AI 智能体会在能力问题之前先遇到采用问题吗?
摘要
认为企业中的 AI 智能体面临的不仅是能力差距,还有采用问题,强调低摩擦工作流和习惯养成比单纯的任务完成更重要。
我们花了大量时间讨论智能体能做什么:工具使用、记忆、规划、多智能体设置、更好的模型。但在真实公司里,如果人们两周后就不再使用它,这一切都无关紧要。我在销售团队周围工作,这个问题非常明显。你可以给管理者一个 AI,让它分析客户对话,指出代表在哪里丢失了交易。听起来很有用,但如果录制对话很麻烦,或者代表觉得这个工具是为了监视他们,那么你花哨的智能体就没有数据可用。有趣的是,让 AI 变得更好并不能真正解决这个问题。你必须先让人这边的工作顺畅起来。为系统提供数据的动作需要几乎零摩擦。使用它的人需要得到一些有用的回报。必须有一个理由让他们回来,而不是靠管理者强迫。AI 很重要,但围绕它的习惯同样重要。感觉很多智能体初创公司在衡量错误的东西。也许有用的基准不是“这个智能体能完成多少任务?”而是“90 天后还有多少人在没有被催促的情况下继续使用它?”
相似文章
@vasuman: https://x.com/vasuman/status/2070629226664153173
文章认为,企业AI采用失败的原因在于公司添加了员工必须学习的新工具,而不是将AI嵌入现有工作流程,自动达成业务成果,且无需改变员工行为。
如何停止构建用户无视的智能体?
关于AI智能体为何难以获得采纳的反思:它们迫使用户切换上下文,产生的摩擦超过了感知价值。作者建议将智能体设计为直接集成到现有工作流程中。
有没有人也觉得AI代理在事情变得复杂之前都表现得很惊艳?
对AI代理令人印象深刻的演示和可靠的实际执行之间差距的反思,认为当前代理擅长结构化任务但在不可预测条件下会失败,并指出近期AI角色将主要集中于带人类监督的窄范围自动化。
什么仍然是阻止 AI agents 可靠地处理现实任务的最大问题?
讨论了尽管在任务执行方面取得了进展,但阻止 AI agents 可靠处理现实任务的持续挑战,例如不断变化的网站和不一致的工作流程。
我认为AI代理的讨论即将超越框架层面
作者认为构建AI代理不再是难点;真正的挑战在于部署、测试、版本控制和运维管理,这些在生态系统中仍然支离破碎。