风险投资机构MMC发布《Agentic AI现状报告｜创始人版》

风险投资机构MMC发布《Agentic AI现状报告｜创始人版》 风险投资机构MMC发布《Agentic AI现状报告｜创始人版》 Modified November 6, 2025 我们的调查结果也得到了其他面向企业的调查的证实： • 平均而言，首席财务官报告称，他们目前人工智能总预算的 25% 用于AI Agent。（ Salesforce，2025 年 8 月对 261 名全球首席财务官的调查 ) • 88% 的高管表示，由于AI Agent，他们的公司计划今年增加与人工智能相关的预算。其中超过四分之一的人计划增长 26% 或更多。（ 普华永道，2025 年 5 月对 300 名高级管理人员的调查 ) • 组织正在将其人工智能投资转向核心职能，这些职能现在占据了人工智能预算的 64%，而非核心活动则占 36%。这种重新分配表明了日益复杂的发展：人们认识到人工智能在应用于中央业务运营而不是外围流程时可以提供最引人注目的价值。（ IBM，2025 年 6 月对全球 2,900 名高管的调查 ) Agent部署的挑战 我们在调查中询问了创始人：“在为客户部署 AI Agent时遇到的最大问题是什么？请按数量级对它们进行排名（例如，分配给最大问题的排名 1）” 前 3 个问题的结果很有启发性：我们经常听说与传统技术堆栈集成和处理数据质量问题是痛苦的。这些问题并没有消失;它们只是被其他重大问题所掩盖。即： • 将AI Agent集成到现有客户/公司工作流程和人机交互方面的困难（60% 的受访者） • 员工抵制和非技术因素（50% 的受访者） • 数据隐私和安全（50% 的受访者） 工作流集成和人机界面 我们指的是 概念方面 （例如，我的流程、工作流程甚至角色应该如何发展以适应人工智能？AI Agent在哪里以及如何帮助我？以及 实际方面 （例如，用户界面是什么样的？ 从概念上讲，最终用户需要一些时间来适应他的新范式。首先是关于接受和意识到流程需要改变，其次是弄清楚它们需要如何改变。这不仅是最终用户要解决的问题，也是为AI Agent 解决方案做出购买决定的团队。 实际上，初创公司专注于确保他们的Agent部署在用户需要的上下文中，并显示在跨系统工作流程的其他 UI（例如 ServiceNow、Slack）中。基本上，无论用户身在何处，都可以与他们会面，以使采用Agent的过程尽可能顺畅。它还涉及确保工作流程和输出是针对人类用户定制的。正如一位创始人所说： “许多公司都想要非常具体的工作流程——这是有道理的——但支持多个独特的实例仍然相当困难，因为一些用户会希望它采用非常特定的格式，例如特定的 Excel 输出——支持'最后一英里'UI 可能是最令人头疼的问题。” 员工阻力和非技术因素 我们在调查结果中观察到一个有趣的模式，即Agent在更高自主水平（9/10 或更高）下运营的初创公司更有可能将员工抵制报告为一个更大的问题。那些在受到严格监管的行业和领域（医疗保健、合规性）运营并因此需要高精度的人也指出，客户对Agent解决方案持怀疑态度。我们关于自主性、准确性及其对员工抵制的影响的发现只是一个问题的表达：信任问题。 这些信任问题总是有其他表现形式。我们与企业从业者的对话表明，人与人工智能的协作并不总是运作良好;要么人类过度依赖人工智能给出了错误的响应，要么他们不依赖并仔细检查人工智能所做的一切，从而降低了效率。 麻省理工学院 的一项研究也观察到了这种现象，该研究表明，与人工智能或人类单独工作相比，人类与人工智能的协作往往表现不佳。造成这种情况的原因包括存在沟通障碍、信任问题、道德问题以及人类与人工智能系统之间缺乏有效协调。正如一位创始人所指出的： “他们（人类用户）通常认为人工智能是'魔法'，并没有完全掌握它的优点和缺点。未能了解人工智能的工作原理有时会导致沮丧和困惑。人们也不愿意放弃旧流程并完全尝试使用人工智能。 创始人指出的另一个主要非技术因素是，客户通常缺乏连贯的人工智能和数据战略，导致过多的用例和试点，但没有大规模采用人工智能的有凝聚力的计划。为了公平对待客户，另一位创始人强调： “人工智能的扩散造成了销售摩擦。现在，每个现有提供商都承诺提供支持人工智能的单点解决方案，这些解决方案最初通常对客户有吸引力，因为它由承诺的预算覆盖。但这导致人工智能战略支离破碎，并且往往无法带来最新的创新;并非所有人工智能都是平等的。 