你好，歡迎您來(lái)到福建信息主管(CIO)網(wǎng)! 設(shè)為首頁(yè)|加入收藏|會(huì)員中心
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(shí)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(lái)的成長(zhǎng)陣痛。以下是 CEO 們?nèi)绾螏ьI(lǐng)企業(yè)度過(guò)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?qū)⒁竭_(dá)的地方，而不是它已經(jīng)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(jìn)，那個(gè)“冰球”移動(dòng)的速度比以往任何時(shí)候都要快得多。
當(dāng) CEO 及其高管團(tuán)隊(duì)還在努力從早期的生成式 AI（gen AI）投資中看到底線價(jià)值時(shí)，呼吁“行動(dòng)得更快”似乎有些不合時(shí)宜。開發(fā)和擴(kuò)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(chǎn)生重大影響——至少在短期內(nèi)如此——并已縮減了投資。
隨著 CEO 們?cè)诓淮_定性中前行，值得承認(rèn)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(gòu)建的軟件系統(tǒng)，具備規(guī)劃、行動(dòng)、記憶和學(xué)習(xí)能力以自主實(shí)現(xiàn)預(yù)定結(jié)果——正在快速演進(jìn)。隨著它們的成熟，可能會(huì)徹底改變公司的運(yùn)營(yíng)方式及其創(chuàng)造價(jià)值的方式（見側(cè)欄“塑造生成式 AI 和智能體的關(guān)鍵趨勢(shì)”）。實(shí)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(jìng)爭(zhēng)對(duì)手的良機(jī)。
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(jīng)驗(yàn)教訓(xùn)凸顯了四種心態(tài)和行動(dòng)，可以讓 CEO 處于有利地位：
重新構(gòu)想可能性 (Reimagine what's possible)。如今關(guān)于AI自主智能體（Agentic AI）的許多思考仍集中在自動(dòng)化基本任務(wù)或增強(qiáng)知識(shí)上。然而，真正的勝利將來(lái)自更大膽的愿景：重新架構(gòu)工作流，以及圍繞“智能體優(yōu)先（agent-first）”系統(tǒng)構(gòu)建的組織。
緊迫行動(dòng)并開始學(xué)習(xí) (Actwith urgency and start the learning)。生成式 AI 智能體的快速改進(jìn)率意味著觀望態(tài)度可能是一種高風(fēng)險(xiǎn)舉動(dòng)。早期的實(shí)踐學(xué)習(xí)對(duì)于在技術(shù)成熟時(shí)迅速建立競(jìng)爭(zhēng)優(yōu)勢(shì)至關(guān)重要。
現(xiàn)在就解決規(guī)模和長(zhǎng)期競(jìng)爭(zhēng)力問(wèn)題 (Tackle scale and long-term competitiveness issues now)。圍繞技術(shù)、信任、治理、購(gòu)買與自建、能力和人才的關(guān)鍵決策對(duì)于推動(dòng)更廣泛的轉(zhuǎn)型至關(guān)重要。在實(shí)驗(yàn)的同時(shí)，應(yīng)盡快形成戰(zhàn)略并開發(fā)擴(kuò)展能力，因?yàn)橛捎谌瞬畔∪焙徒M織復(fù)雜性，執(zhí)行所需的時(shí)間將比預(yù)期的更長(zhǎng)。
讓每個(gè)人都成為智能體領(lǐng)導(dǎo)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(gè)人都需要培養(yǎng)智能體領(lǐng)導(dǎo)和監(jiān)督技能。高管團(tuán)隊(duì)尤其需要以身作則，倡導(dǎo)學(xué)習(xí)及工作習(xí)慣的演變。
盡管仍有許多未知數(shù)，但在智能體時(shí)代將需要對(duì)企業(yè)的運(yùn)營(yíng)、創(chuàng)新及保護(hù)價(jià)值創(chuàng)造源泉的方式進(jìn)行根本性的重新布線。本文將重點(diǎn)關(guān)注企業(yè) CEO 應(yīng)解決的幾個(gè)與價(jià)值、規(guī)模和人才相關(guān)的最重要要素。我們將勾勒出一個(gè)假設(shè)的兩年智能體旅程可能是什么樣的，CEO 應(yīng)該考慮哪些類型的決策，以及這對(duì)公司運(yùn)營(yíng)可能產(chǎn)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(shì)
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(wù)類型和人們與它們互動(dòng)的方式上，變得越來(lái)越像人類。這些特性以以往技術(shù)未能實(shí)現(xiàn)的方式使人工智能民主化，并凸顯了智能體影響廣泛活動(dòng)的潛力。生成式人工智能——支撐AI自主智能體的基礎(chǔ)能力——日益增長(zhǎng)的可能性，由四個(gè)相互強(qiáng)化的趨勢(shì)推動(dòng)：
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(yǔ)言模型（LLM）;到 2025 年，這一數(shù)字根據(jù)統(tǒng)計(jì)方法不同，已達(dá)到數(shù)百。( 例如 ) 同樣，自 2020 年以來(lái)，新的大型 AI 模型數(shù)量每年增長(zhǎng) 167%。AI 智能體能完成的任務(wù)長(zhǎng)度（成功率至少為 50%）每七個(gè)月翻一番。截至撰寫本文時(shí)，Anthropic 的 Claude Opus 4 幾乎能完成與人類一天相當(dāng)?shù)墓ぷ髁?，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(zhǎng)。?用于訓(xùn)練最先進(jìn)模型的計(jì)算量每年大約增長(zhǎng)四到五次。 三大超大規(guī)模企業(yè)計(jì)劃在 2025 年投資超過(guò) 2500 億美元于人工智能和數(shù)據(jù)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(chǎng)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(xùn)練和推理效率大幅提升。?架構(gòu)和優(yōu)化的突破顯著降低了特定能力的訓(xùn)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(wàn)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(hào)的價(jià)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(guò)程中采用“測(cè)試時(shí)間計(jì)算”思維（“系統(tǒng)二思維”）;標(biāo)準(zhǔn)化的工具調(diào)用接口，如 Anthropic 的模型上下文協(xié)議（MCP），使模型能夠安全地調(diào)用企業(yè) API;更大、更精確的短期和長(zhǎng)期記憶結(jié)構(gòu)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(duì)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(zèng)給 Linux 基金會(huì)以開源項(xiàng)目維護(hù)的 A2A）預(yù)示著自主智能體發(fā)現(xiàn)對(duì)等體、協(xié)商角色和執(zhí)行工作流的未來(lái)。）
Are agents worth it?
