The change agent: Goals, decisions, and implications for CEOs in the agentic age
作者：Alex Singla, Alexander Sukharevsky, Lari H?m?l?inen 等?發(fā)布時間：2025年10月
核心摘要： 企業(yè)正感受到AI自主智能體（Agentic AI）帶來的成長陣痛。以下是 CEO 們如何帶領企業(yè)度過這些陣痛并定位成功的方法。
高管們喜歡引用冰球巨星韋恩·格雷茨基（Wayne Gretzky）的一句名言：“我滑向冰球將要到達的地方，而不是它已經在的地方。”在某種層面上，這是合理的商業(yè)建議。但隨著AI智能體的迅速演進，那個“冰球”移動的速度比以往任何時候都要快得多。
當 CEO 及其高管團隊還在努力從早期的生成式 AI（gen AI）投資中看到底線價值時，呼吁“行動得更快”似乎有些不合時宜。開發(fā)和擴展生成式 AI 用例已被證明充滿挫折與挑戰(zhàn)。一些高管仍未確信 AI 智能體將產生重大影響——至少在短期內如此——并已縮減了投資。
隨著 CEO 們在不確定性中前行，值得承認的是正在發(fā)生的變革的速度和潛在范圍。AI 智能體——這種利用生成式 AI 構建的軟件系統(tǒng)，具備規(guī)劃、行動、記憶和學習能力以自主實現預定結果——正在快速演進。隨著它們的成熟，可能會徹底改變公司的運營方式及其創(chuàng)造價值的方式（見側欄“塑造生成式 AI 和智能體的關鍵趨勢”）。實際上，正如 Gartner 的 John Lovelock 最近所稱的這段“幻滅低谷期”，正是高管們超越競爭對手的良機。
CEO 如何管理這一變革將決定他們能多好地捕獲收益。盡管 AI 智能體仍處于起步階段，但早期的經驗教訓凸顯了四種心態(tài)和行動，可以讓 CEO 處于有利地位：
重新構想可能性 (Reimagine what's possible)。如今關于AI自主智能體（Agentic AI）的許多思考仍集中在自動化基本任務或增強知識上。然而，真正的勝利將來自更大膽的愿景：重新架構工作流，以及圍繞“智能體優(yōu)先（agent-first）”系統(tǒng)構建的組織。
緊迫行動并開始學習 (Actwith urgency and start the learning)。生成式 AI 智能體的快速改進率意味著觀望態(tài)度可能是一種高風險舉動。早期的實踐學習對于在技術成熟時迅速建立競爭優(yōu)勢至關重要。
現在就解決規(guī)模和長期競爭力問題 (Tackle scale and long-term competitiveness issues now)。圍繞技術、信任、治理、購買與自建、能力和人才的關鍵決策對于推動更廣泛的轉型至關重要。在實驗的同時，應盡快形成戰(zhàn)略并開發(fā)擴展能力，因為由于人才稀缺和組織復雜性，執(zhí)行所需的時間將比預期的更長。
讓每個人都成為智能體領導者 (Turn everyone into an agent?leader)。隨著智能體和智能體系統(tǒng)接管更多的執(zhí)行工作，組織中的每個人都需要培養(yǎng)智能體領導和監(jiān)督技能。高管團隊尤其需要以身作則，倡導學習及工作習慣的演變。
盡管仍有許多未知數，但在智能體時代將需要對企業(yè)的運營、創(chuàng)新及保護價值創(chuàng)造源泉的方式進行根本性的重新布線。本文將重點關注企業(yè) CEO 應解決的幾個與價值、規(guī)模和人才相關的最重要要素。我們將勾勒出一個假設的兩年智能體旅程可能是什么樣的，CEO 應該考慮哪些類型的決策，以及這對公司運營可能產生的重大影響。
（Key trends shaping gen AI and agents 塑造生成式 AI 和智能體的主要趨勢
AI agents are becoming more human-like in the kinds of tasks they can do and the way people interact with them. These features democratize AI in a way prior technologies haven’t and underscore agents’ potential to affect a broad set of activities. The increasing possibilities of gen AI—the foundational capability that enables AI agents—are fueled by four mutually reinforcing trends: AI智能體在能完成的任務類型和人們與它們互動的方式上，變得越來越像人類。這些特性以以往技術未能實現的方式使人工智能民主化，并凸顯了智能體影響廣泛活動的潛力。生成式人工智能——支撐AI自主智能體的基礎能力——日益增長的可能性，由四個相互強化的趨勢推動：
An acceleration in innovation pace.?Only two new-frontier large language models (LLMs) were announced in 2020;by 2025, the number is in the dozens, even hundreds, depending on counting methodologies.Similarly, the number of new large-scale AI models has grown by 167 percent per year since 2020.The length of tasks AI agents can do (with at least a 50 percent success rate) has been doubling every seven months.At the time of writing, it has been reported that Anthropic’s Claude Opus 4 can complete almost as much work as a human can in a day, while a multiagent system outperformed a single-agent Claude Opus 4 by more than 90 percent. 創(chuàng)新步伐加快。2020 年僅宣布了兩種新前沿大型語言模型（LLM）;到 2025 年，這一數字根據統(tǒng)計方法不同，已達到數百。( 例如 ) 同樣，自 2020 年以來，新的大型 AI 模型數量每年增長 167%。AI 智能體能完成的任務長度（成功率至少為 50%）每七個月翻一番。截至撰寫本文時，Anthropic 的 Claude Opus 4 幾乎能完成與人類一天相當的工作量，而多智能體系統(tǒng)的性能則比單智能體的 Claude Opus 4 高出 90%以上。
