> **来源：[研报客](https://pc.yanbaoke.cn)** # 智能体 AI核心指南 构建自主化未来的竞争方略 # 目录 # 引言 构筑智能体AI的核心势能 2 # 第一部分 基石所在： 智能体AI架构如何支撑多模型协同 6 # 第二部分 能量之源： 高质量数据如何实现持续赋能. 10 # 第三部分 动能核心： 人机协同如何驱动质效飞跃 14 行动指南 19 # IBM 如何提供帮助 IBM凭借在企业运营领域的深厚专业知识、合作生态与丰富经验，赋能企业打造智能运营流程，释放AI智能体和资产潜能。如需了解更多信息，请访问ibm.com/consulting/artificial-intelligence # AWS 如何提供帮助 AWS依托坚实的隐私、安全与AI治理基石，提供全面的AI服务、工具与资源，赋能客户自信创新、部署并规模化其智能体AI应用。如需了解更多信息，请访问aws.amazon.com/ai/ 未来两年内， $72\%$ 的高管预计，智能体AI将催生新的技术能力，从而重塑商业模式与行业结构。 # 摘要 - 大多数高管 (76%) 深知，他们需要一个开放、安全设计的架构，但鲜有人将其构建落地。 智能体 AI 需要一个安全、开放的架构，从而实现企业内智能体、模型与系统的全面互联。然而，仅不足三分之一的组织具备所需的互操作性与可扩展性功能。 - 组织虽已具备坚实的数据根基，但智能体 AI 正在改变游戏规则。 74% 的组织拥有明确的数据管理治理框架，但仅 60% 表示其相关实践足以面向未来。智能体 AI 的运作，既依赖于数据的实时持续流动，也离不开能与其共同学习、协同演进的自适应数据系统。 - 尽管高管们重视人机协作，但却并未对其实际成效建立评估体系。 64% 的受访者表示，已实现人机协同以驱动战略目标，但能系统衡量 AI 代理对员工、客户及业务整体影响的组织，尚不足半数。一旦人与智能体成为命运共同体，共同为成果负责，所有决策与行动便自然聚焦于价值交付。 # 构筑智能体 AI 的核心势能 组织对智能体 AI 充满期待，但要释放其规模化影响力，需要的不仅仅是将 AI 应用于旧流程或对现有系统进行微调。智能体系统生而自主：其核心在于能实时跨越工作流，完成行动、学习与动态适应。 基于 IBM 商业价值研究院 (IBM IBV) 以往洞察，智能体 AI 需要全新的运营模式。1 该模式须从头构建，为实时战略决策与跨领域无缝人机协作而生（见图 1）。当下，正是构建未来高性能协作体系的关键时刻：打造智能体协同网络，在企业范围内自主运转。 竞争的鸿沟已然显现。IBM IBV对全球1,000多名最高管理层高管开展调研，结果显示：尽管探索智能体AI的组织众多，但具备规模化部署能力者却屈指可数。从基础设施、治理到人才储备，在运营模式的每一个关键维度上，仅不到半数企业表示已进入规模化或优化阶段。 战略意图明确： $80\%$ 的高管正加码智能体AI投资，预计至2027年，相关支出将增长近两倍。然而，若缺乏适配的技术框架、清晰的数据战略与可靠的执行规划，大部分投入恐将滞留于概念验证，仅能带来局部价值，难以达成管理层期许的全域转型（详见观点：“高管层对智能体AI的战略期待”）。 我们的分析识别出一批领先组织：它们正成功将投资转化为客户互动与创新领域的实质性成功（详见第23页：“研究方法”）。这些组织结合坚定清晰的领导愿景、前瞻的运营体系与精心设计的人机协作机制，从而实现了复杂智能体系统的有机整合。其展现出三重领先性：在多智能体能力上更为自信，在模型管理上更具战略思维，并在构建支撑长期扩展与生态协同的基础底座方面大幅领先。 智能体AI需要重塑运营模式，专为实时战略决策而生。 图1 本报告由亚马逊云科技(AWS)联合呈现，旨在助力不同发展阶段的组织，系统性提升关键能力，迎接自主智能体时代。智能体AI能否成为真正的性能驱动引擎？我们聚焦以下三个决定性维度： # 1 首先，是基石所在，即战略性技术框架。组织需要一个安全、开放的框架，从而实现内部智能体、模型与系统的全面互联。其为业务统筹、无缝操作与规模扩展提供支撑。 # 2 其次，是能力之源，即高质量、受治理的数据流，其通过全域集成、便捷访问和实时传输，驱动自适应决策。 # 3 最后，是动能核心，即人机协作。其以关键绩效指标为标尺、以责任机制为保障，将技术潜力转化为可量化的业务成果。 报告最后，附有一份切实可行的行动指南，为您梳理当下应为智能体AI布局的关键战略举措。正确把握这些核心要素的高管，将赢得更快的适应能力、更深的创新动能，最终实现企业级规模的突破性影响。