關(guān)于 AI 智能體價(jià)值的說(shuō)法充斥著互聯(lián)網(wǎng)。但由于該技術(shù)仍如此之新，這些說(shuō)法很難驗(yàn)證。然而，早期的實(shí)施表明存在巨大的價(jià)值。我們?cè)诂F(xiàn)代化技術(shù)資產(chǎn)方面的經(jīng)驗(yàn)表明，利用 AI 智能體可以加快 40% 到 50% 的時(shí)間線，降低 40% 以上的成本，同時(shí)提高產(chǎn)出質(zhì)量。
在另一個(gè)案例中，一家領(lǐng)先的綜合銀行面臨著交付大量 IT 項(xiàng)目以推動(dòng)業(yè)務(wù)成果的重大挑戰(zhàn)，同時(shí)還要管理巨額的技術(shù)債務(wù)和熟練開發(fā)人員的短缺。從一個(gè)由三名工程師組成的小團(tuán)隊(duì)開始，它建立了一個(gè)擁有 100 個(gè)智能體、僅由 5 人監(jiān)督的技術(shù)現(xiàn)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(gè)現(xiàn)代化生命周期——從逆向工程到設(shè)計(jì)和構(gòu)建新應(yīng)用程序——將時(shí)間和勞動(dòng)力成本削減了 50% 以上。
我們的經(jīng)驗(yàn)表明，利用 AI?智能體支持人員和自動(dòng)化任務(wù)的初步應(yīng)用，可以在公司層面推動(dòng) 3% 到 5% 的年度生產(chǎn)力提升。隨著 AI 智能體團(tuán)隊(duì)變得能夠執(zhí)行更復(fù)雜的工作流，增長(zhǎng)可能會(huì)增加高達(dá) 10% 或更多。
Know your agents: From 'agentic labor' to 'agentic engine'
高管們對(duì)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(fēng)險(xiǎn)、投資、資源分配和變革相關(guān)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(fù)雜任務(wù)的軟件系統(tǒng)（見圖表）。根據(jù)我們的經(jīng)驗(yàn)，這種方法能更清晰地思考需要什么樣的組織變革。
（圖表說(shuō)明請(qǐng)見文末）
Agentic labor: Agents as tools to help with existing work
智能體工具可以通過(guò)促進(jìn)個(gè)人承擔(dān)的基本任務(wù)和自動(dòng)化工作流來(lái)為現(xiàn)有工作做出貢獻(xiàn)。
1.個(gè)人增強(qiáng) (Individual augmentation)。
這些工具幫助自動(dòng)化、加速或改進(jìn)人們通常做的任務(wù)。許多任務(wù)都很熟悉——起草研究筆記、總結(jié)會(huì)議、生成代碼、進(jìn)行研究或提議合同條款。這些工具可能會(huì)——而且在編程等領(lǐng)域已經(jīng)是——成為類似于員工使用電子郵件和電子表格的“經(jīng)營(yíng)成本”。
研究表明，個(gè)人產(chǎn)出提高了 20% 到 30%，在單一任務(wù)領(lǐng)域有時(shí)甚至更高。然而，在整個(gè)企業(yè)范圍內(nèi)廣泛橫向部署智能體工具很少轉(zhuǎn)化為重大的業(yè)務(wù)影響。此外，對(duì)于許多工具來(lái)說(shuō)，除了領(lǐng)先用戶之外，使用率往往會(huì)下降，留存率也會(huì)顯著下降。
推動(dòng)個(gè)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(biāo)準(zhǔn)操作程序，將預(yù)期的產(chǎn)出和使用監(jiān)控集成到績(jī)效管理系統(tǒng)中，為員工提供適當(dāng)?shù)墓ぞ呤褂门嘤?xùn)，以及溝通和示范其益處。同時(shí)，鑒于生產(chǎn)力的提高分散在多個(gè)小任務(wù)中，領(lǐng)導(dǎo)層需要確定如何捕獲這些提高的生產(chǎn)力，通常是通過(guò)預(yù)算和大規(guī)模效率工作來(lái)實(shí)現(xiàn)。
2.任務(wù)和工作流自動(dòng)化 (Task and?workflowautomation)。
第二類側(cè)重于自動(dòng)化組織中現(xiàn)有的流程、工作流和任務(wù)。一個(gè)智能體執(zhí)行層本質(zhì)上位于現(xiàn)有流程和系統(tǒng)之上（并對(duì)其進(jìn)行小的更改）。
主要技術(shù)參與者正在推出第一代智能體產(chǎn)品，而大量新公司正在將解決方案帶入許多功能領(lǐng)域（例如，客戶服務(wù)、財(cái)務(wù)報(bào)告和監(jiān)控、編程、產(chǎn)品開發(fā)和采購(gòu)）。在我們的研究中，早期部署已為重復(fù)性、事務(wù)性工作帶來(lái)了 20% 到 40% 的周期時(shí)間縮短或處理成本降低。在聯(lián)絡(luò)中心，某些類型的呼叫（例如，余額查詢和地址更改的事務(wù)性處理）幾乎完全自動(dòng)化。
