关于德勤AI研究院
德勤AI研究院™帮助组织连接充满活力、快速发展的AI生态系统的不同维度。研究院引领跨行业的应用AI创新讨论，提供前沿见解，以推动“协作时代”中的人机协作。
德勤AI研究院致力于推动人工智能对话和发展，激发创新，探讨AI实施的挑战及应对之道。研究院与学术研究团队、初创公司、企业家、创新者、成熟AI产品领导者和AI远见者等组成的生态系统合作，探索人工智能的关键领域，包括风险、政策、伦理、工作和人才的未来，以及应用AI的案例。结合德勤在人工智能应用方面的丰富知识和经验，研究院帮助解读这一复杂的生态系统，提供有影响力的视角，助力组织通过知情的AI决策获得成功。
无论您处于AI之旅的哪个阶段，无论是担任董事会成员或C级领导，为您的组织制定战略，还是作为数据科学家，将AI战略付诸实践，研究院都能帮助您深入了解全球组织如何利用AI获得竞争优势。访问德勤AI研究院，获取我们完整的研究成果，订阅我们的播客和新闻通讯，并参加我们的线下见面会和现场活动。让我们共同探索AI的未来。
内容
关键要点
- AI代理正在通过扩展生成式AI（GenAI）和典型语言模型的潜在应用，重塑各行各业。
- 多代理AI系统可以显著提升单个AI代理的输出质量和工作复杂性。
- 具有前瞻性的企业和政府已经在各种用例中实施AI代理和多代理AI系统。
- 高层领导者应立即采取行动，准备并拥抱这一智能化组织转型的新时代。
引言...........................................................................4
AI代理:..............................................................................5
它们的不同之处以及它们的重要性
多代理AI系统:..................................................................7
增强AI代理的潜力
AI代理和多代理AI系统的关键优势:.........................................7
AI代理为当今的组织解锁的优势
战略洞察力转型:..........................................................8
多代理AI系统的真实世界案例
通过目标导向的用例实现影响:..............................................11
AI代理如何改变行业和企业领域
启用新的工作方式和创新的视野:...............................13
对战略、风险、人才、业务流程和技术的影响
前路:........................................................................15
随着AI代理的持续演进，我们的预期
为下一个组织转型时代绘制路线图:.........................16
领导者现在应采取的推荐行动
联系信息 & 注释.................................................................17
简介
我们如何才能更快、更高效地运作？
这个问题一直是战略议程的核心问题，但生成式 AI（GenAI）正在帮助我们找到新的答案。通过从自然语言提示生成创新的输出，GenAI使企业在各类业务任务中显著提升速度和生产力。然而，典型语言模型的应用场景仅仅开始展现出GenAI的变革潜力。在这个快速发展的AI时代，是时候进行更大胆的思考：从简化常规任务到重新设计整个工作流程。
现在，商业和政府领导者面临的新问题是：
我们如何使用 GenAI 重新构想业务流程？
