“未来已来，只是分布不均” - 威廉·吉布森
现状
如果读者身处科技行业，那么一定敏锐的感受到了 AI Agent这个领域正在发生的事。我们不断看到这样的案例：Coding Agent能够处理更长周期的任务、承接规模大得多的开发项目，越来越多的团队公开表示，他们的产品现在完全由智能体编写。模型的编程能力已经强得离谱，而用于编程的智能体系统也在飞速迭代，率先彻底改变了这一特定工作领域。
然而，当读者与科技行业以外的知识工作者交谈时（甚至包括一些行业内的人），就会清楚地意识到我们仍处于非常非常早期的阶段：AI往往是一个非常有用的助手，能回答简单问题、帮忙查找信息，但在大规模工作产出和自动化方面还处于萌芽期。即便以今天的技术水平，仍有大量可能性尚未被挖掘。正如 Ethan Mollick所指出的："我们现在就算完全停止 AI 的发展，即便考虑到当前模型的种种局限，它仍然会改变相当大一部分白领工作……"。
即便是这些局限也在迅速消失。前沿 AI模型在几乎所有知识工作领域进行训练的情况越来越多，其能力只会随时间不断增强。这些模型了解冷门的法律专题，深谙医疗健康和生命科学领域的知识，在市场营销和写作等创意领域也越来越得心应手，而对于那些并非信手拈来的知识，它们可以即时调用工具、对接数据源来获取所需的新信息。几乎可以确定，在未来几年内，它们将在各自领域，至少在单项任务上，甚至能超越任何人类专家。
随着 AI 模型在知识工作的各个领域变得越来越聪明，当下对于构建和部署Agent的公司而言，最大的机遇在于：如何将 AI模型不断涌现的突破性能力，应用到企业工作流中，在知识工作实际发生的环境里，交付真正由Agent完成的工作。
Agent上下文不可跨越的鸿沟
部署Agent所面临的最大挑战之一，仍然是如何为智能体提供正确的上下文。@buccocapital非常精准的地指出了大多数Agent工作流自动化所面临的问题："上下文现在是（或许一直都是）增长的瓶颈，因为任何拥有完整上下文的事物都可以被自动化。当下的主要挑战，就是让组织的集体智慧变得对AI 可读。"
对于大多数在Agentic时代到来之前成立的企业而言，Agent完成工作所需的上下文往往并非以干净的格式随时可供调用。Dwarkesh Patel 在与 Dario Amodei的对话中提出了一个假设：编程之所以与其他工作领域不同，是因为完成工作所需的关键上下文大多就在代码库之中。而在其他知识工作领域则不然，关键上下文来自碎片化的系统、视频会议、线下会面、公司及其客户周围发生的外部事件，等等。
而且即便上下文已经数字化，大多数企业仍然深陷于众多遗留且碎片化的系统之中。尽管云计算已经经历多年发展，仍有相当一部分软件、数据和基础设施困在本地部署或笨重的系统里，无法轻松与运行在云端的Agent对话。我们经常看到这种情况：企业仍有大量非结构化数据存储在那些永远无法与Agent良好协作的系统中，而他们终于开始考虑将这些数据迁移上云。未来几年，将会出现一波向云原生和AI 原生架构转型的浪潮，因为这是Agent能否有效整合组织资源，实现自动化的重要前置依赖。
其次是权限和访问控制的问题。在大多数组织中，没有任何两个用户能够访问完全相同的信息，因为这是刻意为之的。经理可以查看其直属下属的薪酬详情，但看不到同级别同事的；咨询顾问可以查看自己负责的项目，但无法看到同一公司内该客户的竞争对手的信息。组织中存在无穷无尽的访问控制排列组合，以防止人们接触到不该看到的信息，而这在Agentic时代引入了全新的复杂性，Agent在系统中完成的工作量是人类的 100 倍甚至 1000倍。在某些场景下，Agent应当拥有远超用户传统权限的访问范围；而在另一些场景下，Agent的访问权限应远低于用户在技术上所拥有的权限。两者都是难以妥善管理的棘手问题。
最后，企业还面临着技术格局的快速变化。企业刚实施完一套方案，最佳实践就变了，又需要一轮新的改造。企业是应该将所有数据索引到向量数据库中，通过 RAG来检索信息？还是让Agent接入来自各种 SaaS 工具的 MCP 服务器？抑或是让Coding Agent利用不同系统的命令行接口，在这些平台上拥有完整的操作能力？在短短 18个月内，读者可能已经选定了其中某一种架构，并在此基础上将 AI 方案全面标准化推广下去，结果却发现世界又一次移动了"最佳实践"的方向。
前途一片光明
那些能够让Agent其获取正确执行上下文，让终端用户在使用Agent的时候轻松获得合适的软件和用户体验的公司，将会在这次浪潮中取得巨大的先发优势。在推广Agentic应用的过程中的大部分挑战是在于让非技术用户承担起在组织内"gent管理者"这一角色变得轻松愉悦。正如编程工具已经从 IDE 中的 AI 辅助代码编写，转变为专注于管理和监督Agent工作的体验，同样的转变也必须发生在所有知识工作领域，例如法律、金融到咨询和制造业。对于大多数知识工作者来说，这不会是一个轻松的旅程，因此那些让这一过程变得轻松愉悦的软件，往往会成为最终的赢家。
