代理式人工智能，详解

作者：Beth Stackpole | 2026年2月18日

你将了解到：

✅什么是代理式人工智能（Agentic AI），以及它与传统生成式人工智能工具（如聊天机器人）的区别。

✅各类组织如何借助智能体（AI Agent），实现复杂多步骤工作流程的自动化。

✅领导者在实施代理式人工智能时应考虑哪些因素，包括基础设施、安全性和人类监督。

几年前，大语言模型和生成式人工智能还几乎不在公众视野之内，更谈不上成为改变我们工作和日常任务执行方式的催化剂。

如今，人们的关注点已转向生成式人工智能的下一个演进方向：智能体，或称代理式人工智能。这是一种新型人工智能系统，具备半自主或全自主能力，因而能够自行感知、推理和行动。与当前已为人熟知的回答问题和解答问题的聊天机器人不同，这类新兴人工智能能够与其他软件系统集成，从而独立完成任务，或在极少的人工监督下自主执行。

麻省理工斯隆管理学院的管理学、信息技术与市场营销教授 Sinan Aral 表示：“代理式人工智能时代已经到来。我们已经在经济中大规模部署了各类智能体，以执行各种各样的任务。”

英伟达 CEO Jensen Huang 2025 年国际消费类电子产品展览会的主题演讲中指出，企业级智能体将为从医疗到软件工程等多个行业创造“数万亿美元的机遇”。

《麻省理工斯隆管理评论》与波士顿咨询集团于 2025 年春季联合开展的一项调查发现，截至 2023 年，已有 35% 的受访者使用了智能体，另有 44% 的受访者表示计划在短期内部署该技术。包括微软、Salesforce、谷歌和 IBM 在内的多家领先软件供应商正通过在其软件平台中直接嵌入代理式人工智能功能，推动这一技术的大规模应用。

然而，Aral 表示，即使是处在部署前沿的企业，也尚未完全掌握如何利用智能体来最大化生产力和效率。他指出，人们对代理式人工智能在更广泛层面上的社会影响的集体认知尚处于萌芽阶段，甚至可以说几乎不存在。

该技术与其他人工智能应用一样，面临着高风险的数据质量、治理、信任和安全挑战。同时，技术的快速演进也可能促使各组织在尚未充分理解其功能或未建立正式战略与风险管理框架的情况下，便急于采用代理式人工智能。

Aral 强调：“每个组织都必须制定一项策略，以便在面向客户和内部业务场景中部署和利用智能体。但这种代理式人工智能策略需要对风险以及业务收益进行深入理解和系统评估，才能真正实现商业价值。”

什么是代理式人工智能？

虽然业界对代理式人工智能尚无普遍认可的定义，但人们已归纳出其一些广泛特征。麻省理工斯隆管理学院副教授 John Horton 指出，生成式人工智能能基于人类语言交互自动生成复杂的文本、图像和视频，而智能体则更进一步，它能以类似人类的方式采取行动并做出决策。

在一篇探讨智能体及人工智能中介交易经济影响的研究论文中，Horton 及其合著者聚焦于某一特定类别的智能体：“能够在数字环境中感知、推理并采取行动，以代表人类主体实现目标的自主软件系统。这些系统具备使用工具、进行经济交易以及开展战略互动的能力。”研究人员指出，智能体可以采用标准构件（如 API）来与其他代理及人类进行通信、收发资金，以及访问互联网并与之交互。

麻省理工斯隆管理学院教授 Kate Kellogg 及其合作研究人员在 2025 年的一篇论文中进一步指出，智能体通过赋能大语言模型及类似的通用人工智能模型，使它们能够自动化完成复杂流程。研究人员写道：“它们能够执行多步骤计划、调用外部工具，并与数字环境交互，进而成为更大规模工作流中的强大组成部分。”

每个组织都必须制定一项策略，以便在面向客户和内部业务场景中部署和运用智能体。

例如，智能体可以根据消费者的输入，并通过API访问特定网站、电子邮件以及Slack等通信平台，来规划假期行程，决定哪家酒店或哪个航班最合适。如果获得了信用卡授权，该智能体可以在无人参与的情况下完成整个交易（预订并支付）。在现实世界中，智能体可以监控仓库中的实时视频和视觉系统，以识别超出正常运营范围的异常事件。