將智能體工具嵌入工作流并建立持續(xù)改進(jìn)的方法是一個(gè)核心推動(dòng)因素，但僅僅給用戶提供工具是行不通的。然而，價(jià)值的障礙在于這些更特定領(lǐng)域的用例是孤立運(yùn)作的，并依賴于其他系統(tǒng)和大量的人工干預(yù)來(lái)執(zhí)行。此外，雖然模型能力在提高，但公司在以高質(zhì)量和大規(guī)模自動(dòng)化現(xiàn)有任務(wù)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(tuán)隊(duì)協(xié)同工作的突破所驅(qū)動(dòng)的新興智能體系統(tǒng)，提供了產(chǎn)生巨大價(jià)值的最有前景的機(jī)會(huì)。然而，捕獲這一價(jià)值需要重新思考和重新設(shè)計(jì)工作流以實(shí)現(xiàn)“智能體優(yōu)先”，無(wú)論是在職能內(nèi)部（例如客戶服務(wù)）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(lǐng)域的工作流（例如財(cái)務(wù)規(guī)劃和報(bào)告）被重新設(shè)計(jì)，以利用 AI 智能體團(tuán)隊(duì)和智能體流程。這意味著重新思考任務(wù)順序、合并任務(wù)、訪問(wèn)新數(shù)據(jù)源以及開發(fā)新流程，例如在問(wèn)題出現(xiàn)之前進(jìn)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(dāng)前流程的頻繁交接和碎片化活動(dòng)，因?yàn)橹悄荏w團(tuán)隊(duì)被編排為無(wú)縫操作。橫向和縱向軟件領(lǐng)域的專業(yè)供應(yīng)商正在構(gòu)建和實(shí)施全棧、智能體原生的應(yīng)用程序，用于客戶服務(wù)、財(cái)務(wù)、供應(yīng)鏈規(guī)劃和軟件現(xiàn)代化等領(lǐng)域。如果部署得當(dāng)，這些系統(tǒng)可以縮短端到端周期時(shí)間，改善解決時(shí)間，并提高客戶滿意度。例如，對(duì)于呼叫中心績(jī)效，估計(jì)的影響可能是自動(dòng)化處理 60% 到 80% 的傳入請(qǐng)求，其客戶滿意度得分與當(dāng)前系統(tǒng)（例如交互式語(yǔ)音應(yīng)答加一線支持）相當(dāng)或更好。
此類系統(tǒng)將需要工程（例如，將概率模型與更經(jīng)典的確定性軟件集成）和領(lǐng)域?qū)I(yè)知識(shí)的結(jié)合，以構(gòu)建多智能體系統(tǒng)并重新設(shè)計(jì)相關(guān)的組織和運(yùn)營(yíng)模式，并輔以充分的人類監(jiān)督。對(duì)于目標(biāo)工作流（例如采購(gòu)到付款、供應(yīng)商簽約、供應(yīng)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(wèn)權(quán)、決策權(quán)和質(zhì)量要求）至關(guān)重要，以確保監(jiān)督的人類不會(huì)很快被淹沒(méi)。
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(fù)雜工作流（如端到端客戶旅程），并具有高級(jí)決策能力。例如，24/7 全天候的現(xiàn)場(chǎng)服務(wù)運(yùn)營(yíng)智能體可以自主派遣技術(shù)人員、重新安排訪問(wèn)并訂購(gòu)零件；一個(gè)保險(xiǎn)團(tuán)隊(duì)可以裁決索賠；抵押貸款可以在幾秒鐘內(nèi)獲得批準(zhǔn)和承銷；或者一個(gè)財(cái)務(wù)周期，智能體處理從年度規(guī)劃到月度報(bào)告的所有事務(wù)。
這些智能體系統(tǒng)可以在多方面創(chuàng)造價(jià)值，例如更快的上市時(shí)間、更低的每筆交易成本、更快的問(wèn)題解決速度以及通過(guò)更好的報(bào)價(jià)定位增加收入。使用現(xiàn)有技術(shù)的早期試點(diǎn)在某些勞動(dòng)密集型流程中看到了每筆交易成本降低高達(dá) 70% 到 80%。
在這個(gè)層面上，關(guān)鍵約束與組織和運(yùn)營(yíng)模式問(wèn)題有關(guān)。CEO 和董事會(huì)需要密切參與重新架構(gòu)運(yùn)營(yíng)模式，包括歷史上存在于孤立企業(yè)職能中的領(lǐng)導(dǎo)力和團(tuán)隊(duì)責(zé)任。漸進(jìn)式變革行不通；這種程度的轉(zhuǎn)型需要與過(guò)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(guān)鍵決策，我們制定了一個(gè)高層的、假設(shè)性的兩到三年路線圖。它強(qiáng)調(diào)了某些目標(biāo)標(biāo)記以及需要 CEO 積極參與的一些關(guān)鍵決策。（見側(cè)欄“圍繞 AI 智能體建立的初創(chuàng)公司如何重塑業(yè)務(wù)”）。
（圍繞AI自主智能體構(gòu)建的初創(chuàng)公司如何重塑商業(yè)模式
風(fēng)險(xiǎn)投資公司 Antler 的聯(lián)合創(chuàng)始人兼首席執(zhí)行官 Magnus Grimeland 與麥肯錫高級(jí)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(jīng)過(guò)編輯的對(duì)話節(jié)選。
Lari H?m?l?inen：您認(rèn)為以智能體為先的模式會(huì)顛覆商業(yè)模式嗎？
Magnus Grimeland：當(dāng)然。一些公司只是在構(gòu)建更高效的成本結(jié)構(gòu)，例如自動(dòng)化后臺(tái)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(gòu)并替換后臺(tái)功能，以圍繞AI自主智能體優(yōu)化整個(gè)供應(yīng)鏈。另一家公司正在尋求取代工廠的工藝工程師。整個(gè)價(jià)值鏈都蘊(yùn)藏著巨大的機(jī)遇。