Large growth in spend and investments.?The compute used to train state-of-the-art models has been growing roughly four to five times per year. The top three hyperscalers collectively plan to invest more than $250 billion in 2025 on AI and data centers, and in 2023, businesses spent about $15 billion on gen AI solutions, representing roughly 2 percent of the global enterprise software market.支出和投資大幅增長。?用于訓練最先進模型的計算量每年大約增長四到五次。 三大超大規(guī)模企業(yè)計劃在 2025 年投資超過 2500 億美元于人工智能和數據中心，2023 年，企業(yè)在生成式人工智能解決方案上的投資約為 150 億美元，約占全球企業(yè)軟件市場的 2%。
Sharp gains in model training and inferencing efficiency.?Breakthroughs in architecture and optimization have driven training costs down significantly for a given capability. The inference costs for ChatGPT 3.5 dropped more than 280 times between November 2022 and October 2024. The cost per million input tokens, for example, has decreased about ten times, from about $36.00 in March 2023 to about $3.50 in August 2024. For some models, the cost is less than $1.00. 模型訓練和推理效率大幅提升。?架構和優(yōu)化的突破顯著降低了特定能力的訓練成本。ChatGPT 3.5 的推理成本在 2022 年 11 月至 2024 年 10 月間下降了 280 多倍。 例如，每百萬輸入代幣的成本下降了大約十倍，從 2023 年 3 月的約 36 美元降至 2024 年 8 月的約 3.50 美元。 有些型號的價格低于 1.00 美元。【DeepSeeK把 推理成本280× 再往下壓 10×】
Breakthroughs in model and system capabilities.?New reasoning models deploy “test time compute” thinking during inference (“system-2 thinking”); standardized tool-calling interfaces, such as Anthropic’s Model Context Protocol (MCP), let models invoke enterprise APIs safely; vastly larger and more precise short- and long-term memory structures improve both the recall breadth and precision; multiagent orchestration frameworks (for example, LangGraph, AutoGen) enable specialized agents to delegate, monitor, and reconcile their work; and early agent-to-agent protocols (for example, A2A, created by Google and recently donated to the Linux Foundation to maintain as an open-source project) point to a future where agents autonomously discover peers, negotiate roles, and execute workflows. 模型和系統(tǒng)能力的突破。?新的推理模型在推理過程中采用“測試時間計算”思維（“系統(tǒng)二思維”）;標準化的工具調用接口，如 Anthropic 的模型上下文協(xié)議（MCP），使模型能夠安全地調用企業(yè) API;更大、更精確的短期和長期記憶結構提升了回憶的廣度和精確度;多智能體編排框架（例如 LangGraph、AutoGen）使專業(yè)智能體能夠委托、監(jiān)控和對賬其工作;早期的智能體間協(xié)議（例如由谷歌創(chuàng)建并最近捐贈給 Linux 基金會以開源項目維護的 A2A）預示著自主智能體發(fā)現對等體、協(xié)商角色和執(zhí)行工作流的未來。）
Are agents worth it?
