人工智能的期望已从精准的生成式输出，转向关键业务流程中的自主代理行动。然而，企业的AI部署速度与广度均未达预期。瓶颈并非模型能力、算力获取或创新匮乏。

阻碍首席信息官（CIO）达成投资回报率（ROI）目标的，是传统企业运营模式对其手脚的束缚。如今，是时候为AI时代重新思考这一模式，而信任正是关键所在。

传统企业运营模式容不下AI

AI入门并不难，这也是全球今年预计在AI上花费4.5万亿美元的原因。然而，CIO们仍不愿在无人监督的情况下将整个工作流交给代理。挑战不在于寻找人类来参与监督，而在于确定哪些决策可以放心交由AI代理处理。权衡这一问题会拖慢进展，因为团队在将AI试点推向生产时，常因风险与可逆性的担忧而受阻。结果，AI未能实现端到端流程自动化，其ROI仅达到预期的一小部分。

原因在于，典型的企业运营模式围绕人员、流程和技术展开。遗憾的是，许多组织仅将AI视为技术工具箱中的又一工具。麻省理工学院（MIT）发现，近所有企业AI项目均告失败。这些组织采用不同供应商、不同AI方案，尽管路径各异，却殊途同归地失败。将AI硬塞进传统运营模式（人员、流程、技术）并不奏效。

然而，正确的做法并非抛弃旧模式，而是将其扩展，将AI原生融入其中。正如企业如今战略性地决定在何处及如何应用模式组件以满足需求，采用AI原生方法可确保人员、流程和技术均能有效利用AI，以实现目标并交付成果。

将合适资源委派给合适挑战

CIO们已在ITSM、SSO、云、DevOps等系统上投入巨资。IT预算的大部分用于维持组织运转的系统。这些系统即便有API，也大多处于孤岛状态。随着供应商推出更多AI增强产品，这些孤岛只是变得更智能，并未被打破。孤岛间的持续间隙仍需人工填补，他们拼接数据、收集上下文，并与其他人员及系统协调以推进流程。

正如人类员工会被委派更具战略性的任务，AI也必须证明其价值及可被信任以达成目标。真正迈向自主企业，需要将那些“协调间隙”任务委派给AI代理。CIO面临的问题并非选择哪种AI，而是AI可被信任处理什么。信任是决策向量。

在此框架下，风险与责任决定哪些任务可委派给AI，其归属以下三种风险加权选项之一：

  • 人类主导流程：涉及高风险、低先例或不可逆元素的决策仍由人类掌控。AI提供辅助，但最终决策权始终在人类手中。
  • 人类监督流程：较低风险的决策可委派给AI代理，但需在人类监督下行动，遵循既定规则并记录所有操作。随着AI逐步学习，对结果的信任增长，所需监督减少。人类通过总体策略治理代理工作，而非逐一监督每项AI决策。
  • 代理主导流程：低风险、高容量的决策完全交由AI代理，由其自主思考、决策与行动，无需人类监督。

该框架颠覆了AI扩展的传统思路。当前常见做法是：在单一流程上试点AI，宣布成功，然后将其推向生产，却因近乎无限的流程、数据与决策组合而注定失败。更优路径是先从低风险、常规操作入手，验证成功后，再逐步将AI提升至更高风险、更高 stakes 的任务。信任并非在试点期间赋予，而是通过一次次成功逐步赢得。

在委派框架内部署AI代理

在与数百家企业合作中，我们发现约80%的IT工单可通过代理自主解决，例如引导用户获取正确信息或执行简单低风险操作。这便是将委派框架应用于IT及整个企业的蓝图：从常规操作起步（如聊天机器人引导用户查阅相关文章、重置密码、指导软件更新），再逐步将AI提升至更具战略性的工作。

由于风险是决策向量，治理便成为构建与购买决策的核心。部署速度固然重要，但快速通往最终失败并非成功。可选方案如下：

  1. 内部自建：提供完全控制，但耗时且分散其他项目资源。规模化安全与治理亦具挑战，且AI专业人才昂贵，并非企业核心能力。
  2. 原生AI：部署极快且与解决方案原生集成，但会将上下文与数据锁定在现有孤岛内。同时，在跨平台自动化中选择并维护单一供应商的AI会引发委派问题。
  3. 超大规模云服务商：易于采用，提供强大AI能力与服务，但集成与解决方案需从零构建。其资源需求与内部自建类似，且责任落在企业自身。
  4. 专用企业平台与解决方案：预构建、可定制、设计即治理，兼具其他选项的速度、控制与集成优势。

当以委派框架权衡时，选择便清晰起来。通往成功的最快路径，是能提供完全控制、可跨应用及从低风险到高风险流程进行企业级扩展的方案。