余者则只能困守于优化昨日的运营模式。 若缺乏适配的技术框架、清晰的数据战略与可靠的执行路线图，多数智能体 AI 投入终将陷于价值孤岛，无法实现企业全域转型。 # 观点 # 高管对未来两年的智能体 AI 给予厚望 高管们对智能体AI的定位，已超越局部改善的“工具属性”，升维至重塑业务的“转型引擎”。未来两年，近四分之三的高管(72%)将智能体AI视为重塑商业模式与行业格局的技术引擎，70%的高管表示，期待其催生全新产品与服务，68%则预见其能实现规模化的客户个性化。 这些宏图背后，是对智能体AI运作方式的清晰构想。高管将多智能体协作视为一项核心能力： - $75\%$ 认为，不同的智能体将分治复杂问题的不同环节，协同生成更完备的解决方案。 - 74% 相信，这些系统能够提供提升决策水平的全面洞察。 - $73\%$ 表示，多智能体系统将实现动态环境的快速适应，持续增强组织韧性。 他们还预见，智能体将快速演进为高度自主且自适应的形态： - $77\%$ 的受访者预计，智能体将通过持续学习不断自我优化。 - 73%期望它们具备内生的责任机制与运行透明度。 - 69%期待它们能在集成化工作流中实现自主决策。 简言之，高管已预见：智能体AI系统将在不远的未来，实现快速学习、协作与适应。这不仅将改变工作范式，更将重构价值创造逻辑。 # 第一部分 # 基石所在：智能体 AI 架构如何支撑多模型协同 智能体AI正重塑企业架构的根本逻辑。传统AI多基于预编程算法，常以单模型驱动的点状解决方案，在孤立场景中执行特定任务。生成式AI基于大型语言模型，需依赖更强大的基础设施来承载多模态（文本、音频、视频）处理能力和更高的算力要求。自主智能体需要根本性的不同：跨模型与模态的动态交互、实时信息交换，以及情境化的任务切换能力。成功的关键在于构建面向协同统筹的架构，让智能体跨平台、跨系统自主协调，实现高度自动化运行。 多数高管虽深知此基石的关键性，然而实际构建仍处于起步阶段。四分之三（76%）认同，构建开放、安全设计的架构，是打造多模态智能体AI生态的前提，其网络效应正来自不同模型和智能体之间的协作与数据共享。超三分之二（69%）的受访者表示，此类架构有助于提升透明度互操作性，并加速创新。然而在互操作性构建与可扩展性落地上，取得实质性进展的组织尚不足三分之一（见图2）。 不同成熟度组织间的技术基础，已呈现显著的阶梯式落差。高度成熟组织中， $89\%$ 已实现多元AI模型的无缝集成；而成熟度最低组织中，这一能力仅覆盖 $58\%$ 。 $85\%$ 的先进组织拥有可扩展的基础设施，以支撑复杂AI工作负载，相比之下，同行中的落后者的实现比例仅 $52\%$ 。这些显著差距，不仅是数字上的差距，更是发展格局的分化：一边已整装待发，另一边却仍困于基础整合。 # 仅少数组织具备智能体AI所需的互操作性与可扩展性架构功能。 图示百分比，代表已高度实现各项互操作性与可扩展功能的组织比例。 图2 # 互操作性能力 采用开放行业标准与开放协议，实现模型与外部数据源间的数据交互 整合并使用第三方AI模型或服务的能力 多样化AI模型的无缝集成与运行 能够灵活调整AI模型或架构而不会造成重大中断 API标准化以提升组件、模型与系统之间的数据互通能力 # 可扩展性能力 高效处理不断增长的模型训练与推理数据量 根据需求变化灵活适应并重新配置AI系统组件 可扩展的基础设施以支持复杂AI模型的计算需求 具备将AI模型在多节点或云环境中复制、部署与分发的能力 投资量子计算、类脑芯片等前沿硬件，以推进可扩展性 37% 30% 31% 25% 23% 28% 29% 28% 23% 12% 当组织同时驾驭自研模型、第三方基础模型与开源方案的多维模型生态时，其架构必须提供以下核心支撑能力： 互操作性与统筹能力。智能体需要跨系统、跨模型流转任务，实现信息共享与行动协同。 $62\%$ 的高管认识到，其架构需构建能够协调数据流动、模型交互与动态任务调动的统筹层；然而， $61\%$ 表示，模型间的无缝集成与顺畅通信仍是当前主要挑战。一个与模型无关的架构，例如基于容器的统筹平台（将模型打包成标准化、可移植的单元），可以支持多种模型类型，并有助于确保多种模型平稳协作、无缝运行。 可扩展性与灵活适配能力。弹性的扩展能力是应对智能体AI多元化工作负载的基石。为提升可扩展性与灵活适配能力， $47\%$ 的高管选择向云平台转型； $44\%$ 通过基础设施评估来系统性弥补能力短板。