近八成公司报告称正在使用人工智能，但同样多的公司表示并未对盈利产生显著影响 。可以将其视为“人工智能悖论”。智能体提供了一种打破“一代人工智能悖论”的方法。这是因为智能体理有潜力实现复杂业务流程的自动化——将自主性、规划性、记忆性和集成性融为一体——从而将一代人工智能从被动工具转变为主动的、目标驱动的虚拟协作者。
这种转变带来的不仅仅是效率。座席人员能够增强运营灵活性，并创造新的收入机会。然而，要充分释放智能体的潜力，仅仅将代理插入现有工作流程是不够的。这需要以代理为核心，从头开始重新构想这些工作流程。
一、 概述：解开生成式AI的“悖论”
麦肯锡指出一个很有意思的现象，我们称之为“生成式AI（GenAI）悖论”。简单来说，就是现在差不多有八成的公司都在用生成式AI了，但同样有八成的公司表示，用了之后对公司赚多少钱没啥明显帮助。
这个悖论的核心在于，大家用的生成式AI主要分成两类：“水平型”和“垂直型”。
水平型的AI，比如企业里用的各种智能助手（Copilots）和聊天机器人，这类工具普及得很快，但它们带来的好处比较分散，很难直接体现在公司的财务报表上。
垂直型的AI，则是专门针对某个部门或某个业务流程来设计的，它们有更大的潜力直接提升经济效益。但奇怪的是，这类AI有大概九成还停留在试点阶段，没办法大规模推广。
麦肯锡认为，智能体（Agentic AI）能帮我们打破这个悖论。智能体厉害的地方在于，它们不仅能自动化复杂的业务流程，还能把生成式AI从一个被动地等你下命令的工具，变成一个能主动思考、有目标地跟你协作的伙伴。这种转变带来的不仅仅是效率的提升，它能让公司运营更灵活，甚至能创造新的收入机会。
但是，要真正发挥智能体的全部潜力，可不是简单地把它们塞进现有的工作流程就行。我们需要重新构想这些工作流程，把智能体放在核心位置。
二、 前言：AI从“附加品”到“催化剂”
Mistral AI的首席执行官Arthur Mensch在前言中提到，生成式AI现在已经进入了几乎所有公司的董事会会议室，但对很多企业来说，它的实际影响力还很有限。很多CEO都批准了各种AI实验，启动了智能助手项目，也看到了不少有希望的原型，但真正能让收入或业务影响数据有明显提升的，却寥寥无几。
目前对这个现象的诊断是：现在的AI，更多像是“外挂”，是附加在现有系统上的。但要真正产生影响，AI必须深度融入到公司的核心业务流程中，变成业务转型的催化剂，而不仅仅是一个辅助工具。现在大多数的AI部署都比较肤浅，只是作为现有工作流程的助手，而不是一个深入参与、强大有力的转型驱动者。
智能体正是实现这种转变的关键。但要成功推动转型，需要清晰的战略和计划。智能体不是那种“插上就能用”的神奇组件。它们需要在不同的系统之间工作，处理模糊不清的信息，并且要能和人互动——它们不只是工具，更是协作伙伴。
这意味着，CEO们需要开始问不同的问题：不是“我们怎么加上AI？”，而是“在一个软件可以自主行动的环境中，我们希望如何做决策、工作如何流转、以及人类如何参与？”重新定义决策方式、工作方式以及人类与技术互动的方式，需要目标、工具和人员之间高度一致。这种一致性只有在技术和实施中把开放、透明和控制放在核心位置时才能实现。
三、 第一章：生成式AI悖论——广泛部署，影响甚微
核心要点：就像前面提到的，大概有八成的公司已经以某种形式部署了生成式AI，但同样有八成的公司报告说，这并没有给它们的利润带来实质性贡献。这就是我们说的“生成式AI悖论”。 主要问题在于“水平型”和“垂直型”用例之间的不平衡。水平型用例，比如员工智能助手和聊天机器人，已经被广泛部署，但它们带来的好处比较分散；而那些影响更大的垂直型用例（针对特定功能的），却因为技术、组织、数据和文化上的各种障碍，很少能从试点阶段真正推广开来。除非公司能解决这些障碍，否则生成式AI的转型潜力将大部分无法被挖掘。
