纵览全局：人工智能

看清大局 目录 引言 代理在上下文中的使用 人工智能速度 代理用例 架构变更 在代理中的安全性 实现代理 S&P全球为客户应用部署代理人工智能 作者 Eric Hanselman,标准普尔全球市场情报公司 451研究 首席分析师谢丽尔·金斯顿,全球市场信息公司 451 研究 客户体验研究主管斯科特·克劳福德，全球市场信息公司451研究信息安全研究总监 额外支持： 克里斯蒂娜·米切尔,编辑管理器、编辑、设计与出版、S&P全球Matt Blumenfeld,高级编辑总监，编辑、设计与出版，S&P环球肖恩·隆格里亚,总编辑，中央洞察，S&P全球市场情报stephanie oxford,编辑管理器、编辑、设计与出版、S&P全球马修·希克高级编辑，视觉，编辑，设计与出版，S&P全球埃伦·怀特高级编辑，编辑部、设计及出版，S&P 全球卡拉·唐纳希高级设计师，编辑，设计与出版，S&P全球 2026年人工智能展望 释放代理潜力 引言 人工智能在技术和市场讨论中日益增长的主导地位难以忽视，但人工智能技术和生态系统的变革才刚刚开始。虽然这项技术向代理功能的转变还处于早期阶段，但理解这是如何塑造人工智能发展和技术市场的至关重要。 关键的。推动采用步伐的是那些希望捕捉提高生产力和运营速度承诺的企业。然而，代理会引入新的风险，并且它们活动的密度可能会增加人工智能对基础设施能力施加的负担，并加剧有关可持续性的相关担忧。 夺 转向自主功能会改变AI架构和基础设施利用率。在与AI的基于聊天的交互中，交互是迭代式的，由人类的提示来控制节奏，而代理更高的自主性释放了更高水平的请求需求。与代理相关的挑战被放大，这意味着在数据安全、治理和基础设施准备方面的任何差距都可能成为不谨慎的组织可能坠入的深渊。自主功能承诺巨大的改进潜力，但可能需要加大AI努力才能实现。 上下文中的代理 早期工作中很大一部分用于构建人工智能能力，主要集中于训练和实施人工智能模型及生态系统。而代理使焦点转移到让人工智能投入使用，将训练模型的输出、将新数据传递给模型进行评估的推理过程，以及利用这些来执行操作。在基于聊天的交互中，用户必须通过创建提示并汇集补充信息来为模型构建上下文，以框定它生成的答案。代理 方法从提示工程转向上下文工程，即确保为模型工作建立最佳上下文的过程。作为代理行动周期的组成部分，模型结果会生成更多数据，有效的代理系统评估这些数据以构建上下文来指导下一步。有效的代理系统与多个模型协同工作，并理解在推理过程的每个阶段生成的输出的相关性。 AI速率 许多组织了解自己应该花多少钱以及应该在何处投资的能力。这是一个跨越支持人工智能的供应商生态系统的问题。来自S&P全球市场情报公司Visible Alpha的分析显示，随着市场的推进，领先的GPU供应商英伟达（NVIDIA）的GPU出货量预测出现了差异。关于2025年和2026年出货量的预测，从2023年1月制定的预测到2024年底，增加了巨大。GPU出货量预测的增长是2023年初原始预测的五倍多。鉴于如此规模的扩张，规划带来了几个挑战，而代理式的热情加剧了这种压力。 存在相当大的对代理功能的需求。一份标普全球市场情报451研究企业之声（VotE）人工智能与机器学习用例研究报告发现，58%的受访者积极寻求实施代理的机会。就像人工智能的基础要素一样，各行业的公司都在竞相投资基础设施以支持这项技术。VotE人工智能基础设施研究报告显示，支出意愿很高，实际支出已超出预期。 规划和管理人工智能基础设施增长有其自身的挑战。人工智能的快速增长正超越 对代理/助手的高涨热情 新技术可能为提供更多价值开辟道路 智能体应用场景 智能代理方法显著扩展了AI用例的类型和性质。上下文深度和活动的高度自动化将智能代理AI从简单的聊天机器人式交互提升到了更强大和更全面的功能。在客户体验用例中，这意味着提供更真正可以被认为是虚拟助手的东西：这些助手根据客户的偏好来引导客户，而不仅仅是回答问题。 