如今大多数组织使用的大语言模型（LLMs）和基于GenAI的工具主要作为有用的助手：由人工输入提示，GenAI迅速生成输出。然而，这种交互主要是事务性的，且范围有限。
如果GenAI不仅能响应请求，还能计划整个流程以帮助解决复杂需求会怎样？如果GenAI还能够获取所需的数据、数字工具和上下文知识，自主协同完成从始至终的流程会怎样？
随着AI代理和多代理AI系统的出现，这一愿景正逐步成为现实——它们代表了人类与AI协作潜力的重要进展。领先的企业和政府机构已经看到了AI代理的价值，并将其付诸实践。
本文将探讨AI代理为何具有如此突破性的意义。随后，我们将揭示它们如何在包括政府和公共服务在内的行业中重新塑造行业格局，推动新的应用场景，增强自动化，并加速智能组织转型的未来。
适应或落后：2023年底，近六分之一的受访商业领袖表示，GenAI已经改变了他们的业务。
AI代理：是什么让它们与众不同——以及为何重要
要理解AI代理的潜在价值及其在扩展自动化方面的作用，首先需要了解它们与如今商业领导者熟悉的语言模型和GenAI应用程序有何不同。
AI代理是可以理解上下文、规划工作流程、连接外部工具和数据，并执行操作以实现特定目标的推理引擎。
尽管这听起来与独立的大语言模型或GenAI应用程序所能做的内容类似，但其中存在使AI代理更为强大的关键差异。（参见表格，第6页。）例如，典型的大语言模型驱动的聊天机器人通常在理解多步骤提示方面能力有限，更别说从单一提示规划和执行整个工作流程了。它们遵循传统应用程序的“输入-输出”范式，在面对需拆解为多个小任务的请求时可能会产生混淆。同时，它们在处理任务序列时也存在困难，尤其是在需要考虑时间和文本上下文的复合任务上。这些局限性在小语言模型（SLMs）中更为明显，因为它们在训练数据量较小的情况下，通常以牺牲知识深度和/或输出质量为代价来换取计算成本和速度的提升。
因此，早期的GenAI应用场景大多局限于独立应用程序，例如基于客户搜索历史生成个性化广告，审查合同和法律文件以识别潜在的监管风险，或在药物研究中预测分子行为和药物相互作用。
AI代理在应对这些限制方面表现出色，同时还可利用领域和任务专用的数字工具的能力来有效完成更复杂的任务。例如，配备长期记忆的AI代理能够记住客户和公众的互动记录——包括电子邮件、聊天记录和电话沟通——在各数字渠道中持续学习并调整个性化推荐。这与通常仅限于会话信息的大语言模型和小语言模型形成对比。此外，AI代理可以自动化端到端流程，尤其是在需要复杂的推理、规划和执行的场景中。
AI代理正在通过业务流程自动化为企业生产力和项目交付开辟新的可能性。那些曾被认为过于复杂的GenAI应用场景如今可以在规模化下安全高效地实现。
换句话说：AI 代理不仅仅是互动。它们能够更有效地代表用户进行推理和行动。
一种新的人机协作范式
通过推理、规划、记忆和行动的能力，AI 代理克服了典型语言模型的关键局限。
| 典型语言模型 | AI 代理 | |
| 应用范围 | 自动化任务 | 自动化整个工作流/流程 |
| 规划 | 不具备规划或协调工作流的能力 | 创建并执行多步骤计划，以实现用户的目标，并基于实时反馈调整行动 |
| 记忆与微调 | 不具备记忆功能，微调能力有限 | 利用短期和长期记忆，从过去的用户互动中学习并提供个性化的响应；记忆可以在系统中多个代理之间共享 |
| 工具整合 | 本身并未设计用于与外部工具或系统集成 | 利用API和工具（例如数据提取器、图像选择器、搜索API）增强语言模型的内在能力以执行任务 |
| 数据整合 | 依赖于静态知识，训练数据具有固定的截止日期 | 动态调整到新信息和实时知识源 |
| 准确性 | 通常缺乏自我评估能力，仅限于基于训练数据的概率推理 | 可以利用任务特定的能力、知识和记忆来验证并改进自身及系统中其他代理的输出 |
多代理AI系统：扩展AI代理的潜力