關于 AI 智能體價值的說法充斥著互聯網。但由于該技術仍如此之新，這些說法很難驗證。然而，早期的實施表明存在巨大的價值。我們在現代化技術資產方面的經驗表明，利用 AI 智能體可以加快 40% 到 50% 的時間線，降低 40% 以上的成本，同時提高產出質量。
在另一個案例中，一家領先的綜合銀行面臨著交付大量 IT 項目以推動業(yè)務成果的重大挑戰(zhàn)，同時還要管理巨額的技術債務和熟練開發(fā)人員的短缺。從一個由三名工程師組成的小團隊開始，它建立了一個擁有 100 個智能體、僅由 5 人監(jiān)督的技術現代化智能體工廠。這些智能體在人類監(jiān)督下執(zhí)行了整個現代化生命周期——從逆向工程到設計和構建新應用程序——將時間和勞動力成本削減了 50% 以上。
我們的經驗表明，利用 AI?智能體支持人員和自動化任務的初步應用，可以在公司層面推動 3% 到 5% 的年度生產力提升。隨著 AI 智能體團隊變得能夠執(zhí)行更復雜的工作流，增長可能會增加高達 10% 或更多。
Know your agents: From 'agentic labor' to 'agentic engine'
高管們對智能體是什么以及它們能做什么往往仍持有固定和有限的看法。這種困惑可能使他們難以理解需要做出哪些與風險、投資、資源分配和變革相關的決策。雖然很容易用擬人化的方式思考智能體，但更客觀的方法是將它們視為可以執(zhí)行一系列日益復雜任務的軟件系統(tǒng)（見圖表）。根據我們的經驗，這種方法能更清晰地思考需要什么樣的組織變革。
（圖表說明請見文末）
Agentic labor: Agents as tools to help with existing work
智能體工具可以通過促進個人承擔的基本任務和自動化工作流來為現有工作做出貢獻。
1.個人增強 (Individual augmentation)。
這些工具幫助自動化、加速或改進人們通常做的任務。許多任務都很熟悉——起草研究筆記、總結會議、生成代碼、進行研究或提議合同條款。這些工具可能會——而且在編程等領域已經是——成為類似于員工使用電子郵件和電子表格的“經營成本”。
研究表明，個人產出提高了 20% 到 30%，在單一任務領域有時甚至更高。然而，在整個企業(yè)范圍內廣泛橫向部署智能體工具很少轉化為重大的業(yè)務影響。此外，對于許多工具來說，除了領先用戶之外，使用率往往會下降，留存率也會顯著下降。
推動個人支持智能體的廣泛采用需要熟悉的變革管理投資，例如將工具嵌入標準操作程序，將預期的產出和使用監(jiān)控集成到績效管理系統(tǒng)中，為員工提供適當的工具使用培訓，以及溝通和示范其益處。同時，鑒于生產力的提高分散在多個小任務中，領導層需要確定如何捕獲這些提高的生產力，通常是通過預算和大規(guī)模效率工作來實現。
2.任務和工作流自動化 (Task and?workflowautomation)。
第二類側重于自動化組織中現有的流程、工作流和任務。一個智能體執(zhí)行層本質上位于現有流程和系統(tǒng)之上（并對其進行小的更改）。
主要技術參與者正在推出第一代智能體產品，而大量新公司正在將解決方案帶入許多功能領域（例如，客戶服務、財務報告和監(jiān)控、編程、產品開發(fā)和采購）。在我們的研究中，早期部署已為重復性、事務性工作帶來了 20% 到 40% 的周期時間縮短或處理成本降低。在聯絡中心，某些類型的呼叫（例如，余額查詢和地址更改的事務性處理）幾乎完全自動化。
將智能體工具嵌入工作流并建立持續(xù)改進的方法是一個核心推動因素，但僅僅給用戶提供工具是行不通的。然而，價值的障礙在于這些更特定領域的用例是孤立運作的，并依賴于其他系統(tǒng)和大量的人工干預來執(zhí)行。此外，雖然模型能力在提高，但公司在以高質量和大規(guī)模自動化現有任務的執(zhí)行能力方面仍在掙扎。
Agentic engine: Agent-native workflows and operating model
由允許智能體團隊協(xié)同工作的突破所驅動的新興智能體系統(tǒng)，提供了產生巨大價值的最有前景的機會。然而，捕獲這一價值需要重新思考和重新設計工作流以實現“智能體優(yōu)先”，無論是在職能內部（例如客戶服務）還是跨職能（例如從線索到訂單）。
1.職能智能體工作流(Functional agentic workflows)。