与传统技术堆栈集成 这不是一个新问题;我们在企业软件方面一直存在这些问题。但这里有一个 有趣的事实 ——42% 的企业需要访问八个或更多数据源才能成功部署 AI Agent。当你处理这一切时，这并不那么有趣：遗留技术堆栈并不总是有 API，缺乏文档，客户依赖各种超级墙的过时应用程序，这些应用程序使公司知识被阻塞，因此数据被孤立和分发......这样的例子不胜枚举。我们在这里不分享创始人的任何引述，因为他们大多说过类似的话，这说明了痛苦经历的普遍性，不需要任何进一步的阐明。 可观测性、监测和评估 在我们 之前关于负责任的人工智能的研究 中，我们介绍了为什么很难确保人工智能系统按预期运行，并解释人工智能模型做了什么以及为什么。解释单个 LLM 驱动的Agent的行为已经够难了，但当多个Agent彼此异步和动态交互时，这种复杂性就会变得更加复杂。每个Agent可能都有自己的记忆、任务目标和推理路径，因此很难追踪导致最终决策或失败的事件链。此外，在多Agent系统中可能会出现级联错误，它们最终会强化彼此的错误决策。除非您有持续的监控和强大的评估机制，否则所有这些都很难检测到。通过确保 AI Agent按预期工作，可观察性、监控和评估让客户有信心与最终用户一起启动它们。这也与可追溯性有关。正如一位创始人所强调的那样： “挑战在于为AI Agent的输出找到一个人类可以理解和验证的基本原理，从而增加信任并真正腾出时间。” 这里有一个有趣的题外话：作为我们调查的一部分，我们询问创始人“您想通过我们对AI Agent的研究学到什么？什么对您最有帮助或最有用？请继续关注，我们将在即将进行的研究中介绍它。 数据隐私和安全 有实际问题，然后是感知到的问题。在实际问题方面，创始人们谈论了一切，从进行大量工程（多次完全重启）到解决他们可以或不能发送给 LLM 的数据的大型金融服务要求，再到获得 ISO 27001 认证以克服与医疗技术客户的问题。然而，即使数据受到保护，也存在导致Agent解决方案的阻力或推出速度变慢的问题。用一些创始人的观察来说明： “数据和隐私与其说是阻碍因素，不如说是减慢我们速度的主要来源。” “数据隐私本身并不是一个问题，但有时我们会因为对隐私和安全的担忧而遇到高级领导层的抵制。” 数据质量、数据基础设施问题 与集成问题非常相似，数据质量和数据基础设施问题并不新鲜。我们调查中几乎所有的创始人都谈到了必须进行大量数据清理才能获得可靠的Agent工作流程。然而，这个问题更加严重，因为AI Agent旨在处理实际执行的任务，而客户通常有糟糕或过时的流程文档。更不用说用户头脑中有很多关于流程的嵌入式知识。 基础设施成本 Sam Altman 在他的 博客 中指出，“使用给定水平的 AI 的成本每 10 个月下降约 12 倍，而较低的价格会导致更多的使用。即使每个代币的价格（对于给定的人工智能水平）有所下降，但较新的尖端推理模型更加昂贵，消耗的代币数量猛增。Epoch AI 发现， 推理模型的平均输出长度以每年 5 倍的速度增长（非推理模型为 2.2 倍），推理模型总体上表现出更长的响应长度——与非推理模型相比，标记平均多 8 倍。即使是简单的查询也可能在内部使用大约 5,000 个推理标记来仅返回 100 个标记响应。代币膨胀是一个真正的问题，对高质量（和一致）模型输出的追求加剧了这个问题，正如一位创始人所呼吁的那样： “模型一致性是一项挑战，并且对基础设施成本产生影响。基础设施成本是一种平衡行为，因为它限制了我们可以提供Agent流的层级。我们发现，对于大多数实际任务，我们需要大量的上下文和多通道/推理模型，才能在 2025 年达到所需的可靠性，这可能会变得足够重要，足以影响利润率。 Agent基础设施主要由内部构建 我们询问创始人：“在构建、部署和监控Agent时，您使用哪些第三方 AI Agent基础设施解决方案？例如。内存、工具调用、Agent框架、浏览器基础设施、Agent支付等解决方案。 根据他们的回答，我们发现 52% 的受访创始人在内部构建了AI Agent 基础设施（主要或全部）。我们将此主要归因于Agent生态系统的萌芽。 以下是我们创始人调查的一些摘录（点击轮播箭头查看更多引文）： 没有，全部内部建造。外部工具没有为我们提供所需的灵活性。 就最常被引用的第三方工具而言，ChatGPT 和 Claude 模型与 Google Agent 开发工具包一起被提及最多，而 LangChain（不出所料）成为最受欢迎的框架。