目標導向：Agentic AI 系統的設計是以特定目標為考量。這些目標可以是簡單的任務，例如排定會議或整理電子郵件，也可以是更複雜的目標，例如最佳化供應鏈或管理財務組合。AI 代理會持續監控環境，並採取行動以達成指定目標。自主決策：Agentic AI 可以在沒有人為干預的情況下做出決策。這種自主性是基於它對環境的了解、指定的目標以及所學到的經驗。AI 代理可以分析資料、評估風險，並選擇最佳行動方案以達成目標。適應性學習：Agentic AI 系統可以從互動中學習，並隨著時間的推移改善其效能。當他們遇到新的情況並獲得回饋時，他們會完善決策過程，變得更擅長達成目標。這種學習和適應能力對於在動態和不可預測的環境中運作至關重要。學習可能涉及來自個別使用者或管理者觀察行為一段時間後的人為回饋 ("human-in-the-loop")，或自動回饋以處理已識別的異常。

利用 AI 代理發掘人類潛能查看所有相關產品

概述

Agentic AI是一種新型的人工智慧，它可以自行行動、自主決策，並在極少的人類協助下，朝著複雜、長期的目標努力。您可以將它想像成一位能力超群的數位員工，您可以將主要目標指派給它，它會找出步驟、執行計畫，並視需要調整以完成工作。

這種 AI 是以目標為導向的。Agentic AI 不只是回答單一問題 (如傳統 AI) 或根據提示創造內容 (如生成式 AI)，而是長時間維持目標，並透過多步驟執行和動態策略變更，獨立決定達成目標的最佳方式。

Agentic AI 正在改變企業處理自動化、決策和解決問題的方式。透過將複雜的多步驟流程委託給 AI 代理，組織和政府機構可以專注於策略性計畫、創新和客戶關係，同時達到前所未有的營運效率。

主要啟示：將 Agentic AI 視為高能力的數位員工。與需要逐步指示的傳統人工智慧不同，代理式人工智慧可以指定一個目標，並會獨立規劃、執行和調整其方法以達成目標。

代理人工智能

代理式人工智能與其他類型的人工智能比較

瞭解代理式人工智慧與其他人工智慧方法之間的區別，對於評估人工智慧實施策略的企業而言至關重要。傳統的人工智慧系統需要針對每項任務進行明確的程式設計，而產生式人工智慧則專注於內容創作，但代理式人工智慧則是以自主的目標搜尋行為來運作，能夠調整策略並獨立執行複雜的業務流程。

根本的差異在於作業自主性和目標堅持性。傳統的 AI 系統在人為監督下執行預先定義的任務，生成式 AI 會根據提示創建內容，而代理式 AI 則會隨著時間維持目標，同時透過動態策略調整和多步驟執行，獨立決定如何達成目標。

Agentic AI 與傳統 AI 自動化有何不同？

傳統的 AI 自動化透過基於規則的系統和預先定義的工作流程運作，當預定的條件觸發時執行特定的任務。這些系統需要針對每種情境進行大量的程式設計，而且在沒有人為介入或額外編碼的情況下，無法適應突發狀況。企業實作通常會涉及機器人流程自動化工具，這些工具會遵循業務應用程式中的精確動作順序。

Agentic AI 的根本不同之處在於，它能維持持續的目標，並根據環境回饋和不斷變化的條件調整其方法。代理式 AI 系統並非遵循預設的腳本，而是評估多種策略、從結果中學習，並修改其行為，以更有效地達成指定目標。這種自主適應能力可讓企業部署可處理複雜、不可預測業務情境的 AI 系統，而無需持續重新編程或人為監督。

代理式 AI 與產生式 AI 系統有何差異？

生成式 AI 系統 (例如大型語言模型) 著重於根據輸入提示進行內容創作和回應生成，根據從訓練資料中學習到的模式產生文字、影像或其他媒體。這些系統擅長於建立內容，但需要人類使用者為每次互動提供情境、方向和輸出評估。企業應用程式通常會涉及內容產生、文件起草和創意支援任務。