在這種情況下，特定領域的工作流（例如財務規(guī)劃和報告）被重新設計，以利用 AI 智能體團隊和智能體流程。這意味著重新思考任務順序、合并任務、訪問新數據源以及開發(fā)新流程，例如在問題出現之前進行早期感知和解決。
智能體原生系統(tǒng)可以消除掉阻礙許多當前流程的頻繁交接和碎片化活動，因為智能體團隊被編排為無縫操作。橫向和縱向軟件領域的專業(yè)供應商正在構建和實施全棧、智能體原生的應用程序，用于客戶服務、財務、供應鏈規(guī)劃和軟件現代化等領域。如果部署得當，這些系統(tǒng)可以縮短端到端周期時間，改善解決時間，并提高客戶滿意度。例如，對于呼叫中心績效，估計的影響可能是自動化處理 60% 到 80% 的傳入請求，其客戶滿意度得分與當前系統(tǒng)（例如交互式語音應答加一線支持）相當或更好。
此類系統(tǒng)將需要工程（例如，將概率模型與更經典的確定性軟件集成）和領域專業(yè)知識的結合，以構建多智能體系統(tǒng)并重新設計相關的組織和運營模式，并輔以充分的人類監(jiān)督。對于目標工作流（例如采購到付款、供應商簽約、供應商溝通和政策管理），向這些智能體灌輸治理規(guī)則（例如訪問權、決策權和質量要求）至關重要，以確保監(jiān)督的人類不會很快被淹沒。
2.跨職能智能體系統(tǒng) (Cross-functional agentic systems)。
這些智能體優(yōu)先的系統(tǒng)處理跨職能的復雜工作流（如端到端客戶旅程），并具有高級決策能力。例如，24/7 全天候的現場服務運營智能體可以自主派遣技術人員、重新安排訪問并訂購零件；一個保險團隊可以裁決索賠；抵押貸款可以在幾秒鐘內獲得批準和承銷；或者一個財務周期，智能體處理從年度規(guī)劃到月度報告的所有事務。
這些智能體系統(tǒng)可以在多方面創(chuàng)造價值，例如更快的上市時間、更低的每筆交易成本、更快的問題解決速度以及通過更好的報價定位增加收入。使用現有技術的早期試點在某些勞動密集型流程中看到了每筆交易成本降低高達 70% 到 80%。
在這個層面上，關鍵約束與組織和運營模式問題有關。CEO 和董事會需要密切參與重新架構運營模式，包括歷史上存在于孤立企業(yè)職能中的領導力和團隊責任。漸進式變革行不通；這種程度的轉型需要與過去的做法徹底決裂。
Decisions to make along an agentic journey—and some big implications to consider
為了幫助 CEO 形象化這一旅程并揭示沿途的一些關鍵決策，我們制定了一個高層的、假設性的兩到三年路線圖。它強調了某些目標標記以及需要 CEO 積極參與的一些關鍵決策。（見側欄“圍繞 AI 智能體建立的初創(chuàng)公司如何重塑業(yè)務”）。
（圍繞AI自主智能體構建的初創(chuàng)公司如何重塑商業(yè)模式
風險投資公司 Antler 的聯合創(chuàng)始人兼首席執(zhí)行官 Magnus Grimeland 與麥肯錫高級合伙人 Lari H?m?l?inen 探討了初創(chuàng)公司如何利用AI自主智能體。以下是經過編輯的對話節(jié)選。
Lari H?m?l?inen：您認為以智能體為先的模式會顛覆商業(yè)模式嗎？
Magnus Grimeland：當然。一些公司只是在構建更高效的成本結構，例如自動化后臺或開發(fā)周期的大部分環(huán)節(jié)。但有些公司則更具顛覆性，他們完全將人類從商業(yè)模式的核心部分移除。我們投資的一家物流公司正尋求徹底重構并替換后臺功能，以圍繞AI自主智能體優(yōu)化整個供應鏈。另一家公司正在尋求取代工廠的工藝工程師。整個價值鏈都蘊藏著巨大的機遇。
Lari H?m?l?inen：在那些圍繞AI自主智能體和人工智能構建業(yè)務的初創(chuàng)公司中，它們是如何以不同的方式構建業(yè)務的？
Magnus Grimeland：這是一個寬泛的問題，但已經出現了一些主題。首先，我們看到公司發(fā)展速度更快，但員工人數卻比以往任何時候都少得多。其次，它們的組織結構通常更加扁平化，領導層在產品開發(fā)和銷售方面更加積極主動，整個團隊由開發(fā)人員組成。
過去，例如，在創(chuàng)辦一家物流公司時，你會尋找在該行業(yè)擁有 10 到 15 年經驗的人。而對于人工智能來說，尋找最優(yōu)秀的技術人才和工程師將變得越來越重要。另一個優(yōu)勢是，初創(chuàng)公司對變化的速度非常敏感。這意味著他們會思考如何不斷提升和重新培訓員工，并且會持續(xù)關注市場，尋找突破性進展和潛在的競爭對手。