其他受到好评的工具包括： 框架和编排平台（ Pydantic 、 Temporal 、 Inngest 、 Pipecat ）; 监测、可观测性和评估（ Langfuse 、 Langtrace 、 Coval ）; Agent浏览器（ Browserbase 、 Browser Use 、 Strawberry ） 矢量数据库（ Qdrant ）。 成功部署 AI Agent 的观察 基于我们对企业从业者和初创公司创始人的 40+ 次采访，我们概述了初创公司在企业中成功部署 AI Agent所采取的常见方法。 战略性地推出用例 我们见过的最成功的部署策略始于： • 具有明确价值驱动因素的简单而具体的用例，风险低但影响中等; • 不会对现有工作流程造成重大干扰; • 最好自动执行人类用户不喜欢（或外包）的任务; • 人工可以轻松/快速地验证工作流程的输出的准确性或适用性; 和 • 快速展示明显的投资回报率 鉴于当前的技术发展水平，AI Agent在狭隘地应用于非常特定的任务并在特定环境中运行时效果最佳。例如，我们在医疗保健领域看到了这一点，其中卫生系统已经将收入周期管理流程（索赔和拒绝管理）外包给第三方提供商。 AI Agent的落地和扩展策略与传统的 SaaS 有很大不同。鉴于企业越来越受到最高管理层将 AI 纳入其工作的压力，初创公司有很多机会“登陆”，但“扩张”要困难得多——不仅如此， 即使他们想要扩张，扩张也需要更长的时间，因为这是一个用例一个用例的推出 。就像标志性的大众汽车广告一样，有时最好“从小处着眼”并首先建立信任，而不是立即尝试太多用例（和过于复杂的用例）。 手把手指导 AI Agent 的成功企业部署需要大量掌握和教育。这主要是因为企业通常不完全清楚应用AI Agent 的最佳用例、技术的机会和局限性、如何最好地使用工具、如何重新设计工作流程......更重要的是，如何评估和购买AI Agent 产品。 每当我谈论产品战略时，我总是谈论我们和客户之间的“零脚”。如果你不了解你的客户在做什么以及他们的痛点是什么，你真的不会构建一个有用的解决方案。 ——Hanah Marie Darley Geordie AI 联合创始人兼首席人工智能官 研讨会和咨询式 GTM ：从一开始就进行安装前分析和研讨会对于设定和管理期望至关重要，从确定Agent可以提供帮助或不能提供帮助的领域，到预先明确预期使用情况和定价。例如， Health Force （自动执行医院日常管理任务的 AI Agent）免费进行 AI 准备评估，并帮助医院确定 AI Agent最有益的工作流程。或者 Runwhen （用于开发人员体验的 AI Agent）对现有警报或聊天和措施执行安装前分析，这些警报或聊天和措施可以通过 Runwhhen自动执行。使用咨询式 GTM 方法还可以让企业对第三方解决方案的可定制程度感到满意（每个组织都有一些独特的工作流程，纳入他们的特定需求是推动采用的关键）。 前向部署工程师 （FDE） 推动采用： 前向部署工程师 （FDE） 是直接与客户合作的软件工程师，通常嵌入客户团队中，以解决复杂的现实问题，因此这是一个混合角色，其中 FDE 是软件开发人员、顾问和产品经理，所有这些合二为一。 我们采访过的大多数Agent初创公司都发现，在向拥有分散在不同数据源中的复杂数据的企业/中端市场客户销售产品时，Palantir 式的前向部署很有用。但还有其他形式的复杂性，例如产品复杂性和流程复杂性，这需要从一开始就与客户建立更深入的合作伙伴关系，以确保Agent解决方案实现预期的结果。数据集成、产品和业务流程越复杂，就越需要 FDE 来帮助客户获得最佳结果。 人机界面与三个“E”（教育、娱乐和期望管理）：正如我们之前所观察到的，我们的调查显示，60%的智能体AI初创公司在工作流程集成和人机界面方面面临困难。像Strawberry（浏览器上的AI Agent）这样的初创公司正专注于拓展这方面的多个维度，例如： (a) 超越单纯的聊天机器人式界面； (b) 让AI Agent本身向客户说明它们能做什么或不能做什么，并在管理期望的同时就如何更好地使用产品提供建议； (c) 让AI Agent在工作中变得有趣或有吸引力。 就我们而言，我们对Strawberry的智能体，如LinkedIn Linus、Competition Camille或Data Extraction Denise（如你所见，我们对押头韵情有独钟）感到非常有趣。 