对于知识工作者，AI增强可以从摘要和简单分析，转变为适应新情况地承担重复性任务。IT领域的安防应用可以扩展处理操作任务的范围和规模。代理式方法可以实现早期自动化技术无法达到的服务部署自动化以及错误和攻击的修复的置信度水平。 架构变更 转向自主性放大了人工智能出现以来IT基础设施中正在进行的某些架构变化。其中最大的是数据访问。在人工智能的早期，许多企业担心他们没有足够的数据来训练新的AI模型。他们后来了解到他们有很多数据，但其使用可能受分类或质量问题限制。人工智能为数据摄取开辟了前所未有的规模，引发了数据管理的担忧。代理进一步增加了数据访问的规模和广度。简化数据访问的努力，例如Anthropic于2024年11月发布的模型上下文协议（MCP），使得消费更多数据变得更加容易，为数据管理增加了进一步的复杂性。MCP允许数据源更好地理解所提供的数据，该规范正在积极修订中，努力加强认证机制。 人工智能以空前的规模开启了数据摄取的大门，引发了数据管理的担忧。代理进一步增加了数据访问的规模和范围。 代理功能可以整合来自多个模型的数据，但这需要更仔细地评估数据来源和适用性。这是新协议寻求简化数据流动的另一个领域。谷歌的 Agent2Agent (A2A) 协议定义了一种实现自动化代理服务发现和代理之间安全通信的方法。它设想了一个由相互连接的代理组成的生态系统，这些代理协同工作以完成复杂的业务流程。 智能体操作的基础设施策略需要跨越混合环境的数据流和交互。对某些人来说，这意味着在本地和云端进行集成，这一发展已经要求增加网络容量来处理生产人工智能应用中模型和数据的移动。对其他人来说，这意味着改善与合作伙伴和服务提供商的连接，同时建立能够适应自动化交互的信任关系。 代理的安全性 围绕安全和人工智能的讨论分为人工智能安全和安全人工智能两个方面。人工智能用例涵盖了后者；前者值得更多关注。人工智能应用程序安全涉及保护模型免受滥用和屏蔽数据免受无意泄露，要么通过在模型不应看到的数据上训练，要么通过攻击模型，这些模型不应暴露它们已训练的数据。人工智能的主要优势之一是其分析大量数据的能力，而访问权限也带来了增加的风险。 一项由451 Research Security Operations进行的定制研究的成果，说明了在使用AI时风险与收益的计算。虽然这项研究探讨了在安全操作中的应用，但这些观点代表了企业评估代理使用案例的方式。一方面，AI被认为为它所支持的团队提供了更高的生产力，并在大规模分析中具有价值。另一方面，掌握和保障一项新技术所带来的风险以及实施成本引发了担忧。需要取得平衡，而代理则使达成这种平衡变得更加复杂。 代理自行行动的能力加剧了安全问题。这意味着应用程序需要额外的控制来管理这些行动。应用程序将必须信任控制的有效性，以有效限制所采取的行动。通过像MCP这样的新举措向代理提供的可用数据源的增长，需要建立对这些新数据提供者（这些提供者可能正在为代理应用程序提供数据）的信任。这种来源的激增带来了恶意提供者可能通过冒充可信数据源来访问应用程序的风险。代理应用程序的初始策略集中在构建更小、更专注的代理，以限制行动范围。由其他代理监控代理的代理团队可以提高可靠性，但它们必须能够提供用于监控的遥测数据。 代理安全的一个方面是身份和授权。早期的代理计划侧重于利用与启动它们的用户相似的身份控制。这忽视了代理如何被使用的风险。由于代理可以将和扩展其用户通常无法访问的动作，它们需要更复杂的身份控制。管理非人类身份的人员必须解决代理在为人类用户建立的信息和控制分区中工作时所产生的风险。一个代理可以访问单个人类用户无法访问的数据，并且它可能能够采取超出单个人类用户授权范围的动作。这需要扩展访问和授权策略，以保护新的代理式AI用户类别。 达成主动性 代理环境可能需要比基于聊天的系统更高水平的IT能力。聊天的交互性质是一个自然的限制，通过用户提示来调整资源消耗。