随着AI在企业中的应用不断深入，智能体协作正成为下一阶段的关键议题。
AI已不再局限于实验性项目或零散的生产力任务，而是迅速渗透到企业的核心业务流程中。组织机构越来越期望智能体能够跨应用、跨系统、跨业务流程协同开展工作。
将AI部署到生产环境，在很大程度上已是过去的挑战。如今，工作流的架构本身正在发生变化。企业正从"一个AI工具完成一项任务"的模式，迈入智能体之间相互协作、调用工具与应用、交换上下文、互相传递工作的新时代。
那么，当单个智能体成为互联智能体生态系统的一部分，管理AI究竟需要什么？OutSystems与毕马威联合开展的一项即将发布的调研报告揭示了这一转型趋势：71%的受访者预计，企业应用将朝着智能体跨系统、跨团队、跨业务流程协调工作的方向演进，或协助业务用户完成更复杂的多步骤工作流。
孤立的智能体通常只根据自身的输出结果来评估。这或许能验证其技术能力，但将其部署到生产环境则是另一回事，尤其是因为现实中的大多数工作流涉及多个应用、数据集和其他智能体。这会引入各种依赖关系——智能体之间需要交换上下文、调用API、与企业应用交互，并依赖链条中早期生成的输出结果。
OutSystems产品、AI与应用开发高级副总裁冈萨洛·博雷加将此描述为一种编排挑战。"目标越宏大，所需的协调工作就越多，这正是我们进入编排领域的原因，"他说，"某个环节出现一个错误，可能在后续引发十个错误。"
这一转变已清晰可见。例如，某全球物流企业正从一个分析应用日志的单一智能体，向多智能体模型迁移，让专业智能体之间实时协作并共享上下文。
随着这些系统的互联程度不断加深，挑战已从治理单个AI项目，转变为如何在整个工作流中保持控制。超过三分之二的受访者将跨智能体的安全、权限与策略执行，列为编排过程中的首要难题。
这意味着，尽管大多数组织确实拥有治理机制，但这并不一定代表其流程能在整个工作流中有效运转，尤其是涉及多个智能体与其他工具协同的场景。"你仍然需要在所有智能体之间保障安全性、可观测性、准确性和质量，并且需要跨多个平台协调和编排这些工作，"博雷加说。
部分组织已采取更为规范化的方式。例如，某大型数字银行在允许团队部署自主智能体之前，预先定义了获批的AI工具并配置好工作流，从而在降低碎片化采用带来的安全风险的同时，为创新保留了足够空间。
未来的智能体企业必然是异构的，不同的智能体、应用、模型和数据服务将分布在不同的平台上。博雷加认为，在应用与数据环境已经碎片化的情况下，单纯引入智能体AI并不能直接走向真正的智能体企业。
组织需要保持灵活性，因为今天最适合某个用例的工具，明天未必仍是最佳选择。因此，企业不应试图将所有内容标准化在单一供应商上，而应在整个环境中建立统一的工程规范、编排机制和治理框架。
最终目标是实现跨组合的整体可视性，并建立一个一致的控制层，在整个环境中统一应用策略，同时保留为每个用例自由选择最合适的智能体、工具、平台和模型的灵活性。
随着企业AI的持续成熟，组织越来越多地以对业务结果的影响来衡量AI的成效，而非仅凭单一的活动指标。调研显示，64%的受访者通过错误率降低来评估AI的影响，60%则通过合规性或风险降低来衡量。
博雷加对过度聚焦生产力提升的做法提出了质疑，转而强调业务结果的重要性："仅仅能生成更多文本或代码，并不会自然而然地带来好的结果。"更有意义的问题是：重新设计后的智能体流程，是否切实改善了某项业务结果——例如降低成本、提升客户体验、减少风险，或帮助组织更快速地应对市场压力。
从调研结果来看，企业AI的下一阶段，将不再取决于组织运营了多少智能体，而更多取决于能否将这些智能体有效连接到可信赖的业务系统。随着应用本身日益智能体化，组织需要将编排能力与治理机制、企业上下文、技术选型和基于结果的评估方式有机结合，方能在新一轮竞争中立于不败之地。
Q&A
Q1：企业部署多智能体系统时，最大的挑战是什么？
A：根据OutSystems与毕马威的调研，超过三分之二的受访者将跨智能体的安全、权限与策略执行列为编排过程中的首要难题。单个智能体的治理相对简单，但当多个智能体协同工作、相互调用、交换上下文时，如何在整个工作流中保障安全性、可观测性、准确性和质量，成为核心挑战。任何一个环节的错误都可能在后续引发连锁问题。
Q2：企业该如何衡量智能体AI带来的实际价值？
A：调研显示，企业正逐渐从单纯的生产力指标转向业务结果评估。64%的受访者通过错误率降低来评估AI影响，60%通过合规性或风险降低来衡量。OutSystems的博雷加也强调，生成更多文本或代码本身并不等于好结果，更关键的是智能体流程是否真正降低了成本、提升了客户体验、减少了风险，或帮助组织更快速响应市场变化。
Q3：企业应该把所有智能体系统统一在一个供应商平台上吗？
A：不建议这样做。由于未来的智能体企业必然是异构的，今天最适合某个用例的工具，明天未必仍是最优选择。更合理的做法是在整个环境中建立统一的工程规范、编排机制和治理框架，同时保留为不同用例自由选择最合适的智能体、工具、平台和模型的灵活性，而非强求所有内容标准化在单一供应商上。