最重要的是期望管理。如果你给人们一个浏览器，然后说，哦，它能在网络上做任何事情，那么人们就会写出像“从亚马逊获取所有产品并创建一个包含价格的表格”这样的查询，并期望它能正常工作，而这需要数十万美元和专业的网络爬虫。但人们也会低估可能实现的事情，所以他们会写出非常简单或非常模糊的提示，然后对结果感到失望。 ——Charles Maddock，Strawberry联合创始人兼CEO 除了（以引人入胜的方式）向客户传授如何最佳使用智能体并管理预期外，创始人还专注于让人类用户能够对智能体进行训练，以便用户可以引导智能体的行为，使其反映不断变化的优先级和工作量，同时捕捉用户独特的工作风格。用户需要足够享受与智能体的协作，才会去推广它（显然，不能是像大眼夹那样的！） Salesforce，2025 年 8 月对 261 名全球首席财务官的调查 普华永道，2025 年 5 月对 300 名高级管理人员的调查 IBM，2025 年 6 月对全球 2,900 名高管的调查 麻省理工学院 有趣的事实 之前关于负责任的人工智能的研究 博客 发现， Pydantic Temporal Inngest Pipecat Langfuse Langtrace Coval Browserbase Browser Use Strawberry Qdrant Health Force Runwhen 我们的调查结果也得到了其他面向企业的调查的证实： • 平均而言，首席财务官报告称，他们目前人工智能总预算的 25% 用于AI Agent。（ Salesforce，2025 年 8 月对 261 名全球首席财务官的调查 ) Salesforce，2025 年 8 月对 261 名全球首席财务官的调查 • 88% 的高管表示，由于AI Agent，他们的公司计划今年增加与人工智能相关的预算。其中超过四分之一的人计划增长 26% 或更多。（ 普华永道，2025 年 5 月对 300 名高级管理人员的调查 ) 普华永道，2025 年 5 月对 300 名高级管理人员的调查 • 组织正在将其人工智能投资转向核心职能，这些职能现在占据了人工智能预算的 64%，而非核心活动则占 36%。这种重新分配表明了日益复杂的发展：人们认识到人工智能在应用于中央业务运营而不是外围流程时可以提供最引人注目的价值。（ IBM，2025 年 6 月对全球 2,900 名高管的调查 ) IBM，2025 年 6 月对全球 2,900 名高管的调查 Agent部署的挑战 我们在调查中询问了创始人：“在为客户部署 AI Agent时遇到的最大问题是什么？请按数量级对它们进行排名（例如，分配给最大问题的排名 1）” 前 3 个问题的结果很有启发性：我们经常听说与传统技术堆栈集成和处理数据质量问题是痛苦的。这些问题并没有消失;它们只是被其他重大问题所掩盖。即： • 将AI Agent集成到现有客户/公司工作流程和人机交互方面的困难（60% 的受访者） • 员工抵制和非技术因素（50% 的受访者） • 数据隐私和安全（50% 的受访者） 工作流集成和人机界面 我们指的是 概念方面 （例如，我的流程、工作流程甚至角色应该如何发展以适应人工智能？AI Agent在哪里以及如何帮助我？以及 实际方面 （例如，用户界面是什么样的？ 从概念上讲，最终用户需要一些时间来适应他的新范式。首先是关于接受和意识到流程需要改变，其次是弄清楚它们需要如何改变。这不仅是最终用户要解决的问题，也是为AI Agent 解决方案做出购买决定的团队。 实际上，初创公司专注于确保他们的Agent部署在用户需要的上下文中，并显示在跨系统工作流程的其他 UI（例如 ServiceNow、Slack）中。基本上，无论用户身在何处，都可以与他们会面，以使采用Agent的过程尽可能顺畅。它还涉及确保工作流程和输出是针对人类用户定制的。正如一位创始人所说： “许多公司都想要非常具体的工作流程——这是有道理的——但支持多个独特的实例仍然相当困难，因为一些用户会希望它采用非常特定的格式，例如特定的 Excel 输出——支持'最后一英里'UI 可能是最令人头疼的问题。” “许多公司都想要非常具体的工作流程——这是有道理的——但支持多个独特的实例仍然相当困难，因为一些用户会希望它采用非常特定的格式，例如特定的 Excel 输出——支持'最后一英里'UI 可能是最令人头疼的问题。” 