生成式AI无处不在——除了公司的利润表甚至在生成式AI出现之前，人工智能就已经在企业中占据了重要地位，为高级预测、分类和优化能力提供支持。AI的估计潜在价值已经非常巨大，全球范围估计在11万亿到18万亿美元之间，主要集中在营销（个性化邮件、客户细分）、销售（潜在客户评分）和供应链（库存优化、需求预测）等领域。然而，AI在很大程度上仍然是专家的领域，因此在普通员工中的普及速度往往很慢。
生成式AI加速了AI的整体部署。它在信息综合、内容生成和人机自然语言交流三个方面带来了突破性进展。麦肯锡估计，这项技术有望在传统分析型AI的价值潜力基础上，额外释放2.6万亿到4.4万亿美元的价值。
ChatGPT推出两年半后，生成式AI已经改变了企业与AI互动的方式。它潜在的变革力量不仅在于引入了新的能力，还在于它能让组织内部更广泛地使用先进的AI技术。这种普及化使得人们对AI的认识和实验都大幅增长：根据麦肯锡最新的全球AI调查，超过78%的公司现在至少在一个业务功能中使用生成式AI（比一年前的55%有所增长）。 然而，这种热情尚未转化为实实在在的经济效益。超过80%的公司仍然报告说，他们的生成式AI项目对利润没有实质性贡献。更重要的是，我们调查的企业中，只有1%认为他们的生成式AI战略是成熟的。这就是“生成式AI悖论”：尽管这项技术充满活力、投资巨大且潜力无限，但对于大多数组织来说，大规模的影响尚未实现。
生成式AI悖论的核心在于水平型和垂直型用例之间的不平衡很多组织已经部署了水平型用例，比如企业级的智能助手和聊天机器人；例如，财富500强公司中近70%都在使用Microsoft 365 Copilot。这些工具被广泛视为提高个人生产力的工具，能帮助员工节省日常任务时间，更高效地获取和综合信息。但这些改进虽然真实，却往往分散在各个员工身上，因此在公司的收入或利润方面并不容易看出效果。
相比之下，垂直型用例——那些嵌入到特定业务功能和流程中的——尽管有更高的直接经济影响潜力，但在大多数公司中却很少能规模化（附图2）。根据麦肯锡的研究，部署的用例中，只有不到10%能通过试点阶段。即使它们被完全部署了，这些用例通常也只支持业务流程中的孤立步骤，并且在被人提示时以“反应模式”运行，而不是主动或自主地运行。因此，它们对业务绩效的影响也有限。
那么，是什么导致了这种不平衡呢？ 一方面，像Microsoft Copilot或Google AI Workspace这样的水平部署型智能助手，是容易获取的现成解决方案，相对容易实施。许多情况下，启用Microsoft Copilot就像激活现有Office 365合同的扩展一样简单，不需要重新设计工作流程或进行重大的变革管理。企业聊天机器人的快速部署也受到了风险规避的推动。由于员工开始尝试使用ChatGPT等外部大型语言模型（LLMs），许多组织实施了内部安全的替代方案，以限制数据泄露并确保符合公司安全策略。
而垂直型用例部署有限和范围狭窄，则可以归因于六个主要因素：
碎片化倡议： 在许多公司，垂直型用例是通过自下而上、非常细致的方法在各个职能部门中识别的。实际上，报告称只有不到30%的公司表示他们的CEO直接赞助了AI议程。这导致了大量不相关的微观项目和AI投资的分散，企业层面的协调有限。
缺乏成熟的打包解决方案： 与智能助手这类现成的水平型应用不同，垂直型用例通常需要定制开发。这导致团队经常被迫从头开始构建，使用他们经验有限、发展迅速的新兴技术。虽然许多公司投资了数据科学家来开发AI模型，但他们往往缺乏MLOps工程师（机器学习运维工程师），而这对于将模型工业化、部署和维护到生产环境中至关重要。
大型语言模型（LLMs）的技术限制： 尽管能力令人印象深刻，但第一代LLMs面临着显著的限制，极大地制约了它们在企业规模上的部署。首先，LLMs可能产生不准确的输出（即“幻觉”），这使得它们在需要精确性和可重复性的环境中难以被信任。此外，尽管它们功能强大，但LLMs本质上是被动的；除非被提示，否则它们不会行动，也无法在没有人启动的情况下独立驱动工作流程或做出决策。LLMs在处理涉及多个复杂工作流程时也存在困难。
四、 流程再造：智能体融入，工作焕新
