首页 > 散文小说 > 正文

企业AI智能体、数字化与行业分工
2024-03-23

在基础模型之上构建AI智能体 (AI Agent[1]) ，是过去大半年来非常引人注目的话题；甚至有人把AI智能体称为大模型领域的下半场。今天，我们把目光锁定在企业内部，针对B端落地场景探讨一下AI智能体可能存在的一些形态。

从人机协作谈起

开始之前，我们先思考一个问题：企业是如何运转以达成业绩目标的？

从人机协作的视角看，现代企业是如下这个样子：

企业内的人机协作图景

现代企业是由人和机器组成的。这个图里就存在两类节点：

  • 人：负责完成复杂的、具有不确定性的任务。人是一种高度智能化的智能体。
  • 机器（蓝色方形节点）：负责完成简单的、确定性的任务。包括软件、设备等，属于工具。

于是，在这两类节点之间，就产生了三种关系：

  • 人与人之间：沟通关系。为了完成企业的目标，企业内部的人和人之间需要通过沟通的方式来协作。可能是小团队内紧密的team work，也可能是跨团队之间的沟通，或者是上下级之间的沟通。
  • 人与机器之间：人机交互。人和机器之间需要通过产品界面来交互。
  • 机器与机器之间：API。机器与机器之间通过API调用来协作，它们之间沟通所使用的，属于机器语言。

从这个视角，我们来回答一下前面的问题：任何一个企业，都是通过众多的人与机器之间进行复杂的协作，来达成一个共同的业绩目标的。

我们再看一下图中的椭圆虚线框。它代表企业内的一个业务域 (Domain) ，由关联紧密的某个业务流程串联起来，覆盖到企业内若干人+机器组成的资源。业务域可大可小，如营销域、投放域、商品域、排程域，等等。

在一个业务域内，业务流程一般需要人+机器协作来完成（动用前面讲的三种关系）。为了提高效率，会形成软件系统。

借助这个视角，我们来重新审视一下以前经常听到的一些概念：

  • 数字化转型 (Digital Transformation[2])：可以看成，有越来越多的业务域被抽象出来，其中的业务流程从线下迁移到线上。也就是说，在上图中，会有更多机器加入进来。
  • 自动化 (Automation[3]) ：让机器承担更多，人承担更少。从而让人有更多时间处理更有创造性的工作，产生更多价值。
  • RPA (Robotic Process Automation[4])：在软件系统之间建立自动化衔接（通常是模拟人的操作）。仅针对简单场景有效。

AI智能体加入进来以后

前面我们说，人是智能体，机器是工具。

现在，在新的AI时代，「AI智能体」来了。而它兼具智能体和工具两种属性：

  • 半智能体：可以提供知识，且是海量的知识。
  • 半工具：可以自动化调用真正的工具。甚至，现在以大模型为基础的AI智能体，还能将一定程度的规划工作也自动化掉。

在AI智能体加入之后，本文开头的人机协作图景，就变成了下面的样子：

加入AI智能体之后的企业内人机协作图景

如图所示，AI智能体可能扮演三种角色：

  • AI-0：直接参与业务流程自动化。作为自动化流程中的一个节点，完成以前只能由人完成的工作。需要与企业数据对接。
    • 场景举例：从文档中批量抽取信息；文档批量翻译；批量的数据挖掘、预测等。
  • AI-1：作为提供知识的Copilot。不直接面向企业的业绩目标，作为人的辅助。需要与人频繁交互，通常以Chat的形式。不需要与企业数据对接。
    • 场景：知识问答、总结、文段翻译、数据可视化分析、公开文献阅读、写报告、画图表、写代码，以及其它的各种创作性任务，等等。ChatGPT承担的主要就是这种角色。
  • AI-2：作为新型的人机交互接口。提供更自然的交互界面，主要也是Chat的形式。需要与企业数据对接。这一角色承担的任务可大可小。可以是简单的企业私有文档问答，用于替代传统的文档检索；也可以具备非常复杂的逻辑，成为企业大脑，驱动人机协作更有效率。
    • 场景：企业私域问答；用自然语言执行命令，查询企业内部数据，驱动自动化流程编排，等等。

行业分工与产品形态

在企业的数字化转型过程中，为了支撑各个业务域的业务流程，需要构建大量的软件系统，同时会积累起宝贵的企业核心数据。

因此，企业数字化系统的两个核心要素便是：软件和数据。根据这两大核心要素的提供方是谁，我们把市场参与者先粗略分为两部分：

  • 企业自身。
  • 软件或数据供应商。

先讨论数据。一般来说，数据是企业的核心资产。企业倾向于自己生产数据、自己消费数据，轻易不会假手于人。当然，企业也会从外部购买一部分高质量数据，这也是某些行业内数据提供商的机会。