Agentic AI 融合了生成能力，同時增加了目標導向行為和自主執行能力。

生成式人工智能會立即回應提示，而代理式人工智能則會在多次互動中維持目標，並可獨立規劃和執行多步驟流程，以達成指定目標。此區別可讓企業針對需要持續專注與適應性策略執行的複雜業務流程，部署代理式人工智能，而非簡單的內容產生任務。

代理式人工智能與機器學習系統相比如何？

機器學習系統可分析資料以識別模式、進行預測或根據訓練資料集對資訊進行分類，但它們通常需要人類操作員來詮釋結果並決定適當的行動。這些系統擅長於資料分析和模式識別，但要將洞察力轉化為商業決策和行動，則要仰賴人類的判斷。

Agentic AI 建立在機器學習的基礎上，同時增加了自主決策和行動執行的能力。代理式 AI 系統不只是提供預測或分類，還能詮釋分析結果、評估潛在行動，並執行策略以達成業務目標。

此整合功能可讓企業部署端對端自動化流程，結合資料分析與策略執行，而無需在每個決策點進行人工干预。

AI 技術比較

能力	傳統 AI	生成式 AI	機器學習	代理人工智能
自主程度	基於規則的執行	迅速回應	模式分析	目標驅動的自主性
目標堅持	特定任務	單一互動	專注於分析	長期目標
適應能力	需要重新編程	僅限於訓練資料	基於模式的洞察力	動態策略調整
決策	預先定義的邏輯	內容產生	預測輸出	自主選擇
學習方法	靜態規則	預先訓練的模型	歷史資料模式	持續的作業學習
商業應用	流程自動化	內容創作	資料分析	端對端流程管理
人力監督	逐步指導	輸出評估	結果解讀	策略目標設定
問題解決範圍	已定義的方案	創意任務	資料驅動的洞察力	複雜的多階段挑戰

快速比較：

何時使用代理式人工智慧：當業務流程需要跨多個系統持續自主運作而無需持續人為監督時，特別是必須適應不斷變化條件的複雜決策順序，請選擇代理式人工智慧。

何時使用替代品：
傳統 AI：標準化的重複性工作
生成式人工智能：內容創建
機器學習：資料分析與預測

與其他方法相比，企業何時應該選擇代理式人工智能？

當業務流程需要跨越多個系統和決策點進行持續的自主運作，而無需持續的人為監督時，企業就應該考慮代理式人工智能。傳統的 AI 自動化對於具有可預測輸入和輸出的標準化重覆性任務非常有效，而代理式 AI 則擅長於動態環境，在這種環境中，策略必須根據不斷變化的條件和演進的目標進行調整。

當業務流程涉及需要跨系統、部門或時間協調的複雜決策序列時，Agentic AI 就變得特別有價值。與專注於離散任務的生成式人工智能或通常應用於特定分析洞察的機器學習不同，代理式人工智能可以管理從開始到完成的整個業務工作流程，同時根據中間結果和環境變化調整策略。這種能力使得代理式人工智慧最適合需要在複雜的作業環境中進行自主流程管理、策略執行和適應性問題解決的企業應用。

代理式人工智能的主要特徵是什麼？

目標導向：Agentic AI 系統的設計是以特定目標為考量。這些目標可以是簡單的任務，例如排定會議或整理電子郵件，也可以是更複雜的目標，例如最佳化供應鏈或管理財務組合。AI 代理會持續監控其環境，並採取行動以達成指定目標。
自主決策：Agentic AI 可以在沒有人為干預的情況下做出決策。這種自主性是基於它對環境的了解、指定的目標以及所學到的經驗。AI 代理可以分析資料、評估風險，並選擇最佳行動方案以達成目標。
適應性學習：Agentic AI 系統可以從互動中學習，並隨著時間的推移改善其效能。當他們遇到新的情況並獲得回饋時，他們就會完善自己的決策過程，變得更擅長達成目標。這種學習和適應能力對於在動態和不可預測的環境中運作至關重要。學習可能包括來自個別使用者或管理者觀察一段時間後的行為的人為回饋（「人在迴圈中」），或自動回饋以處理已識別的例外情況。