其中一些解决方案将来自现有平台，它们与现有工作流和数据深度绑定，能够通过恰当的上下文（或Agent管理框架）工程，将模型的智能与其所在领域连接起来，以端到端的方式解决客户的问题。这正是我们所专注的事：将关键的企业内容安全地连接到平台内外的Agent，以加速所有知识工作领域的效率提升。与此同时，对于那些在各个垂直行业或业务线中，想彻底重新构工作流的新玩家，以及使用面向领域隔离理念，连接多个智能系统的方案，都存在巨大的机遇。
对于那些懂得如何为组织推动这些工作流变革的AI公司而言，同样存在巨大的机遇。这也正是为什么实施工程师的需求趋势短期内不会降低。大多数组织在为Agentic时代，为了让Agent更有效的运作起来，需要大量的切实有效的帮助，而这对大多数公司来说，这是一项高度依赖专业服务驱动的工作。企业需要专业团队深入理解其工作流，找出如何将Agent最佳地融合于这些流程，并将数据整理到位以驱动这一切。
这也为新型系统集成商和咨询公司创造了巨大的机遇（以及那些抓住机会的传统系统集成商），因为他们往往是在组织内部承担繁重基础工作的人，确保这些公司为职场中的 AI 做好准备。那些已经与大型企业建立了现有关系的公司，通常处于最有利的位置来帮助这些企业用 AI Agent变革其工作方式，前提是他们能够快速转型以支持这些新的业务领域，因此别急着把系统集成商们排除在外。
最后，对于组织内那些足智多谋、具有创业精神的人才来说，这也是一个巨大的机遇，他们可以深入其中，为Agentic时代重新构想工作流。要让Agent获得完成工作所需的上下文，所需的大部分变革管理工作，本质上是对底层工作流进行重新改造，使其不再依赖于人们协作中的散落的知识或流程化的工作方式。我们将看到企业内部涌现出大量新角色，而专精于此的人才将在未来的经济中极具价值。
技术推广一些琐事
值得注意的是，即便拥有最佳的架构、格式正确的数据以及最新的技术标准，技术推广起来仍然需要时间。因为有大量工作流需要被重新发明，组织良好的环境下的数据集成，全面革新的技术素养，能被用户快速上手的变更管理，而且任何受监管的或大型企业在部署新技术或Agent时都有庞大的管理流程。举个例子，仅仅是要在一个组织的某个特定工作流上部署Agent，我们只要想想在一个从事关键任务的复杂组织中必须走完哪些流程，脑袋就会痛。
让我们举个技术推广的例子来参照对比，对象是历史上增长最快的技术之一：云计算。2010 年，那个时候硅谷每个人都已经知道云是未来，AWS 的营收估计约为 5 亿美元，Azure 也才刚在那一年推出，而 GCP当时还叫 Google App Engine。快进到 2025 年，这三大平台合计创造了约 2250 亿美元的营收，而这还只占云计算市场的大约60%。也就是说，从科技行业看到云的未来那一刻到今天，这个市场已经扩大了近 1000 倍。而且它仍在以惊人的速度增长。
即便在变化最快的市场中，一项新技术的推广也需要时间才能渗透整个生态。Agent也不会例外。这些就是在现实工作世界中需要时间的事情，但这恰恰也是为什么前方仍有如此巨大的机遇。
总而言之，我们正处于一个不可思议的时刻，AI 的能力正以惊人的速度提升。我们将能够在越来越多的关键知识工作领域中，解决越来越大的任务。这种发展必然需要时间，但最终的赢家将是那些能够在突破性创新与现实世界的实际运作方式之间架起桥梁的人。
译者评注
这篇文章非常好的讲述了，当下Agentic应用/Agent在企业中实施的难度和机遇。根据自己的实践经验，目前的Agent并不可能覆盖全领域，更多的是如何从现有的工作流中入手，将自身的能力嵌入其中，成为workflow中的一环，从而提高整个workflow的效率。
并且Agentic应用，再次让软件工程管理这个书中的内容变得更加实用，我们需要在最新的技术和稳定的推进中做出抉择。同时我们还要考虑到新的技术带来的安全性冲击。在Agentic应用的浪潮中，数据治理和数据质量变得更加重要的。能在有效的组织好数据，提供良好的Agentic应用体验的产品，必然会成为最后的赢家。
其中更为软件/知识工作者提供了一个全新的视角，我们不应当拒绝AI，而是融入其中，在Agentic应用的浪潮，企业需要两种人才，一种是广域人才，能整体的视角管理推进整个Agentic应用对企业的变革，一种是垂域人才，能在单一视角下准确度的选出最适合的方案，并随着“最佳实践”不断的进行演进。