智能体正在成为数字工作场所IT运营的颠覆性力量之一。
除了自动化常规任务外,它们的真正影响在于能够在动态、非结构化环境中做出独立决策并采取行动。随着自动化的扩展,智能体将为IT功能释放新机遇,实现最少人工干预的运营。
根据Gartner的预测,到2030年,近三分之一的组织将在80%的数字工作场所服务中实现自主运营,而这一比例在2025年为0%。管理智能体需要强有力的治理框架,以平衡智能体驱动自动化的成本、风险和收益。
CIO必须紧急识别高价值用例,评估AI有效性,并确保数字工作场所团队具备与这些智能体协作所需的技能。构建这些能力将确保智能体在数字工作场所IT运营中的成功实施和长期价值。
智能体正准备自动化广泛的数字工作场所流程,因为它们能够感知环境、做出决策并自主或近乎自主地采取行动来追求目标。
与传统的基于规则的自动化不同,智能体能够管理复杂、非结构化和非确定性的工作流程,使它们成为不可预测IT环境的理想选择。
许多数字工作场所IT流程简单且重复,但无法集成不同工具已成为自动化的障碍。CIO必须研究智能体如何补充现有的触发式自动化来克服这一限制。
分阶段方法对成功至关重要。CIO需要评估当前能力、供应商成熟度和自动化差距,以确定哪些用例在今天是现实可行的。虽然智能体显示出强大潜力,但成熟度仍在发展中。
在早期阶段,由数字工作场所服务团队处理的低影响、常规活动最有可能实现自主化。CIO必须首先识别哪些低影响任务可以通过现有的触发式自动化或智能体来实现自动化。
下一步是评估数字工作场所工具中IT运营智能体的成熟度,与供应商合作制定路线图和成本,建立专门的自动化功能,并投资员工培训以进行智能体开发和配置。
CIO还必须制定可靠的商业案例,考虑成本、安全性、运营复杂性和员工体验。在智能体效果得到验证之前,必须避免人员重新配置或裁减。
数字工作场所服务中的智能体正在迫使CIO重新思考治理框架。
虽然智能体承诺带来重大效率提升,但它们也引入了新的运营、安全和合规风险,需要与现有IT结构保持一致的治理。Gartner研究显示,84%的IT领导者同意需要额外的技术控制来管理、治理和保护智能体。
CIO必须与企业领导者合作,建立直接应对数字工作场所IT运营中智能体采用相关风险的治理实践。
治理应涵盖智能体的完整生命周期,包括选择、设计、测试、部署、更新、性能审计和停用。技术负责人还需要与AI领导者、安全团队、内部开发人员和供应商紧密配合,确保AI治理满足IT运营用例需求。
明确的工作场所产品所有权、结构化治理委员会和更新的变更管理政策将确保智能体在安全、可信的边界内自主运营。
数字工作场所服务中智能体的引入正在实现高级功能,如预测分析、自适应培训和智能体辅助故障排除。这些转变要求数字工作场所团队更新技能和方法,以保持运营效率、管理成本并改善用户体验。
多智能体架构的兴起将进一步增加对高级工程技能的需求,因为智能体将以新方式与传统工具交互。
CIO需要管理大量的技能重塑,但也可以期待在传统数字工作场所支持和运营活动中减少工作量。数字工作场所IT运营所需的工程工作类型将发生转变,并可能随时间减少。
与此同时,专注于为业务用户启用智能体的工程和赋能角色将变得越来越重要。
为了构建这些能力,CIO必须识别能够转型为智能体专家角色的工程级员工,并计划将其中一些人员分配到IT运营用例,其他人员分配到业务用例。
创建安全的学习环境将允许工程师和技术人员练习设计、部署和控制智能体所需的技能。CIO必须建立最小化的、云托管的、非生产环境沙箱,以支持这种技能发展,而不引入任何运营风险。
Q&A
Q1:智能体与传统的基于规则的自动化有什么区别?
A:智能体能够在动态、非结构化环境中独立感知环境、做出决策并采取行动,能够管理复杂、非结构化和非确定性的工作流程。而传统的基于规则的自动化只能按照预设规则执行,无法应对不可预测的IT环境。
Q2:企业实施智能体自动化需要分几个阶段进行?
A:需要采用分阶段方法。首先评估当前能力、供应商成熟度和自动化差距,从低影响的常规任务开始自动化。然后评估智能体成熟度,与供应商制定路线图,建立专门的自动化功能,并投资员工培训进行智能体开发和配置。
Q3:CIO如何管理智能体带来的治理和风险挑战?
A:需要建立涵盖智能体完整生命周期的治理框架,包括选择、设计、测试、部署、更新、性能审计和停用。同时要与AI领导者、安全团队密切合作,确立明确的产品所有权、结构化治理委员会和更新的变更管理政策,让智能体在安全可信的边界内运营。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。