单一副驾驶已成过去时。如今的竞争优势在于构建一个由专业智能体组成的网络，这些智能体能够协作、自检并为每个步骤调用合适的模型。由SAP在旧金山主办的VentureBeat人工智能影响力系列最新一期，深入探讨了多智能体AI系统的部署与治理问题。
SAP美国实验室董事总经理兼全球研发创新负责人Yaad Oren，与分析及临床实验室技术公司安捷伦高级副总裁兼首席信息官Raj Jampa，共同讨论了如何在成本、延迟和合规框架内，于真实环境中部署这类系统。Oren表示，SAP的目标是确保客户能安全地扩展其AI智能体。
"你可以选择近乎完全自主的模式，但我们设置了大量检查点和监控机制来优化修复，"他解释道，"这项技术需要规模化监控。它尚未完美。我们正在实施的保障措施只是冰山一角，既要确保智能体可扩展，又要最大限度减少漏洞。"
全组织范围部署AI智能体
Jampa透露，安捷伦正积极推进AI在全公司的整合应用。虽然成效显著，但仍需解决系统脆弱性和扩展性难题。
"我们已进入收获阶段，"他阐述道，"当前面临的新挑战是如何加强AI监控？怎样优化AI成本？我们显然迈入了第二阶段——不再停留于探索，而是专注应对这些成本与监控工具问题。"
安捷伦的AI战略聚焦三大支柱：首先在产品端，通过将AI嵌入研发设备加速创新；其次在客户侧，筛选最具价值的AI功能；第三用于内部运营，构建自修复网络等方案提升效能。
"实施过程中，治理框架是我们重点关注的领域，"Jampa强调。这包括设定基于策略的边界，确保各解决方案在合规安全前提下消除不必要的限制。
近期某次智能体配置更新事故印证了该机制的重要性——由于缺少边界检查，升级立即引发故障。但审计体系（第二大支柱）迅速捕捉到异常，所有输入输出均有迹可循。
最后防线是人工干预层。
"简单场景容易处理，但涉及自然语言、大型翻译等复杂模型时，"他说明，"重大决策环节会设置智能体请求人工审批的流程。"
他补充道，决策初期就需权衡速度与精度，因为低延迟任务的复杂模型会显著推高成本。治理层通过监控智能体响应的速度、延迟和准确性，为战略扩展创造机会。
破解智能体集成难题
AI智能体与企业现有系统的集成仍是主要痛点。虽然传统本地部署系统可通过数据API或事件驱动架构连接，但最佳实践是确保所有方案运行于云框架内。
"云解决方案能简化所有连接和交付周期，"Oren指出，"我们正用AI技术帮助众多企业将本地系统迁移至云端。"
SAP的集成工具链使传统软件定制等复杂需求也能在云端轻松维护。当所有组件上云后，同等重要的数据层开始发挥作用。
SAP商务数据云作为统一平台，整合了SAP与非SAP数据源。类似谷歌索引网络内容的方式，该平台能为业务数据添加语义上下文。
Oren补充道："智能体因此具备端到端连接并创建业务流程的能力。"
弥补企业级智能体激活缺口
三大核心要素至关重要：数据层、编排层、隐私安全层。整洁规范的数据是基础，成功的智能体部署依赖统一数据层。编排层则管理智能体连接，实现全系统强效自动化。
"编排（智能体）既是科学也是艺术，"Oren指出，"否则不仅会导致故障，还会引发审计等挑战。"
最后，安全隐私投资不容妥协——尤其当大量智能体穿梭于数据库和企业架构时，权限与身份管理至关重要。例如HR人员可访问薪资信息，其他人员则应被严格隔离。
Oren预言，未来企业团队将由人类、智能体和机器人共同组成，届时身份管理将更为关键。
"我们越来越以人类标准看待智能体，但它们需要额外监控，"他补充道，"这涉及权限分配和变更管理。智能体正形成需要维护的职业人格，就像员工一样，只是监控和优化需求更高。其生命周期管理并非全自主，需通过检查点持续改进。"