虽然单个AI代理能够带来显著提升，但当多个代理协同工作时，AI代理的真正变革性力量得以展现。这样的多代理系统能够发挥特定角色的优势，使组织能够自动化并优化单个代理难以独立完成的复杂流程。
多代理AI系统采用多个特定角色的AI代理，以理解请求、规划工作流、协调角色特定的代理、简化操作、与人类协作并验证输出。
多代理AI系统通常包括标准任务代理（例如用户界面和数据管理代理），以及专门技能和工具代理（例如数据提取器或图像解析代理），共同实现用户指定的目标。
每个AI代理的核心是提供语言和上下文语义理解的语言模型——具体使用同一个或不同的语言模型取决于用例。此方法允许某些代理共享知识，而另一些代理在系统中交叉验证输出，从而提高过程的质量和一致性。为代理提供共享的短期和长期记忆资源，进一步减少了在规划、验证和迭代阶段对人类提示的需求。
此概念通过团队或机构的方式扩展了单个AI代理的可能性。通过将复杂流程分解为多个任务，分配给专门优化执行这些任务的代理，并在每个工作流阶段协调代理与人类的协作，这种系统更有可能实现更高质量、更快且更可靠的结果。2,3
换句话说：多代理AI系统不仅能代表用户进行推理和行动，还可以在数分钟内协调复杂的工作流。
Al 代理和多代理 AI 系统的主要优势
能力 - AI 代理可以自动完成与多种工具的交互，以执行独立的大语言模型无法完成的任务（例如，浏览网站、定量计算）。
生产力 - 相较于独立的大语言模型需要不断的人工输入和互动来达到预期结果，AI 代理能够根据单次提示规划并协作完成复杂的工作流程，从而显著加快交付进程。
自学习 - 通过使用短期和长期的上下文记忆资源（这些通常在预训练语言模型中不可用），AI 代理能够随时间迅速提高输出质量。
适应性 - 随着需求变化，AI 代理可以推理并规划新方法，快速引用新数据和实时数据源，并与其他代理协作完成和协调输出。
准确性 - 多代理 AI 系统的一个关键优势在于可以使用“验证”代理与“生成”代理进行互动，测试并提升质量和可靠性，作为自动化工作流程的一部分。
智能 - 当专注于特定任务的代理协同工作时，每个代理应用其记忆、工具和推理能力，使机器驱动的智能达到了新的高度。
透明性 - 多代理 AI 系统通过展示代理如何协同推理和交流，增强了对 AI 输出的解释能力，提供了关于集体决策和达成共识过程的清晰视角。
战略洞见的变革
无论行业如何，每个组织都会参与到研究、分析和报告工作中，这些工作涉及经济状况、客户和利益相关者偏好、政策和定价策略等多个主题。
传统上，这些项目需要技能娴熟的分析师完成多步骤流程，包括使用研究和分析工具以及内部专家知识，整个过程耗时较长。
以下是一个传统研究项目的典型流程。
尽管这种方法有效且可重复，但它是...
- 耗时：完成单份报告可能需要数天或数周，难以抓住新兴机会。
- 效率低下：技能娴熟的分析师必须执行许多重复活动，削弱了他们对更高层次分析的关注。
- 难以扩展：公司和政府机构在招聘和保留足够的技能和经验丰富的分析师来扩展研究能力方面面临挑战。
德勤开发了一种多智能体 AI 系统，可以简化并优化研究和报告的每个步骤。以下是该系统的工作原理。
除了具有高效、可重复性之外，这种 AI 代理驱动的方法还具备…
- 快速：一份优质报告可以在不到一个小时内立即生成。
- 高效的：专业人员可以专注于验证、迭代和完善报告。
- 高度可扩展：实质上，该系统提供了一个由技能丰富的数字工作者组成的即时团队。
有效且高效的工作依赖于通过精心策划的流程和合适的工具来增强创造力和知识。这正是 AI 代理和多智能体 AI 系统的优势所在。
通过有针对性的用例实现影响
各行各业的组织已经在利用 AI 代理和多智能体系统的潜力来转变流程，提高效率，并扩大影响力。让我们来探索四个目前可能实现的用例——两个特定行业的用例和两个可应用于任何业务的用例。
案例 1
个性化金融咨询与财富管理
行业：金融服务