Lari H?m?l?inen：在那些圍繞AI自主智能體和人工智能構(gòu)建業(yè)務(wù)的初創(chuàng)公司中，它們是如何以不同的方式構(gòu)建業(yè)務(wù)的？
Magnus Grimeland：這是一個(gè)寬泛的問(wèn)題，但已經(jīng)出現(xiàn)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(shù)卻比以往任何時(shí)候都少得多。其次，它們的組織結(jié)構(gòu)通常更加扁平化，領(lǐng)導(dǎo)層在產(chǎn)品開發(fā)和銷售方面更加積極主動(dòng)，整個(gè)團(tuán)隊(duì)由開發(fā)人員組成。
過(guò)去，例如，在創(chuàng)辦一家物流公司時(shí)，你會(huì)尋找在該行業(yè)擁有 10 到 15 年經(jīng)驗(yàn)的人。而對(duì)于人工智能來(lái)說(shuō)，尋找最優(yōu)秀的技術(shù)人才和工程師將變得越來(lái)越重要。另一個(gè)優(yōu)勢(shì)是，初創(chuàng)公司對(duì)變化的速度非常敏感。這意味著他們會(huì)思考如何不斷提升和重新培訓(xùn)員工，并且會(huì)持續(xù)關(guān)注市場(chǎng)，尋找突破性進(jìn)展和潛在的競(jìng)爭(zhēng)對(duì)手。
人工智能的發(fā)展速度遠(yuǎn)超以往任何周期，如果你不掌握新技術(shù)，很快就會(huì)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(xiàn)。過(guò)去，搭建一個(gè)電商網(wǎng)站需要技術(shù)骨干，這需要大量的規(guī)劃和漫長(zhǎng)的產(chǎn)品開發(fā)周期。而對(duì)于以人工智能為先導(dǎo)的初創(chuàng)公司來(lái)說(shuō)，產(chǎn)品周期要快得多，而且人們可以切換系統(tǒng)。你可以在一個(gè)基礎(chǔ)設(shè)施上構(gòu)建，然后，如果另一個(gè)基礎(chǔ)設(shè)施更好，可以相對(duì)輕松地切換到另一個(gè)。這意味著構(gòu)建和實(shí)驗(yàn)變得更加容易、更便宜、更快捷。
Lari H?m?l?inen：AI自主智能體領(lǐng)域的價(jià)值將來(lái)自哪里？
Magnus Grimeland：價(jià)值的含義和來(lái)源必須轉(zhuǎn)變。如今，許多服務(wù)本質(zhì)上只是在現(xiàn)有服務(wù)中添加一個(gè)“AI智能體”按鈕，然后收取30%到40%的額外費(fèi)用。這種模式不會(huì)長(zhǎng)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(dòng)、如何獲取信息以及如何以不同的方式服務(wù)客戶。最終，這將意味著服務(wù)替換，而不僅僅是創(chuàng)造增量收入。）
路線圖中提出的目標(biāo)和時(shí)間表是積極進(jìn)取的，我們承認(rèn)在兩年的時(shí)間里會(huì)發(fā)生很多變化。然而，根據(jù)我們的經(jīng)驗(yàn)，CEO 設(shè)定大膽的愿景和目標(biāo)以激勵(lì)業(yè)務(wù)并緊迫行動(dòng)至關(guān)重要。
Years one and two: Setting the course and creating momentum
第一年的初始目標(biāo)應(yīng)包括建立理解、創(chuàng)造動(dòng)力以及開發(fā)基礎(chǔ)，以便 AI 智能體能夠大規(guī)模工作。重點(diǎn)應(yīng)放在降低目標(biāo)職能和運(yùn)營(yíng)中現(xiàn)有活動(dòng)的運(yùn)營(yíng)成本上（例如，考慮高達(dá) 10% 的效率提升目標(biāo)）。不過(guò)，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(dòng)并學(xué)習(xí)。
在第一年和第二年，尋找以下智能體業(yè)務(wù)標(biāo)記：
智能體“流利度”迅速增長(zhǎng)。能夠高效使用 AI 智能體是所有員工的要求。雖然對(duì)業(yè)務(wù)的價(jià)值較低，但在員工中建立這種能力是“經(jīng)營(yíng)成本”。目標(biāo)應(yīng)該是讓超過(guò) 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(yīng)該通過(guò)與智能體“聊天”來(lái)查詢數(shù)據(jù)，而不僅僅是閱讀報(bào)告。
智能體正在使用第一代工具自動(dòng)化廣泛的現(xiàn)有流程。這包括關(guān)鍵流程，如財(cái)務(wù)備案和更廣泛的文檔撰寫、現(xiàn)有流程中的審批等。具體的好處，如顯著更快的交付時(shí)間和更低的交易成本，應(yīng)該清晰可見。例如，在有針對(duì)性的案例中，如糾正簡(jiǎn)單、結(jié)構(gòu)良好的數(shù)據(jù)質(zhì)量問(wèn)題，AI 智能體 可以解決 90% 到 95% 的問(wèn)題。
首批智能體軟件系統(tǒng)集成到關(guān)鍵系統(tǒng)中。關(guān)鍵系統(tǒng)正在將其界面轉(zhuǎn)向基于提示的查詢，而不是靜態(tài)命令。智能體已在關(guān)鍵系統(tǒng)中到位，以自動(dòng)創(chuàng)建洞察、執(zhí)行任務(wù)和協(xié)調(diào)活動(dòng)。
