不是特工，是系统

如何推进多智能体AI发展 作者 自主AI目前处于许多企业的规划与试点阶段，鲜有企业大规模实施。其出现恰逢人们日益认识到，AI项目往往需要比预期更长的时间才能带来显著的营收与利润改善。本观点阐述了尽管存在可以理解的犹豫，但转向多智能体AI所能带来的好处，并说明了系统化方法如何在保持充分安全措施的同时实现收益。 乔里·萨明·迈克尔·马斯特托马斯·蒂勒博士埃米利奥·拉皮埃洛马特奥·皮斯科波 代理团队，由一名代理管理其他代理。供应商声称已内置企业部署所需的关键功能（例如，安全、合规、审计追踪和工作流引擎）。 人工智能如何成为能动者 在生成式人工智能（GenAI）完全普及和规模化应用之前，下一波浪潮——智能体式人工智能——已经全面展开。在《观点》文章“超越提示：为智能体式人工智能时代构建商业”中，我们探讨了从生成式人工智能向智能体式人工智能的转变，包括我们预测的市场增长将从目前的约70亿美元增长到2030年的450亿美元，增幅近50%。 早期的多智能体用例包括跨学科任务，例如软件开发、客户支持和金融服务入职。例如，MetaGPT是一个开源框架，允许用户创建一个跨学科的AI智能体团队来开发软件解决方案。类似地，用于客户支持的多智能体解决方案汇集了分别专注于客户接待、数据检索、决策、执行、合规检查和监督（包括升级给人类）的各个AI智能体。这些解决方案旨在减少处理时间，提高准确性，并增加可靠性，同时保持充分的个性化。 与响应提示并遵循静态规则的生成式人工智能（GenAI）不同，具身智能（agentic）AI系统以目标导向的智能行事。具身智能AI本身并非新生事物。自动驾驶汽车代表着早期具身智能能力的第一波浪潮，这些能力能够感知、推理和行动，以引导车辆驶向目的地，同时不断学习和适应。新的变化在于，将这种感知、推理、行动和学习的能力应用于新一代的商业AI工具（见图1）。 多智能体AI有望成为从AI中获取显著商业价值的关键。通过更深入地融入核心流程——并更紧密地模拟人类协作方式——它比传统的或单一智能体AI工具（这些工具通常专注于孤立的任务）具有内在的更强能力。正如DeepLearning.AI的创始人Andrew Ng所论证的，对于大多数企业而言，最大的AI机遇在于构建利用智能体工作流程的应用，而不是仅仅专注于扩展传统的AI模型。 进化速度很快。三年前，首次推出了单一AI代理，使大型语言模型（LLM）能够调用API、搜索和运行代码。2023年，像AutoGen这样的工具出现了——这是一种多代理框架，具有基于角色的代理，它们相互交谈并与人类交谈以完成复杂任务。在过去的两年里，像微软、谷歌和AWS这样的供应商推出了多代理平台，能够部署协调的 人工智能似乎正经历一个比预期更深沉的幻灭低谷。 要是事情有那么简单就好了 不幸的是，新的多智能体解决方案和收益主张恰逢许多大企业对AI投资回报感到失望之际。例如，麻省理工学院（MIT）的《2025年商业AI状况》报告发现，尽管企业对生成式AI（GenAI）的投资达300亿至400亿美元，但95%的组织并未获得任何回报。此外，尽管近半数公司已部署通用大型语言模型（LLM），但只有5%成功将特定任务的生成式AI从试点阶段推进下去。虽然部署与可衡量的商业影响之间存在滞后是新兴技术常见的现象，但AI似乎正经历一个比预期更深沉的幻灭低谷。 已投资的高管 在人工智能工具（包括单个AI代理）上投入显著，但收效甚微的情况下，人们可以理解地不愿在多代理AI上追加新的投资。在GenAI在企业内部变得更加成熟之前，再进行下一阶段的技术开发，这种想法很自然。然而，早期的案例表明，在不同时解决运营模式和采纳挑战的情况下等待AI“成熟”，只会延迟价值，并可能导致下一波技术重复试点到量产的陷阱。 