员工阻力和非技术因素 我们在调查结果中观察到一个有趣的模式，即Agent在更高自主水平（9/10 或更高）下运营的初创公司更有可能将员工抵制报告为一个更大的问题。那些在受到严格监管的行业和领域（医疗保健、合规性）运营并因此需要高精度的人也指出，客户对Agent解决方案持怀疑态度。我们关于自主性、准确性及其对员工抵制的影响的发现只是一个问题的表达：信任问题。 这些信任问题总是有其他表现形式。我们与企业从业者的对话表明，人与人工智能的协作并不总是运作良好;要么人类过度依赖人工智能给出了错误的响应，要么他们不依赖并仔细检查人工智能所做的一切，从而降低了效率。 麻省理工学院 的一项研究也观察到了这种现象，该研究表明，与人工智能或人类单独工作相比，人类与人工智能的协作往往表现不佳。造成这种情况的原因包括存在沟通障碍、信任问题、道德问题以及人类与人工智能系统之间缺乏有效协调。正如一位创始人所指出的： 麻省理工学院 “他们（人类用户）通常认为人工智能是'魔法'，并没有完全掌握它的优点和缺点。未能了解人工智能的工作原理有时会导致沮丧和困惑。人们也不愿意放弃旧流程并完全尝试使用人工智能。 “他们（人类用户）通常认为人工智能是'魔法'，并没有完全掌握它的优点和缺点。未能了解人工智能的工作原理有时会导致沮丧和困惑。人们也不愿意放弃旧流程并完全尝试使用人工智能。 创始人指出的另一个主要非技术因素是，客户通常缺乏连贯的人工智能和数据战略，导致过多的用例和试点，但没有大规模采用人工智能的有凝聚力的计划。为了公平对待客户，另一位创始人强调： “人工智能的扩散造成了销售摩擦。现在，每个现有提供商都承诺提供支持人工智能的单点解决方案，这些解决方案最初通常对客户有吸引力，因为它由承诺的预算覆盖。但这导致人工智能战略支离破碎，并且往往无法带来最新的创新;并非所有人工智能都是平等的。 “人工智能的扩散造成了销售摩擦。现在，每个现有提供商都承诺提供支持人工智能的单点解决方案，这些解决方案最初通常对客户有吸引力，因为它由承诺的预算覆盖。但这导致人工智能战略支离破碎，并且往往无法带来最新的创新;并非所有人工智能都是平等的。 与传统技术堆栈集成 这不是一个新问题;我们在企业软件方面一直存在这些问题。但这里有一个 有趣的事实 ——42% 的企业需要访问八个或更多数据源才能成功部署 AI Agent。当你处理这一切时，这并不那么有趣：遗留技术堆栈并不总是有 API，缺乏文档，客户依赖各种超级墙的过时应用程序，这些应用程序使公司知识被阻塞，因此数据被孤立和分发......这样的例子不胜枚举。我们在这里不分享创始人的任何引述，因为他们大多说过类似的话，这说明了痛苦经历的普遍性，不需要任何进一步的阐明。 有趣的事实 可观测性、监测和评估 在我们 之前关于负责任的人工智能的研究 中，我们介绍了为什么很难确保人工智能系统按预期运行，并解释人工智能模型做了什么以及为什么。解释单个 LLM 驱动的Agent的行为已经够难了，但当多个Agent彼此异步和动态交互时，这种复杂性就会变得更加复杂。每个Agent可能都有自己的记忆、任务目标和推理路径，因此很难追踪导致最终决策或失败的事件链。此外，在多Agent系统中可能会出现级联错误，它们最终会强化彼此的错误决策。除非您有持续的监控和强大的评估机制，否则所有这些都很难检测到。通过确保 AI Agent按预期工作，可观察性、监控和评估让客户有信心与最终用户一起启动它们。这也与可追溯性有关。正如一位创始人所强调的那样： 之前关于负责任的人工智能的研究 “挑战在于为AI Agent的输出找到一个人类可以理解和验证的基本原理，从而增加信任并真正腾出时间。” 这里有一个有趣的题外话：作为我们调查的一部分，我们询问创始人“您想通过我们对AI Agent的研究学到什么？什么对您最有帮助或最有用？请继续关注，我们将在即将进行的研究中介绍它。 数据隐私和安全 有实际问题，然后是感知到的问题。在实际问题方面，创始人们谈论了一切，从进行大量工程（多次完全重启）到解决他们可以或不能发送给 LLM 的数据的大型金融服务要求，再到获得 ISO 27001 认证以克服与医疗技术客户的问题。然而，即使数据受到保护，也存在导致Agent解决方案的阻力或推出速度变慢的问题。用一些创始人的观察来说明： “数据和隐私与其说是阻碍因素，不如说是减慢我们速度的主要来源。” “数据隐私本身并不是一个问题，但有时我们会因为对隐私和安全的担忧而遇到高级领导层的抵制。” 