自動(dòng)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(bào)告）正在快速變化。
一個(gè)領(lǐng)跑團(tuán)隊(duì)啟動(dòng)一個(gè)燈塔項(xiàng)目，以重新構(gòu)想完整的端到端流程。團(tuán)隊(duì)為一個(gè)完整流程（例如，訂單到現(xiàn)金、記錄到報(bào)告、自動(dòng)化貸款接受和發(fā)放）設(shè)計(jì)一個(gè) 24 個(gè)月的目標(biāo)狀態(tài)愿景，并從發(fā)布一系列最小可行產(chǎn)品開始測(cè)試和擴(kuò)展能力。目標(biāo)應(yīng)該大膽。例如，對(duì)于訂單到現(xiàn)金流程，目標(biāo)可以是跨所有渠道自動(dòng)化超過(guò) 70% 的交易。
隨著生產(chǎn)力提高，某些角色的需求可能會(huì)減少。AI 智能體已可靠且高效地接管了簡(jiǎn)單的編碼任務(wù)，減輕了一些現(xiàn)有角色的負(fù)擔(dān)。例如，最新的編碼智能體（特別是前端代碼執(zhí)行）將生產(chǎn)力顯著提高了 50% 到 100%。
為了使業(yè)務(wù)達(dá)到這些標(biāo)記，需要 CEO 解決一些核心業(yè)務(wù)領(lǐng)域：
為價(jià)值架構(gòu)轉(zhuǎn)型。目前的關(guān)注點(diǎn)過(guò)多集中在個(gè)人生產(chǎn)力上；雖然有用，但這并不是最大價(jià)值池所在。CEO 渴望轉(zhuǎn)型價(jià)值，這將來(lái)自用智能體重新架構(gòu)和重新設(shè)計(jì)整個(gè)工作流。CEO 需要確保團(tuán)隊(duì)從致力于孤立的用例轉(zhuǎn)向關(guān)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(tuán)隊(duì)轉(zhuǎn)向包括 AI、數(shù)據(jù)、IT、技術(shù)和相關(guān)領(lǐng)域職能專家的跨職能智能體團(tuán)隊(duì)。隨著這些團(tuán)隊(duì)的工作，重視過(guò)程的學(xué)習(xí)將至關(guān)重要。這意味著確保企業(yè)范圍內(nèi)的學(xué)習(xí)被集中捕獲并在整個(gè)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(shè)計(jì)手冊(cè)，包括?ROI標(biāo)準(zhǔn)、多智能體編排模式、技術(shù)和數(shù)據(jù)集成最佳實(shí)踐、控制和評(píng)估，以及何時(shí)應(yīng)用或不應(yīng)用智能體。為了領(lǐng)導(dǎo)這項(xiàng)工作，組織將需要一個(gè)負(fù)責(zé)識(shí)別工作流、管理重新設(shè)計(jì)和擴(kuò)展重新設(shè)計(jì)的中央團(tuán)隊(duì)（“智能體工廠”）。
擴(kuò)展轉(zhuǎn)型。2002 年，亞馬遜創(chuàng)始人杰夫·貝索斯強(qiáng)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(qiáng)制令是亞馬遜實(shí)現(xiàn)規(guī)?；姆绞健EO 需要自己的方式來(lái)建立——并強(qiáng)制執(zhí)行——AI 智能體的相同設(shè)計(jì)原則。通過(guò)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(wù)。這應(yīng)該是一個(gè)組織指令，而不是技術(shù)偏好。
智能體工廠對(duì)于工業(yè)化這種擴(kuò)展能力至關(guān)重要。它由致力于構(gòu)建和部署智能體的團(tuán)隊(duì)組成，同時(shí)開發(fā)系統(tǒng)和標(biāo)準(zhǔn)以確保它們擴(kuò)展。示例包括開發(fā)運(yùn)營(yíng)流程的可重用藍(lán)圖庫(kù)、風(fēng)險(xiǎn)檢查和護(hù)欄、處理智能體績(jī)效評(píng)估的系統(tǒng)技術(shù)措施以及標(biāo)準(zhǔn)化的自上而下的 KPI。該工廠需要擁有強(qiáng)大的治理角色，以避免組織內(nèi)不受控制的智能體蔓延，并檢查智能體是否符合公司和國(guó)家法規(guī)。
使智能體工廠有效運(yùn)作的關(guān)鍵轉(zhuǎn)變包括：
技術(shù)和數(shù)據(jù)。為了確保協(xié)調(diào)的智能體開發(fā)和管理，CEO 需要優(yōu)先創(chuàng)建適當(dāng)?shù)募軜?gòu)。在某些情況下，這可以通過(guò)智能體服務(wù)提供商提供。作為平衡，保持供應(yīng)商中立可以避免鎖定，并允許跨多個(gè)技術(shù)平臺(tái)組合定制和現(xiàn)成的智能體。投資意愿較高的公司應(yīng)考慮AI智能體網(wǎng)格架構(gòu)，這是一套編排工作負(fù)載的模式、實(shí)踐和原則。同樣，智能體只有在能夠訪問(wèn)經(jīng)過(guò)策劃、動(dòng)態(tài)和結(jié)構(gòu)化的數(shù)據(jù)時(shí)才能擴(kuò)展。這項(xiàng)工作并非微不足道，它需要高層領(lǐng)導(dǎo)優(yōu)先考慮為智能體建立強(qiáng)大的數(shù)據(jù)基礎(chǔ)。
平臺(tái)化。公司將擁有數(shù)百甚至數(shù)千個(gè)智能體，這可能很快成為管理噩夢(mèng)。CEO 應(yīng)優(yōu)先開發(fā)或收購(gòu)一個(gè)自動(dòng)化智能體管理和可觀測(cè)性的平臺(tái)。這應(yīng)包括管理智能體成本和性能、智能體上線和退役、訪問(wèn)權(quán)（例如，根據(jù)當(dāng)?shù)胤ㄒ?guī)確定哪些智能體可以訪問(wèn)數(shù)據(jù)）、隱私權(quán)和安全的協(xié)議。
