看不到收益。”

2. 从自下而上转向自上而下的重点投资

针对这一问题,越来越多企业开始调整AI投资策略。

它们不再只是向员工广泛开放工具,而是进一步由管理层选择少数几个具有明确商业价值的项目,集中资源推动落地。

这一转变可以分为两个阶段。

第一阶段:自下而上探索。

让员工广泛接触AI工具,通过实际使用发现潜在应用场景,积累经验。

第二阶段:自上而下投资。

由企业领导层根据战略目标,选择两三个能够产生显著业务价值的项目,集中投入资源,并建立明确的衡量标准。

这种方式能够避免AI投资过于分散,也更容易形成可衡量的业务成果。

3. KYC和AML是金融行业具有代表性的应用场景

Rowan Trollope以大型金融机构为例,说明了这种战略聚焦的价值。

大型银行通常拥有数千甚至数万名员工,负责客户身份识别(KYC)和反洗钱(AML)等业务。

这些工作往往需要大量人工投入,而且具有严格的监管要求和标准化的业务流程。

其中很多任务具有较强的重复性和规则性,适合通过AI智能体进行自动化处理。

如果银行能够把AI智能体集中应用于这些关键业务环节,就能够比较清楚地衡量:

• 自动化减少了多少人工工作量;

• 业务处理效率提高了多少;

• 运营成本降低了多少;

• 业务流程的处理能力提高了多少;

• 是否在满足监管要求的前提下改善了业务表现。

与向所有员工开放AI工具相比,这种方式更容易把技术投入与实际商业收益联系起来。

4. AI项目必须建立明确的商业衡量标准

企业在选择AI项目时,不能只看技术上能否实现,还必须回答一个更重要的问题:

这项技术能够为企业创造什么具体价值?

不同业务场景需要建立不同的衡量指标。

例如,客户服务可以关注处理效率、客户满意度和问题解决率;软件开发可以关注开发周期、代码质量和交付效率;金融业务可以关注审核效率、运营成本和合规表现。

只有在项目开始之前就明确目标和指标,企业才能在实施过程中持续评估AI的实际效果。

AI投资的最终目标不是增加模型调用量,也不是部署尽可能多的智能体,而是让技术投入转化为可以验证的业务成果。

七、CEO必须亲自学习和使用AI:企业转型不能完全依赖基层员工

在整场访谈中,Rowan Trollope对企业高管提出了一条非常明确的建议:

CEO和高级管理者必须亲自使用AI,而不是把学习和探索AI的责任完全交给技术团队或基层员工。

这一观点尤其值得关注。

因为AI正在改变的不只是企业使用的技术工具,还包括企业的运营方式、组织结构、工作流程和竞争模式。

如果企业领导者不了解AI的实际能力和局限,就很难作出正确的战略决策。

1. 管理者必须通过实践建立对AI的真实认知

Rowan Trollope以自己的经历为例。

作为一家软件公司的CEO,他已经从事软件开发和软件企业经营30年。

但ChatGPT出现之后,他发现软件开发的方式正在发生根本性变化。

过去几十年积累的经验,并不能完全适用于今天的软件开发环境。

如果今天重新创办一家软件公司,开发模式、工作流程和技术工具都将与过去明显不同。

因此,他不得不重新学习软件开发,亲自使用大语言模型辅助编程,重新理解这项技术的能力和局限。

这说明,即使是具有丰富行业经验的企业领导者,也不能仅仅依靠过去的知识和经验来判断AI带来的变化。

必须通过亲身实践,建立对新技术的真实理解。

2. CEO应该拿出10%至30%的时间深入学习AI

Rowan Trollope建议,企业高管可以拿出10%、20%甚至30%的工作时间,专门用于学习和探索AI。

必要时,甚至可以安排连续几周的集中学习时间。

重点不是参加多少场AI培训,也不是阅读多少份技术报告,而是亲自使用模型、构建应用、尝试不同的工作方式,并了解技术的实际边界。

例如,管理者可以亲自尝试:

• 使用大语言模型分析业务问题;

• 通过AI辅助完成日常工作;

• 使用智能体执行多步骤任务;

• 探索哪些业务流程可以自动化;

• 测试AI在复杂场景中的局限;

• 了解AI可能如何改变现有商业模式。

只有真正动手实践,管理者才能判断哪些技术创新具有实际意义,哪些只是暂时的市场热点。

3. AI转型必须由企业领导层自上而下推动

Rowan Trollope特别强调,如果企业领导者只是依赖组织内部较低层级的员工去研究AI、探索应用场景,然后期待他们替管理层找到企业未来的发展方向,这种做法最终会失败。