代理可以在单个工作流过程中启动多个提示，并级联到启动其他代理。这给支持IT基础设施带来了更大的负担。由AI驱动的数据中心需求增加已经引发了可持续性方面的担忧，而代理操作将推动这些更高的需求。 并且自动化任务，但这些通常缺乏对它们访问的数据和采取的行动的充分监督。实现代理能力需要扩展对人工智能影响的认识。代理设计及其可能实现的方面具有巨大的潜力。将代理功能集成到软件和服务中为许多新的好处打开了大门。通过MCP等接口的数据服务的普及扩展了代理可以采取的视角和背景。必须比聊天式的先辈们更多地思考代理的使用和预期结果。代理是人工智能旅程的下一阶段，它需要在其实施中更多的成熟。 除动作控制外，智能体系统还必须包含管理其消耗资源的方式。智能体框架使终端用户更容易创建自己的智能体 标普全球部署代理式AI用于金融应用 代理设计在加速价值实现的同时确保合规性方面发挥着关键作用。我们的KYC服务通过制作者/审查者模型体现了这一点，该模型增强了人工监督而非取代它。在此模型中，一名分析师负责初始数据采集（制作者），而另一名分析师独立验证信息（审查者）。通过自动化数据检索和初步分析，人工智能被集成到该流程中，从而简化了初始数据采集并减少了分析师在重复任务上花费的时间。这种双重审查方法无缝集成到我们的质量保证工作流工具中，不仅确保了准确性并最大限度地减少了人为错误，还体现了人类专业知识和人工智能能力之间有效协作的典范。这种协同作用维护了我们70,000多个KYC档案所需的四眼质量保证标准。 塞缪尔·梅迪克,全球市场信息公司企业解决方案执行董事 代理环境可能需要更高级别的IT支持。S&P全球正通过智能代理设计转型了解客户（KYC）运营，每年可扩展至处理超过100,000个案例，覆盖250多家金融机构客户。我们的方法用编排式的AI架构取代了先前每个案例需要超过10小时的手动和半自动化流程，在这些架构中，专业的代理可以同时处理文档分析、身份验证和财务评估等不同任务。 这在处理复杂的最终受益所有人和国别关键控制人识别方面尤其明显，这是该行业最具挑战性的要求之一。与依赖人工穿越复杂的所有权层级和跨透明度较低的司法辖区的空壳公司不同，S&PGlobal的人工智能代理使用来自600多个来源的数据，以规模化的方式提取、解释和交叉验证所有权结构。通过多模态分析和搜索基础技术，我们的代理处理各种文档类型和语言，同时确保人工智能的回应与实时可验证的公共数据相关联，从而提供效率和合规监督。这种方法代表了与传统自动化方法的根本性转变，尤其是在我们的筛查和质量保证流程中表现得尤为明显。 该转型超越了运营效率，触及了金融机构在风险管理客户关系处理方式上的根本性变革。实施代理工作流程的组织不仅报告了处理时间和成本的减少，还改善了审计追踪，提高了监管合规性，以及提供了更一致的用户体验。随着这些系统的成熟，它们正成为战略差异化因素，使机构能够更快地为客户办理入网手续，更动态地应对监管变化，并在合规风险不成比例增加的情况下扩展运营。 与传统自动化相比，当我们审视我们的筛选流程时，对比尤为明显，这些流程通常占整个处理时间的一半以上。传统的机器人流程自动化也许能自动化检查制裁名单的机械方面，但我们正在开发中的AI代理则更进一步。它们旨在协助进行警报分级和解决，同时将分析师的工作量减少40%，并确保对政治敏感人物、制裁和负面媒体的零误报。 这次转变代表了金融服务技术更广泛的演进，其中人工智能代理正从实验工具转变为核心运营基础设施。成功实施这些方法的机构认识到，代理式设计并非取代人类专业知识，而是放大专业知识，并创建系统，使人类监督和人工智能能力协同工作，以实现任何一方独立都无法达成的成果。 联系方式 美洲：+1 800 447 2273日本：+81 3 6262 1887亚太：+60 4 291 3600欧洲、中东、非洲：+44 (0) 134 432 8300 www.spglobal.com/marketintellig