Aral 说：“如果出现异常情况，该智能体可以发出警报，甚至在出现问题时被编程以停止传送带。这不仅仅是数字世界——智能体实际上可以采取行动，改变现实世界中发生的事情。”

Aral 对智能体与更广泛的代理式人工智能概念做了细微区分，尽管大多数人仍习惯将二者混用。他将代理式人工智能定义为：一种包含多个不同智能体协同合作以完成某项任务的系统——例如，在一个谈判或交易过程中，代表买方和卖方的代理市场。

企业如何运用代理式人工智能？

各行各业正开始使用智能体。在银行和金融服务领域，摩根大通等公司正在探索利用智能体来检测欺诈、提供定制化的金融建议，以及自动完成贷款审批和法律合规流程，这可能会减少对初级银行人员的需求。沃尔玛等零售巨头正在构建基于大语言模型的智能体，以实现个性化购物体验的自动化，并简化耗时的客户服务及商业活动，如商品规划和问题解决。

Kellogg 表示：“代理式人工智能系统的好处在于，它们能够完成包含多个步骤的完整工作流程并执行相应操作。”

智能体中一个特别重要的应用可能是，以远低于边际成本的方式执行通常由人类完成的任务——例如起草合同、协商条款或确定价格。

麻省理工斯隆管理学院的博士生 Peyman Shahidi 表示：“智能体最根本的经济前景在于，它们能大幅降低交易成本——即搜索、沟通和签约所耗费的时间与精力。”

Horton 认为，智能体还可以通过帮助人类做出更优市场决策来创造经济价值。他与 Shahidi 关于智能体参与经济交易的研究指出，人们会在两种场景下部署智能体：

✅由于信息约束或认知限制，智能体往往能比人类做出更高质量的决策。

✅智能体能做出与人类选择相似甚至质量略低的决策，但成本和精力投入大幅降低。

Horton 及其合著者写道，在房地产或投资等高风险交易市场中，智能体可以不知疲倦且以近乎为零的边际成本分析海量数据和文档。在涉及众多交易对手方或需要付出大量精力评估选项的领域——例如初创企业融资、大学招生或 B2B 采购——智能体通过阅读评论、分析指标以及对比各类选项的属性，为客户创造价值。

Horton 说：“智能体不会疲倦，可以全天候24小时工作。”

他的研究还表明，智能体能够在信息不对称的场景中发挥价值，例如在线购买保险或二手车。它们通过持续监测海量信息源、交叉比对数据，并迅速发现那些需要人类花费数小时才能察觉的差异。智能体还能通过汇集数百万笔交易的集体经验，为用户在购房或遗产规划过程中提供更丰富的参考，从而显著提升谈判效果。

Aral 的研究发现，当人类与智能体协作时，这种组合能够提高生产力和效率。

组织实施代理式人工智能时应注意哪些问题？

虽然实施的最佳实践仍在发展之中，但为确保智能体的成功部署，需注意以下几点：

实施往往是最繁重的环节

在实践中让代理式人工智能发挥作用可能会遇到意想不到的挑战。Kellogg 及其同事在2025年发表的研究论文中描述了一个基于临床记录检测癌症患者不良事件的智能体案例。最大的挑战并非提示工程或模型微调——相反，研究人员发现，80%的工作量都花在了与数据工程、利益相关方协调、治理以及工作流程集成等琐碎而不起眼的任务上。

将数据转换为标准化、结构化的格式对智能体尤为重要，因为这有助于智能体识别不同的数据源和需求，同时保持一致性。建立持续的验证框架和强大的API管理机制，并与供应商合作确保其掌握最新模型版本，对于代理式人工智能的平稳运行同样至关重要。

其他值得关注的领域还包括：建立适当的监管控制措施，实施防护机制以防止模型快速偏离和性能下滑，并在部署的各个阶段明确界定清晰的成果与关键绩效指标。此外，建立与核心业务目标对齐的指标也至关重要，因为人们可能误解智能代理式人工智能所带来的效益。Kellogg 说：“仅仅因为某个代理式人工智能模型帮某人节省了20%的时间，并不意味着就能节省20%的人力成本。”

考虑智能体的“个性”