云与混合架构使计算密集型模型能与轻量模型协同工作，支持新智能体快速集成，并与生态伙伴安全互联，在合规可控与广泛适应之间取得动态平衡，从容应对持续演进的需求。 安全性。高管们一致将数据隐私与安全列为智能体AI的首要挑战，但仅 $38\%$ 在开发到部署的AI全流程中，实现了安全能力的系统化嵌入。安全设计的架构能够保护敏感数据、支撑合规管理，并筑牢自主智能体安全运行的根基。该架构将加密、访问控制与威胁检测能力深度集成至基础设施底层，以便安全防护随着智能体在企业范围内的部署而自动扩展。 可信与透明度。自主决策的实现，必须建立在过程可见与权责清晰的基础之上。73%的高管预计，到2027年，AI代理将有力支撑决策的可问责性和透明度。他们需要能够实时监测智能体行为、记录决策路径，并提供解释自主行动如何及为何发生的审计轨迹的技术架构（详见观点“实时监审体系，筑牢自主决策的信任根基”）。原生透明度的缺失，即便是最复杂的智能体也会退化为难以透视的“黑箱”，持续损耗用户信任并桎梏其规模化落地。 智能体AI时代，架构决定组织规模化速度、创新深度与竞争高度。赢家以战略视野构筑架构：打造安全、开放、灵活的框架体系，将智能体AI试点全面升维为企业级价值引擎。 “为智能体 AI 注入伦理分析，不仅是道德选择，更是对高速、大规模的运转进行的必要校准，避免其与人类根本价值观产生系统性冲突。” 首席技术官，电子产品制造商 # 观点 # 实时监审体系，筑牢自主决策的信任根基 为筑牢智能体AI信任与透明基石，组织须在自主系统构建之初，便植入监测与审计能力。实现自主决策的有效监管，需依赖多项关键技术能力的协同支撑： 实时安全护栏与策略实施。自动化治理系统能够贯通企业全域，执行统一规则与策略，实现非合规行为的实时侦测与即时修复。安全护栏在后台持续运行，既确保自主智能体不越出合规边界，又护航决策流程全速推进。 行为全景记录。自主系统的全量操作轨迹，包括API调用、数据触达与决策激发点，必须完整留存于审计日志，实现全过程可存证、可核验。这一完整路径使团队能够实现决策全链路溯源、异常根因探查，并在合规审查中提供体系化证据。 持续监测与威胁检测。高级监控平台可实时解析自主行为模式，敏锐捕捉异常动态与可疑操作轨迹。结合智能警报系统，此类工具能在风险升级前，主动触发自动化响应或人工干预。 精细化访问控制。身份与访问管理系统，能够精确控制自主智能体的操作权限、操作时间和操作条件。基于角色的权限和动态访问边界有助于确保智能体仅在指定范围内运行，同时适应不断变化的业务需求。 含人工介入节点的工作流统筹。面对高风险决策，统筹平台可通过集成审批流程，在关键操作前强制设置人工审核环节。此类系统在自主运行效率与人工监督之间实现动态平衡，确保关键决策始终处于审慎监管之下。 最终形成一套分层治理体系，结合监测、日志、权限管控与流程统筹，保障自主决策透明可溯、内外合规，从而为企业级智能体AI的规模化部署筑牢信任根基。 # 第二部分 # 能量之源：高质量数据如何实现持续赋能 数据不再仅仅是输入。在智能体 AI 的语境下，数据角色已实现升维：从以往的模式学习与预测输出，跃迁为持续流动的“燃料”，在动态环境中驱动自主化、目标导向的系统行动。智能体需借助与工作流同步的实时数据更新，构建能持续优化决策质量与执行成效的动态反馈闭环。如此持续的循环，赋能智能体动态调适，持续产出高情境化的洞察，从而驱动长效业务影响。 在智能体 AI 时代，数据管理已提升至战略级高度。在自主系统中，数据充当实时经验流的角色，因此其质量、时效性与治理水平对性能的影响，远超传统 AI 或生成式 AI。例如： - 数据失准或不完整可能引发智能体行为失控，例如库存管理智能体会因错误的需求预测，自动触发大规模物料超额采购。 - 数据滞后可能导致智能体行动与实时环境脱节，例如交易智能体依据两分钟前的股票价格执行大额买入，却因未能捕捉瞬时崩盘而触发危险。 - 治理体系的缺失，可能放任智能体在现实世界执行未经授权且不可逆的危险操作，例如触发一系列无法撤销的交易，造成重大财务损失。 组织已筑牢数据根基，聚焦隐私保护、治理机制、可访问性与系统集成，并已成为行业主流实践方向（见图3）。当前的挑战在于推动数据基础向智能体AI时代演进：实现数据更高频流动、更深层联动，以支撑实时学习与自适应的智能体运作。尽管 $60\%$ 的组织表示其实践已面向未来，但唯有将智能体AI的独特性深度融入数据战略，才能把前瞻性转化为实际竞争力。 # 组织已建立坚实的数据管理体系。 图示百分比呈现了高管对各项数据管理主张的认同度。 