人工智能已不再局限于实验性项目和孤立的效率提升场景。当前，企业采用AI的步伐正快速拓展至关键业务职能，各组织期望智能体（agent）能够日益承担起跨应用、跨系统、跨业务流程的工作协调职责。

将AI投入生产环境，在很大程度上已成为过去式挑战。如今，工作流的架构方式同样在发生转变。企业不再依赖单一AI工具完成单一任务，而是迈入一个智能体相互协作、调用工具与应用、交换上下文并彼此交接工作的新阶段。

那么，当个体智能体成为相互连通的智能体生态系统的一部分时，管理AI究竟需要哪些条件？OutSystems与KPMG即将发布的一项调研报告对此进行了探讨：71%的受访者预期，企业应用将朝着由智能体协调跨系统、跨团队与跨业务流程的工作，或辅助业务用户完成更复杂的多步骤工作流的方向演进。

从单点采用走向编排治理

孤立的智能体通常依据其自身输出进行评估。然而，尽管这种方式能够验证其技术能力，将其部署到生产环境则完全是另一回事——尤其是因为大多数真实世界的工作流都涉及多个应用、数据集及其他智能体。这引入了相互依赖关系：智能体之间可能交换上下文、调用API或与企业应用交互，并依赖链条中更早环节生成的输出。

OutSystems产品、AI与应用开发高级副总裁Gonçalo Borrêga将此描述为一项编排挑战。“目标越高，涉及的协调工作量就越大。这正是编排的用武之地，”他表示，“此处的一个错误，可能在下游引发一连串十个错误。”

这一转变已初现端倪。例如，一家全球物流组织正从单一分析应用日志的智能体，转向一种多智能体模式——由专业化智能体实时协作并共享上下文。

复杂度提升，管控难度加大

随着这些系统日益互联，挑战重心已从治理单个AI项目，转向在整个工作流范围内维持管控。超过三分之二的受访者将跨智能体的安全、权限与策略执行，列为首要的编排障碍。

其含义在于：尽管大多数组织确实建立了治理机制，但这并不必然意味着其流程能够在整个工作流中有效运作——尤其是涉及多个智能体与其他工具协调的场景。“你仍然需要保障所有这些智能体的安全性、可观测性、准确性与质量，并且需要在多个平台之间协调和编排这些工作，”Borrêga表示。

部分组织已开始采取更具结构化的方法。例如，一家大型数字银行在允许团队部署自主智能体之前，先行定义了经授权的AI工具集与预配置工作流，从而在保留创新空间的同时，降低了碎片化采用带来的安全风险。

强化管控不等于限制选择

智能体驱动的企业必然呈现异构特征——不同的智能体、应用、模型与数据服务将共存于不同平台之上。Borrêga认为，当智能体被添加到本已碎片化的应用与数据环境中时，单纯采用智能体AI并不等于通往智能体企业的坦途。

组织需要这种灵活性，原因在于：今天针对某一用例的最佳工具，未必适用于明天的另一场景。因此，企业不应试图将所有东西标准化到单一供应商之上，而应在整个环境中建立一致的工程规范、编排机制与治理框架。

目标在于实现组合层面的全景可见性，并建立一套一致的控制层——在整个环境中统一执行策略，同时保留为每个用例自由选择最合适的智能体、工具、平台与模型的权利。

业务成果成为真正的检验标准

随着企业AI走向成熟，组织越来越多地以业务成果的影响来衡量成功，而非狭隘的基于活动量的指标。调研显示，64%的受访者以错误率降低来评估AI的影响，60%则衡量合规性或风险降低情况。

Borrêga对单纯聚焦生产力提升的观点提出质疑，并将关注点转向业务成果：“能够生成更多文本或更多代码，并不天然带来好的结果。”更具相关性的问题在于：重新设计的智能体流程是否切实改善了某项业务成果——例如降低成本、改善客户体验、降低风险，或帮助组织更快响应市场压力。

结合调研发现可以明确：企业AI的下一阶段，将更少取决于组织运行了多少个智能体，而更多取决于其如何有效地将这些智能体与可信的业务系统相连接。随着应用本身日益具备智能体特性，组织需要将编排与治理、企业上下文、技术选择以及基于成果的衡量相结合。

完整的2026年OutSystems与CIO Dive调研报告即将发布，届时可深入查阅全部数据。