麦肯锡：什么是AI代理？

什么是AI代理？

AI代理是一种软件组件，具备代表用户或系统自主执行任务的能力。用户可将多个代理整合为系统，以协调复杂的工作流程、协同管理各代理间的活动、运用逻辑推理解决复杂问题，并评估用户查询的响应。

如果你曾与客户服务聊天机器人互动，或要求生成式AI模型创作一首十四行诗，那么你已经接触到AI代理的基础形式。若你察觉自ChatGPT推动生成式AI成为主流以来，其性能显著提升，你的观察并无偏差。

尽管AI代理的概念已存在多年，但当前生成式AI模型的自然语言处理能力开启了全新可能性，使代理系统能够规划任务、协作执行、完成目标，甚至通过学习持续优化自身表现。随着代理准确性的不断提升，企业可进一步利用它们自动化组织流程，从而显著提高员工日常工作效率。

麦肯锡高级合伙人Lari Hämäläinen表示：“生成式AI的开发速度极快。如今，人机协同的成果能够显著提升质量和生产力。”近期在短期和长期记忆结构方面的进展，使AI代理能够更好地个性化与外部和内部用户的交互，这意味着它们在执行任何任务时都能迅速改进。

展望未来，AI代理的性能将进一步提升。简言之，AI代理正从“思考”迈向“行动”。在过去18个月中，谷歌、微软、OpenAI等公司已投资于支持代理功能的软件库和框架。借助大型语言模型（LLM）驱动的应用，例如微软Copilot、亚马逊Q以及谷歌即将推出的Project Astra，AI代理正从基于知识的工具转变为更注重行动的工具。在不久的将来，AI代理可能变得像今天的移动应用程序一样普遍。

AI代理的类型有哪些？

AI代理可根据其能力、角色、技能以及训练目标进行分类。以下是当前正在开发的一些AI代理类型的非详尽列表：

个人增强型代理（“副驾驶”代理）

这些代理作为个人用户的“副驾驶”（copilot），旨在增强用户的生产力和能力。例如，微软365 Copilot和OpenAI的ChatGPT能够协助起草内容、编写代码或检索知识。在某些情况下，副驾驶代理可定制为适应用户特定工作流程的“智能”助手。当然，此类代理的效果取决于每个用户自身的动力和投入。

工作流程自动化平台

此类代理专注于自动化单一或多步骤任务，或小型工作流程，作为AI驱动的流程编排和执行工具，服务于现有工作流程。例如，微软的Copilot Studio和Salesforce正在开发的Agentforce。由于这些代理主要应用于现有流程，其成功依赖于实施、变革管理和代理管理的重大努力。

生成式AI原生代理（面向特定场景）

这些代理是为特定业务场景或功能量身定制的解决方案。例如，AI驱动的客户服务系统或AI赋能的软件开发流水线。与传统AI代理将AI叠加到现有角色或工作流程不同，生成式AI原生代理以AI为核心重新构想特定领域。

AI原生企业和运营模式

这些代理被融入企业的整体运营模式，而非仅应用于单个工作流程或功能。在这种情况下，企业将进行端到端的AI优先重设计，涵盖交互层、流程、组织结构甚至商业模式。企业在数字化转型初期经历过类似规模的变革，AI可能会带来同样的影响。

AI虚拟员工

AI虚拟员工是作为员工或团队成员运作的代理，是最具颠覆性潜力的类别。这些虚拟员工可使企业无需进行全面组织转型，即可通过AI在现有模式内运作，从而更快地捕捉价值。

这些AI代理并非互斥。许多组织将混合应用，例如在推出个人AI副驾驶的同时，自动化特定工作流程并试点一些虚拟员工。

AI代理如何运作？

AI代理能够支持跨行业和业务功能的复杂且模糊的应用场景。它们既可使用为人类设计的工具（如网页浏览器），也可使用为计算机设计的工具（如API）。这种双重能力使AI代理能够在不显著修改技术架构的情况下，灵活地在组织内外部的技术架构中运作。

AI代理的运作过程通常包括以下四个步骤（见图1）：

1. 用户向代理系统分配任务

AI代理自主规划并推导实现任务的方法。

2. 代理系统规划、分配并执行工作

AI代理系统将工作流程分解为任务和子任务，由管理代理分配给其他专业化子代理。这些专业代理利用过往经验和学习到的领域专长，相互协调，结合组织内外部数据执行任务。

3. 代理系统可能迭代改进输出

代理系统可能请求用户提供额外输入以确保输出的准确性和相关性。交付最终输出后，代理系统可能请求用户反馈。

4. 代理执行行动

代理执行完成任务所需的任何必要行动。

任何AI代理的部署都应包含一系列控制机制。例如，建设性反馈循环使代理能够审视和优化其工作。AI代理还可被编程为自我学习解决问题，或将问题升级至人类管理者。代理之间的协作也可提升效果：批评专家代理可审查创建者代理制定的计划并要求迭代，从而生成更优质的输出。某些AI代理甚至可直接向管理者提问。组织还可开发专门的代理，基于伦理和偏见考量自动测试和纠正其他代理的输出。