图3 高成熟度组织已在运营中深度内化此类原则，例如无缝数据集成（占比 $73\%$ ，而成熟度最低的组织仅为 $64\%$ ）。更具说服力的是， $84\%$ 的受访者将有效AI治理视为智能体AI成功的必要条件（较成熟度最低组织的 $65\%$ 形成显著共识差）。 开启智能体AI的数据动能，须聚焦三大战略重点： # 1 灵活驱动型数据治理。在智能体AI时代，数据治理必须支持快速执行。这意味着将规则与控制机制嵌入数据工作流，使合适的智能体能够在无需人工干预的情况下，即时访问其所需的数据，避免人为瓶颈。自动化数据治理能在不牺牲效率的前提下，即时执行质量规则，按角色精准配置访问权限，同步维护动态溯源与智能编目，赋能智能体自主评估数据可信度。 # 2 打破数据孤岛的整合。困于孤岛的结构化与非结构化数据，其价值将不断流失。无缝集成需要两大关键能力：一是自动化数据准备系统，确保跨系统流转时格式统一与质量可控；二是统一访问层，赋能智能体融合交易数据、运营指标、合作伙伴数据、文档及多媒体内容，形成支撑精确决策与个性体验的完整视图。以数据结构与数据湖仓²（即数据湖与数据仓库的结合体）为代表的现代数据集成工具，借助自动化数据准备与统一访问层，助力消融传统数据边界。在IBM IBV另一项专项调研中，仅 $19\%$ 的COO表示，所在组织已构建完善的企业级数据架构组件，并实现跨职能领域的规模化数据集成。³ # 3 支持持续学习的可访问性。数据整合的终极目标，是驱动智能体实现不间断的自我优化。 $77\%$ 的组织期待，AI代理在未来两年内，通过持续学习实现性能提升。但这一进程离不开高速响应、安全防护与反馈闭环的协同保障。真正的可访问性与适应性，意味着实时数据可用性、访问控制中的嵌入式治理，以及闭环系统（智能体结果直接反馈至训练数据集中）。这些能力赋能智能体动态适应环境变化，驱动结果持续优化。 打造智能数据输配系统，以速度为准绳，以可靠为基石，以自适应为导向。掌握持续、可治理数据流的组织，将赋能智能体精准执行、高效学习与成果持续复利增长。若缺乏强大的数据供给体系，智能体AI将动力不足，难以持久运转。 “我们身处快消行业，商品从入仓到出库的平均流转时间仅8-9小时。如何突破决策深度瓶颈？若引入智能体AI驱动物流系统优化，必将开启全新效率纪元。” 首席供应链官，消费品公司 # 案例研究 洛克希德·马丁：以数据为引擎，实现 AI 新跃升<sup>4</sup> 洛克希德·马丁——全球领先航空航天与防务技术企业，从其沉淀深厚却彼此割裂的数据出发，开启了以AI驱动的深刻业务变革。此前，多个独立数据湖与46套分散的数据管理、分析及商业智能系统，使该公司长期陷入数据割据的困境。 借助 IBM 赋能，洛克希德·马丁以一套互联互通、全域可访问的一体化环境，彻底重构了昔日割裂的系统版图。解决方案实现以下成果： 50% 数据与AI工具精简 46 个数据系统和工具被一个集成平台取代 216 项数据目录定义实现自动化 统一可扩展的数据基础建成后，公司得以调用优质数据资源，全面赋能其AI工厂。这一安全AI生态已支撑10000名工程师高效构建、迭代并快速部署大规模AI解决方案。智能体框架与先进的虚拟智能体，推动公司实现复杂工作流的精细管控、人机协作的极简交互，并以流程自动化与持续优化为核心引擎，全面提升运营效能。 # 第三部分 # 动能核心：人机协同如何驱动质效飞跃 智能体AI时代的落地实践，不仅需要新的角色和技能，还要求重新定义业务、人才与智能体的成功标准。近半数 $(45\%)$ 的高管坦言，智能体AI正推动业务目标设定逻辑的深刻进化。原因何在？因为自主智能体不仅推动既有流程的加速，更将开启传统模式无法触及的新可能。未来两年内， $72\%$ 的高管预计，智能体AI将催生新的技术能力，从而重塑商业模式与行业结构。 但仅有目标无法实现真正的影响。人机协同才是核心引擎：它以责任为约束、以自主为驱动，将潜能转化为可量化的卓越绩效。有别于传统AI将人员定位为静态系统监督者的角色，智能体AI在人际协同时才能发挥最大价值：人员以判断力、创造力与监督力锚定战略与价值导向，智能体以高速洞察、规模化执行与实时适应能力驱动系统进化。这种协作具有适应性，可依环境条件、战略优先级与绩效数据灵活调整协作节奏与重心（详见观点：“应用迁移和现代化中的智能体”）。 人机协作已成为高管战略共识。70%的高管认同人机双向学习机制，64%认可人类与多智能体系统协同工作以驱动战略目标的实现。 但实现规模化落地的准备度仍存明显缺口。