人工智能的發(fā)展速度遠超以往任何周期，如果你不掌握新技術，很快就會被淘汰。我們也看到這種速度和靈活性隨著成本的顯著下降而得到體現。過去，搭建一個電商網站需要技術骨干，這需要大量的規(guī)劃和漫長的產品開發(fā)周期。而對于以人工智能為先導的初創(chuàng)公司來說，產品周期要快得多，而且人們可以切換系統(tǒng)。你可以在一個基礎設施上構建，然后，如果另一個基礎設施更好，可以相對輕松地切換到另一個。這意味著構建和實驗變得更加容易、更便宜、更快捷。
Lari H?m?l?inen：AI自主智能體領域的價值將來自哪里？
Magnus Grimeland：價值的含義和來源必須轉變。如今，許多服務本質上只是在現有服務中添加一個“AI智能體”按鈕，然后收取30%到40%的額外費用。這種模式不會長久奏效。所有公司都必須首先考慮重建人工智能。這意味著重新思考如何與用戶互動、如何獲取信息以及如何以不同的方式服務客戶。最終，這將意味著服務替換，而不僅僅是創(chuàng)造增量收入。）
路線圖中提出的目標和時間表是積極進取的，我們承認在兩年的時間里會發(fā)生很多變化。然而，根據我們的經驗，CEO 設定大膽的愿景和目標以激勵業(yè)務并緊迫行動至關重要。
Years one and two: Setting the course and creating momentum
第一年的初始目標應包括建立理解、創(chuàng)造動力以及開發(fā)基礎，以便 AI 智能體能夠大規(guī)模工作。重點應放在降低目標職能和運營中現有活動的運營成本上（例如，考慮高達 10% 的效率提升目標）。不過，首先且最重要的是，這一階段是為了打破慣性、有目的地行動并學習。
在第一年和第二年，尋找以下智能體業(yè)務標記：
智能體“流利度”迅速增長。能夠高效使用 AI 智能體是所有員工的要求。雖然對業(yè)務的價值較低，但在員工中建立這種能力是“經營成本”。目標應該是讓超過 25% 到 50% 的員工定期使用企業(yè)智能體和 AI 工具。所有員工都應該通過與智能體“聊天”來查詢數據，而不僅僅是閱讀報告。
智能體正在使用第一代工具自動化廣泛的現有流程。這包括關鍵流程，如財務備案和更廣泛的文檔撰寫、現有流程中的審批等。具體的好處，如顯著更快的交付時間和更低的交易成本，應該清晰可見。例如，在有針對性的案例中，如糾正簡單、結構良好的數據質量問題，AI 智能體 可以解決 90% 到 95% 的問題。
首批智能體軟件系統(tǒng)集成到關鍵系統(tǒng)中。關鍵系統(tǒng)正在將其界面轉向基于提示的查詢，而不是靜態(tài)命令。智能體已在關鍵系統(tǒng)中到位，以自動創(chuàng)建洞察、執(zhí)行任務和協(xié)調活動。
自動化能力（如規(guī)劃或信息收集）正日益成為常態(tài)，支持系統(tǒng)（如報告）正在快速變化。
一個領跑團隊啟動一個燈塔項目，以重新構想完整的端到端流程。團隊為一個完整流程（例如，訂單到現金、記錄到報告、自動化貸款接受和發(fā)放）設計一個 24 個月的目標狀態(tài)愿景，并從發(fā)布一系列最小可行產品開始測試和擴展能力。目標應該大膽。例如，對于訂單到現金流程，目標可以是跨所有渠道自動化超過 70% 的交易。
隨著生產力提高，某些角色的需求可能會減少。AI 智能體已可靠且高效地接管了簡單的編碼任務，減輕了一些現有角色的負擔。例如，最新的編碼智能體（特別是前端代碼執(zhí)行）將生產力顯著提高了 50% 到 100%。
為了使業(yè)務達到這些標記，需要 CEO 解決一些核心業(yè)務領域：
為價值架構轉型。目前的關注點過多集中在個人生產力上；雖然有用，但這并不是最大價值池所在。CEO 渴望轉型價值，這將來自用智能體重新架構和重新設計整個工作流。CEO 需要確保團隊從致力于孤立的用例轉向關注跨職能的優(yōu)先工作流。這將這就需要組織從孤立的 AI 團隊轉向包括 AI、數據、IT、技術和相關領域職能專家的跨職能智能體團隊。隨著這些團隊的工作，重視過程的學習將至關重要。這意味著確保企業(yè)范圍內的學習被集中捕獲并在整個組織中重用。這也意味著編纂一份智能體優(yōu)先的工作流重新設計手冊，包括?ROI標準、多智能體編排模式、技術和數據集成最佳實踐、控制和評估，以及何時應用或不應用智能體。為了領導這項工作，組織將需要一個負責識別工作流、管理重新設計和擴展重新設計的中央團隊（“智能體工廠”）。