AI代理与大型语言模型（LLM）的关系是什么？

AI代理与不同的AI模型协同工作以完成任务。当用于与人类沟通时，AI代理通常依托具备自然语言处理能力的大型语言模型（LLM）。以自动驾驶汽车为例，其运行依赖一系列代理与多种AI模型协作。负责理解用户目的地需求的AI代理可能使用LLM，而负责确保车辆安全左转的代理则会使用高度专业化的设计模型，而非LLM，以处理特定类型的决策。

AI代理如何影响业务增长？

麦肯锡估计，长期来看，生成式AI的企业应用场景每年可创造高达4.4万亿美元的价值。然而，除非组织能够迅速实施AI以重新构想和转型工作方式，否则无法将这一潜力转化为业务增长和更高的生产力。AI代理能够以更快、更好、更低成本的方式挖掘这一巨大价值，优于其他传统技术。

生成式AI的价值不仅限于常见工作任务的自动化。麦肯锡预测，组织可部署AI代理以重新构想流程并现代化其IT基础设施。这包括从切换到更易用的编程语言、过渡到功能更强大的现代框架，到重构系统以实现模块化，以及将应用程序迁移到成本更低的云计算环境。技术领导者可利用多个专业化的AI代理，每个代理拥有独特的角色和专长，协作处理复杂任务，并通过人类反馈实时迭代。然而，真正的价值来自于协调代理完成离散任务以及整个软件开发流程。

一些行业已常规部署AI代理。例如，客户服务机器人已成为许多面向客户的网站的标准配置。根据麦肯锡对生成式AI经济潜力的研究，使用生成式AI赋能的客户服务代理使问题解决效率每小时提升14%，处理问题的时间减少9%。麦肯锡高级合伙人Jorge Amar表示：“随着时间推移，我预计生成式AI代理将提升客户满意度并创造收入。它们在销售新服务或满足更广泛需求方面将至关重要。这将为企业提供更多客户体验选择，例如以高接触的人工代理交互作为高端服务。”

更广泛而言，生成式AI赋能的代理可在三个重要方面促进复杂应用场景的自动化：

代理能更轻松应对不可预测情况

基于规则的系统在面对规则设计者未预料的情景时往往失效。相比之下，生成式AI代理系统因基于训练于大规模非结构化数据集的基础模型构建，能够实时适应多种场景并执行专业化任务。

代理系统可用自然语言指令引导

自然语言处理使用户能够以前所未有的速度和便捷性编码复杂工作流程。使用自然语言处理编码的生成式AI代理，使更广泛的员工群体无需专门编程或协调大型IT项目，即可设想并使用AI工具实现成果。

代理可与现有软件工具和平台协同工作

生成式AI代理运行于基础模型，使其能够使用工具并在更广泛的数字生态系统中通信。若无基础模型，这些功能需大量手动工作来集成系统或整理不同系统的输出。代理可显著减少跨系统集成的重复工作量。

此外，麦肯锡合伙人Aaron Bawcom指出：“当代理协同工作时，其能力会因环境反应而复合增长。它们可能发展出未明确编程的意外行为和技能，整体效果超越各部分之和。这就是所谓的‘涌现式AI’。”

企业使用AI代理的真实案例是什么？

联想已在软件工程和客户支持两个主要业务领域部署了AI代理。联想解决方案与服务集团首席技术官胡贯中（Arthur Hu）表示，软件工程师已实现高达15%的效率提升。公司首席运营官兼战略负责人姚琳达（Linda Yao）补充道，客户服务领域的通话处理时间生产率实现了两位数的增长。

迄今为止，联想已优化生成式AI代理作为虚拟助手。未来，姚设想AI代理作为人类的“副手”，独立完成任务。

AI代理的其他企业应用场景有哪些？

以下是三个假设性应用场景，展示AI代理未来的潜在应用：

贷款审批

由多个专业化代理组成的AI代理系统可处理广泛的信用风险场景。过去，这通常是一个耗时且高度协作的过程，涉及收集、分析和审查与借款人、贷款类型及其他变量相关的各种信息。

代码文档化和现代化

大型企业的传统软件应用程序和系统常带来安全风险并减缓业务创新步伐。AI代理可助力简化这些系统的现代化进程。例如，企业可部署一个专精于传统软件的代理分析旧代码，同时另一个质量保证代理审查文档并迭代优化AI输出，以确保准确性和符合组织标准。

