企业将智能体 AI 工作负载投入生产的三条成熟路径 | 技术趋势

过去两年，人工智能已经改变了企业的运营方式。但自从生成式 AI 迎来“iPhone 时刻”以来，企业面临越来越大的压力，需要证明其 AI 投资能带来切实的投资回报率（ROI）。

对于早期采用者来说，成果非常显著：根据 Enterprise Strategy Group 最近的一项调查，92%的早期采用者表示他们的生成式 AI 计划已经收回了成本。但许多组织仍处于其生成式 AI 项目的规划、试点或转型阶段。

埃森哲 AWS 业务集团技术与能力主管 Chris Wegmann 解释道：“我们的团队在数千个 AI 项目中积累了经验。我们了解到，特别是在扩展生成式 AI 时，28%的最高管理层（C-suite）领导者认为，数据或技术基础设施的限制是阻碍其组织适当扩展的首要问题。这包括数据质量差、系统过时以及缺乏经过验证的蓝图或治理模型。随着多智能体系统的应用预计将迅速加速，这也带来了新的挑战，因为企业正从 AI 实验转向企业范围内的扩展。”

他详细阐述道：“我们相信，要为 AI 时代做好准备，组织应首先确定 AI 能产生真正影响的业务领域；投资准备数据和知识资产，使 AI 能够有信心地进行推理和行动；并在可信的优先工作流程上进行试点，然后跨职能扩展、协调和规模化。通过这种方式开始，组织可以构建能够随着每一波创新浪潮而增长的 AI 能力。”

同时，尽管这项技术很强大，但也引起了一些担忧。组织必须确保 AI 智能体在预期范围内运行，保持人类对关键决策的控制，并对新的潜在风险进行定期评估。组织还需要理解和管理更复杂的系统及其潜在的交互，以确保智能体能够执行复杂的多步骤任务，同时确保员工得到适当的培训，并能适应智能体 AI 相比传统软件工具带来的组织变革。

我的同事 Maulie Dass（美洲地区云联盟负责人）在与《哈佛商业评论》最近的一次谈话中，解释了在企业内部引入 AI 的四个关键挑战。

美洲云联盟负责人 Maulie Dass 在与 HBR.org 的网络研讨会上分享了推动企业采用 AI 的四个挑战。

为了帮助我们的客户应对这一转变并构建整体、集成的智能体解决方案，Snowflake 与埃森哲、亚马逊云科技（AWS）和 Anthropic 等生态系统领导者合作。

通过提供来自领先的全球系统集成商、云和 LLM 合作伙伴的一套深度集成的特性和功能——以及值得信赖的专业知识来帮助您识别用例并实施合适的工具——我们使客户能够以降低复杂性同时保持灵活性的方式构建和部署智能体 AI 计划。我们将一系列 AI 模型和工具连接到其数据本已存在的位置，所有这些都无需构建复杂数据管道的麻烦，也无需承担移动或复制数据集的安全风险，这些都会延迟进展和可衡量的成果。

在这篇博文中，我将提供三种构建生产就绪型智能体的策略，重点介绍互联生态系统的综合力量。欲了解更多详情，请探索我们的电子书《大规模部署 AI 智能体：超越概念验证（POC）的 3 种模式》。

生产环境中 AI 智能体的基础

在深入探讨智能体类型之前，了解任何成功的智能体 AI 部署所必需的条件非常重要。坚实的数据基础是任何 AI 计划的支柱。智能体需要访问统一、受治理、可信且高质量的结构化和非结构化数据。这种现代化的、支持 AI 的数据资产对于智能体有效运行至关重要。在 Snowflake，我们常说：没有数据战略，就没有 AI 战略。

其次是安全性和治理控制，帮助您将数据保持在安全的云环境中。这两者都至关重要。我们与 Anthropic 和 AWS 等合作伙伴合作，将领先的 LLM 引入到数据所在的 Snowflake 环境中运行。我们投入大量资金构建与 AWS 服务（如 Amazon Bedrock Agentcore、Amazon SageMaker Studio and Canvas 和 Amazon Q for Business）的原生集成和实施模式，使我们的客户能够轻松受益于两家提供商，而不会影响安全性或易用性。最后，我们共同致力于开放标准，如模型上下文协议（MCP）和智能体间协议（A2A），以实现智能体的互操作性，从而使组织能够根据特定用例定制其 AI 智能体和工具，同时不阻碍来自不同提供商的智能体和工具之间的协作。

一切的基础是灵活、可靠且可扩展的云基础设施，它既提供当今的高性能计算，又提供一个多功能的、可即时扩展以适应未来业务需求的基础。

企业如今部署智能体 AI 的三条成熟路径

我观察到在已将智能体投入生产的企业中出现了一种模式。它们的智能体往往分为三类，我们将按复杂程度依次探讨，从相对容易部署和管理的模式开始，到需要更多配置的模式结束。

• 数据智能体：它们专注于从结构化和非结构化数据中获得超精确的、基于数据的洞察。AWS 服务是对 Snowflake Intelligence 的补充，后者调用诸如 Snowflake Cortex 智能体（分析型和搜索型）等工具来实现全面的数据访问和处理，无论数据存储在 Snowflake 还是 S3 中。这种集成是解锁跨云边界的安全、统一数据洞察的关键

• 对话智能体：这些智能体强调直接嵌入熟悉业务工作流程中的对话界面。Amazon Q 与 Snowflake Cortex 智能体无缝集成，使企业能够在电子邮件、聊天工具或内容仓库等熟悉的工具内部署智能聊天机器人。这种合作将 AI 助手带到用户已经在工作的地方。

• 多智能体系统：这些智能体系统协调多个 specialized agents（专业智能体）以完成复杂的多步骤任务。Strands Agents 作为 SDK 构建此工作流，A2A 协议使该工作流中的智能体能够轻松安全地进行通信。Amazon Bedrock Agents 作为协调器，利用 LLM 智能地指导多步骤工作流。这种集成允许客户混合搭配来自 Snowflake 和 AWS 的专业智能体，提供无与伦比的灵活性和强大功能。

您通往生产就绪 AI 智能体的道路从这里开始

智能体 AI 为企业提供了一条强大的路径，使其能够超越实验，释放 AI 的价值。我们在 Snowflake、AWS 和 Anthropic 的产品团队努力构建交钥匙集成，以便您能够使用所需的工具和服务，通过 AI 智能体推动有意义的业务成果，而无需面对复杂性。

但这并不意味着这段旅程会轻而易举——找到合适的技术只是难题的一部分。通过与埃森哲等合作伙伴合作，客户可以获得跨多个提供商的深厚专业知识，从而能够应用正确的技术来解决大问题并推动变革性成果。

“根据我们的研究，AI 可能会影响美国各行业总共 44%的工作时间。”Wegmann 分享道，“虽然 92%的最高管理层领导者认为其组织内的人员已经过培训能够有效使用 AI，但只有 72%的员工同意这一点，并表示缺乏培训支持资源或难以将 AI 融入日常工作。此外，55%的员工认为需要更全面的培训，45%的员工相信关于负责任使用的明确指南将鼓励他们使用生成式 AI 工具。”

关键点是什么？您并不孤单。依靠您的生态系统来驾驭这个巨大变革的时代。

要发现技术蓝图、详细的工具集成、已经成功实践的客户案例以及指导您的组织从 AI 概念验证到生产环境的实用考量，请立即下载我们的电子书《大规模部署 AI 智能体：超越概念验证（POC）的 3 种模式》。

原文地址 https://www.snowflake.com/en/blog/agentic-ai-workloads-in-production-strategies/