而对于软件系统，情况则复杂得多。通常来说，维持企业运转所需的软件系统，非常丰富多样。企业不可能全部亲力亲为，自己构建。因此，企业需要辨识自己的核心业务域，也就是DDD[5][6]中常说的Core Domain。

在前面的人机协作图景中，椭圆虚线框圈定的业务域，可能是企业的核心域，也可能是非核心域。

所谓核心域，指的是跟企业的业绩直接相关的业务域。比如，银行的存贷款业务，广告平台的客户投放业务，电商的交易、订单业务，等等。而对于大多数公司来说，审批、财务、办公协作，等等，这些业务都属于非核心域。

一般来说，核心域的软件系统，由于企业竞争导致的定制化程度高，通常是企业自己的IT部门来开发，形成私有软件。而非核心域则可以购买现成的SaaS软件，或者外包给供应商来开发。但在实际中也不尽然。比如，国外的行业分工就比较细分，形成了很多大的SaaS供应商，比如Saleforce、Shopify、Intuit，市值都在千亿美金以上。

回到AI智能体可能扮演的三种角色。

对于AI-0来说，

  • 一种方式是，软件供应商提供业务域中私有软件的核心环节，承担AI-0的作用。对于以前的技术无法做到自动化的场景，AI-0智能体则有希望做到。至于软件交付形式，可以是API，可以是私有化部署。
  • 另一种方式是，软件供应商提供整个业务域的SaaS软件。对于核心域来说，第三方软件供应商通常难以做到这一点。但是，商业的复杂性就在于，很多事并非泾渭分明，核心域和非核心域的界限也是如此。这里更合适的判断标准可能是：业务域能否形成行业标准。已经有行业标准存在的，或者形成行业标准后对市场各方利大于弊的，就有希望形成更细致的社会分工，第三方软件供应商也就更有希望参与市场合作。从全社会资源配置的角度看，这样显然会更有效率。不过这是一个比AI-0智能体更大的话题。

对于AI-1和AI-2来说，属于新AI时代的增量市场。特别是AI-1，由于不需要与企业数据对接，比较适合初创的软件提供商切入，也适合从to C切入to B。当然，理想的AI智能体产品形态，应该是AI-1和AI-2相结合的。用户既能从AI智能体获取企业外部的海量知识和专业数据，又能通过它与背后的企业内部数据或软件工具交互，让更多的工作由AI来完成。这里的空间非常大。

数据安全

AI智能体与数据密切相关。在理想的情况下，用户通过AI智能体既能访问到企业外的公开数据，又能访问到企业内的私有数据。与传统的信息获取方式（如关键词检索）相比，AI智能体的优势在于对信息的处理能力上。这种优势体现在两个方向上：

  • 一个是用户个人的工作信息，可以更多地输入给AI智能体。AI智能体可以自动处理更多的信息，为用户提供个性化的服务。
  • 另一个方向是在获取到信息之后，AI智能体可以对信息做更多、也更复杂的后处理。

不管怎么说，AI智能体想要发挥最好的效果，通常还是需要依赖客户企业的数据的（AI-1除外）。但是，AI智能体如果与企业数据对接，就可能存在数据安全方面的问题。

站在企业的角度，他肯定是希望，企业可以依赖外部的数据，但企业内部的数据最好不要传输到自己的私域之外。尤其是对于SaaS的软件形态，企业可能是有顾虑的。

怎么解决呢？有三个思路：

  • 把数据分级。企业内部的数据，可以按照敏感程度分级。通过合适的权限控制和产品设计，避开敏感数据。
  • 解决信任问题。这需要遵循行业安全标准。
  • 私有化部署。在某些场景，私有化部署非常有效。不过，纯粹的私有化部署对AI系统来说，不算友好。因为它的反馈迭代速度很慢。

小结

建立在基础模型之上的AI智能体技术，正在飞速发展中。它被寄予希望能解决比单纯的predict next token更大尺度的问题。在数字化转型的大背景下，AI智能体为行业解决方案提供了更多的可能性。

很多时候，逻辑上成立的，商业上不一定成立。这还受到行业格局、竞争因素等的影响。不过，比较确定的是，企业的数字化转型，空间还非常之大，远比想象的要大。在这一过程中，技术与业务深入结合，市场各方就有望形成有效的社会分工，最终达到多赢的局面。

（正文完）

参考文献：

其它精选文章：


原创文章，转载请注明出处，并包含下面的二维码！否则拒绝转载！
本文链接：http://zhangtielei.com/posts/blog-ai-agent-to-b.html
欢迎关注我的个人微博：微博上搜索我的名字「张铁蕾」。
我的微信公众号: tielei-blog (张铁蕾)
上篇： 白话科普：Transformer和注意力机制
下篇： 技术变迁中的变与不变：如何更快地生成token？

栏目分类

最新文章