金融咨询服务通常依赖于基于年龄、收入和风险承受能力的客户广泛分类。这种方法往往会忽略个体财务状况和目标的复杂性。在当今快速变化的金融环境中，个性化、适应性强的财务建议需求日益增加。多智能体 AI 系统可以分析多样的数据源——包括客户的财务历史、实时市场数据、人生事件，甚至是行为模式——帮助顾问制定适合个体的财务计划和投资策略。AI 代理还可以在环境变化时持续监控并调整建议。
使用 AI 代理实现的潜在优势：
超个性化：根据每位客户的具体需求和目标定制财务建议，考虑到其他方法可能忽略的因素。
持续微调：根据市场条件或个人情况的变化自动更新财务计划和策略。
提升客户满意度：通过提供更相关且及时的建议，加强客户关系，提高客户保留率和满意度。
增强的可扩展性：为更多客户提供高质量、个性化的建议，同时不增加服务成本。
案例 2
动态定价与个性化促销
行业：消费者市场
标准定价策略通常依赖静态模型，无法考虑实时的市场状况、客户行为或库存水平。多代理 AI 系统可以迅速整合基于大量实时数据的分析，例如竞争对手定价、客户购买历史和季节性趋势，以动态调整价格。此外，它们可以根据每位客户的偏好、特征和购物习惯个性化促销，旨在提高转化率并提升客户满意度。
使用 AI 代理实现的潜在优势：
更快速的适应能力：根据市场变化、库存水平或客户需求即时调整价格，以优化收入。
个性化优惠：根据每位客户的偏好和行为定制促销，提高购买可能性。
更高的盈利能力：通过持续优化价格和促销来最大化利润和减少折扣。
案例 3
人才招聘与招募
领域：人力资源 (HR)
传统的招聘流程通常涉及手动简历筛选、重复的候选人评估和大量的行政工作，导致效率低下。AI 代理可以通过自然语言处理自动化端到端的招聘流程，包括分析简历、根据技能和经验评估候选人，并通过生成式 AI 驱动的虚拟形象进行初步面试。这些系统可以与 HR 专业人员合作，确保快速识别、优先处理合格的候选人，并将他们高效地推进到招聘流程的后续阶段，同时遵循相关法规。
使用 AI 代理实现的潜在优势：
提高效率：自动化任务，使 HR 团队能够专注于战略性活动，缩短招聘时间。
改进候选人匹配：分析更广泛的数据点，帮助更准确地将候选人与职位匹配，提高招聘质量。
减少偏见：通过标准化候选人评估并关注技能和经验，AI 代理可以帮助减少招聘过程中的无意识偏见。
动态可扩展性：处理大量申请，更便于管理招聘活动或同时为多个职位招聘。
案例 4
个性化客户支持
领域：客户和受益人服务
传统的客户和受益人支持系统通常依赖脚本式互动，可能无法解决复杂或独特的查询，导致客户沮丧和问题升级。相比之下，多代理 AI 系统能够理解自然语言请求，并根据客户的历史、偏好和实时背景生成相关且自然的响应。这些先进系统可以有效处理许多复杂的查询，减少转接到人工客服的需求，同时提高客户/受益人的满意度。
人工智能代理带来的潜在优势：
更高的一致性和可扩展性：人工智能代理可以全天候24/7工作，不会疲劳，无论查询量多少，都能保持一致的服务质量。
改善客户体验：每次与客户的互动都可以根据个体需求进行调整，从而提高客户满意度和参与度。
效率递增：每次互动的学习能力有助于缩短响应时间，提高质量，并释放人工服务代理的时间，以便专注于更复杂的客户请求。
开启新的工作方式和创新视野
随着语言模型的不断发展，人工智能代理和系统有望成为核心业务和政府活动（如产品开发、监管合规、客户服务、选民参与、组织设计等）的战略资源和效率推动者。我们看到一个未来，代理将彻底改变基础的商业模式和整个行业，推动新的工作方式、运营模式和价值交付。
这就是为什么对于高层领导和公共服务领导者来说，提前为人机协作和商业创新的下一个阶段做准备非常重要。
让我们探讨一些在这个快速变化时期应考虑的新思维和领导方式。
战略意义
领导者应开始将人工智能代理和多代理人工智能系统纳入整体战略和未来路线图。这意味着重新构想业务流程，投资人工智能能力，并培养创新文化。组织应制定清晰的人工智能代理采纳路线图，明确识别可以最大程度推动价值和影响更广泛业务目标的关键领域。
