CIO对AI代理持乐观态度,IT员工则不然

简介: CIO对AI代理持乐观态度,IT员工则不然

来源:企业网D1net


大多数CIO和CTO对代理式AI持乐观态度,他们认为这项新兴技术很快就会成为企业的必备技术,但负责实施代理的基层IT专业人员却对此存有严重疑虑。


根据运维监控供应商PagerDuty的一项新调查,虽然53%的技术高管认为AI代理将在未来两年内成为业务运营的核心,但只有29%的IT从业人员认为这会成为现实。


PagerDuty的CTO Tim Armandpour表示,考虑到IT从业人员必须解决如何部署和维护AI代理的问题,他们的怀疑态度是很自然的。虽然CIO和CTO的职责是寻找新技术,但IT经理和员工“更贴近实际操作,也更清楚大规模运营和管理所需应对的复杂状况”。


这项针对总监级别及以上IT专业人员的调查显示,一些IT领导者认为,CIO和CTO需要向员工宣传代理技术,并对他们进行相关培训。一些专家表示,真正自主的代理技术仍处于起步阶段,很少有企业部署了复杂且功能齐全的代理,然而,随着未来几年采用率飙升,C级IT领导者与员工之间的分歧可能会引发问题。


广泛采用指日可待


总体而言,在PagerDuty的调查中,38%的受访者认为代理将在未来两年内成为核心技术,而另有50%的受访者认为代理在同一时间段内将成为边缘技术。PagerDuty的调查结果与Salesforce旗下MuleSoft最近的一项调查结果高度一致,后者发现93%的企业IT领导者已经部署或计划在两年内部署AI代理。


虽然C级技术高管热情高涨,但代理技术可能比许多IT领导者目前所理解的更为复杂。Savvi AI(一家AI部署平台供应商)的CEO Maya Mikhailov表示,目前作为代理出售的产品使用的是“高度确定性和规定性”的工作流程路径。她补充说,真正的AI代理将有权决定其运行的流程、使用的工具,并从这些决策中学习。


部署需要大量工作


Mikhailov表示,一些抵触情绪可能来自那些了解部署代理所需工作的IT专业人员,其他AI专家也曾警告企业,不要在没有外部帮助的情况下构建AI代理。


Mikhailov说:“一线的AI从业人员可能已经看到了实现一个勉强能用的代理工作流程所需的定制化、质量保证和维护工作量。虽然未来的状态可能是AI代理自己编写代码并连接到系统,但现在这仍然需要大量的人力和测试。”


Armandpour表示,IT从业人员犹豫的另一个原因是缺乏部署和监控这项技术的专业知识,他认为,随着IT工作人员开始亲手实践,一些天然的怀疑态度将会消散,他补充说,除了亲手实践之外,目前没有太多学习代理的地方。


他说:“从某种程度上说,许多人将不得不学习。一旦开始学习,就会形成一种自下而上的采用方式,而且会有足够的CIO、CTO和公司愿意投入,因为说实话,你别无选择。”


除了对技能短缺和部署难题的担忧外,库存管理软件提供商Pull Logic的联合创始人兼CTO Rahul Chahar补充说,许多IT从业人员近年来也见证了其他AI项目的失败。在目睹了几个“过度承诺”的AI项目失败后,IT专业人员可能对承诺其他大规模部署持谨慎态度。


Chahar呼应了Mikhailov的批评,他表示:“由于准确性、透明度、安全性和集成复杂性等方面的担忧,IT从业人员持谨慎态度。代理式AI系统往往难以预测、难以故障排除,并且难以与旧基础设施融合,更不用说它们可能带来的合规和安全问题了。”


Pull Logic在代表一家向建筑承包商销售产品的分销商部署代理式AI时也遇到了困难。Chahar表示,该客户希望有一款AI驱动的工具,能够在产品缺货时推荐替代品,但不同制造商之间的产品规格描述差异导致了不准确。


他补充说:“在测试过程中,由于目录结构不一致,AI开始生成虚假数据,它开始编造产品编号和功能,如果未被发现,这可能会导致严重的业务后果。”


从要解决的问题入手


Chahar补充说,为了向员工推销代理,CIO和CTO在接触这项新技术时,必须首先关注他们试图解决的问题。


他说:“CIO和CTO需要将代理式AI计划与团队面临的实际挑战结合起来,这意味着要采用问题优先的方法,而不是为了追逐AI而追逐AI。”


他补充说,IT领导者应该将人类专业知识融入采用过程,同时优先考虑透明度,并投资于培训。“领导者不应该自上而下地推动AI,而应该展示有形、渐进的成功案例,建立明确的问责框架,并培养内部倡导者,以推动信任和广泛采用。”Chahar表示。


IT解决方案提供商Presidio的CTO Rob Kim补充说,CIO和CTO还应该分阶段部署AI代理,从规模小但影响大的项目开始,这些项目可以快速取得胜利。他们还应该欢迎IT员工提供定期反馈。