OpenText 如何實現企業代理式 AI 的成功

OpenText 花了超過 35 年的時間為知識工作者打造數位平台，如今我們正開創下一個進化：透過代理式人工智慧打造數位知識工作者。

我們的方法透過解決限制人工智慧成功的基本挑戰 - 資料整合、安全性和擴充性，改變企業利用人工智慧的方式。

儘管許多企業因為資料分散和安全疑慮而難以有效地實施人工智慧，OpenText 卻提供了重要的基礎，讓代理式人工智慧在企業環境中真正發揮威力：

統一資料雲端基礎

Agentic AI 需要存取完整、精確且即時的資訊，才能做出自主決策。OpenText 的資料雲方法透過以下方式消除了困擾企業 AI 計畫的資料孤島：

將來自不同企業系統的資訊集中到單一資料來源。
確保所有 AI 應用程式的資料品質、治理與合規性。
為代理式 AI 系統提供動態、即時的資訊，以進行即時決策和工作流程最佳化。

企業級的安全性，讓 AI 信心十足

安全疑慮仍是採用 AI 的最大障礙，44% 的 IT 領導者認為安全與法規遵循風險是他們在資訊管理上的主要挑戰。OpenText 透過以下方式解決這個問題：

AI 增強威脅偵測：OpenText™ Cybersecurity Aviator™ 可在數小時內自動學習和部署新的威脅偵測模型。
安全的 AI 實作：強大的存取控制、資料分類與法規遵循管理，讓您可以放心部署代理式人工智慧。
AI 安全防護：抵禦人工智能驅動的攻擊，同時啟用人工智能驅動的安全功能。

OpenText 的 Agentic AI 解決方案是什麼？

OpenText 可透過與現有企業基礎架構無縫整合的專門解決方案，提供代理式 AI：

Cybersecurity Aviator 可透過以下方式增強您的威脅偵測與回應能力：

數小時內自主學習和部署新的威脅偵測模型。
即時分析網路行為，找出異常活動。
自動回應新出現的安全威脅和弱點。

OpenText™ Content Aviator™ 透過以下方式改變員工與業務資訊互動的方式：

跨企業資料庫的對話式搜尋與內容發現。
複雜文件的自動摘要與翻譯。
智慧型內容分類與工作流程自動化。

OpenText™ DevOps Aviator™ 透過以下方式優化您的軟體交付生命週期：

利用內建的流程智慧預測軟體交付時間並識別風險。
從腳本、視訊和積壓項目產生並自動化測試。
建議並執行修復策略，以確保交貨順利。
Agentic AI 帶來自主、目標驅動的智慧，改變軟體交付流程

OpenText™ Experience Aviator™ 部署可代理的 AI 代理：

為客戶通訊、富媒體和圖片自動產生符合情境且相關的內容。
分析客戶資料以自主解決帳戶問題。
根據使用者偏好和歷史記錄調整訂閱方案和帳單。
減少對人工代理的依賴，同時改善回應時間。

OpenText™ Service Management Aviator™ 使用 AI 助理，透過改變 IT 服務遞送：

AI 豐富的工作流程，可部署能夠彼此互動的代理式 AI 代理。
為服務台代理提供自主個案總結與解決方案建議。
自助服務功能可讓使用者解決常見的 IT 和非 IT 要求。
從企業資料庫、人力資源系統和第三方支援平台進行智慧型知識擷取。
具有檢索擴增世代 (RAG) 的私人 LLM，可維護資料安全並減少幻覺。

OpenText™ Business Network Aviator™ 透過提供 AI 自助服務顧問來簡化 B2B 與供應鏈整合：

以簡明的語言提供即時、準確的答案，讓您更有效率地使用OpenText™ Trading Grid™作為您供應鏈作業的一部分。
透過根據您的 B2B 和 EDI 查詢尋找和分享上下文回應，深入瞭解與您的業務資料相關聯的供應鏈。
簡化的EDI有效負載和交易分析，以適合業務使用的語言分享，不論您組織中的每個人是否具備專業技術。
透過對複雜錯誤代碼提供清晰、可行的指引，以及在應用程式中建立支援票單的功能，加快解決時間。
透過統一資產識別、閉環異常偵測、使用產生式人工智慧和大型語言模型 (LLM)，提供代理式人工智慧所需的可信資料基礎，達到高效的物聯網作業。

