@levie: 刚刚结束与几十位企业IT领导者关于AI智能体的会议。以下是几个常见的…

刚刚结束与几十位企业IT领导者关于AI智能体的会议。以下是几个突出的共同主题： * 很多讨论指出，要获得AI的全部好处，必须先解决运营模式挑战。大多数公司的组织架构长期按部门独立运作；但智能体在关联到流程时最为高效，而这些流程往往跨部门。因此大问题是：如何开始部署可以跨组织边界工作的集中管理智能体？谁来管理这些智能体？如何部署和推广？ * 数据碎片化仍是大多数组织的主要问题。只要数据仍然高度碎片化且格式不统一，或者数据无法被合适的人员和智能体获取，企业就难以从智能体获得准确或符合业务实践的答案。这既涉及结构化数据系统（如产品指标或收入数据），也涉及非结构化数据（如产品路线图或客户合同）。 * 明确感觉企业需要弄清楚未来自己的核心数据护城河是什么。如果每个人都能从不同模型获得大致相同的超级智能，那么你输入模型的上下文就会成为未来的专有价值。捕获这些数据并将其转化为智能体可用的格式变得非常重要。 * 所有人都在努力确定衡量AI采纳的正确指标。普遍共识是Token本身不是合适的指标，人们更倾向于（理想情况下）以业务成果为导向。但对于业务成果（如更多收入或更多产品交付），必须深入每个具体工作流程才能判断它是否被AI成功转型，因此自上而下的管理更加困难。 * 越来越多人认为企业将生活在一个多模型的世界。对于能够将工作负载路由到不同模型（前端或开放权重）以优化成本或性能的层，兴趣很大（尽管实际采用尚早）。此外，企业也在尝试确定哪些事情直接交给模型处理，哪些事情分离为横向系统和上下文，以便能够任意更换系统。 * 推动AI采纳和实施的人才仍然是一个主要问题和话题。许多人认为由于外部接受此类培训的人才短缺，必须内部培养。顺便提一句，这对于那些擅长在企业中部署和管理智能体的人来说仍是一个巨大机遇，因为大多数公司都在寻找这类技能。 * AI的最佳用例往往是那些从根本上改变工作方式的，而不仅仅是替换现有流程并提高效率。各公司都在根据自身行业特点寻找自己的版本，因为这因行业而异，但这通常仍然是AI最令人兴奋和回报潜力最高的用途。 最近还讨论了很多其他话题，但总体来看，显然变化巨大，而且未来还会有更多变化。