擴展轉型。2002 年，亞馬遜創(chuàng)始人杰夫·貝索斯強制要求開發(fā)人員的代碼包含可以向第三方公開的 API。這一強制令是亞馬遜實現規(guī)模化的方式。CEO 需要自己的方式來建立——并強制執(zhí)行——AI 智能體的相同設計原則。通過開發(fā)可組合的智能體，而不是單體流程，元素可以被重用并重新組合用于其他任務。這應該是一個組織指令，而不是技術偏好。
智能體工廠對于工業(yè)化這種擴展能力至關重要。它由致力于構建和部署智能體的團隊組成，同時開發(fā)系統(tǒng)和標準以確保它們擴展。示例包括開發(fā)運營流程的可重用藍圖庫、風險檢查和護欄、處理智能體績效評估的系統(tǒng)技術措施以及標準化的自上而下的 KPI。該工廠需要擁有強大的治理角色，以避免組織內不受控制的智能體蔓延，并檢查智能體是否符合公司和國家法規(guī)。
使智能體工廠有效運作的關鍵轉變包括：
技術和數據。為了確保協(xié)調的智能體開發(fā)和管理，CEO 需要優(yōu)先創(chuàng)建適當的架構。在某些情況下，這可以通過智能體服務提供商提供。作為平衡，保持供應商中立可以避免鎖定，并允許跨多個技術平臺組合定制和現成的智能體。投資意愿較高的公司應考慮AI智能體網格架構，這是一套編排工作負載的模式、實踐和原則。同樣，智能體只有在能夠訪問經過策劃、動態(tài)和結構化的數據時才能擴展。這項工作并非微不足道，它需要高層領導優(yōu)先考慮為智能體建立強大的數據基礎。
平臺化。公司將擁有數百甚至數千個智能體，這可能很快成為管理噩夢。CEO 應優(yōu)先開發(fā)或收購一個自動化智能體管理和可觀測性的平臺。這應包括管理智能體成本和性能、智能體上線和退役、訪問權（例如，根據當地法規(guī)確定哪些智能體可以訪問數據）、隱私權和安全的協(xié)議。
信任。人們需要了解 AI 智能體如何運作才能信任它們。沒有這種信任，采用率將受到影響。為了幫助從一開始就建立這種信任，CEO 應優(yōu)先考慮幫助用戶了解智能體如何通過決策以及偏見在哪里的系統(tǒng)。
轉變人才和運營模式。許多組織已急于開展關于如何將生成式 AI 和 AI 智能體作為“工具”使用的培訓。這在提供基本技能方面很有用。然而，更重要的是，每個人都需要有能力開發(fā)和監(jiān)督智能體。智能體作為常規(guī)工作之上的“工具”并不是最有效的；它需要被構建到每個人工作的方式中。這種轉變將要求人員領導者開始專注于構建新的人機混合運營模式，其中應包括嵌入新技能，如如何有效地構建和應用智能體、如何訓練它們、如何為它們設置任務、如何跟蹤和糾正它們的工作，以及如何將一系列智能體串聯起來執(zhí)行更復雜的任務。這種運營模式的改變——本質上是未來如何完成工作——是重新布線流程可持續(xù)性的關鍵要素，也是作為部署智能體解決方案一部分需要實施的關鍵變革要素。嵌入變革的一部分是績效管理和評估將需要調整以關注“智能體管理”。支持這一變革將需要更改 KPI，使其與人們與智能體合作的好壞掛鉤（例如，用智能體完成的任務數量、產出質量等）。
Years two and three: Scaling across the organization
智能體旅程的第二年全是關于擴展早期學習，重點從智能體活動指標轉向損益表（P&L）影響。這是公司應該開始“智能體化（agentify）”關鍵客戶旅程和工作流的時期，而不僅僅是將智能體集成到現有流程和流中。
在第二年和第三年，尋找以下智能體業(yè)務標記：
第一個智能體“燈塔”達到引爆點。在第一年建立的第一個重新構想的客戶旅程燈塔實現了規(guī)?；?，自動化程度超過 90%。智能體交互在標準流程中具有高性能和滿意度，并在異常情況下有效地升級給人工。
智能體自動化在關鍵價值流中擴展。智能體自動化在全公司 90% 的關鍵價值流中受到驅動。智能體系統(tǒng)不僅作為系統(tǒng)升級，而且作為一種新的運營模式成為標準選項。
圍繞靜態(tài)職能和線性交接構建的傳統(tǒng)運營模式開始瓦解。至少有五個優(yōu)先客戶旅程主要由 AI 智能體團隊在人類監(jiān)督下管理，并跨越傳統(tǒng)職能（例如，一個 AI 智能體團隊分析客戶、開發(fā)和發(fā)送個性化營銷優(yōu)惠、完成銷售并管理客戶服務）。同樣，跨越企業(yè)職能邊界的智能體對智能體交互（包括與客戶代表智能體或采購代表智能體）變得普遍。
員工正在成為“智能體團隊領導者”。使用 AI 智能體正在成為新常態(tài)，所有關鍵職能部門的采用率超過 75%。幾乎每位專業(yè)人士都至少有一個 AI 智能體，通常有三到五個智能體“為”他們工作，少數高級用戶甚至同時處理數十個智能體。