企業如何開始使用 OpenText agentic AI？

OpenText 的願景不只是單獨的 AI 工具，而是要創造全面的數位隊友，擴大人類的能力。我們的Aviator AI 解決方案：

透過智慧型自動化提升生產力

根據 Foundry Research 的調查，提高生產力是人工智慧最搶手的好處，78% 的成熟人工智慧使用者強烈認為生產力的提升來自於現代人工智慧技術。OpenText 的 Agentic AI 可透過以下方式提升生產力：

將重複的工作流程自動化，以釋放員工進行策略思考和創新。
確保建立的代理能夠正確存取資料和 AI 引擎，以安全地控制成本。
處理多步驟的業務流程，無需人工干预，同時隨著時間的推移不斷學習和改進。

強化您的工作團隊

透過人工智慧 (Agentic AI) 提高生產力不僅意味著更快地完成任務，還能改變員工的工作方式，讓他們能夠：

將焦點重新轉向高價值的活動：將您的團隊從例行性的工作中解放出來，投入具創意的問題解決、策略規劃和創新。
提升工作滿足感：當人工智慧處理瑣碎的工作時，員工會表現出更高的士氣，讓他們能專注於有意義的貢獻。
促進合作：利用之前用於重複性工作的時間，團隊可以建立更牢固的客戶關係，並追求專業發展。

跨企業系統整合

根據最近的研究顯示，52% 的組織在選擇 AI 夥伴時會優先考量整合能力。OpenText 提供：

AI 代理與現有企業應用程式之間的無縫連接。
API 驅動的架構，支援自訂整合。
跨越多個業務系統的工作流程自動化。

提供可衡量的業務影響

使用 OpenText 解決方案進行成熟 AI 實作的組織報告：

透過自動化例行任務提升作業效率。
提高決策速度和準確性。
大幅提升知識工作者的生產力。

開始使用 OpenText agentic AI

我們實施代理式人工智能的方法著重於在部署自主系統之前建立穩固的基礎：

資訊評估：評估並優化您的資料狀況，為 AI 做好準備。
安全定位：實施 AI 就緒的安全與治理架構。
試點實施：在具有可衡量結果的目標用例中部署代理人工智能。
擴充與最佳化：將成功的實作擴展至整個企業。

未來無限

在 OpenText，我們相信科技應該永遠提升人類的潛能。我們的 Agentic AI 解決方案不會取代您的工作團隊，而是創造數位隊友來處理例行性工作、顯現重要的洞察力，並讓您的團隊能夠專注於創意、策略和創新。

當您的資訊透過 OpenText 的平台統一、安全且可存取時，代理式人工智慧 (Agentic AI) 將成為一股變革力量，能消除障礙並釋放組織的無限潛能。

準備好探索 OpenText 如何為您的企業提供代理式 AI 嗎？

聯絡我們的團隊，討論您的特定使用個案和實施策略。

準備好試試 Aviator 嗎？立即存取 OpenText MyAviator！

實用的 Agentic AI 實例與用例

Agentic AI 規劃和執行複雜、持續流程的能力，使其在許多商業功能和產業中都很有價值。

內容與文件管理用例

Agentic AI 是處理大量非結構化資料（如文件、試算表和富媒體）的遊戲改變者。

文件分析和自動刪除：可以賦予代理員以目標為導向的任務，讓其"處理所有新客戶合約。"
- 它會分析合約（文件），在其中執行個人識別資訊 (PII) 偵測，然後執行敏感資料的自動刪除，以確保在將文件傳送至下一個安全儲存庫之前符合規範。
豐富的媒體處理：代理可以處理視訊和音訊檔案：
- 轉錄：代理處理董事會會議的錄音。
- 發言人辨識：它可以識別並標示出哪位主管說了什麼。
- 臉部辨識(視訊影片中)：可辨識主要利害關係人，以便編制索引。
- 基於策略目標，它就可以執行自主決策，將記錄分類，並根據內容的主題和參與者，將記錄歸檔至適當的長期知識儲存庫。
電腦輔助設計 (CAD) 圖紙和工程：可將代理設定為"的目標，依據品質標準驗證所有更新的元件設計。"它會存取CAD 圖紙、分析規格、標記任何偏差，並更新企業資源規劃 (ERP) 系統中的相關零件編號 - 這是一個多步驟、適應性的過程。

