企业应如何向智能体时代过渡？

Irving Wladawsky-Berger | 2026年10月9日

本博客最初于2026年10月6日发布于 https://blog.irvingwb.com/blog/2026/10/how-should-enterprises-transition-to-the-agentic-era.html ，经作者同意在此转载。

过去几年中，围绕 AI 智能体最大的问题之一一直是：它们是否真的能够执行有用的企业工作。

这个问题已经越来越多地得到了回答。它们可以。

更困难的问题如今已从技术能力转向组织部署。企业能否信任智能体代表自己行事？企业应如何治理那些与应用程序、数据、人类员工以及其他智能体交互的智能体？当出现问题时，谁来负责？企业能否获取足够的经济价值，以证明可能不断上升的成本是合理的？

这些问题是 Linux Foundation Research (LFR) 近期报告《企业向智能体时代过渡》的核心内容，该报告由 Hilary Carter 、 Hillary Curran 和 Anni Lai 撰写，基于她们对与 Linux Foundation 社区相关的25位领导者、创始人、企业运营者和顾问的采访。

麦肯锡2024年的一份报告很好地总结了这一技术转型。我们正在从回答问题和生成内容的聊天机器人等生成式 AI 工具，转向能够执行复杂、多步骤工作流的 AI 智能体。

“简而言之，这项技术正在从思考走向行动。”随着 AI 从思考走向行动，企业面临的挑战也随之改变。

智能体作为新的协调层

LFR 报告围绕四大支柱展开：技术战略；治理与风险；商业模式转变；以及 ROI 与智能体路线图。

我发现第一个支柱尤其引人入胜。受访者普遍认为，智能体正开始以新的方式协调企业资源。

这引出了一个有趣的问题：AI 智能体最终能否扮演某种类似于操作系统的角色？

操作系统传统上管理计算机平台的硬件和软件资源。最近，云原生技术使企业能够跨云基础设施动态管理分布式计算资源和应用。

智能体系统现在可能正在增加另一层抽象：协调应用、数据、工作流以及日益熟练的数字工作者，以追求更高层次的目标。一些研究参与者认为，企业智能体确实正在成为新一代企业操作系统的内核。正如一位受访者所说：“正如操作系统抽象了硬件，智能体层正在抽象应用、数据和工作流。”

其他人则认为，现在下这样的结论还为时过早。一些人将智能体比作调度器而非操作系统：智能体并不拥有底层资源，但可以根据推断的意图优先安排对资源的访问。还有人认为，企业仍然需要开发相当于向云原生计算过渡期间出现的编排框架。

精确的类比尚无定论。但更广泛的观点很重要。智能体并不会取代企业计算或软件工程的基础。它们在这些基础之上增加了一个新的执行和协调层。

而一旦 AI 智能体开始协调企业资源并自主采取行动，治理就变得至关重要。

从回顾性监督到实时治理

受访者之间最强烈的共识是，需要在智能体与其现在管理的资源之间建立一个治理层。

报告确定了该治理层的四项主要职责：

• 策略执行，在具有重大影响的行动发生之前对其进行评估；

• 身份与授权，确定智能体代表谁或什么行事；

• 计量与归因，跟踪使用情况和成本；以及

• 可审计性，维护行动及其结果的不可变记录。

这凸显了生成式 AI 与智能体 AI 之间的根本区别。

聊天机器人通常生成信息或建议，然后由人类决定如何行动。而 AI 智能体（Agent（智能体））可能自行采取行动——访问数据库、与应用程序交互、发起交易，或将任务交给另一个智能体。

因此，治理不能主要依赖于发现 AI 智能体所采取的行动出了问题。

受访者一致认为，当智能体以机器速度运行时，事后审计是不够的。策略和护栏越来越需要在执行有后果的行动之前得到执行——无论是在运行时层面还是通过模型自身的自我调节。

换句话说，随着 AI 从生成建议转向采取行动，治理必须从事后监督转向实时控制。

谁对数字同事负责？

治理还提出了虚拟员工的问责难题。

在这一点上，受访者基本达成一致：无论智能体的自主程度如何，责任仍在于部署它的组织以及配置和授权其行动的人员。将失败归咎于 AI 本身不太可能让监管机构、客户或公众满意。

但在多智能体环境中，问责变得相当复杂——当一个智能体可能将任务委托给另一个智能体，后者再访问服务或调用另一个智能体时。报告将这种交互智能体之间的问责确定为一个未解决的前沿问题。