信任。人們需要了解 AI 智能體如何運(yùn)作才能信任它們。沒(méi)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(yīng)優(yōu)先考慮幫助用戶了解智能體如何通過(guò)決策以及偏見在哪里的系統(tǒng)。
轉(zhuǎn)變?nèi)瞬藕瓦\(yùn)營(yíng)模式。許多組織已急于開展關(guān)于如何將生成式 AI 和 AI 智能體作為“工具”使用的培訓(xùn)。這在提供基本技能方面很有用。然而，更重要的是，每個(gè)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(gòu)建到每個(gè)人工作的方式中。這種轉(zhuǎn)變將要求人員領(lǐng)導(dǎo)者開始專注于構(gòu)建新的人機(jī)混合運(yùn)營(yíng)模式，其中應(yīng)包括嵌入新技能，如如何有效地構(gòu)建和應(yīng)用智能體、如何訓(xùn)練它們、如何為它們?cè)O(shè)置任務(wù)、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(lián)起來(lái)執(zhí)行更復(fù)雜的任務(wù)。這種運(yùn)營(yíng)模式的改變——本質(zhì)上是未來(lái)如何完成工作——是重新布線流程可持續(xù)性的關(guān)鍵要素，也是作為部署智能體解決方案一部分需要實(shí)施的關(guān)鍵變革要素。嵌入變革的一部分是績(jī)效管理和評(píng)估將需要調(diào)整以關(guān)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(wù)數(shù)量、產(chǎn)出質(zhì)量等）。
Years two and three: Scaling across the organization
智能體旅程的第二年全是關(guān)于擴(kuò)展早期學(xué)習(xí)，重點(diǎn)從智能體活動(dòng)指標(biāo)轉(zhuǎn)向損益表（P&L）影響。這是公司應(yīng)該開始“智能體化（agentify）”關(guān)鍵客戶旅程和工作流的時(shí)期，而不僅僅是將智能體集成到現(xiàn)有流程和流中。
在第二年和第三年，尋找以下智能體業(yè)務(wù)標(biāo)記：
第一個(gè)智能體“燈塔”達(dá)到引爆點(diǎn)。在第一年建立的第一個(gè)重新構(gòu)想的客戶旅程燈塔實(shí)現(xiàn)了規(guī)?；?，自動(dòng)化程度超過(guò) 90%。智能體交互在標(biāo)準(zhǔn)流程中具有高性能和滿意度，并在異常情況下有效地升級(jí)給人工。
智能體自動(dòng)化在關(guān)鍵價(jià)值流中擴(kuò)展。智能體自動(dòng)化在全公司 90% 的關(guān)鍵價(jià)值流中受到驅(qū)動(dòng)。智能體系統(tǒng)不僅作為系統(tǒng)升級(jí)，而且作為一種新的運(yùn)營(yíng)模式成為標(biāo)準(zhǔn)選項(xiàng)。
圍繞靜態(tài)職能和線性交接構(gòu)建的傳統(tǒng)運(yùn)營(yíng)模式開始瓦解。至少有五個(gè)優(yōu)先客戶旅程主要由 AI 智能體團(tuán)隊(duì)在人類監(jiān)督下管理，并跨越傳統(tǒng)職能（例如，一個(gè) AI 智能體團(tuán)隊(duì)分析客戶、開發(fā)和發(fā)送個(gè)性化營(yíng)銷優(yōu)惠、完成銷售并管理客戶服務(wù)）。同樣，跨越企業(yè)職能邊界的智能體對(duì)智能體交互（包括與客戶代表智能體或采購(gòu)代表智能體）變得普遍。
員工正在成為“智能體團(tuán)隊(duì)領(lǐng)導(dǎo)者”。使用 AI 智能體正在成為新常態(tài)，所有關(guān)鍵職能部門的采用率超過(guò) 75%。幾乎每位專業(yè)人士都至少有一個(gè) AI 智能體，通常有三到五個(gè)智能體“為”他們工作，少數(shù)高級(jí)用戶甚至同時(shí)處理數(shù)十個(gè)智能體。
智能體與全職當(dāng)量 (FTE) 的比例發(fā)生了顯著變化。智能體在基本和中等任務(wù)上的可靠性很高，盡管人類監(jiān)督和審查很重要。【注：全職當(dāng)量(FTE,?Full-Time Equivalent)：是衡量工作量的標(biāo)準(zhǔn)單位，1個(gè)FTE相當(dāng)于一個(gè)全職員工(通常為每周40小時(shí))的工作量。例如，兩個(gè)各工作20小時(shí)/周的兼職員工合計(jì)為1個(gè)FTE。】
職能現(xiàn)代化在許多領(lǐng)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(dá) 30% 到 40%，而財(cái)務(wù)規(guī)劃和報(bào)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(diǎn)將需要轉(zhuǎn)移到更多的組織和運(yùn)營(yíng)變革上。
1.為價(jià)值重新構(gòu)想并架構(gòu)轉(zhuǎn)型。