在一项大规模市场实验中，Aral的研究团队发现，如若将智能体设计成具有与其他智能体及人类同事个性互补的特点，能够带来更佳的效率、生产力和团队协作结果。例如，性格“开放”的人与兢兢业业且随和型的智能体合作时表现更佳，而兢兢业业型的人与随和型的智能体合作时则表现欠佳。

Aral 说：“人类团队的表现好坏取决于团队中汇聚了哪些类型的人以及各种性格的搭配组合。当将智能体加入团队时，情况也是如此。”一个过度自信的人会受益于一个敢于提出异议的智能体，但同样的智能体个性类型可能对一个自信心不足的人产生负面影响。

采用以人为本的决策方式

Aral 的研究还发现，智能体在处理人类通常轻而易举的任务时可能会遇到困难，比如应对异常情况，而且它们的决策过程仍鲜为人知。部分原因在于，智能体接受训练时，是在特定情境下采取特定行动的。

Aral 说：“你必须确保智能体的决策过程与以人为本的决策流程保持一致。”

代理式人工智能存在哪些风险？

随着代理式人工智能的成熟，你需要关注一系列挑战。这些挑战包括：

✅不稳定的可靠性和不道德行为。一个肆意妄为的代理式人工智能，若基于错误信息决定拒绝某笔抵押贷款或某位大学录取申请，其造成的损害可能与单纯的幻觉一样严重，甚至更甚。Aral表示：“你需要能够解释商业决策，并对每个案例都一致地适用相同的标准。”

✅网络安全。Kellogg 表示，随着智能体获得访问不同数据集和企业系统的权限以实现任务自动化，切勿低估构建强大、基于权限的系统的重要性。

✅问责制。Kellogg 认为，组织需要明确界定，当代理式人工智能犯错或造成损害时由谁承担责任。他们应特别关注系统故障的可能性，尤其是当智能体在极少或完全无人监督的情况下自主执行工作流程时。

Kellogg 认为，尽管整体风险状况仍不明朗，但各组织需要将监控工作纳入常态化的运营成本，而不能仅将其视为一次性项目支出。应在组织层面成立一个治理委员会，以监督责任落实；同时，将具体职责（例如监控和执行安全规则）委派给关键人员。

“随着代理权从人类转向机器，治理和基础设施对于控制与支持代理系统的重要性显著提升，”Kellogg表示。而证明成功依然是实现代理式人工智能取得成功的最大挑战之一——同时也是最大的风险之一。“如果没有统一且可靠的衡量标准，就很难证明这些系统的价值，甚至难以确定它们是否真正达成了预期目标，而非无意中引入了新的风险，”她说道。

下一步

阅读麻省理工学院数字经济倡议发布的四项关于自主智能的最新研究。

阅读《麻省理工斯隆管理评论》中关于代理式人工智能的更多文章：

✅The Emerging Agentic Enterprise: How Leaders Must Navigate a New Age of AI

✅Agentic AI: Nine Essential Questions

阅读麻省理工学院信息系统研究中心发布的研究报告《代理式人工智能时代的商业模式》。

浏览智能体索引（来自麻省理工计算机科学与人工智能实验室的公共数据库），该数据库记录了正在使用中的代理式人工智能系统。

报名参加麻省理工斯隆高管教育课程AI Executive Academy，了解更多关于在组织中应用人工智能战略的内容。

Sinan Aral 是商业分析领域的全球权威，麻省理工斯隆管理学院管理学、市场营销、信息技术与数据科学 David Austin 教授；麻省理工数字经济倡议主任；风险投资公司 Manifest Capital 和 Milemark Capital 的创始合伙人。他的研究聚焦于应用AI、社交媒体与虚假信息。

John Horton 是麻省理工斯隆管理学院 Chrysler 管理副教授、信息技术副教授。他的研究集中于劳动经济学、市场设计以及信息系统的交叉领域，尤其关注提高匹配市场的效率与公平性。

Kate Kellogg 是麻省理工斯隆管理学院 David J. McGrath Jr. 管理与创新教授。她的研究重点是帮助知识工作者和组织开发并应用预测性与生成式人工智能产品，以改善决策、协作与学习。

Peyman Shahidi 是麻省理工斯隆管理学院的博士生。他研究市场设计与劳动经济学，重点关注AI对劳动力市场和在线平台的影响。