希望跟上 AI 快速发展步伐的企业,需要对自身业务流程有深入的理解,并在所部署的模型和智能体方面保持灵活性——这是 Dataiku 一位高管的观点。

过去几年,生成式 AI 和智能体式 AI 已在企业中得到广泛应用。然而,正如 2022 年 OpenAI 发布 ChatGPT 引发 AI 热潮之初一样,技术发展的速度似乎并未带来同样迅速的落地采用。随着当前关注点集中于 AI 的使用成本,企业不得不认真审视自身应用生成式 AI 的方式,并确保从中获得价值。

不过,最近出现了转变:企业对生成式和智能体式 AI 技术能为自身带来何种帮助的怀疑态度已有所缓和。在 OpenClaw 开源个人智能体现象、Anthropic 发布的可按领域适配的 Claude Cowork 和强大的 Mythos 模型,以及 Nvidia CEO 黄仁勋呼吁企业拥抱“OpenClaw 战略”的背景下,企业近来感到了实施这项技术的迫切需要。

本月早些时候,在拉斯维加斯举行的 Ai4 2026 大会上,企业级 AI 与机器学习平台供应商 Dataiku 负责 AI 与平台业务的高级副总裁 Jed Dougherty 接受采访,讨论了企业在智能体自主性以及选择合适模型或智能体方面面临的障碍。在他看来,无论企业选择哪个品牌的 AI,都必须对这项技术加以管理,使其为组织所用。Dataiku 成立于 2013 年,在 2022 年的一轮融资中估值达 37 亿美元,销售一个用于构建、部署和治理企业 AI 的集中式平台——这一定位与他对集中式、供应商中立编排层的主张相契合。

鉴于 OpenClaw 的成功,企业现在是否应当完全接受 AI 智能体的自主性,还是仍然需要更多人在回路?

Dougherty:仍然需要人类指导。人们在使用智能体时取得的最大收益和成功,仍然出现在保留人在回路的企业。每家公司都需要制定策略,识别哪些内容可以完全过渡到完全自主的系统。明确组织内部哪些政策和流程可以实现自主化,或者其中哪些子集可以,这一点非常重要。

他的谨慎态度也得到行业研究的印证:Gartner 预测,到 2027 年底,将有超过 40% 的智能体式 AI 项目在概念验证未能兑现后被取消,原因是成本不断攀升、商业价值不明确以及风险控制不足。

FDE,即前置部署工程师,在推动企业采用 AI 技术方面发挥着什么作用?

Dougherty:我们在招聘和组建一支强大的前置部署工程团队上投入了大量时间和资金,并通过这支团队为客户提供帮助。这一点非常重要。举个例子,我当时正在帮助一家客户,我们试图搭建一些相对简单的网站。我没有料到,那些我因每天都在做而完全习以为常的小型技术障碍,竟会让人们寸步难行,或者大幅拖慢网站首次可部署的时间点。拥有一位懂得处理简单基础设施工作的前置部署工程师,仍然很有价值。

前置部署工程模式由 Palantir 发扬光大,并随着各供应商努力将实验室能力转化为可实际运行的企业部署,如今已在 AI 供应商领域广泛铺开。

要让智能体式 AI 正常运转,对专家的需求有多大?另外,在生成式 AI 开始广泛使用之初,供应商试图将其包装成一种不需要专家的工具,您是否认为这种宣传是错误的?

Dougherty:我不这么认为。AI 是一项全新的技术。四年前,人们在机器学习自助服务方面已经相当熟练,因为他们已经做了 10 年。如今,随着新的智能体能力四处普及,供应商需要花一点时间帮助人们跨过这道最初的坎。一两年后,随着更多人接触并习惯这项技术,我认为将不再需要同等程度的手把手协助。但就目前而言,当我试图向一个从未接触过、也从未构建过智能体的人做讲解时,中间有一位专家会很有帮助。利用结构化智能体复制业务流程大部分环节所带来的业务变革能力,是相对复杂的。

最能变革企业的智能体式 AI 最佳用例是什么?

Dougherty:企业需要先了解自己,才能确定最佳用例。对任何企业而言,智能体式 AI 的最佳用例就是其核心流程。以保险为例:一份保险理赔提交进来,先要对理赔做一些处理;必须对这份理赔进行一些调查;然后做出是否赔付的决定;可能还会有一些审计;也许会通知法务团队。因此,保险业务的核心部分,就是决定如何以及是否支付保险理赔,以及是否继续与该客户开展业务。保险公司现在越是能够清晰描述在不使用生成式 AI 的情况下如何完成这些工作,就越能理解理赔支付流程中的哪些子集可以随后由智能体式 AI 复制或增强。

企业有时清楚自身的业务价值,却面临众多选择。它们该如何决定与哪家供应商合作?

Dougherty:在机器学习以及如今的 AI 中对数据进行最优处理,意味着为正确的任务选择正确的子工具,并能够轻松更换或调整。有时 Snowflake 是最好的数据库,有时则不是。有时 OpenAI 是最佳选择,有时对于非常敏感的数据或出于控制成本的考虑,本地部署模型才是最佳选择。拥有一个编排层——一个允许你以安全、受控、受治理的方式组合搭配这些底层单项工具的平台——这就是基础。你需要一个集中式、供应商中立的编排层,让你能够轻松地为正确的工作选择正确的工具。

企业如何应对不断上升的 AI 使用成本?

Dougherty:我把它比作人们在云计算时代初期感受到的“账单冲击”:当时他们把一切都迁移到 AWS,第二年就收到了巨额账单。随着越来越多的人开始使用生成式 AI,这种情况将在 2027 年到来。当我在某个项目上刻苦攻关时,一天烧掉 1,000 美元的 token 并不困难,而这并不便宜。我确实认为会出现一些对此的反弹,但它的价值也极其可观。如果在合适的人手中,你能构建的那些东西,我可以在一天或两个月内构建出来。这一点无可替代。正因如此,不要让单一智能体执行所有任务非常重要。你要把工作尽可能分解成多个小步骤。在成本管理方面,另一件需要关注的是对市场变化保持开放。因此,随时掌握市场上哪些是最好的基础模型以及价格点位如何,确实会带来巨大影响,并可能有助于管理你的成本。能够在它们之间切换至关重要。

他所描述的这种动态在云计算领域早有先例:在早期云账单的冲击下,企业建立了专门的流程来跟踪和治理支出,FinOps 由此成型——如今它已是一门拥有自身专业基金会的正式学科。

那么,来自阿里巴巴、DeepSeek 和其他中国供应商的开放模型又如何?企业应当如何应对这一趋势?

Dougherty:它们非常出色。我们看到许多第三方供应商正在提供这些第三方中国模型或其他开源模型,并以极具竞争力的价格点位向用户交付。你完全可以将第三方开源模型替换进来,为自己省下一大笔钱。而且,它们在本质上取决于能力。

Dougherty 表示,随着智能体在组织中大量涌现,对它们的管理将变得愈发关键。“对话式 AI 和用 AI 开发应用将长期存在。人人都会去构建这些东西。我们需要弄清楚什么有效、什么无效。”

编者按:本次访谈经过编辑,以求表述清晰、内容简洁。

来源:AI Business