智能體與全職當量 (FTE) 的比例發(fā)生了顯著變化。智能體在基本和中等任務上的可靠性很高，盡管人類監(jiān)督和審查很重要。【注：全職當量(FTE,?Full-Time Equivalent)：是衡量工作量的標準單位，1個FTE相當于一個全職員工(通常為每周40小時)的工作量。例如，兩個各工作20小時/周的兼職員工合計為1個FTE。】
職能現代化在許多領域發(fā)生。例如，軟件開發(fā)生命周期中的 FTE 需求可能下降多達 30% 到 40%，而財務規(guī)劃和報告組織的工作量減少了 75%。
隨著公司智能體能力的成熟，CEO 的重點將需要轉移到更多的組織和運營變革上。
1.為價值重新構想并架構轉型。
削減成本和學習的初始計劃很重要，但 CEO 應關注遠超 50% 的生產力和價值提升，并有興趣質疑業(yè)務所做的一切。在這個階段，CEO 應該有意義地重新構想創(chuàng)造價值和管理業(yè)務的可能性。具體來說，他們應該挑戰(zhàn)在智能體世界中商業(yè)模式的哪些元素是可防御的，以及哪些智能體創(chuàng)新和體驗可以創(chuàng)造可持續(xù)差異化的來源。對未來差異化來源的敏銳和清晰的觀點，對于為自建、購買還是合作的決策提供信息，以及為組織應保護的數據、知識產權和競爭優(yōu)勢提供信息至關重要。作為這一加速重新構想計劃的一部分，擁有使用智能體快速測試、學習和適應心態(tài)的 CEO 可以獲得重要的戰(zhàn)略利益。例如，在數字孿生環(huán)境中運行的智能體將能夠大規(guī)模、廉價且快速地測試廣泛的流程、應用程序和報價。成功的測試幾乎可以立即引入，因為智能體直接影響變化，高度自動化工作流的變革管理成本顯著下降。
作為這種演變的一部分，CEO 將需要根據智能體經濟學驅動的轉變重新思考預算、商業(yè)模式和投資。其中一些動態(tài)將包括員工與智能體比例的重大變化，投資從勞動力有意義地轉向技術。CEO 需要與 CFO 和首席人力資源官 (CHRO) 合作，開發(fā)財務和勞動力能力模型，以更好地預算、跟蹤和分配技術與人員。
2.擴展轉型。
隨著端到端的智能體工作流和客戶旅程跨越職能，傳統(tǒng)的組織模型將變得不再那么有意義。堅持這些結構并構建鏡像它們的智能體系統(tǒng)將扼殺規(guī)模。相反，至關重要的是將業(yè)務重新定位于結果，并圍繞它們設計智能體組織。一種模式可能是圍繞價值流（如客戶引導或新客戶銷售）組織人-智能體團隊。向這種模式的過渡將需要圍繞治理（如誰將管理并負責價值流）以及投資跟蹤智能體績效的機制做出重大且往往困難的權衡決策。這些領域將需要 CEO 確保智能體優(yōu)先組織的推廣不會導致混亂。例如，如果不同部門或團隊開發(fā)相互競爭的智能體，可能會造成混亂并使業(yè)務面臨新風險。
3.人才和運營模式。
麥肯錫的研究假設，到 2030 年，高達 30% 的當前工作時間可能會被自動化，而潛力要大得多。這一轉型將從根本上改變組織中人與技術的比例，并創(chuàng)造智能體-智能體和人-智能體工作場所動態(tài)的新模式。CEO 需要與 CHRO 密切合作，確定智能體勞動力將是什么樣子，隨著智能體的成熟，技能建設能力將如何演變，以及如何重新部署釋放出來的能力。鑒于變革的步伐，人力資源系統(tǒng)將需要進行重大重新校準，以定期審查哪些檔案需要重塑、創(chuàng)建或移除，并監(jiān)督日益加快的技能提升和再培訓步伐。人員分配、職業(yè)結構、績效管理、激勵和報告系統(tǒng)將需要重新設計以支持這種智能體操作系統(tǒng)。這將包括，例如，將智能體管理 KPI 嵌入績效評估，并定義新的角色原型，如“智能體協(xié)調員”和“智能體培訓師”。職業(yè)晉升應與這些角色的熟練程度以及管理智能體和人員團隊的能力掛鉤。
隨著智能體在企業(yè)中激增，它們有潛力深刻影響業(yè)務的每一個部分。這將要求每位 CEO 和董事會以兩種速度運作：在推動短期轉型的同時，思考長期后果。（見側欄“CEO 議程：概覽”了解 CEO 如何促進組織中的智能體變革）。
以下問題可以幫助 CEO 及其董事會開始思考智能體業(yè)務的長期影響：
AI智能體將如何影響我的商業(yè)模式，挑戰(zhàn)我們現有的差異化來源，并創(chuàng)造新的差異化來源？
我們可以實施什么策略來捍衛(wèi)我們的市場并擴展到新市場？
AI智能體如何破壞核心業(yè)務以及與客戶、供應商和合作伙伴的關系（例如，智能體產生的去中介化）？