在线营销活动

设计、启动和运行在线营销活动是一个复杂且多层次的过程，涉及众多人员。单一的AI代理系统可基于公司营销专业人员的输入，开发、测试和迭代活动创意。随后，数字营销代理可收集洞察以制定策略和文案，而设计代理则可打造定制化内容。

组织在采用AI代理时面临哪些障碍？

麦肯锡合伙人Nicolai von Bismarck表示，构建信任是采用AI代理技术的一大障碍：“我们发现，各类年龄段的客户——甚至Z世代——仍倾向于通过实时电话交谈获得客户帮助和支持。”他继续指出，一家银行通过创建检查AI代理错误或“幻觉”的架构，在答案与客户共享前减少错误响应，从而建立信任。

麦肯锡合伙人Roger Roberts表示：“从AI中获得最大价值的企业将是那些与其客户、员工和利益相关者建立信任的企业。人们必须足够信任AI以移交任务。企业的伦理决策必须植根于每个组织独特的价值观以及以人为中心的AI生态系统的社会价值观。”

另一个挑战是，麦肯锡高级合伙人Amar指出，组织在扩展AI代理时需进行变革管理。他表示：“这远不止推出新工具那么简单。企业需要重新调整职能运作方式，以充分发挥生成式AI代理的价值。”

这种调整包括采用新技术，并对现有技术进行优化，使其与基于机器学习和生成式AI的工具更好协作。组织还应调整运营模式，支持小团队迭代开发新服务。此外，领导者应设立激励机制，帮助员工学习使用并信任新工具。

最后，麦肯锡合伙人Bawcom表示：“数据保护是领导者在部署AI代理时的主要关切。”追求AI代理计划的企业应谨慎实施安全、运营和数据的适当控制措施。目前有多种不断演进的解决方案，包括现成的和定制的。

AI代理如何改变组织的科技架构？

AI代理的激增可能改变组织运行技术项目的方式。麦肯锡预计，IT架构将从传统的以应用程序为中心模式转向新的多代理模型。在这种架构中，技术领导者管理多达数千个相互通信的代理，以及与人类和外部程序的交互，以实现共同目标。

以下是技术领导者在其当前环境中部署代理的三种方式（见图2）：

超级平台（Super platforms）

这是下一代第三方商业应用程序，例如协作工具或客户关系管理（CRM）程序，内置生成式AI代理。例如，用户可部署CRM超级平台运行销售报告，同时自动与公司的分析工具通信。过去，这需要针对特定应用场景的编程。

AI封装器（AI wrappers）

这些工具使企业服务能够通过API与第三方服务通信和协作，而不暴露公司专有数据。例如，一家银行可围绕内部开发的AI驱动信用风险模型构建生成式AI赋能的封装器。该AI封装器可启动行动，例如请求供应商的LLM基于客户数据和信用评分生成风险因子，而不向供应商或LLM透露数据。

定制AI代理（Custom AI agents）

员工可通过微调预训练LLM或使用检索增强生成（RAG）访问公司专有数据，开发定制的生成式AI赋能代理。例如，在客户服务场景中，员工可将现有模型与客户数据、呼叫中心记录和公司政策结合，创建生成式AI代理，协助呼叫中心员工回答客户问题。

组织需调整其IT架构，以更好地服务于这些以代理为中心的工作流程，并支持持续迭代和改进。

组织实施AI代理的步骤有哪些？

领导者可聚焦以下三个关键领域：

审慎评估耗时长、涉及人员多的技术提案

这意味着审视所有大型提案，评估生成式AI如何降低成本并缩短时间线。领导者应对声称融入生成式AI能力的提案尤为审慎，因为这些能力的价值潜力可能有限或仅为辅助性。

聚焦核心问题

小规模举措通常仅带来小规模成果。因此，企业应识别最重大且复杂的技术问题——那些成本高昂、时间跨度长达数年、导致严重技术债务的问题——并集中利用生成式AI解决这些问题。

提前应对人才、技术及运营模式的变革影响

随着多代理模式的扩展，领导者需理解并规划其业务影响。这包括重新思考人才战略和再培训计划，相应调整运营模式，以及重新评估运营和资本支出。

AI代理的演进才刚刚起步，未来仍有诸多经验教训和发现等待探索。AI代理领域的许多工作正从实验室走向全面应用。AI代理为重新构想各行业和规模的组织内人员工作方式提供了全新能力。

参考资料：McKinsey & Company. (2025, March 25). What is an AI agent? https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-an-ai-agent

本文转载自​​Andy730​​，作者：常华