特定產業用例

金融服務：Agentic AI 可透過不斷監控、學習和適應新模式，自動執行複雜的投資決策、管理金融投資組合，以及自主偵測詐欺交易。
保險：代理可以管理整個理賠流程，從分析初始文件到評估風險，並在定義的參數內自主決定理賠支付，同時標記任何異常情況供人工審查。
政府：代理可以透過持續監控法律變更、評估對各種內部系統的影響，以及在多個部門間自主啟動糾正程序以維持合規性，來管理複雜的法規遵循。
物流（供應鏈）：Agentic AI 可優化生產排程與管理庫存。舉例來說，一個以"最大化準時交貨為目標的代理" ，可以即時監控天氣、交通和庫存水準，並自主決策更改出貨路由或調整供應商訂單，以防止延誤。這是一個應用於複雜、多變數環境的適應性學習範例。

Agentic AI 如何運作？

Agentic AI 系統透過整合多種人工智慧技術的分層架構運作，以實現企業環境中的自主決策和目標達成。

這些系統與傳統的業務自動化有著根本性的不同，它們能維持持續的目標、根據營運回饋調整策略，並在無需持續監督的情況下執行複雜的多步驟流程。

技術架構

技術基礎結合：

了解商業環境的感知機制
處理資訊和做出決策的推理引擎
保留組織知識的記憶系統
跨企業系統執行計劃的行動框架

此架構可實現自主操作，同時保持與業務目標和合規要求一致。

標題為「How Agentic AI Works」的圖表說明流程。在左側，輸入包括 LLM 整合層和標示為業務資料輸入的試點部署。這些資料會送入具有決策處理和自主動作的中央推理引擎。輸出流向連接至 ERP、CRM、API 和自主行動的回饋迴圈。回饋迴圈也連結回試驗部署。

是什麼讓企業營運能夠自主決策？

企業級代理人工智能中的自主決策來自於推理引擎，這些引擎可評估多種業務情境，並根據當前條件和組織目標選擇最佳策略。這些系統會評估不同方法的成功機率、衡量作業風險與效益，並選擇可將商業價值最大化的行動。與遵循預設工作流程的規則型自動化不同，代理型人工智慧 (Agentic AI) 可透過結合已學習的模式與邏輯推理，針對陌生的業務挑戰產生新穎的解決方案。

決策過程同時包含多種業務標準，包括即時作業需求、策略目標、資源限制及法規遵循。此能力可讓企業級代理人工智慧在條件快速變化且很少有完美資訊的動態商業環境中有效運作。

代理式 AI 系統如何學習並適應企業需求？

企業級代理人工智慧採用記憶體架構，可同時實現即時任務管理與長期組織學習。工作記憶體可維護目前業務流程、營運狀況和活躍目標的內容，讓系統可追蹤進度，並在多個企業應用程式之間即時調整策略。

長期記憶系統會累積組織知識和營運經驗，為未來的商業決策提供參考。這些系統記錄過去業務流程中的特定互動、結果和背景資訊，建立機構知識庫，隨著時間的推移改善績效。這種組織學習能力可讓代理式人工智慧在累積特定商業環境和作業模式的經驗後，變得更有效率。

大型語言模型 (LLM) 在企業級代理人工智能中扮演什麼角色？

LLM 是業務經理或業務分析師定義代理與存取資料和控制系統內動作的任務、路由和機制之間的主要介面。這些模型允許代理人工智能詮釋執行指令、理解業務文件、應用連鎖思維推理，以及根據組織情境產生適當的回應或行動計畫。

