GPT只是开始，Autonomous Agents即将到来

生成式AI虽然很早便已经引起了广泛关注，但直到ChatGPT的出现，许多公司的领导层才切身感受到了大语言模型（LLM）带来的深远影响。面临这种行业变革，诸多企业正争先恐后地加入到这场潮流中，但生成式AI的进步速度预计将远超企业适应的步伐。人工智能的下一阶段“Autonomous Agents”预计在未来几年内将成为趋势的主导力量，其带来的变革潜力有望超越当前的大语言模型。

PS：Autonomous Agents通常是指在软件或机器人技术领域，拥有一定自主决策能力的实体。它们能够在没有外部指令或直接人类控制的情况下，自行执行任务或进行决策。自主代理依靠预设的规则、人工智能算法、机器学习模型等技术，来感知环境、处理信息、做出判断，并采取行动。

虽然目前基于大规模语言模型的应用程序已经改变了我们获取和分享信息的方式，但它们尚未能完全独立运作。这些应用程序虽能自动处理特定任务，但仍需人来输入指令和监控其结果。随着Autonomous Agents技术的发展，这些Agents整合了LLM的功能，可以重塑并自动化整个工作流程。Autonomous Agents不仅可以规划任务的全程执行，还能通过应用程序编程接口（API）与LLM进行实时数据交换，监控进度，并借助其他数字工具实现既定目标。它们可用于策划、执行并优化营销活动，或在研发测试中进行广泛模拟。可以说，Autonomous Agents是一种能感知环境并相应做出反应的系统。

如果把LLM比作强大的大脑，Autonomous Agents就是让这个大脑得以实际“行动”的四肢。

目前，Autonomous Agents技术尚未完全发展到足以广泛应用的成熟度，控制性和可预测性上还有待提高，但许多科技企业正不懈努力推动其进步。OpenAI最近发布的定制机器人项目，就标志着向这个目标迈进的一个重大进展。这些机器人已能够通过外部API检索信息，或执行一些基础动作，例如协助完成网上购物等任务。

Autonomous?Agents的巨大潜力

Autonomous Agents通过吸收和运用LLMs的能力来感知其所处环境并施加影响，它们通过构建任务、执行和优先排序来达成既定目标。这个过程从Agents设定一个目标开始，接着把这个目标拆分成多个单独的任务，并为每个任务制定一套清晰的操作指南。这些指南会不断输入给LLM，Agents根据完成的任务生成新的、更优的操作指令，同时整合之前迭代的成果。

生成指令和基于成果的构建过程，或是并行发生，或是按部就班，具体取决于系统的设计。根据执行的结果，Agents还将主动调整任务的顺序和优先级。这个循环会一直进行下去：从拆分目标到任务、制定操作指南、评估结果、调整任务排序，直至目标被实现或判定为不可行（在这种情况下，Agents会停止流程）。

在企业环境中，Agents自动化一整套任务的潜力可以有多种用途，这里我们将探讨两种：减少工作流中人工干预需求的能力，以及在大规模地测试产品、服务和情境的能力。

为了最大化利用AutonomousAgents在自动化工作流程中的潜力，关键是认识到一旦它们与数字工具正确结合，就能实现有效的利用。在配置Agents的过程中，向它们提供数字工具的操作文档，Agents则能“理解”如何操作这些工具。此后，Agents便可向这些工具发送指令，并通过API调用来获取操作结果。换句话说，Autonomous Agents能够直接向企业系统发出指令。这种做法有可能从根本上转变企业的运营模式，使企业能够更广泛地实施自动化，并显著减少劳动力成本。

Autonomous Agents可以直接“告诉”企业系统要做什么，这可能从根本上改变公司的运营方式，使其能够更全面地部署自动化。

此外，Autonomous Agents不仅有可能超越现有的RPA技术，而且可能会大大扩展其应用领域。与基于严格的“if-then”逻辑规则运作、适用范围有限的RPA不同，Autonomous Agents更具有通用性。它们不受预设场景的束缚，也无须预先定义明确的规则。因此，Autonomous Agents带来的自动化将更具适应性，能够覆盖更多种类的任务。

考虑到这些特点，Autonomous Agents未来带来的变革或许将远超现今主要作为辅助工具使用的LLMs。举个例子，在不久的将来，市场营销高级管理人员可能通过Autonomous Agents来拆分并自动化整个工作流程。基于公司以往的市场活动，Autonomous Agents能够自主分析哪些策略成功，哪些失败，并据此做出关于邮件设计、定时发送、图形设计以及标题选择的决策。它还能识别出营销活动应当针对的消费者类型，并评估各项指标，如邮件打开率、阅读次数、点击量和回应情况是否值得向管理层汇报。如果活动的结果没有达到预定目标，Autonomous Agents能够独立地重新出发，根据先前活动的反馈创建一个新的、更有针对性的顾客名单。

