企业很容易觉得自己在智能体AI的采用进程中落后了。相关炒作持续不断，也颇具说服力，但如果某项技术的企业级要求尚未成熟，就不必急于采用。我们近期开展的研究是《2025年AI应用战略现状报告》的一部分。研究显示，37%的组织尚未制定正式的智能体AI实施方案，只有5%的组织正在大力推进。
审慎的做法是理性看待市场热潮，并在学习和实验阶段合理把握投资节奏。目前，智能体AI部署主要采用静态的AI聊天机器人来完成预定义任务，而较少采用由动态、复杂且自主的智能体组成的系统，让这些智能体相互协作以实现目标并持续改进。
以下五个原因说明，企业为何应谨慎尝试智能体AI，而不是盲目追逐热潮。
1. 技术栈尚未成熟
智能体AI技术仍在快速自我革新，其速度超过了解决方案的开发速度。新功能、新工具和新代码库不断涌现。现阶段适合开展原型设计，以跟上创新步伐；但要为企业构建全面部署的解决方案，技术栈的变化速度需要放缓。以下是几个具体示例：
- 智能体需要具备强大的推理能力，才能解决决定目标导向型自主行为的复杂问题。模型可用于此目的，但其推理能力目前尚不足以取代人类。
- 智能体需要更强的记忆能力来解决复杂问题。为此，新的记忆系统应运而生，各有侧重，例如语义记忆、情景记忆和程序性记忆。甚至已有模型内部涌现出记忆能力的案例。
- 开发者用于构建应用的API正在新增多项大幅提升功能的特性。在客户端，浏览器正在扩展功能，以便更轻松地利用AI。在服务器端，OpenAI近期宣布了Responses API的多项更新。其中包括支持模型上下文协议（MCP），以及新增跨多个向量存储进行搜索的功能。
2. 缺乏成熟的标准
随着思想者和开发者不断探索如何满足市场的互操作性需求，新的标准也在持续涌现。例如，Anthropic提出的MCP和Google提出的Agent2Agent（A2A）协议，分别用于模型与资源之间以及智能体之间的通信。但两者都无法满足智能体AI的全部互操作性要求。为弥补现有缺口，未来几个月可能还会提出更多标准。尽管MCP和A2A正获得越来越多厂商和客户的支持，但企业在决定采用这些拟议标准之前，相关标准还需要进一步规范化。
3. 总拥有成本（TCO）尚不明确
AI智能体正在构建和部署。早期指标显示已取得一定成效，但这些指标衡量的是收入增长带来的业务收益（未反映成本），或由机器人而非人工处理的请求占总请求量的比例（这表明智能体可以执行某些任务，但无法反映完整的成本对比）。智能体AI的总体拥有成本需要考虑：
- 完整的物料清单，包括技术、流程更新和采用，以及人才需求，例如现有岗位所需的新技能或新增岗位。
- 架构指南和组件架构图，包括拓扑结构，以及与现有基础设施和服务的互操作性。
- 成功标准应根据对基础设施的影响明确关键指标，例如计算、网络和存储的性能与容量。
4. 数据质量和安全是成功采用AI的前提
要有效运行，AI赋能的应用需要优质且安全的数据。如果组织缺乏有效的方法来处理数据孤岛、数据格式和数据规范化问题，就很难成功部署智能体AI解决方案，因为智能体AI会放大企业在数据和安全方面的薄弱环节。这并非只是在网络中部署大量以机器速度运行的智能体。目前，智能体的安全管理方式与人员或设备相同。因此，用户在授权智能体时，并不完全了解智能体将如何使用、更改或删除其数据。
5. 全栈可观测性是基础
AI赋能的应用需要全栈可观测性。如果组织尚未成功实施全栈可观测性实践，就不具备部署智能体AI解决方案的条件，因为该解决方案在可视性、运维、故障排除和治理方面高度依赖全栈可观测性。
请综合考虑这五个原因，审慎决策，不要盲目追逐智能体AI的热潮。如果其中两个以上会给采用计划带来切实挑战，或许应留出更多时间。智能体AI市场的技术栈和标准仍在不断演进，成本尚未量化，采用前提还包括全面的数据管理、内置可观测性等要求严苛的企业级能力，因此放慢采用步伐并无不妥。首次部署智能体AI解决方案并不能证明智能体能为企业创造价值，只能证明基础设施已准备就绪。循序渐进地采用，可让企业有时间发现并补强薄弱环节，避免在准备不足时投入过深。
如需深入了解智能体AI就绪情况，请阅读我们的最新洞察《策略融入有效载荷：为AI智能体架构做好准备》。
关于作者
相关博客文章
2023年应用策略现状：成本与复杂性是推动多云网络发展的首要因素
多云网络解决方案可在核心、云和边缘环境之间实现无缝、安全的互联，为解决当今混合IT面临的挑战提供支持，因而备受业界关注。