LLM 貢獻了推理能力，讓企業代理人工智能能夠分析業務問題、產生策略計畫，並評估不同業務領域的潛在解決方案。這種語言理解與商業推理的結合，使得 LLM 對於代理人工智慧必須與利害關係人互動，並處理不同類型的商業資訊的應用程式特別有價值。

代理式 AI 系統如何與企業基礎架構整合？

企業級代理式 AI 整合依賴 API 連線和資料管道架構，可與現有業務系統進行無縫互動。這些系統透過標準化介面連接至企業資源規劃平台、客戶關係管理系統及其他關鍵業務應用程式，以維持資料安全性及作業完整性。

多個專門的代理通常會在企業環境中協調，每個代理專注於特定的業務功能，同時透過安全的通訊協定分享資訊。這種分散式方法可實現跨越多個部門和系統的複雜業務流程自動化，同時保持對業務運作的集中監督和控制。

麻省理工學院的研究突顯了多機器人協調的技術進展，以及在人機混合環境中運作的挑戰。

Agentic AI 如何讓企業獲益？

瞭解人工智慧與眾不同之處

Agentic AI 是一種新型的人工智慧，能夠獨立行動、自主決策，並在最少人為干預下，朝著複雜、長期的目標努力。您可以將它想像成一位能幹的數位員工，您可以將主要目標指派給它，它會找出步驟、執行計畫，並視需要調整以完成工作。

Agentic AI 的與眾不同之處在於三個核心能力：

自主決策：AI 獨立行事，每一步都不需要批准。
以目標為導向：它透過多步驟的執行來維持目標，而不只是回應單一的提示。
適應性學習：它會分析結果、評估策略，並修改其行為，以更有效地達成目標。

Agentic AI 可為各行各業的企業提供廣泛的效益：

提高效率和生產力：透過自動化重複性任務及最佳化工作流程，代理式人工智慧可大幅提升作業效率及生產力。這可讓企業簡化運作、降低成本並加速產出。例如，代理式人工智能系統可以管理整個多步驟工作流程 - 從庫存管理到訂單履行 - 而無需在每個階段進行人工干预。
改善決策：Agentic AI 可以分析大量資料，並提供洞察力，為更好的決策提供資訊。透過識別趨勢、模式和異常現象，AI 代理可協助企業做出更具策略性的選擇、降低風險並把握機會。AI 代理可以自動分析市場趨勢、競爭對手的定價和客戶行為，即時建議最佳定價策略或識別新興市場機會。
降低營運風險與停機時間：Agentic AI 可預測並預防營運、維護、供應鏈管理和客戶服務的中斷。例如，它可以偵測不尋常的帳戶活動，並在小問題升級為重大危機之前，主動與客戶聯繫並提供解決方案，讓企業能夠走在問題的前面，而不僅僅是對問題做出反應。
增強客戶體驗：Agentic AI 可以將客戶互動個人化，並提供量身打造的解決方案。藉由瞭解客戶的喜好與需求，AI 代理可以提供相關內容、主動提供支援，並建立更穩固的客戶關係。舉例來說，代理型人工智能可以透過分析客戶資料和模式來預測潛在問題，在小問題升級為重大危機之前採取糾正措施，例如偵測異常的帳戶活動，並主動聯絡客戶提供解決方案。
創新與成長：Agentic AI 可找出新的可能性並產生創意解決方案，從而推動創新。透過探索非傳統的方法和挑戰現有的模式，AI 代理可以幫助企業發現新市場、開發新產品，並取得突破性的成果。

Agentic AI 可以透過分析人類團隊可能忽略的跨產業趨勢和客戶需求，探索非傳統的產品組合或服務項目。

福利摘要：

實施代理式 AI 的組織報告了三個主要結果：

40-60% 減少用於例行工作的時間
透過即時資料分析加速決策
由於團隊專注於策略性工作，員工滿意度得以提升

成功需要適當的資料整合、安全架構和分階段實施。

Agentic AI 如何自動化決策和多步驟流程？

Agentic AI 可將複雜的決策過程和多步驟工作流程自動化。其分析資料、評估風險及採取自主行動的能力，使其成為處理傳統上需要人為介入的複雜任務的理想選擇。

舉例來說，在金融領域，代理式 AI 可以自動執行投資決策、管理投資組合，以及偵測詐欺交易。在醫療保健產業中，它可以協助診斷、個人化治療計畫，以及監控病患的健康。在製造業中，agentic AI 可以優化生產排程、管理庫存及預測設備故障。