仅 $42\%$ 的组织着手规模化部署或优化AI相关岗位的人才需求，而在绩效体系与影响评估层面同步推进的组织比例更低，仅为 $37\%$ 。不足半数的组织着手量化智能体AI对组织的实际影响（见图4）。若缺乏这些基础，协作往往止步于良好意愿，难以转化为可衡量的实际成效。 图4 # 展望2027年，预计仍有过半组织尚未启动智能体AI影响系统性评估。 百分比代表计划在2027年前通过具体步骤释放智能体AI最大价值的高管比例。 我们通过KPI追踪AI代理对业务目标的贡献度。 我们为单个AI代理设立独立的绩效评估标准。 我们已构建KPI以量化AI代理对员工的影响。 我们通过KPI持续监测AI代理对客户体验的影响。 我们为AI代理团队设定协同绩效评估体系。 46% 45% 41% 37% 36% “我致力于塑造敏捷的组织架构。随着 AI 的引入，角色的变化不再局限于团队内部，关键利益相关方也需要重新理解并调整自身定位。当企业推动员工广泛采用 AI 时，这一转型实际上正在重构企业的底层基础与运作方式。” 首席运营官，医疗器械与疾病诊断 高效人机协作需遵循以下关键要求： # 结果导向的协同共生 人机协作必须与KPI和业务目标直接挂钩。一旦人与智能体为共同成果负责，所有决策与行动便自然聚焦于价值交付。近半数 $(46\%)$ 的组织已建立起AI代理业务影响的KPI体系。 # 内嵌自主的绩效评估 通过实时监测工作流、体验与成效，可透视价值传递链路，支撑决策灵活调整。这要求建立同步追踪智能体效能与人力价值的双轨度量体系。 $45\%$ 的组织已实现对单个AI代理的精细化绩效度量。 # 信任筑基的伦理对齐 57% 的组织期望员工在 AI 治理体系内工作，以应对伦理挑战。但其伦理 AI 治理框架却是运营体系中的明显短板：仅 $30\%$ 的组织正对其进行规模化建设或持续优化。缺乏体系化的 AI 治理框架，已成为其落地智能体 AI 的第二大阻力。信任建立在清晰的角色分工之上。人员设定伦理边界并监督智能体行为，智能体则在既定参数内自主运行，并在遇到伦理困境时触发人工审核流程。组织须优先构建治理控制体系，既约束智能体权限边界，也赋能人才识别与应对伦理事件的能力。 # 支持统筹的组织就绪 赋能员工以引导、优化智能体并实现人机互学，是组织的核心要务。高管对此已有清晰认识。 $71\%$ 的高管表示，正持续优化人机协作关系。 $70\%$ 表示，在高度复杂、影响重大的决策中，人类始终参与其中。随着智能体的持续进化与职能拓展，要求组织建立迭代式变革管理体系，避免一次性转型思维。角色定位、流程设计和治理框架需与智能体能力动态同步进化，持续校准权责边界、监督效力与协同效能，使之始终服务于业务目标。 高成熟度组织对人机关系的管理展现出更强的体系化布局。以批判性思维为例， $77\%$ 的先进组织系统化保障并重视员工的思维价值（显著高于低成熟度组织的 $66\%$ ）。虽然这种有意识的策略提升了应用深度与信任度，但即便在先进组织中，针对智能体成效、及其对员工、客户和合作伙伴影响的量化指标体系构建仍显滞后。聚焦结果导向的协作体系、实时效能度量与专业化支撑团队的组织，可将智能体AI从技术潜力转化为持续增值的竞争壁垒。 # 观点 # 应用迁移和现代化中的智能体 AI 智能体AI通过人员与专业智能体的闭环协同，可大幅加速复杂应用迁移与现代化进程。此类工作流中，智能体以高速规模化能力承担发现、分析、配置及测试任务，人员则在需价值判断与专业经验的环节行使监督权、实施治理并提供关键决策输入。 这种混合模式在降低人工负荷与操作风险的同时，最终交付的是性能卓越、可扩展性强且可持续演进的现代化系统。 # 示例：数据库向云平台迁移 一种常见的现代化进程，是将数据库从本地迁移到基于云的平台，例如将 PostgreSQL 迁移至托管云服务。 # 洞察规划 人员定义目标并提供凭证等关键信息输入，智能体则执行状态捕捉、目标环境评估及兼容性与依赖关系识别。 # 迁移执行 智能体执行迁移工具与流程部署、结构转换及变更就绪管理，人员审批数据迁移与核对等关键节点。 # 方案构建 智能体负责生成修复方案、配置目标环境并部署证书、防火墙与权限体系，关键节点由人员提供支持。 # 上线验证 智能体运行完整性及性能测试，人员则审批并批准测试结果。 人机分工使组织能以更高速度、更精准度执行迁移，并自然嵌入治理框架。 # 总结 # 先行者定义行业速度 各组织正将资源密集投向智能体AI建设，以实现生产力跃升、运营提效与体验升级，最终转化为可持续的营收与盈利增长。