要真正发挥AI在垂直领域的全部潜力，不仅仅是简单地把智能体插入到现有的、传统的流程中。相反，它要求我们转变设计思维——从自动化现有流程中的任务，转变为与人类和智能体同事一起重新构想整个流程。
这是因为，如果智能体只是被嵌入到旧流程中而没有重新设计，它们通常只充当更快的助手——生成内容、检索数据或执行预定义的步骤。但流程本身仍然是顺序的、受规则限制的，并且受到人类处理能力的限制。
围绕智能体重新设计流程，不仅仅是在现有工作流程之上增加自动化——它涉及从根本上重新架构整个任务流。这包括重新排序步骤，重新分配人类和智能体之间的职责，并设计流程以充分利用智能体AI的优势：
并行执行以缩短周期时间；
实时适应性以应对不断变化的条件；
大规模深度个性化；
弹性容量能够根据需求即时伸缩。
想象一个客户呼叫中心。在引入智能体之前，这个呼叫中心可能使用生成式AI工具来帮助人类客服人员，比如从知识库中检索文章、总结工单历史，以及帮助起草回复。这种辅助确实提高了速度，减轻了认知负担，但整个流程仍然完全是手动的和被动的，人类客服人员仍然管理着诊断、协调和解决的每一个步骤。这种方式带来的生产力提升是有限的，通常只能让解决时间和生产力提高5%到10%。
现在，设想呼叫中心引入了智能体，但基本保留了现有的工作流程——智能体只是在特定步骤提供协助，而没有重新配置工作如何路由、跟踪或端到端解决。在这种情况下，智能体可以对工单进行分类、提出可能的根本原因、建议解决方案，甚至能自主解决一些常见的、低复杂度的问题（比如密码重置）。这种方式带来的影响可以有所增加——估计能节省20%到40%的时间，并减少30%到50%的积压工作。但协调上的摩擦和有限的适应性阻碍了真正的突破性收益。
然而，真正的转变发生在第三个层面，当呼叫中心的流程围绕智能体自主性进行重新构想时。在这个模型中，智能体不只是响应——它们会通过监控跨渠道的模式来主动检测常见的客户问题（比如延迟发货、支付失败或服务中断），预测可能的需求，自动启动解决步骤（比如退款、重新订购或更新账户信息），并通过聊天或电子邮件直接与客户沟通。人类客服人员被重新定位为升级管理者和服务质量监督者，只有当智能体检测到不确定性或异常情况时才介入。
这种程度的影响是变革性的。它能大幅提高客户服务台的生产力。多达80%的常见事件可以由智能体自主解决，解决时间能缩短60%到90%。
当然，并非所有业务流程都需要彻底的再造。对于高度标准化、重复性高且变异性有限的工作流程——比如工资处理、差旅报销审批或密码重置——简单的任务自动化就足够了，收益主要来自减少人工劳动。相反，那些复杂、跨职能、容易出现异常或与业务绩效紧密相关的流程，往往更需要彻底的重新设计。需要进行再造的关键指标包括：高度协调开销、僵化的序列导致响应延迟、需要频繁人工干预但可以数据驱动的决策，以及存在动态适应或个性化机会的情况。在这些情况下，围绕智能体的协调、适应和学习能力来重新设计流程，能带来比仅仅加快现有工作流程更大的价值。
五、 新的AI架构范式——智能体AI网格
除了这种架构上的演进，组织还必须重新审视它们的大型语言模型（LLM）策略。每个定制智能体的核心都是一个基础模型——它是感知、决策和交互的推理引擎。在智能体时代，对LLM的要求发生了显著变化。智能体不再是被动的智能助手——它们是自主的、持续运行的嵌入式系统。这就产生了五类关键的LLM要求，每类都与特定的部署环境对齐，并适用于不同类型的模型（报告中侧边栏“智能体基础模型：五项新要求”可能详细描述了这些）。
最后，为了真正在企业范围内推广智能体，企业系统本身也必须进化。短期内，API（应用程序编程接口，允许不同软件应用通信和交换数据的协议）仍将是智能体与企业系统交互的主要接口。但从长远来看，仅靠API是不够的。组织必须开始围绕**“智能体优先”模型来重新构想其IT架构——在这种模型中，用户界面、逻辑和数据访问层都是为机器交互而不是人类导航而原生设计**的。在这种模型中，系统不再围绕屏幕和表单组织，而是围绕机器可读接口、自主工作流程和智能体主导的决策流。