数据质量、数据基础设施问题 与集成问题非常相似，数据质量和数据基础设施问题并不新鲜。我们调查中几乎所有的创始人都谈到了必须进行大量数据清理才能获得可靠的Agent工作流程。然而，这个问题更加严重，因为AI Agent旨在处理实际执行的任务，而客户通常有糟糕或过时的流程文档。更不用说用户头脑中有很多关于流程的嵌入式知识。 基础设施成本 Sam Altman 在他的 博客 中指出，“使用给定水平的 AI 的成本每 10 个月下降约 12 倍，而较低的价格会导致更多的使用。即使每个代币的价格（对于给定的人工智能水平）有所下降，但较新的尖端推理模型更加昂贵，消耗的代币数量猛增。Epoch AI 发现， 推理模型的平均输出长度以每年 5 倍的速度增长（非推理模型为 2.2 倍），推理模型总体上表现出更长的响应长度——与非推理模型相比，标记平均多 8 倍。即使是简单的查询也可能在内部使用大约 5,000 个推理标记来仅返回 100 个标记响应。代币膨胀是一个真正的问题，对高质量（和一致）模型输出的追求加剧了这个问题，正如一位创始人所呼吁的那样： 博客 发现， “模型一致性是一项挑战，并且对基础设施成本产生影响。基础设施成本是一种平衡行为，因为它限制了我们可以提供Agent流的层级。我们发现，对于大多数实际任务，我们需要大量的上下文和多通道/推理模型，才能在 2025 年达到所需的可靠性，这可能会变得足够重要，足以影响利润率。 Agent基础设施主要由内部构建 我们询问创始人：“在构建、部署和监控Agent时，您使用哪些第三方 AI Agent基础设施解决方案？例如。内存、工具调用、Agent框架、浏览器基础设施、Agent支付等解决方案。 根据他们的回答，我们发现 52% 的受访创始人在内部构建了AI Agent 基础设施（主要或全部）。我们将此主要归因于Agent生态系统的萌芽。 以下是我们创始人调查的一些摘录（点击轮播箭头查看更多引文）： 没有，全部内部建造。外部工具没有为我们提供所需的灵活性。 就最常被引用的第三方工具而言，ChatGPT 和 Claude 模型与 Google Agent 开发工具包一起被提及最多，而 LangChain（不出所料）成为最受欢迎的框架。其他受到好评的工具包括： 框架和编排平台（ Pydantic 、 Temporal 、 Inngest 、 Pipecat ）; Pydantic Temporal Inngest Pipecat 监测、可观测性和评估（ Langfuse 、 Langtrace 、 Coval ）; Langfuse Langtrace Coval Agent浏览器（ Browserbase 、 Browser Use 、 Strawberry ） Browserbase Browser Use Strawberry 矢量数据库（ Qdrant ）。 Qdrant 成功部署 AI Agent 的观察 基于我们对企业从业者和初创公司创始人的 40+ 次采访，我们概述了初创公司在企业中成功部署 AI Agent所采取的常见方法。 战略性地推出用例 我们见过的最成功的部署策略始于： • 具有明确价值驱动因素的简单而具体的用例，风险低但影响中等; • 不会对现有工作流程造成重大干扰; • 最好自动执行人类用户不喜欢（或外包）的任务; • 人工可以轻松/快速地验证工作流程的输出的准确性或适用性; 和 • 快速展示明显的投资回报率 鉴于当前的技术发展水平，AI Agent在狭隘地应用于非常特定的任务并在特定环境中运行时效果最佳。例如，我们在医疗保健领域看到了这一点，其中卫生系统已经将收入周期管理流程（索赔和拒绝管理）外包给第三方提供商。 AI Agent的落地和扩展策略与传统的 SaaS 有很大不同。鉴于企业越来越受到最高管理层将 AI 纳入其工作的压力，初创公司有很多机会“登陆”，但“扩张”要困难得多——不仅如此， 即使他们想要扩张，扩张也需要更长的时间，因为这是一个用例一个用例的推出 。就像标志性的大众汽车广告一样，有时最好“从小处着眼”并首先建立信任，而不是立即尝试太多用例（和过于复杂的用例）。 手把手指导 AI Agent 的成功企业部署需要大量掌握和教育。这主要是因为企业通常不完全清楚应用AI Agent 的最佳用例、技术的机会和局限性、如何最好地使用工具、如何重新设计工作流程......更重要的是，如何评估和购买AI Agent 产品。 