我们的分析表明，运营成熟度更高的组织，已实现更显著的创新突破与客户联结，其应对未来转型的韧性也明显更强。四分之三的组织期待智能体AI驱动能力创新、重塑商业模式，而低成熟度群体中持此愿景者仅占 $64\%$ ，显著认知差距显露。 先行者正通过战略决策巩固其智能体AI规模化能力——明确何时推进、何时蓄力、何时协作。其领导力也被证实是关键牵引力量。高成熟度组织中， $80\%$ 表示，领导层将AI列为战略核心（低成熟度仅 $64\%$ ）， $78\%$ 实现核心管理层对AI愿景的战略共塑， $78\%$ 具备可衡量的AI成功路径与评估标准。 这些先进组织已构建持续领跑势能。在智能体 AI 时代，它们将更快适应、深度创新、高强度竞争，实现一轮又一轮的迭代领先。其余组织需从专注优化转向以全新的决心和速度重构其 AI 引擎。 # 行动指南 # 愿景量化，成效可期 智能体AI运营模型的成熟化建设无需骤变，而应通过聚焦且连贯的步骤，持续夯实架构根基、数据战略与人机协同体系。以下行动指南可帮助您在短期内取得进展。 # 1 # 构建智能体AI架构 首先评估您当前架构在可扩展性、互操作性和安全性方面的差距。 - 依托现有云或混合架构，系统性规划智能体运行位置、数据需求及跨环境连接路径。扩展并集成现有能力——例如，将API网关或容器统筹与智能体专用通信框架和消息层相结合，以实现可扩展性。 - 选择单一业务流或领域，运行小规模协同统筹试点，验证跨智能体与模型的任务调度、数据互通及绩效追踪工具。总结经验并跨领域规模化推广。 - 以现有企业安全框架为基础，推动安全与合规能力向智能体工作流渗透演进。构建智能体身份识别与认知体系，设计基于角色的数据访问策略，实现自动化审计日志的全程覆盖。 仅 $38\%$ 的组织在开发到部署的 AI 全流程中，系统化嵌入安全能力。 # 2 # 构建智能体间持续流动的数据生态 对数据治理框架开展快速审计，识别阻碍高质量数据访问的瓶颈。 - 锁定优先场景中支撑智能体决策的核心高价值数据源，构建统一融合的数据支撑体系。 - 采用流式传输或API集成技术，为试点工作提供实时或近实时数据访问能力，保障智能体响应时效。 - 建立闭环反馈流程，自动捕获智能体行动结果，并用于重新训练或微调模型，支持持续学习。 # 3 # 重塑员工与智能体的价值坐标 制定或更新关键绩效指标(KPI)，以衡量人机协作的成果。 - 针对试点工作流，重构KPI，同步量化员工与智能体的协同价值。纳入准确性、决策灵活度与自适应能力的多维度度量体系。 - 构建人机协同规则框架，明确决策权归属、任务交接机制与持续监督模式。 - 基于现有分析监控工具构建自主性监控体系，结合工作流影响反馈实现智能体活动实时追踪与异常预警。 45% 的高管坦言，智能体 AI 正推动业务目标设定逻辑的深刻进化。 # 关于作者 # Vamsi Yanamadala 全球合作伙伴解决方案架构负责人 AWS linkedin.com/in/vamsi-yanamadala/ # Amit Chowdhury 全球人工智能/机器学习解决方案架构负责人 AWS LinkedIn.com/in/amit-chowdhury-b2104520/ # Francesco Brenna 人工智能全球副总裁兼高级合作人 IBM Consulting LinkedIn.com/in/francesco-brenna/ # Rabeela Janorious 全球首席技术官，AI集成服务 IBM杰出工程师 IBM Consulting LinkedIn.com/in/rabeela-janorious-04bb5417/ # Karen Butner AI自动化与数字化运营全球研究负责人， IBM商业价值研究院 LinkedIn.com/in/karenvbutner Vamsi深耕企业级SAP与ERP系统领域逾15年，主导并参与从架构设计、开发实施到质量保障的全周期体系建设。他主导技术架构从实施、测试到长期运维的全周期开发与支持体系。 Amit 作为资深技术领袖，深耕行业 25 载，主导 AI/ML 变革性计划，通过构建端到端技术战略为全球企业客户驱动跨行业可量化的商业价值，重塑企业 AI 战略与落地的范式。他领航 AI/ML/生成式 AI 及数据分析平台的解决方案架构设计，驱动技术转型与现代化进程，为千万美元级业务体系提供核心支撑。 Francesco致力于推动生成式AI与智能体AI的落地，赋能全球组织加速创新进程、提升运营智慧度，在瞬息万变的数字浪潮中构筑前瞻竞争力。 