Kim说:“为从业人员定期举办论坛,让他们与领导层分享见解和挑战,这确保领导层能够意识到基层的关注点,并主动解决问题。”Kim表示,对AI代理持谨慎态度的IT从业人员还应该记住,随着技术不断成熟,它会不断改进。随着模型推理能力的提高,真正的多代理协作将允许代理更加主动地实现IT团队期望的结果。


他说:“你将使用的代理和代理式AI只会越来越好,而现在是你将使用的最差版本。届时,人类将能够协调更多并行的工作流,并主持代理和机器人的工作。”


版权声明:本文为企业网D1net编译,转载需在文章开头注明出处为:企业网D1net,如果不注明出处,企业网D1net将保留追究其法律责任的权利。


(来源:企业网D1net)

相关文章
|
7月前
|
人工智能 监控 安全
员工使用第三方AI办公的风险与解决方案:从三星案例看AI的数据防泄漏
生成式AI提升办公效率,也带来数据泄露风险。三星、迪士尼案例揭示敏感信息外泄隐患。AI-FOCUS团队建议构建“流式网关+DLP”防护体系,实现分级管控、全程审计,平衡安全与创新。
|
7月前
|
人工智能 自然语言处理 安全
从工具到伙伴:AI代理(Agent)是下一场革命
从工具到伙伴:AI代理(Agent)是下一场革命
802 117
|
8月前
|
存储 人工智能 搜索推荐
一种专为AI代理设计的内存层,能够在交互过程中记忆、学习和进化
Mem0 是专为 AI 代理设计的内存层,支持记忆、学习与进化。提供多种记忆类型,可快速集成,适用于开源与托管场景,助力 AI 代理高效交互与成长。
780 123
一种专为AI代理设计的内存层,能够在交互过程中记忆、学习和进化
|
8月前
|
存储 人工智能 运维
AI 网关代理 RAG 检索:Dify 轻松对接外部知识库的新实践
Higress AI 网关通过提供关键桥梁作用,支持 Dify 应用便捷对接业界成熟的 RAG 引擎。通过 AI 网关将 Dify 的高效编排能力与专业 RAG 引擎的检索效能结合,企业可在保留现有 Dify 应用资产的同时,有效规避其内置 RAG 的局限,显著提升知识驱动型 AI 应用的生产环境表现。
3293 129
|
人工智能 开发框架 决策智能
谷歌开源多智能体开发框架 Agent Development Kit:百行代码构建复杂AI代理,覆盖整个开发周期!
谷歌开源的Agent Development Kit(ADK)是首个代码优先的Python工具包,通过多智能体架构和灵活编排系统,支持开发者在百行代码内构建复杂AI代理,提供预置工具库与动态工作流定义能力。
2448 3
谷歌开源多智能体开发框架 Agent Development Kit:百行代码构建复杂AI代理,覆盖整个开发周期!
|
7月前
|
人工智能 自然语言处理 供应链
超越聊天:AI代理——下一代人机交互的雏形
超越聊天:AI代理——下一代人机交互的雏形
552 22
|
人工智能 监控 数据可视化
Manus再遭复刻!开源多智能体协作工具,实时查看每个AI员工的"脑回路"
LangManus 是一个基于分层多智能体系统的 AI 自动化框架,支持多种语言模型和工具集成,能够高效完成复杂任务,适用于人力资源、房产决策、旅行规划等多个场景。
1229 0
|
10月前
|
存储 人工智能 自然语言处理
AI代理内存消耗过大?9种优化策略对比分析
在AI代理系统中,多代理协作虽能提升整体准确性,但真正决定性能的关键因素之一是**内存管理**。随着对话深度和长度的增加,内存消耗呈指数级增长,主要源于历史上下文、工具调用记录、数据库查询结果等组件的持续积累。本文深入探讨了从基础到高级的九种内存优化技术,涵盖顺序存储、滑动窗口、摘要型内存、基于检索的系统、内存增强变换器、分层优化、图形化记忆网络、压缩整合策略以及类操作系统内存管理。通过统一框架下的代码实现与性能评估,分析了每种技术的适用场景与局限性,为构建高效、可扩展的AI代理系统提供了系统性的优化路径和技术参考。
682 4
AI代理内存消耗过大?9种优化策略对比分析
|
10月前
|
存储 人工智能 API
AI代理性能提升实战:LangChain+LangGraph内存管理与上下文优化完整指南
在AI代理系统开发中,上下文工程成为提升系统性能的关键技术。本文探讨了从提示工程到上下文工程的转变,强调其通过为AI系统提供背景信息和工具支持,显著提升智能化程度和实用价值。文章系统分析了上下文工程的理论基础、核心策略(如写入、选择、压缩和隔离),并结合LangChain和LangGraph工具,展示了如何实现上下文工程技术以优化AI代理性能。通过Scratchpad机制、内存管理、RAG系统集成、多代理架构及沙盒环境等技术手段,开发者可以更高效地构建高性能、可扩展的AI系统。
1400 0
AI代理性能提升实战:LangChain+LangGraph内存管理与上下文优化完整指南