每当我谈论产品战略时，我总是谈论我们和客户之间的“零脚”。如果你不了解你的客户在做什么以及他们的痛点是什么，你真的不会构建一个有用的解决方案。 ——Hanah Marie Darley Geordie AI 联合创始人兼首席人工智能官 研讨会和咨询式 GTM ：从一开始就进行安装前分析和研讨会对于设定和管理期望至关重要，从确定Agent可以提供帮助或不能提供帮助的领域，到预先明确预期使用情况和定价。例如， Health Force （自动执行医院日常管理任务的 AI Agent）免费进行 AI 准备评估，并帮助医院确定 AI Agent最有益的工作流程。或者 Runwhen （用于开发人员体验的 AI Agent）对现有警报或聊天和措施执行安装前分析，这些警报或聊天和措施可以通过 Runwhhen自动执行。使用咨询式 GTM 方法还可以让企业对第三方解决方案的可定制程度感到满意（每个组织都有一些独特的工作流程，纳入他们的特定需求是推动采用的关键）。 Health Force Runwhen 前向部署工程师 （FDE） 推动采用： 前向部署工程师 （FDE） 是直接与客户合作的软件工程师，通常嵌入客户团队中，以解决复杂的现实问题，因此这是一个混合角色，其中 FDE 是软件开发人员、顾问和产品经理，所有这些合二为一。 我们采访过的大多数Agent初创公司都发现，在向拥有分散在不同数据源中的复杂数据的企业/中端市场客户销售产品时，Palantir 式的前向部署很有用。但还有其他形式的复杂性，例如产品复杂性和流程复杂性，这需要从一开始就与客户建立更深入的合作伙伴关系，以确保Agent解决方案实现预期的结果。数据集成、产品和业务流程越复杂，就越需要 FDE 来帮助客户获得最佳结果。 人机界面与三个“E”（教育、娱乐和期望管理）：正如我们之前所观察到的，我们的调查显示，60%的智能体AI初创公司在工作流程集成和人机界面方面面临困难。像Strawberry（浏览器上的AI Agent）这样的初创公司正专注于拓展这方面的多个维度，例如： (a) 超越单纯的聊天机器人式界面； (b) 让AI Agent本身向客户说明它们能做什么或不能做什么，并在管理期望的同时就如何更好地使用产品提供建议； (c) 让AI Agent在工作中变得有趣或有吸引力。 就我们而言，我们对Strawberry的智能体，如LinkedIn Linus、Competition Camille或Data Extraction Denise（如你所见，我们对押头韵情有独钟）感到非常有趣。 最重要的是期望管理。如果你给人们一个浏览器，然后说，哦，它能在网络上做任何事情，那么人们就会写出像“从亚马逊获取所有产品并创建一个包含价格的表格”这样的查询，并期望它能正常工作，而这需要数十万美元和专业的网络爬虫。但人们也会低估可能实现的事情，所以他们会写出非常简单或非常模糊的提示，然后对结果感到失望。 ——Charles Maddock，Strawberry联合创始人兼CEO 除了（以引人入胜的方式）向客户传授如何最佳使用智能体并管理预期外，创始人还专注于让人类用户能够对智能体进行训练，以便用户可以引导智能体的行为，使其反映不断变化的优先级和工作量，同时捕捉用户独特的工作风格。用户需要足够享受与智能体的协作，才会去推广它（显然，不能是像大眼夹那样的！） 定价策略 我们从AI Agent创始人那里听到的一个常见问题是，当大家的营销话术听起来都一样时，如何定位自己的产品。此外，许多解决方案声称使用了AI Agent，但它们往往过度承诺、兑现不足，导致买家疲惫和怀疑，从而为真正高质量的AI Agent解决方案营造了一个充满挑战的环境，使其难以脱颖而出。 采取一种咨询式、协作式且以问题为导向的方法来展示真正的价值至关重要（我们在上面已经描述过），但定位的各个维度也同样重要（我们将在下面讨论）。 我们完全承认，定位在很大程度上取决于当前的认知和技术发展水平；随着这些系统得到更广泛的主流认可，且智能体能够可靠地实现更高水平的自主性，毫无疑问，定位策略也将随之演变。 提AI还是不提AI，这是个问题：我们在定位策略中观察到了一种有趣的二分法。在医疗保健等垂直领域，创始人正积极淡化其解决方案中对AI Agent的使用。正如医疗保健领域的两位创始人所观察到的： “你知道什么很奇怪吗？如果你使用‘代理’或‘AI’这些词，实际上带来的负面影响比好处更多。