Rabeela主导IBM Consulting®全球AI与AI转型技术战略，通过制定与落地AI解决方案技术战略，赋能全球客户在AI及智能体AI转型中稳步前行，同时敏锐捕捉AI驱动的创新机遇，持续转化可衡量的商业价值。 Karen致力于人工智能、自动化及数字化运营的数据研究与思想领导力，通过系统性洞察输出，赋能全球商业领袖把握行业动向、新兴技术与变革先机，驱动战略落地。 # 特别感谢 A B Vijay Kumar IBM Fellow，副总裁，首席发明家，首席技术官， IBM Consulting Delivery Shiva Bayati 全球AI集成服务产品线亚太区负责人(AWS), IBM Consulting Tom Utiger 全球AI集成服务产品， IBM Consulting # IBM 商业价值研究院： Heba Nashaat 数据和内容管理经理 Steve Ballou 研究中心总监 Kathleen Martin 高级管理顾问 Sara Aboulhosn 副创意总监 Angela Finley 设计主管 Joanna Wilkins 编辑主管 1,000 位高级技术与业务高管 11 个国家/地区 17 个行业 25% 北美 9% 拉丁美洲 10% 英国 15% 欧洲 8% 中东和非洲 7% 中国 7% 日本 6% 印度 4% 新加坡 5% 澳大利亚 # 研究方法 IBM商业价值研究所 (IBM IBV) 与牛津经济研究院携手合作，对 1000 名高级技术与业务高管展开了全面调研。抽样框架旨在从 17 个主要行业的大型企业中获取均衡视角，涵盖零售与企业银行 (8%)、联邦政府 (8%) 及电信行业 (7%)。受访机构规模庞大，平均拥有 27000 名全职员工，年收入中位数为 28 亿美元。 # 分析方法：三维成熟度评估 为评估组织对智能体AI的准备程度，我们构建了一个综合的三维成熟度指数。这项整体评估基于三个关键领域的加权平均值： - AI架构与统筹 $(40\%)$ ，用于衡量组织的技术基础架构。评估唯独包括开放标准、动态模型统筹以及可扩展且安全的基础设施。 - 数据流与治理 (25%), 评估数据管理框架、质量、可访问性及面向未来的实践。 - 人机协作与运营模式 (35%), 涵盖人员与 AI 系统之间角色演变、战略协同、治理机制及绩效监控等方面的内容。 基于整体加权评分，根据各组织结果的经验分布，将其划分为三个不同的绩效层级。排名后 $25\%$ 的组织代表那些能力有限的企业。中间 $50\%$ 的组织正积极构建并实施基础系统。排名前 $25\%$ 的组织在智能体AI举措中实现了高度的战略整合与运营成熟度。 # 关于研究洞察 研究洞察致力于为业务高管就公共和私营领域的关键问题提供基于事实的战略洞察。洞察根据对自身主要研究调查的分析结果得出。要了解更多信息，请联系IBM商业价值研究院：iibv@us.ibm.com。 # IBM Institute for Business Value IBM 商业价值研究院 (IBM IBV) 创立二十年来，我们提供有研究支持和技术支持的战略洞察，帮助领导者做出更明智的业务决策。 凭借我们在商业、技术和社会交叉领域的独特地位，IBV每年都会针对成千上万高管、消费者和专家展开调研、访谈和互动，将他们的观点综合成可信赖的、振奋人心和切实可行的洞察。 # 选对合作伙伴，驾驭多变的世界 在IBM，我们积极与客户协作，运用业务洞察和先进的研究方法与技术，帮助他们在瞬息万变的商业环境中保持独特的竞争优势。 # 关于 IBM 与 AWS 在智能体 AI 领域的合作伙伴关系 AWS与IBM携手合作，共同连接并部署企业规模化应用智能体AI所需的基础设施、软件和专业能力。IBM与AWS深度融合可信的专业积淀与关键集成能力，推出一套覆盖混合云、AI、数据与自动化的全域解决方案（现已通过AWS Marketplace落地90余国），赋能全球组织精准捕捉智能体AI释放的战略机遇。 # 相关报告 Agentic AI's strategic ascent: Shifting operations from incremental gains to net-new impact IBM商业价值研究院。2025年10月。 https://ibm.biz/agentic-ai-ops 协同AI智能体，实现智能业务运营 IBM商业价值研究院。2025年6月。 