原因在于,AI转型涉及企业战略、资源分配、组织架构和业务模式的重新设计。

这些问题并不是基层员工能够独立决定的。

员工可以发现应用场景,技术团队可以构建解决方案,但企业领导者必须真正理解技术变化,并决定企业应该如何调整战略和业务。

因此,管理者亲自学习AI,不只是提高个人工作效率,更是履行企业战略领导职责的重要组成部分。

4. 亲身实践也是缓解AI焦虑的重要方式

面对AI技术快速发展,很多企业管理者会产生焦虑。

每天都有新的模型、新的工具和新的技术突破出现,很容易让人觉得自己永远无法跟上变化。

Rowan Trollope认为,缓解这种焦虑的有效方式,就是直接开始实践。

与其每天关注又出现了什么新技术,不如亲自使用这些技术,尝试构建一些东西,了解它们能做什么、不能做什么。

通过持续实践,管理者能够逐渐形成自己的判断,而不必完全依赖外部信息和市场宣传。

更重要的是,这种学习过程本身也可以带来乐趣。

AI不仅意味着挑战,也为企业和技术人员创造了前所未有的创新机会。

八、企业AI转型的核心逻辑:从模型能力走向组织能力

综合Rowan Trollope的观点,可以发现,他所讨论的并不仅仅是AI智能体的技术部署问题,而是企业如何围绕AI重新构建自身的组织能力。

这其中存在一条清晰的逻辑链条。

第一步:让智能体真正理解企业。

通过企业数据、业务规则、知识库、记忆和动态上下文,让智能体具备完成具体工作的业务基础。

第二步:让智能体能够协同工作。

通过工具调用、智能体间通信、任务编排和分层协作,将单个智能体扩展为能够处理复杂业务流程的智能体集群。

第三步:让智能体能够可靠地工作。

通过自动化评测、持续监测、执行轨迹、治理和可观测性,确保智能体的行为符合企业要求。

第四步:让企业基础设施适应智能体。

重新设计数据基础设施和应用基础设施,使其能够支持高并发、大规模、全天候运行的智能体工作负载。

第五步:让智能体在安全边界内工作。

建立权限控制、安全规则、合规机制和风险监测体系,防止智能体错误使用数据或执行不当操作。

第六步:让AI投入产生商业回报。

从广泛试用转向战略聚焦,选择真正具有商业价值的应用场景,并通过明确的KPI衡量实际成果。

这六个方面不是彼此孤立的技术模块,而是相互依赖的企业AI能力体系。

如果企业只有强大的模型,却没有高质量的业务上下文,智能体就难以正确完成任务。

如果企业拥有丰富的上下文,却没有工具调用和协作机制,智能体就难以承担复杂工作。

如果企业能够让智能体完成任务,却缺乏评测和治理,就无法保证生产环境中的可靠性。

如果智能体能够可靠运行,但基础设施无法承受其工作负载,系统就难以规模化。

如果企业解决了技术问题,却没有建立清晰的商业目标,最终仍然无法证明AI投资的价值。

因此,企业真正需要建设的,不是单纯的AI模型应用,而是一套完整的企业级智能体运行体系。

结语:AI竞争的下一阶段,是企业将自身知识和运营能力转化为智能体能力的竞争

从Rowan Trollope的分析中,可以看到企业AI发展正在经历一次重要转变。

过去,企业关注的是能否接入先进模型,能否利用AI提高员工效率,能否快速构建一些AI应用。

而现在,随着智能体开始承担更加复杂的业务任务,企业面临的问题已经发生变化。

真正重要的,不再只是模型能否生成准确的答案,而是智能体能否理解企业的业务环境,能否在复杂条件下作出正确决策,能否调用各种系统完成实际工作,能否与其他智能体协同执行任务,以及能否在严格的安全和治理机制下持续运行。

这意味着,企业AI竞争的重点正在从模型能力转向系统能力,从技术试验转向业务落地,从单点应用转向组织级智能化。

未来真正能够从AI中获得长期竞争优势的企业,不一定是拥有最先进模型的企业,而更可能是那些能够把自身积累的业务知识、管理经验、运营流程和数据资源,系统性地转化为智能体能力的企业。

与此同时,企业领导者也必须改变对AI的认识。

AI转型不是可以完全交给IT部门的一项技术项目,也不是向员工开放几个工具就能完成的数字化升级。

它涉及企业如何组织工作、如何管理知识、如何配置资源、如何控制风险,以及如何重新定义商业价值。

把AI技术引入企业并不难,真正困难的是让AI理解企业、融入企业、服务企业,并最终成为企业创造价值的能力。

这才是AI智能体从试点走向规模化生产应用的真正挑战,也是下一阶段企业AI竞争的关键所在。

企业网D1net(www.d1net.com):

国内头部to B IT门户,旗下运营国内头部的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。旗下运营19个IT行业公众号(微信搜索D1net即可关注)。

版权声明:本文为企业网D1Net编译,转载需在文章开头注明出处为:企业网D1Net,如果不注明出处,企业网D1Net将保留追究其法律责任的权利。

链接已复制,快去分享吧

企业网版权所有©2010-2026 京ICP备09108050号-6京公网安备 11010502049343号