商业媒体已探讨造成这种脱节的各种原因——包括数据质量基础薄弱、倾向于在试点阶段停滞不前而非推动流程变革、过度依赖通用“横向”AI工具和助手而非特定领域的解决方案、对人文维度关注有限，以及与财务指标缺乏协同。这些问题中的共同因素是，过于强调AI工具本身，而非对更广泛系统（数据、流程、组织、人员及治理）的变革。只要AI局限于单一任务或助手角色，这种缺乏关注或许尚可理解。这也是多智能体AI具有更大转型潜力的原因。 立即转向多智能体AI的理由 人工智能史上首次，出现了一个能够增强整个流程而非仅仅是单个步骤的系统。这代表了已经开始出现的代理原型的自然演进（见图2）。 确实，即使通用人工智能（GenAI）尚未展现其全部价值，也有充分理由尽早转向多智能体人工智能。 基础投资是相同的。实施AI工具的公司已经投资了关键的基础设施，例如提升数据质量和结构；现代化集成架构；以及通过提示、监控和决策监督来提升团队技能，以专注于人机协作。对于多智能体AI来说，这些基础设施是相同的，因此额外的投资是双赢的。 重要的是，多智能体AI并非解决这些问题的技术方案。它并不会消除流程再造、员工采纳和变革管理的必要性——事实上，它反而提高了标准。多智能体AI应被视为一种协调能力，它能够实现端到端的流程变革，但其价值仍取决于组织是否将其嵌入日常（更新）工作流程、重新定义角色与决策权，并积极管理采纳过程。 多智能体技术已趋于成熟。经过过去两年的快速发展，全球生态系统已开始提供企业级的多智能体AI工具。来自微软、谷歌云、AWS、Anthropic、LangChain和CrewAI等主要供应商的平台提供了内置的智能体和自动化层。尽管将技术整合到组织核心需要谨慎实施，但即插即用的集成框架和API易于部署、访问且安全。治理、合规和负责任的AI工具正变得越来越标准化。 采用系统方法 在企业中实施多智能体AI需要关注数据、流程、组织和治理。亚瑟·D·利特尔建议以下三个步骤。 1.规划出能带来最大可衡量价值的流程 寻找那些多角色、依赖多种数据和信息来源、决策既依据规则又依赖判断，并且是高容量的（因此本质上成本高昂）的流程。选择那些能产生可观察、可逆结果的流程，以便能够管理与失败相关的风险。 多智能体技术最终能够兑现人工智能的投资回报承诺。由于多智能体人工智能能够实现真正的流程变革，它可以帮助企业摆脱“低谷”，从而从其人工智能投资中获得预期的业务效益。为了保持竞争力并避免日后苦苦追赶，企业需要立即行动。 请务必考虑变革准备情况：明确流程所有权、利益相关方协同一致、一线员工采用新工作方式的意愿，以及衡量遵从度和成果的能力。 若没有这些，即便是设计良好的代理也仍将停留在试点或并行运行模式。当流程跨越组织壁垒而非关注个体任务时，效益更为显著。好的例子包括客户管理、IT运营、市场营销、商业/合同职能、供应链规划以及财务行政。映射工作应包括明确工作流、角色、交接/接口、治理和风险。纽约银行（BNY）是多重代理如何嵌入支付验证和代码修复等流程的一个良好范例（参见侧栏）。 3.建立规范并维护人工智能作为辅助劳动力 重要的是要认识到AI仍然会出错，且在表达不确定性方面表现不佳。例如，哥伦比亚大学托尔中心在2025年进行的一项研究表明，当要求八家领先的AI搜索引擎和大型语言模型系统查找报纸文章中的事实时，平均错误率高达60%。大型语言模型追求的是合理性而非事实。在具有自主性的场景中，这些错误可能演变成实质性的商业风险，威胁到控制力、合规性和品牌完整性。多智能体系统进一步增加了挑战：脆弱性可能被放大。每个智能体都有非零的错误概率，当多个智能体将工作产品、假设或检索到的事实传递给下游时，小错误可能会传播和放大。这就是为什么更多智能体并不自动意味着更高可靠性——可靠性必须在整个系统中进行设计。 2.将代理嵌入工作流并调整运营模式 已识别出最适合AI代理的过程和角色，分析并重新定义它们以适应增强型自动化。