有效的变革管理对于成功整合至关重要。领导者应仔细思考如何应对组织抵抗、提供培训，并确保员工理解人工智能代理的价值和好处。这包括制定全面的沟通战略，以确保在整个采纳过程中员工和其他利益相关者能够获得信息并保持参与。
重点关注领域
·识别并优先考虑人工智能代理能够产生最大、最直接影响的业务和服务领域。
风险意义
人工智能代理带来了新的风险，要求建立强有力的安全性和治理结构。一项重大风险是人工智能算法和训练数据中的潜在偏见，这可能导致不公平的决策。此外，人工智能代理可能会受到数据泄露和网络攻击的影响，从而危及敏感信息和数据完整性。人工智能系统的复杂性也带来了潜在的意外后果，可能由于人工智能代理表现出不可预测的行为或做出与组织目标不一致的决策。
为了管理这些风险，重要的是为代理的互动设定明确的参数，监控运营指标，并持续确保数据伦理、隐私、安全性和完整性。随着人工智能代理的整合进入核心业务流程，企业范围的治理框架，包含关于数据使用、伦理和安全的准则，将进一步帮助减轻风险。该框架应确保遵守相关法规，并包括对人工智能代理互动的持续监控。高级安全措施，如加密和多因素认证，可以帮助防范数据泄露和网络攻击。为员工提供培训和意识提升计划，可以通过帮助员工理解与人工智能代理合作的伦理和操作性考虑，提供额外的防护。
重点关注领域
·识别围绕数据使用、人工智能代理相互互动及与工具的互动、伦理等方面可能出现的品牌和运营风险。
·确保对模型输出进行有效的测试和验证。
·实施一个定期审查和更新的人工智能代理治理框架，以应对人工智能技术的演进。
·监控人工智能代理特有的新兴风险，如“代理自治”——即代理在最小人类监督下做决策时可能带来的意外后果风险。
·开发强有力的培训计划，帮助员工理解并使用人工智能代理，从而提高生产力和效率。
人才意义
人工智能代理的实施可能会改变传统的劳动力结构。随着人工智能代理接管例行和低价值任务，对设计、实施和操作这些系统的人工技能需求可能会大幅上升。领导者应思考，在构建这些能力的过程中，涉及哪些新角色、职位描述和岗位架构，并如何识别、招聘、培训和留住这一专业人才。
除了对技术人才的影响外，企业领导者还应准备帮助各类员工学习如何与人工智能代理合作，甚至识别新使用场景，从而改进流程。如果部署和管理得当，人工智能代理可以为人机协作开辟新的潜力领域——但这一潜力取决于员工理解、接受并能够执行新角色。
重点关注领域
·沟通人工智能代理的好处，帮助员工适应新的工作方式。
·培养创新和持续学习的文化。领导者应灌输与人工智能代理相关的创新和适应性思维方式。
·探索重新设计岗位架构、工作流程和绩效指标，以反映人类与人工智能代理协同工作的全新现实。
商业流程的影响
人工智能代理和多代理人工智能系统要求对商业流程进行仔细的人力评估——有时需要从头开始。尽管代理将在一段时间内重新定义许多核心流程，但人工智能代理今天可以融入现有的运营模式，提升当前流程的效率，而无需进行完全的系统重构。这种方法使得组织能够逐步采纳低风险的代理解决方案——但需要精心规划、管理和对齐，以确保人工智能代理能够提升人类和/或其他技术解决方案已经做得好的部分。
在那些人工智能代理确实适用的用例中，人工干预仍然至关重要，特别是在需要判断、验证和关键决策的任务中。这种合作对于确保人工智能输出准确、可靠和有效至关重要。在这一范式下，所有与人工智能代理合作的人都充当管理者——通过提示发出指令、澄清请求、监控进展、审查输出并根据需要请求或进行更改。
重点领域
· 确保在代理被融入现有业务流程时，这些流程依然有效，同时推动更高的效率和价值。
· 建立持续监控和改善人工智能代理表现的流程。这包括收集和分析人工智能代理的表现数据，识别改进机会，并根据需要进行更改，以优化其表现。
技术和数据的影响
实施人工智能代理可能需要高昂的成本，涉及大量的技术和基础设施投资。组织应仔细评估价值主张和投资回报；并制定分阶段的用例方案，重点关注“低悬果”（即更简单的用例），为更复杂的激活奠定基础。