透過自動化這些複雜的流程，企業可以減少錯誤、提高準確性，並加速營運。Agentic AI 可以持續學習並適應不斷變化的條件，確保決策保持最佳狀態，並與業務目標保持一致。

什麼是 AI 代理？

AI 代理是一種軟體，其設計目的在於透過感應器或資料輸入感知其環境，使用人工智慧處理這些資訊，並採取行動使其達成特定目標的機會最大化。這些數位代理可以在定義的參數範圍內獨立運作，根據編程和學習做出決策，並與其他系統或人類互動來完成任務。它們代表了代理式 AI 原則的實際實作，在較大的 AI 系統中作為執行特定功能的操作單元。

AI 代理的核心元件

AI 代理建置有幾個重要的元件，使其能夠自主運作並具有決策能力：

感知系統：代理程式必須有辦法收集有關其環境的資訊。在商業應用中，這可能包括來自企業系統的資料饋送、市場分析、來自物聯網裝置的感測器資料，或直接的使用者互動。這些輸入構成代理瞭解其作業環境的基礎。
知識庫：Agents 會維護並持續更新資訊庫，其中包括預先編程的知識和學習到的經驗。這個知識庫是決策和問題解決活動的基礎，讓代理可以汲取過去的經驗和既有的模式，為目前的行動提供資訊。
決策機制：精密的演算法與模型可讓代理體評估情況並決定適當的行動。這些機制通常會結合多種人工智慧技術，包括機器學習、自然語言處理和專家系統，以處理複雜的情境並產生有效的回應。

AI 代理在企業中的未來是什麼？

AI 代理的演進持續擴大在商業環境中的能力與應用。

新興趨勢包括

協同代理網路：未來的實作特色是多個專門的代理程式在協調的網路中合作，各自處理複雜業務流程的特定層面，同時分享資訊和資源以達成共同目標。
增強學習能力：下一代代理將展現更複雜的學習能力，包括
- 透過先進的轉換學習技術，更快地適應新的情況和要求。這將使代理能夠在不同的情境和場景中更有效地應用所學到的知識。
- 提高從人類回饋和自然互動中學習的能力，使其工作起來更直觀，也更容易針對特定的業務需求進行培訓。
提高自主性：隨著人工智能技術的進步，代理將以更大的獨立性處理日益複雜的決策和任務，同時在必要時維持適當的安全措施和人工監督。
更快的自助服務請求與完成：AI 代理將可讓企業使用者更輕鬆地透過內建生產 AI的 ITSM 平台，搭配工作流程自動化，更快速地完成各種請求。例如，健康補償、訪問遠端辦公室時授予徽章存取權，或部署雲實例。

Agentic AI 實作的挑戰與成功因素

最近的產業分析突顯了企業採用人工智慧 (Agentic AI) 所面臨的重大挑戰，研究公司 Gartner 預測，由於支出增加、商業效益模糊、風險控制不足等原因，到 2027 年底，將有超過 40% 的人工智慧 (Agentic AI) 專案中斷。了解這些潛在陷阱並實施適當的緩解策略，對於尋求成功部署代理式 AI 的企業而言至關重要。

這一預測反映了當前的現實，即許多組織在接近代理式人工智能實施時，並未對這些系統所要求的複雜性、成本和治理要求做好充分的準備。不過，Gartner 也預測，到 2028 年，至少有 15% 的日常工作決策將透過代理式人工智能自主完成，而到 2028 年，將有 33% 的企業軟體應用程式包含代理式人工智能，這顯示以策略性方式進行實施的組織具有相當大的潛力。