目前企业正开始利用LLMs进行大规模的人类行为模拟，这一点在使用人工智能虚拟焦点小组评估新产品或服务的市场适配性时尤为明显。LLMs的使用范围还扩展到了学术研究，其中模拟社会系统的任务在传统的代理基础建模方法上获得了进一步的发展。然而，这些模拟过程仍旧需要依赖人和LLMs之间的互动才能洞察价值，且它们有可能因LLMs训练数据中存在的偏差而产生误导。

Autonomous Agents技术可能成为解决这些问题的关键，它能够使得在更广泛的场景中实施大规模模拟成为现实。作为初始步骤，Agents可以承担起设计问卷和面试等基础研究任务，创造出更加真实的虚拟用户模型，这有助于使模拟活动更加符合目标用户群体的真实特点。更重要的是，Agents的运用可以无需人工干预，直接引导LLMs进行模拟和洞察提取，这样我们就能够以更低的成本和更快的速度进行一系列复杂的AI支持测试。也就是说，Agents技术将为企业提供一个强大的自动化大规模模拟工具，以便更加便捷地应用。

然而，Autonomous Agents并不意味着会替代企业使用的深度细致的面对面定性研究方法。相反，它们通过提供低成本的精细模拟，帮助企业识别哪些问题或议题需要利用更为耗时、成本较高的传统市场研究方法进行深入分析。

公司如何做好准备

Autonomous Agents目前的应用仍然受限，这主要是因为它们在可靠性方面存在风险和局限性，还有被恶意使用的潜在可能性，以及受到网络攻击后带来的更大影响。然而，这些挑战似乎都不构成根本性障碍。科技公司正在解决这些问题，在调研中我们发现，Autonomous Agents将在未来三到五年内会成为主流；还有一些人认为，届时我们甚至可能会看到既可靠又具备一定自主性的系统。

虽然三到五年可能在技术发展的时间线上显得较长，但对于那些需要进行广泛转型并精心规划的公司来说，这样的时间窗口实际上已迫在眉睫。领导者应当立即采取以下四个步骤：

1、为Agents软件打造合适的架构。当前，侧重于部署LLM的公司可能正专注于建立单向信息流，使得LLM能从企业系统中检索信息。但是，考虑到未来Autonomous Agents的出现，还应确保LLM能双向操作，即不仅能检索数据，还能通过API向系统发送指令。

2、寻找机会并准备进行试验。密切关注Autonomous Agents技术的最新进展，并挑选那些即便处于早期发展阶段也能进行测试的解决方案，以此在产品、服务或运营模式上构建新的竞争优势。目前对生成式AI应用的研发投资应进一步增加，以辨识那些适合未来Autonomous Agents全流程自动化的工作流程。

3、对人员策略进行重新配置。当前的人工智能已能协助完成某些任务，未来Autonomous Agents的发展将实现工作流程的全面自动化。在此背景下，企业在人力资源规划时必须考虑到这一趋势，并着力于培养那些长期有价值的技能。特别是对于专业服务行业而言，Autonomous Agents有潜力将原本复杂的多步骤工作标准化，这些工作以前难以自动化。因此，相关企业需要重新思考其人才招聘策略，确保其团队的技能配置能够适应自动化带来的改变。

4、预期社会许可的需求。确保这项技术广泛部署的前提是获得社会许可。虽然法规可能需要时间来适应技术进步，但公司在此期间应实施自律机制，确保技术的适当与安全使用，无论是在内部还是面向客户的应用。尽管强有力的自我监管是获得社会许可的基础，但它本身并不是长久之计。因此，公司还需要与监管机构积极合作，帮助他们制定监管Autonomous Agents及未来类似技术使用的正确策略。

对很多企业来说，生成式AI的迅猛发展既带来兴奋也引发担忧，他们迫切地想要采纳这项技术，同时也清楚地看到了其中潜在的风险和挑战。而就在他们忙于应对当前情况的同时，生成式AI的变革仅仅拉开了序幕，预计它将以惊人的速度继续发展，未来的趋势已不容忽视。

文章信息来源：BCG Henderson研究所，由RPA中国编译发布，如有侵权，请联系删除。

-? END??-