高质量的数据是人工智能代理有效工作的基础。如果数据不准确、不完整或不一致，代理的输出和行动可能不可靠或不正确——从而引发采用和风险问题。因此，投资于强大的数据管理和知识建模至关重要。
采用值得信赖的人工智能实践是缓解风险并确保伦理部署的关键。这包括开发公平、透明、负责任的人工智能代理解决方案，并解决人工智能模型中的潜在偏差问题。
重点领域
· 建立正确的技术基础设施，以支持人工智能代理的采纳和实施（例如，人工智能编排平台和可扩展的数据湖）。
· 确保数据得到妥善组织、及时更新，并可供人工智能代理访问。这包括制定明确的数据治理政策和流程，并持续获取实时数据流，以便进行动态、准确的决策。
· 建立监控和管理人工智能代理和多代理人工智能系统表现与伦理的流程。没有透明和可信的人工智能，客户信任和合规性将面临风险。
前进的道路
人工智能代理协作的时代仍处于初期阶段。尽管企业和技术提供商的兴趣正在增长，但全面的解决方案尚不普遍。需要进行大量的技术工作——特别是在推理和规划能力方面，这将使人工智能代理得以实现。
改进可能会迅速到来。近年来，生成式人工智能工具在推理和代理编排能力方面已经取得显著进展。许多风险投资公司正在广泛投资于与人工智能代理相关的技术领域，今天的许多领先的生成式人工智能和技术提供商也在加大投资。目前所能获得的只是未来发展的冰山一角。实际上，我们预计，在未来12个月内，核心语言模型、人工智能代理和代理编排平台将经历显著的演变。
面向未来的领导者不会袖手旁观。在各行各业，许多公司已经开始设计、测试，甚至在某些情况下实施代理。
引领组织转型新时代
人工智能代理和多代理人工智能系统不仅仅是技术进步的象征。它们代表了组织如何自动化流程、改善人机协作、生成洞察并动态应对复杂挑战的根本转变。它们提供了在多个职能领域释放巨大价值的潜力——从提升客户互动和优化供应链到推动产品开发和服务交付的创新。
实现这些利益的旅程需要深思熟虑的规划、战略投资和致力于培育接受持续改进和技术进步的文化。通过将人工智能代理计划与核心业务目标对齐，投资于正确的基础设施，并培育创新文化，您的组织可以在这个由人工智能驱动的商业转型新时代中处于领先地位。
现在是行动的时机
生成式人工智能工具正在迅速发展——且这种演变在未来几年内不太可能放缓。同样，人工智能代理已经被跨行业的公司以及主要技术提供商实施。因此，探索初步应用/用例并为未来的基础性商业转型奠定基础变得至关重要。
为了开始您自己组织的旅程，可以考虑以下行动：
1 评估和优先排序用例
首先全面评估当前的运营，识别出人工智能代理能够增加价值的高影响领域。重点关注那些适合自动化、涉及复杂决策和/或需要快速适应的流程。优先考虑这些用例，以实现快速成功并展示切实的价值。
2 制定战略人工智能代理路线图
将您的人工智能计划与更广泛的商业和使命目标对齐，制定详细的路线图，概述将人工智能代理整合到运营中的方式。此计划应包括明确的里程碑、时间表和成功指标，以指导人工智能代理驱动的能力在组织中的部署。
3 人才发展 投资基础设施与人才
确定并建立支持人工智能代理所需的基础设施，包括可扩展的云平台、先进的数据分析工具和强大的网络安全措施。同时，投资于提升员工技能，重点发展与人工智能代理和多代理系统有效协作的技术能力。一个充分准备的员工队伍是实现人工智能代理全面转型潜力的关键。
4 风险管理 实施强有力的数据治理
随着人工智能代理成为运营的核心，建立强有力的治理框架来管理相关风险非常重要。实施政策，确保数据的完整性、安全性和伦理使用，同时持续监控人工智能的互动，以防范偏见和不良后果。同时，合规性应始终是首要任务。
5 培养创新文化
实验和持续学习对成功至关重要。鼓励您的团队探索生成式人工智能的新应用，并在初期部署的基础上进行迭代，以推动持续改进。通过将创新融入组织的文化中，您可以在快速变化的商业环境中保持竞争优势。