削減成本和學(xué)習(xí)的初始計(jì)劃很重要，但 CEO 應(yīng)關(guān)注遠(yuǎn)超 50% 的生產(chǎn)力和價(jià)值提升，并有興趣質(zhì)疑業(yè)務(wù)所做的一切。在這個(gè)階段，CEO 應(yīng)該有意義地重新構(gòu)想創(chuàng)造價(jià)值和管理業(yè)務(wù)的可能性。具體來(lái)說(shuō)，他們應(yīng)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(yàn)可以創(chuàng)造可持續(xù)差異化的來(lái)源。對(duì)未來(lái)差異化來(lái)源的敏銳和清晰的觀點(diǎn)，對(duì)于為自建、購(gòu)買還是合作的決策提供信息，以及為組織應(yīng)保護(hù)的數(shù)據(jù)、知識(shí)產(chǎn)權(quán)和競(jìng)爭(zhēng)優(yōu)勢(shì)提供信息至關(guān)重要。作為這一加速重新構(gòu)想計(jì)劃的一部分，擁有使用智能體快速測(cè)試、學(xué)習(xí)和適應(yīng)心態(tài)的 CEO 可以獲得重要的戰(zhàn)略利益。例如，在數(shù)字孿生環(huán)境中運(yùn)行的智能體將能夠大規(guī)模、廉價(jià)且快速地測(cè)試廣泛的流程、應(yīng)用程序和報(bào)價(jià)。成功的測(cè)試幾乎可以立即引入，因?yàn)橹悄荏w直接影響變化，高度自動(dòng)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(jù)智能體經(jīng)濟(jì)學(xué)驅(qū)動(dòng)的轉(zhuǎn)變重新思考預(yù)算、商業(yè)模式和投資。其中一些動(dòng)態(tài)將包括員工與智能體比例的重大變化，投資從勞動(dòng)力有意義地轉(zhuǎn)向技術(shù)。CEO 需要與 CFO 和首席人力資源官 (CHRO) 合作，開發(fā)財(cái)務(wù)和勞動(dòng)力能力模型，以更好地預(yù)算、跟蹤和分配技術(shù)與人員。
2.擴(kuò)展轉(zhuǎn)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(jiān)持這些結(jié)構(gòu)并構(gòu)建鏡像它們的智能體系統(tǒng)將扼殺規(guī)模。相反，至關(guān)重要的是將業(yè)務(wù)重新定位于結(jié)果，并圍繞它們?cè)O(shè)計(jì)智能體組織。一種模式可能是圍繞價(jià)值流（如客戶引導(dǎo)或新客戶銷售）組織人-智能體團(tuán)隊(duì)。向這種模式的過(guò)渡將需要圍繞治理（如誰(shuí)將管理并負(fù)責(zé)價(jià)值流）以及投資跟蹤智能體績(jī)效的機(jī)制做出重大且往往困難的權(quán)衡決策。這些領(lǐng)域?qū)⑿枰?CEO 確保智能體優(yōu)先組織的推廣不會(huì)導(dǎo)致混亂。例如，如果不同部門或團(tuán)隊(duì)開發(fā)相互競(jìng)爭(zhēng)的智能體，可能會(huì)造成混亂并使業(yè)務(wù)面臨新風(fēng)險(xiǎn)。
3.人才和運(yùn)營(yíng)模式。
麥肯錫的研究假設(shè)，到 2030 年，高達(dá) 30% 的當(dāng)前工作時(shí)間可能會(huì)被自動(dòng)化，而潛力要大得多。這一轉(zhuǎn)型將從根本上改變組織中人與技術(shù)的比例，并創(chuàng)造智能體-智能體和人-智能體工作場(chǎng)所動(dòng)態(tài)的新模式。CEO 需要與 CHRO 密切合作，確定智能體勞動(dòng)力將是什么樣子，隨著智能體的成熟，技能建設(shè)能力將如何演變，以及如何重新部署釋放出來(lái)的能力。鑒于變革的步伐，人力資源系統(tǒng)將需要進(jìn)行重大重新校準(zhǔn)，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(xùn)步伐。人員分配、職業(yè)結(jié)構(gòu)、績(jī)效管理、激勵(lì)和報(bào)告系統(tǒng)將需要重新設(shè)計(jì)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(jī)效評(píng)估，并定義新的角色原型，如“智能體協(xié)調(diào)員”和“智能體培訓(xùn)師”。職業(yè)晉升應(yīng)與這些角色的熟練程度以及管理智能體和人員團(tuán)隊(duì)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(wù)的每一個(gè)部分。這將要求每位 CEO 和董事會(huì)以兩種速度運(yùn)作：在推動(dòng)短期轉(zhuǎn)型的同時(shí)，思考長(zhǎng)期后果。（見側(cè)欄“CEO 議程：概覽”了解 CEO 如何促進(jìn)組織中的智能體變革）。
以下問(wèn)題可以幫助 CEO 及其董事會(huì)開始思考智能體業(yè)務(wù)的長(zhǎng)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(xiàn)有的差異化來(lái)源，并創(chuàng)造新的差異化來(lái)源？
我們可以實(shí)施什么策略來(lái)捍衛(wèi)我們的市場(chǎng)并擴(kuò)展到新市場(chǎng)？
AI智能體如何破壞核心業(yè)務(wù)以及與客戶、供應(yīng)商和合作伙伴的關(guān)系（例如，智能體產(chǎn)生的去中介化）？
我該如何準(zhǔn)備塑造和管理“智能體勞動(dòng)力”，同時(shí)保持公司的價(jià)值觀和文化？
隨著工作流無(wú)縫跨越傳統(tǒng)職能邊界，我們應(yīng)如何管理向混合人-智能體運(yùn)營(yíng)模式的過(guò)渡？