传统的 AI 治理问题是：人在回路中的位置在哪里？

智能体时代又增加了一个问题：我们应如何治理多个智能体之间的交接？随着组织部署数百甚至数千个自主智能体，手动监督每一次交互显然是不可能的，需要大量的自动化。

智能体 AI 将改变软件经济学

从软件作为工具到软件越来越多地执行工作的转变，对企业商业模式也具有重大影响。

报告发现，各方普遍认同传统的按席位软件定价将面临压力。如果智能体（Agent）执行了此前由人类完成的工作，那么按人类用户数量来定价软件，就越来越无法反映软件所交付的价值。

此外，大多数受访者也否定了“软件即服务已死”的预测。他们预计成熟的 SaaS 公司会适应变化，而非消失。

成本压力还可能促使企业转向混合的 AI 模型组合。更小、通常为本地部署的开源模型可以处理大批量的常规任务，而更昂贵的前沿模型则保留用于需要复杂推理的问题。

共同的主线是：当软件越来越多地执行工作，而不仅仅是帮助人们执行工作时，企业软件的经济学也必须随之演进。

衡量成果，而非智能体

那么，企业应如何判断其智能体 AI 投资是否获得了回报？

受访者分享了一个直截了当的原则：衡量已完成的工作和交付的价值，而非活动量。

部署的智能体数量或消耗的 token 数量，几乎无法说明一个组织是否正在变得更具生产力。相反，企业应关注诸如已完成任务、解决率、质量、节省的时间，以及与先前以人为中心的流程相比每项成果的完全负载成本等指标。

报告还就失败的 AI 试点提供了一个有益的视角。

受访者普遍不将高试点失败率视为智能体 AI 行不通的证据，而是将失败视为实验的正常组成部分。但实验应有明确界定的目标并记录其结果，以便失败能带来组织层面的学习，而不仅仅是额外的开支。

智能体 AI 的扩散速度也可能比云计算更快。智能体运行在企业已经构建并学会信任的云基础设施之上。开源可以显著加速开发。而且采用正日益自下而上，员工已经在尝试 AI 工具，无论其组织是否已正式批准。

智能体时代的企业路线图

当参与者被问及采用的最大障碍时，信任与治理位居首位，其次是数据与上下文、变更管理和成本。

这些障碍为企业提供了一份有用的路线图。

建立信任与治理。在赋予智能体（Agent）重大自主权之前，组织需要清晰的身份、权限、策略、审计追踪、运行时防护栏和问责机制。

投资于组织知识和上下文。该报告提出了一个特别重要的观点：“智能体的有效性受限于其可用的上下文。”因此，知识和上下文管理应被视为核心基础设施，而非事后补充。

企业数十年来在数据库、应用程序、文档、API 以及员工头脑中积累了知识。智能体的价值取决于其安全访问并正确解读这些组织上下文的能力。

重新设计工作，而非仅仅将智能体嵌入现有流程。向智能体式 AI 的转型既是技术变革，也是组织变革。

衡量经济成果。关注已完成工作的价值，而非消耗的 token 数、部署的智能体数量或其他活动指标。

积极实验，但要对实验进行治理。自下而上的实验可以加速学习，但组织应将不受治理的影子 AI 转化为企业管理下的采用，并确保成功和失败的试点都能为组织知识做出贡献。

能力不再是门槛

AI 智能体的能力不再是门槛，这是 Linux Foundation Research 报告传达的最重要信息。

这并不意味着 AI 智能体已经解决了所有技术问题。远非如此。但企业的核心挑战正日益从让智能体更有能力，转向构建使其能够安全且高效行动的组织基础设施。

该基础设施包括身份、授权、运行时防护栏、可审计性、成本控制、高质量数据、组织上下文以及清晰的人类问责机制。它还要求企业重新思考工作流、软件经济学，以及如何衡量由人类和数字同事组合完成的工作的价值。

一些重要问题仍未解决。我们尚不清楚智能体是否会成为新的企业级操作系统的内核，哪些技术标准将胜出，智能体式 AI 将以多大幅度重塑当今的软件行业，或者其采用速度是否真的会快于云原生转型。该报告恰当地将这类有争议的问题与已形成共识的领域区分开来。

但大方向正变得越来越清晰。

生成式 AI 为企业带来了能够日益理解和生成语言、软件、图像及其他形式内容的系统。智能体式 AI 如今正赋予这些系统行动的能力。这改变了企业挑战的性质。

向智能体时代的转型，最终将较少取决于 AI 智能体变得多么智能，而更多取决于企业学会以多么智能的方式治理、集成和协同它们。

AI 披露：我撰写了本博客的初稿，并使用 ChatGPT 进行编辑辅助。我对最终内容负责。

Irving Wladawsky-Berger

转载声明：本文为转载整理，原文版权归原作者及原站点所有。

原文来源：Linux Foundation Blog

原创地址：https://www.linuxfoundation.org/blog/how-should-enterprises-transition-to-the-agentic-era