https://www.ibm.com/cn-zh/services/insights/ generative-ai COO披荆斩棘：五大战略破局，重塑企业动能 IBM商业价值研究院。2025年8月。 https://www.ibm.com/cn-zh/services/insights/ c-suite-coo-2025 # 订阅 IdeaWatch 电子月刊 前沿洞察，触手可及。 由 IBM 商业价值研究院倾力呈现。IBM 商业价值研究院连续两年荣膺 Source Global Research “思想领导力质量” 榜首。 基于深度研究的战略洞察、数据与分析，助您优化商业决策，智胜科技投资。 立即订阅：ibm.co/ideawatch # 备注和参考资料 1 Brenna, Francesco, Karen Butner, Manish Goyal, Anant Patel, Federico Torreti, and Shobhit Varshney. Agentic AI's strategic ascent: Shifting operations from incremental gains to net-new impact. IBM Institute for Business Value. October 10, 2025. https://ibm.biz/agentic-ai-ops 2 "What is a data lakehouse?" IBM Think website. Accessed October 28, 2025. https://www.ibm.com/think/topics/data-lakehouse 3 2025 Global C-suite Series. The intrepid COO: 5 strategies to shatter enterprise inertia. IBM Institute for Business. Value. August 28, 2025. https://ibm.biz/2025-coo 4 "A new era of AI takes off for Lockheed Martin." IBM case study. Accessed November 5, 2025. https:// www.ibm.com/case-studies/lockheed-martin 5 Ganookar, Vikas, Kannu Malik Seth, Roopali Anand Thapar, and Abhijeet Deshpande. "Reimagining the application migration and modernization value-chain: The agentic way." IBM Think website. Accessed October 28, 2025. https://www.ibm.com/think/insights/reimagining-application-modernization-migration-agentic 国际商业机器（中国）有限公司 北京市朝阳区金和东路20号院3号楼 正大中心南塔12层 邮编：100020 美国出品|2026年1月 IBM、IBM徽标、ibm.com和IBM Research是International Business Machines Corporation在世界各地司法辖区的注册商标。其他产品和服务名称可能是IBM或其他公司的商标。以下Web站点上的“Copyright and trademark information”部分中包含了IBM商标的最新列表：ibm.com/legal/copytrade.shtml。 本文档为自最初公布日期起的最新版本，IBM可能随时对其进行更改。IBM并不一定在开展业务的所有国家或地区提供所有产品或服务。 本文档内的信息“按现状”提供，不附有任何种类的（无论是明示的还是默示的）保证，包括不附有关于适销性、适用于某种特定用途的任何保证以及非侵权的任何保证或条件。IBM产品根据其提供时所依据的协议条款和条件获得保证。 本报告的目的仅为提供通用指南。它并不旨在代替详尽的研究或专业判断依据。由于使用本出版物对任何企业或个人所造成的损失，IBM概不负责。 本文所引案例仅供演示说明，不构成实际业务承诺。实际效果因客户配置与运营条件而异，故无法提供普适性成果承诺。 扫码关注 IBM 商业价值研究院 官网 微博 微信公众号