我的人才戰(zhàn)略是什么，它應(yīng)該如何指導(dǎo)內(nèi)部人才與外包能力的比例？
開源、多供應(yīng)商和單一平臺(tái)技術(shù)選項(xiàng)的最佳平衡是什么，以提供最大的靈活性和運(yùn)營(yíng)價(jià)值？
我的轉(zhuǎn)型和投資路線圖應(yīng)該是什么樣的，以既滿足近期業(yè)務(wù)目標(biāo)，又建立開發(fā)和擴(kuò)展轉(zhuǎn)型變革的正確基礎(chǔ)？
請(qǐng)參考以下說(shuō)明將原文檔中的圖表/側(cè)欄插入到相應(yīng)位置：
側(cè)欄 1 (Page 3): 塑造生成式 AI 和智能體的關(guān)鍵趨勢(shì) (Key trends shaping gen AI and agents)
創(chuàng)新步伐加速：新模型數(shù)量激增，智能體能完成的任務(wù)長(zhǎng)度每七個(gè)月翻一番。
支出和投資大幅增長(zhǎng)：用于訓(xùn)練最先進(jìn)模型的算力每年增長(zhǎng) 4-5 倍。
模型訓(xùn)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(biāo)準(zhǔn)化工具調(diào)用接口（如 MCP）、更大的記憶結(jié)構(gòu)、多智能體編排框架以及智能體對(duì)智能體協(xié)議（如 A2A）。
標(biāo)題：塑造生成式 AI 和智能體的關(guān)鍵趨勢(shì)
內(nèi)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(gè)相互強(qiáng)化的趨勢(shì)推動(dòng)：
圖表 (Page 5): 基于任務(wù)復(fù)雜性增加的智能體系統(tǒng) (Agentic systems based on increasing task complexity)
個(gè)人增強(qiáng) (Individual augmentation)：智能體幫助自動(dòng)化和改進(jìn)基本任務(wù)。主要效益：個(gè)人生產(chǎn)力。
任務(wù)和工作流自動(dòng)化 (Task and?workflowautomation)：現(xiàn)有低復(fù)雜性工作流的自動(dòng)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(tuán)隊(duì)在重新設(shè)計(jì)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(qū)動(dòng)的系統(tǒng)跨職能處理復(fù)雜工作流，具有高層決策能力。主要效益：更快的生產(chǎn)、更低的交易成本、更高的客戶價(jià)值、加速的跨職能處理。
標(biāo)題：智能體系統(tǒng)可以處理日益復(fù)雜的任務(wù)，具體取決于公司如何克服關(guān)鍵約束。
內(nèi)容：展示了從左到右四個(gè)階段的智能體系統(tǒng)：
底部說(shuō)明：關(guān)鍵約束從“高學(xué)習(xí)曲線”演變?yōu)椤皥?zhí)行能力”再到“重新構(gòu)想流程的能力”最后是“組織和運(yùn)營(yíng)模式的重新設(shè)計(jì)”。
側(cè)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(wù) (How start-ups built around AI agents are reshaping business)
顛覆性：一些公司通過(guò)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(gè)供應(yīng)鏈）來(lái)進(jìn)行顛覆。
建設(shè)方式不同：初創(chuàng)公司增長(zhǎng)更快但人數(shù)更少；結(jié)構(gòu)更扁平；團(tuán)隊(duì)由建設(shè)者（builders）組成；持續(xù)關(guān)注技能提升和市場(chǎng)變化。
價(jià)值來(lái)源：未來(lái)的價(jià)值不在于簡(jiǎn)單地在現(xiàn)有服務(wù)上加個(gè)“AI 智能體”按鈕并加價(jià)，而在于利用 AI 優(yōu)先重建，重新思考如何與用戶互動(dòng)和獲取信息。
標(biāo)題：圍繞 AI 智能體建立的初創(chuàng)公司如何重塑業(yè)務(wù)
內(nèi)容摘要：風(fēng)險(xiǎn)投資公司 Antler 的聯(lián)合創(chuàng)始人兼 CEO Magnus Grimeland 與麥肯錫高級(jí)合伙人 Lari H?m?l?inen 的對(duì)話摘錄。
側(cè)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(lǐng)導(dǎo)的長(zhǎng)期愿景和戰(zhàn)略。
設(shè)計(jì)基礎(chǔ)：設(shè)計(jì)組織、人才庫(kù)、企業(yè)技術(shù)和數(shù)據(jù)的“從-到”變革。
推動(dòng)雙速變革：孵化大膽的試點(diǎn)（自下而上）；啟動(dòng)兩到三個(gè)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(lǐng)導(dǎo)燈塔項(xiàng)目；建立激勵(lì)機(jī)制；溝通期望。
投資于就緒的 AI 領(lǐng)導(dǎo)者：獲取、投資、提升和提拔領(lǐng)導(dǎo)者以推動(dòng)公司的智能體變革。
標(biāo)題：CEO 議程：概覽
內(nèi)容摘要：CEO 需要考慮AI智能體轉(zhuǎn)型旅程中的關(guān)鍵步驟。