我該如何準備塑造和管理“智能體勞動力”，同時保持公司的價值觀和文化？
隨著工作流無縫跨越傳統(tǒng)職能邊界，我們應如何管理向混合人-智能體運營模式的過渡？
我的人才戰(zhàn)略是什么，它應該如何指導內部人才與外包能力的比例？
開源、多供應商和單一平臺技術選項的最佳平衡是什么，以提供最大的靈活性和運營價值？
我的轉型和投資路線圖應該是什么樣的，以既滿足近期業(yè)務目標，又建立開發(fā)和擴展轉型變革的正確基礎？
請參考以下說明將原文檔中的圖表/側欄插入到相應位置：
側欄 1 (Page 3): 塑造生成式 AI 和智能體的關鍵趨勢 (Key trends shaping gen AI and agents)
創(chuàng)新步伐加速：新模型數量激增，智能體能完成的任務長度每七個月翻一番。
支出和投資大幅增長：用于訓練最先進模型的算力每年增長 4-5 倍。
模型訓練和推理效率急劇提升：推理成本大幅下降（例如 ChatGPT 3.5 的成本下降了 280 倍以上）。
模型和系統(tǒng)能力的突破：包括推理模型（如“系統(tǒng) 2 思維”）、標準化工具調用接口（如 MCP）、更大的記憶結構、多智能體編排框架以及智能體對智能體協(xié)議（如 A2A）。
標題：塑造生成式 AI 和智能體的關鍵趨勢
內容摘要：AI 智能體正變得更像人類。生成式 AI 的可能性由四個相互強化的趨勢推動：
圖表 (Page 5): 基于任務復雜性增加的智能體系統(tǒng) (Agentic systems based on increasing task complexity)
個人增強 (Individual augmentation)：智能體幫助自動化和改進基本任務。主要效益：個人生產力。
任務和工作流自動化 (Task and?workflowautomation)：現有低復雜性工作流的自動化。主要效益：成本效率、速度、合規(guī)。
職能智能體工作流(Functional agentic workflows)：智能體團隊在重新設計的工作流上工作。主要效益：效率、速度和客戶滿意度的提升；更大的規(guī)模；收入提升。
跨職能智能體系統(tǒng) (Cross-functional agentic systems)：智能體驅動的系統(tǒng)跨職能處理復雜工作流，具有高層決策能力。主要效益：更快的生產、更低的交易成本、更高的客戶價值、加速的跨職能處理。
標題：智能體系統(tǒng)可以處理日益復雜的任務，具體取決于公司如何克服關鍵約束。
內容：展示了從左到右四個階段的智能體系統(tǒng)：
底部說明：關鍵約束從“高學習曲線”演變?yōu)椤皥?zhí)行能力”再到“重新構想流程的能力”最后是“組織和運營模式的重新設計”。
側欄 2 (Page 7): 圍繞 AI?智能體建立的初創(chuàng)公司如何重塑業(yè)務 (How start-ups built around AI agents are reshaping business)
顛覆性：一些公司通過完全移除核心部分的某些人類環(huán)節(jié)（如用 AI 智能體優(yōu)化整個供應鏈）來進行顛覆。
建設方式不同：初創(chuàng)公司增長更快但人數更少；結構更扁平；團隊由建設者（builders）組成；持續(xù)關注技能提升和市場變化。
價值來源：未來的價值不在于簡單地在現有服務上加個“AI 智能體”按鈕并加價，而在于利用 AI 優(yōu)先重建，重新思考如何與用戶互動和獲取信息。
標題：圍繞 AI 智能體建立的初創(chuàng)公司如何重塑業(yè)務
內容摘要：風險投資公司 Antler 的聯合創(chuàng)始人兼 CEO Magnus Grimeland 與麥肯錫高級合伙人 Lari H?m?l?inen 的對話摘錄。
側欄 3 (Page 13): CEO 議程：概覽 (The CEO agenda: An overview)
制定北極星和路線圖：明確 CEO 領導的長期愿景和戰(zhàn)略。
設計基礎：設計組織、人才庫、企業(yè)技術和數據的“從-到”變革。
推動雙速變革：孵化大膽的試點（自下而上）；啟動兩到三個智能體燈塔工作流（自上而下）；建立“快車道”治理。
承諾并親自示范變革：親自領導燈塔項目；建立激勵機制；溝通期望。
投資于就緒的 AI 領導者：獲取、投資、提升和提拔領導者以推動公司的智能體變革。
標題：CEO 議程：概覽
內容摘要：CEO 需要考慮AI智能體轉型旅程中的關鍵步驟。