是什麼導致代理人工智慧專案失敗？

代理式人工智慧專案失敗的主要原因來自於對實作複雜性和資源需求的基本誤解。

許多組織低估了將這些系統整合到生產中的成本和複雜性，因為這些系統需要在生產中可靠地規模運作，並提供可衡量的商業價值。

與傳統的自動化專案不同，agentic AI 需要精密的基礎架構、持續監控和適應性治理架構，而許多企業都沒有準備好提供這些服務。

成本超支是一項重大的挑戰，因為代理人工智慧系統需要大量的計算資源、專業知識，以及超出最初專案預算的持續維護。

問題源自於缺乏明確的商業價值定義，以及大多數代理式人工智慧專案的認知基礎缺失，在這些專案中，企業正在建立錯誤的東西。

此外，不完善的風險管理架構無法解決在複雜企業環境中運作的自主系統所面臨的獨特挑戰。

企業如何避免代理式 AI 實作陷阱？

成功的代理式人工智慧實作需要一個策略性的方法，同時解決技術與組織準備的因素。

企業應從明確的業務目標和可衡量的成功標準開始，將代理人工智慧能力與特定的營運改善或成本降低直接連結起來。這個基礎可以防止專案變成為了尋找業務問題而實施技術。

風險管理策略必須透過全面的治理架構、監控系統和人類監督機制來處理代理型人工智慧系統的自主性。組織應該實施分階段部署的方法，以進行迭代學習和調整，先從範圍有限的試點專案開始，證明其價值，然後再擴大到全企業範圍的實施。

此外，在組織變革管理和員工訓練方面的投資，可確保人類利益相關者能有效地與代理式 AI 系統合作。

哪些基礎架構和管理需求可確保專案成功？

企業 Agentic AI 的成功取決於強大的技術基礎架構，能夠支援自主運作，同時維持安全性、合規性和效能標準。這包括可擴充的運算資源、全面的監控和日誌系統，以及可與現有企業應用程式進行無縫互動的整合框架。

組織還必須建立明確的資料治理政策，以確保代理式 AI 系統能夠存取高品質的最新資訊，同時維持適當的安全控制。

治理架構應明確界定自主運作的邊界、邊緣情況的升級程序，以及可維持人力監督策略性決策的問責架構。

成功的實施通常包括跨功能團隊，由 IT、業務營運、法律和法規遵從部門的代表組成，以確保在整個專案生命週期中全面考慮技術、營運和法規要求。NIST AI 風險管理架構提供了全面的指導，可將可信度考量納入 AI 系統設計與治理。

企業應如何策略性地採用人工智慧？

策略性代理人工智慧的採用需要分階段進行，以建立組織能力，同時展現遞增的價值。企業一開始就應該找出兼具高度自動化潛力與明確成功指標的特定業務流程，並將重點放在自主決策可在效率、準確性或應變能力方面帶來可衡量改善的領域。

關鍵成功因素

為了避免 40% 的失敗率，企業必須

在實施前定義明確、可衡量的業務目標。
為自主系統建立健全的管理架構。
從能證明投資報酬率的有限範圍試點開始。
投資於組織變革管理與訓練。

解決這些因素的組織，成功率會提高 3 倍。

標題為「Strategic Agentic AI Implementation Framework」的圖表，顯示 AI 實施的步驟與成功因素流程圖。頂行包括基礎評估、試驗部署、規模& 最佳化和企業整合，並註明「40% 失敗率-避免這些陷阱」。最下面一行列出明確的業務目標、資料品質& 治理、風險管理架構和跨功能團隊。成功因素突出顯示在中央，連接兩行。

試點計畫應強調學習與適應，而非立即進行大規模部署，讓組織發展代理式 AI 管理、治理與最佳化的專業知識。成功的企業通常會建立專屬的卓越中心，以分享多個專案的學習成果、開發標準化的實作方法，並維持新興代理式人工智慧技術和最佳實務的專業知識。

此方法可讓組織建立可持續的人工智慧代理能力，提供長期的商業價值，同時避免導致專案取消的陷阱。

Resources

Try OpenText MyAviator

Say hello to faster decisions. Your secure personal AI assistant is ready to get to work.