这种转变已经开始了。微软正在通过Copilot Studio将智能体嵌入到Dynamics 365和Microsoft 365的核心；Salesforce正在将Agentforce扩展为一个多智能体编排层；SAP正在重新架构其业务技术平台（BTP）以通过Joule支持智能体集成。这些变化预示着一个更广泛的转型：企业软件的未来不仅仅是AI增强的——它将是智能体原生的。
六、 最大的挑战将是人——而非技术
随着智能体从被动的智能助手演变为主动行动者——并在企业范围内推广——它们带来的复杂性将不仅仅是技术性的，更多的是组织性的。真正的挑战在于协调、判断和信任。这种组织复杂性将最明显地体现在三个方面：人类和智能体如何日常共存；组织如何建立对能够自主行动的系统的治理；以及随着智能体创建日益民主化，如何防止失控的蔓延。
人与智能体共存： 智能体将不仅仅是辅助人类——它们将与人类并肩行动。这引出了关于互动和共存的细致问题：智能体何时应主动行动？何时应让步？我们如何在不减缓智能体带来好处的同时，保持人类的自主性和监督权？明确这些角色将需要时间、实验和文化上的调整。信任不会仅仅来自技术性能——它将取决于智能体沟通的透明度、行为的可预测性以及它们如何直观地融入日常工作流程。
自主性控制： 智能体强大的原因——它们独立行动的能力——也带来了模糊性。与传统工具不同，智能体不会等待指令。它们会响应、适应，有时还会带来惊喜。驾驭这个新现实意味着要面对各种极端情况：如果智能体执行过于激进怎么办？或者未能升级一个细微的问题怎么办？挑战不在于消除自主性，而在于使它可理解并与组织期望保持一致。这种一致性不会是静态的。它需要随着智能体的学习、系统的变化和信任的加深而演变。
蔓延管理： 随着智能体构建变得更容易，以及新的智能体用例在整个组织中迅速增加，风险在于出现碎片化和冗余。如果创建和部署智能体变得过于容易，且没有中央协调和可见性，组织可能会发现自己拥有一个充满低效或不安全的“影子AI”生态系统。
为了在智能体时代扩大影响力，组织必须将其AI转型方法从分散的举措转变为战略性项目；从关注单个用例转变为关注业务流程；从孤立的AI团队转变为跨职能转型团队；以及从实验阶段转变为工业化、可扩展的交付。组织还需要为在智能体时代有效运作打下基础。他们需要提升员工技能，调整技术基础设施，加速数据产品化，并部署针对智能体特有的治理机制。 现在是时候结束生成式AI的实验阶段了——而这个关键的转变，只有CEO才能做出。
结论
与任何真正颠覆性的技术一样，智能体拥有重塑格局的力量。如果运用得当，它们将为落后者提供跨越式发展的机会，重塑其竞争力。如果运用不当——或者根本不运用——它们则有可能加速当今市场领导者的衰落。这是一个战略分歧的时刻。
虽然这项技术仍将不断发展，但它已经足够成熟，足以推动各行各业发生真正的变革。但要充分发挥代理人工智能的潜力，首席执行官们必须重新思考其人工智能转型方法——不再是一系列分散的试点项目，而是聚焦于端到端的重塑工作。这意味着要确定几个最具潜力的业务领域，并全力以赴：从重新构想工作流程，到在人机之间重新分配任务，再到基于新的运营模式重塑组织架构。
一些领导者已经开始行动——不仅部署了客服团队，还重组了组织架构，以充分发挥其颠覆性潜力。（例如，Moderna 将其人力资源和 IT 领导团队合并到 13的进步，而是下一代运营模式的基础。立即采取行动的 CEO 不仅会获得绩效优势，还将重新定义组织的思考、决策和执行方式。
探索的时代即将结束，变革的时代已经到来。
（原文：https://www.mckinsey.com/capabilities/quantumblack/our-insights/seizing-the-agentic-ai-advantage)
2023年高达160亿美元收入的麦肯锡，在2024年没有像往年一样公布营收数字，去年底也只晋升了200名员工为合伙人，是它多年来新晋合伙人数量最少的一年。...
目前超过75%的麦肯锡员工使用内部AI工具Lilli，该工具可安全处理机密信息...
随着增长势头放缓与美容定义的扩展，行业玩家面临新课题：赢得挑剔消费者、重调市场布局、超越营销噱头证明真实价值。...