一旦你向客户提及AI，他们就会觉得‘哦，又是一堆花架子’。” “对我们的客户而言，我们更多地定位为一家心理健康护理公司，而非代理公司。” “你知道什么很奇怪吗？如果你使用‘代理’或‘AI’这些词，实际上带来的负面影响比好处更多。一旦你向客户提及AI，他们就会觉得‘哦，又是一堆花架子’。” “对我们的客户而言，我们更多地定位为一家心理健康护理公司，而非代理公司。” 然而，在金融服务等行业中，鉴于以AI为导向的定位能引起用户和买家的共鸣，创始人正大力宣传他们的“代理式AI”主张。好消息是，在大多数行业（医疗保健行业除外），“代理式AI”定位能产生良好的共鸣（前提是它满足我们在“用例的战略推广”部分所概述的所有标准）。 自主程度：我们交谈过的大多数创始人都选择了副驾驶式销售方式，即便他们的解决方案具备更高的自主能力。这样做主要是为了与客户建立信任。例如，Juna AI（其智能体可优化重工业中的复杂制造流程）一开始采用副驾驶模式，智能体向客户提供如何优化运行系统的建议，客户仍可选择是否采纳。虽然目标是最终实现更高的自主程度（该解决方案肯定有此能力），但目前只能循序渐进。 我们采访过的大多数从业者都觉得他们正在学习之旅中，并且更喜欢Copilot方法而不是完全自主的方法（尽管同样，这取决于 3 个因素：自动化任务的关键性/影响、审计人工智能可能犯的错误并在造成任何伤害之前发现它们的难易程度，以及它是否解锁了一种全新的能力，例如能够执行人类以前无法完成的任务）。然而，能够轻松审查AI Agent的输出至关重要。 增强，而不是替换 ：与上一点关于较低自主权的观点相关，将自己定位为“增强”而不是取代现有员工或传统技术堆栈的初创公司发现更容易在大型企业中站稳脚跟。如果他们正在推销一种以前不可能的全新功能，那就更好了。从技术的角度来看，对于在现有 ERP 之上构建复杂下游工作流程（如 SAP）的客户来说，推倒重来是困难的，而初创公司（例如采购领域的 askLio ）则专注于使用现有技术以实现更快的部署。从员工的角度来看，我们还没有达到大多数AI Agent足够可靠或能够执行如此多的自动化端到端工作流程的水平，以至于企业可以考虑真正的 FTE 替代品。或者，即使这两件事都是正确的（与我们之前关于自动化水平的观点有关），企业从业者对高度自主的部署更加谨慎。 askLio 价值主张和投资回报率的阐明 ：我们可以通过两种方式分析问题：（1） 价值主张被很好地理解，因此相对更容易阐明投资回报率;或 （2） AI Agent已经解锁了全新的功能（因此很难与现有解决方案进行比较），因此更难描述投资回报率。 让我们以第一个案例为例，在这种案例中，更容易理解用例并阐明投资回报率，因为它是一个既定的工作流程。在这里，它通常是关于推销时间和成本节省和/或收入提升。例如， Covecta （金融服务AI Agent）谈到了在起草详细信贷申请等任务上节省 70% 的时间，而 Biorce （加快药物开发的临床人工智能平台）谈到了投资回报率，包括节省劳动力成本和更快的上市时间（Biorce 的计算是，在其平台上花费一小时可以节省 720 个人小时），更快的上市时间本身创造了收入加速的机会。信贷申请和药物发现仍然很清楚;但是，生成式 UI 等全新发展又如何呢？ Covecta Biorce 这就引出了第二种情况。 像 Architect 这样的初创公司提供 AI Agent来为每个访问者构建、个性化和优化您的网页——我们称之为“生成 UI”，因为网站的视觉呈现、内容和访问者体验会根据观众是谁而动态变化。鉴于解决方案的新颖性，推销产品可能具有挑战性，但 Architect 通过将产品定位为广告系统/平台（如 Google AdWords）的补充，并通过改进转化率来衡量成功（强调实用性，而不仅仅是新颖性）。 像 Architect 鉴于我们在 2019 年就支持 Synthesia （生成逼真的化身表演的 AI 视频平台），我们亲眼目睹了拥有高度新颖技术的初创公司如何通过强调实用性而不是新颖性而获得广泛采用。我们预计AI Agent浪潮（针对净新用例）不会有任何不同。 Synthesia 如今的AI Agent（在很大程度上）仍然是被动响应式的，因为它们是在响应人类提示或用户明确指令时才被触发行动。然而，未来我们预计会看到更多环境智能体和主动智能体，它们能够自行发起任务，并能更有效地处理边缘情况，从而使任务执行即使在不确定的情况下也能保持稳健。这意