在此过程中，需考虑端到端流程，以AI为导向重新思考，并构建多代理团队，而非应用单个AI工具。务必定义感知、推理、行动和学习功能，以及护栏、升级和自主权边界。在大多数情况下，需要重新审视围绕该流程的运营模式（工作方式、资源分配、组织结构和治理安排）。结构化变更管理可能包括针对新的人机协作任务的培训和认证、更新后的流程、与采用相关的激励措施（而非变通方法），以及在代理和人类共同生产工作时对结果的明确问责制。 与人类一样，流程和护栏也可以设计来应对人工智能代理的错误。实用的措施已经出现。验证和确认层应成为标准，其中许多可以自动化。代理应交叉检查自身输出，比较推理路径，对照结构化数据进行验证，并标记不一致之处。领域专家（参与其中的真人）在操作模式中仍然至关重要，他们需要定义“正确”的标准，预见边缘情况，并在自动检查失败时裁定例外。在实践中，这意味着要设计优雅降级：限制高风险行为的自主性，在关键决策点引入审批关卡，并在关键处使用冗余。 例如，包括用于执行验证和确认的独立监护代理、基于规则的验证器，或针对源系统的确定性检查。组织必须开发诸如识别幻觉、自动化验证管道设计、场景分析（“这个代理可能出错的地方是什么？”）以及在何时信任系统、何时介入的操作规则等能力。这意味着代理式AI需要入职培训、训练和迭代（类似于人类劳动力）。 同样地，根据工作需求调整能力也很重要——并非所有情况都需要大型语言模型。为了提高可靠性并减少与预期结果的不确定性偏差，在受限、高控制的任务中，小型语言模型可以发挥作用。小型语言模型提供了更强的可控性、领域特定性、在受限任务中更低的幻觉率，以及能够以更高精度将输出与内部系统进行验证的能力。 花旗集团部署了谷歌的Gemini 3 混合金融材料，并要求模型解读和综合其中的重要部分。由于部署的关键方面在于安全与合规，因此正在为该技术能查看、决策和升级的内容设定清晰的边界。每个代理在上线前都必须通过内部模型风险审查，并且系统受严格的访问控制管理，以确定其被允许使用的信息。部署后，团队每日监控代理的表现，并将这些结果纳入持续反馈循环。 BNY正将其技术工作流程中部署超过100名数字员工，以简化流程并提高效率和无缝性。该银行的内部AI平台Eliza目前已支持超过120项自动化任务。例如，AI代理已被部署在客户入职环节，员工负责收集文件、验证身份和税务表格、查找关键信息、查询风险信息，并将所有信息录入内部系统。2025年11月推出的Gemini 3能够同时解释文本、图像、表格、PDF和音频，以便员工可以加载 结论 立即行动，关注系统而非模型 多智能体AI能够解锁生产力、速度和决策质量上的飞跃式进步，正是因为它实现了端到端的协同编排。 推迟多智能体人工智能，直到传统人工智能证明其价值，这种想法很有诱惑力，但我们建议采取不同的路径。现在行动并不意味着增加更多技术；它意味着加速将人工智能嵌入业务流程和决策权，并在一线推动采用的运营模式和变革管理工作。多智能体人工智能能够解锁生产力、速度和决策质量的飞跃式进步，正是因为它能够实现端到端的协调，而不是孤立的任务自动化。然而，如果缺乏管理，多智能体架构可能会放大错误，因此，工程化可靠性（例如，护栏、验证规则、升级路径和监控）必须被视为系统的一部分，而不是事后考虑。获胜的企业将是那些重新设计流程和机制，并围绕不完美的模型构建稳健、有弹性的系统，正如它们已经为人类那样做的那样。 自1886年以来，Arthur D.Little始终站在创新的前沿。我们是公认的思想领袖，专注于将战略、创新与转型应用于技术密集型及融合型产业。我们帮助客户穿越变化的商业生态系统，发掘新的增长机遇，并赋能客户构建创新能力、推动组织转型。 我们的顾问拥有丰富的实践经验，兼具对关键趋势和动态的深刻理解。ADL 遍布全球主要商业中心。我们自豪地服务于大部分财富1000强公司，以及其他顶尖企业和公共部门组织。