速度現已被視為基本條件而非可選項。Bright Data Ltd. 首席產品官 Ariel Schulman 解釋說，當用戶在聊天機器人螢幕上看到"正在搜尋網頁"的字樣時，他們的耐心計時器便開始啟動。Bright Data 目前提供作為聊天機器人回應起點的網頁抓取數據，並將頁面傳輸時間控制在1秒以下，中位值為500毫秒。因為數據獲取速度過慢，代理可能在整理好回覆前用戶就已流失。
處理金錢的AI代理需要"帳戶"和身份體系
有觀點提出，若AI代理要承擔支付或轉帳等金融行為，就需要類似人類身分證件級別的認證體系。Catena Labs Inc. 聯合創始人兼首席執行官 Sean Neville 表示，銀行必須能夠驗證該代理代表誰、能做什麼、以及為何採取某行為。這一構想旨在通過所謂的"了解您的代理（Know Your Agent）"體系，確保金融自動化的問責性和可追溯性。
超越"供應商鎖定"，如今"代幣鎖定"才是問題
會上也發出警告：若將所有系統完全圍繞某一特定AI模型構建，未來可能丧失成本控制能力。OutSystems Inc. 首席執行官 Woodson Martin 指出，依賴單一前沿模型的企業，隨著推理成本累積，將面臨盈利壓力。他強調需要一個無需重寫底層系統即可更換運行中模型的平台層，這正是在代理策略中實現損益管理的現實解決方案。
"提供"AI工具與真正"讓人使用"是兩回事
現場實際應用與管理層認知之間存在巨大差距。WalkMe Ltd. 首席資訊官 Tye Kim 表示，80%的管理層認為他們為員工提供了出色的AI工具，但實際同意此看法的員工僅占少數。問題不在於工具的數量，而在於是否能在恰當的時刻自然呈現功能。如果沒有在業務流程中、在需要的瞬間引導使用的"基於上下文的引導"，AI投資效果必然大打折扣。
最大的風險並非出現在試點項目中，而是在生產環境中暴露。Monte Carlo Data Inc. 聯合創始人兼首席執行官 Bar Moses 解釋道，許多在初期概念驗證（POC）中運行良好的代理，在實際部署後往往會出現引用過時數據、跳過推理步驟、過度消耗代幣，或產生測試中未能過濾的"幻覺"等問題。特別是，法院已判定代理行為的最終責任不在於用戶，而在於建立該服務的企業。因此，對企業而言，建立控制和監控體系變得更為重要。
企業AI成敗，關鍵不在模型而在於‘語境’……智能體時代的7個條件
企業級人工智慧（AI）的引入正超越"實驗"階段，向實際業務部署過渡，但在現場，成果仍往往未達預期。業界指出，其原因並非缺乏更優秀的模型，而是缺少"上下文"。無論性能多出色的AI代理，如果不能恰當獲得企業內部知識和業務上下文，就會在決策階段止步不前。
Appen Ltd. 董事長 Vanessa Liu 最近在 theCUBE 與紐約證券交易所（NYSE）的聯合活動中表示："數據對於企業利用AI至關重要。正如再出色的員工入職後也需要適應組織的培訓，AI代理也必須提供業務上下文才能正常運行。" 包括 Thomson Reuters Corp. 首席執行官 Steve Hasker 在內的數據基礎設施、金融、企業現代化及開源AI領域的高管出席了此次活動，共同探討"如何讓代理真正落地於實際業務"。
發言者一致認為，僅靠尖端AI模型難以實現差異化。核心在於企業長期積累的內部數據和業務知識。Liu 董事長指出，企業特有的專業知識往往未能系統化整理。Hasker 首席執行官則認為，未來有競爭力的代理將不再僅僅取決於"是否好用"，而是看其"是否擁有市場中具備防禦性的数据護城河"。
速度現已被視為基本條件而非可選項。Bright Data Ltd. 首席產品官 Ariel Schulman 解釋說，當用戶在聊天機器人螢幕上看到"正在搜尋網頁"的字樣時，他們的耐心計時器便開始啟動。Bright Data 目前提供作為聊天機器人回應起點的網頁抓取數據，並將頁面傳輸時間控制在1秒以下，中位值為500毫秒。因為數據獲取速度過慢，代理可能在整理好回覆前用戶就已流失。
有觀點提出，若AI代理要承擔支付或轉帳等金融行為，就需要類似人類身分證件級別的認證體系。Catena Labs Inc. 聯合創始人兼首席執行官 Sean Neville 表示，銀行必須能夠驗證該代理代表誰、能做什麼、以及為何採取某行為。這一構想旨在通過所謂的"了解您的代理（Know Your Agent）"體系，確保金融自動化的問責性和可追溯性。
會上也發出警告：若將所有系統完全圍繞某一特定AI模型構建，未來可能丧失成本控制能力。OutSystems Inc. 首席執行官 Woodson Martin 指出，依賴單一前沿模型的企業，隨著推理成本累積，將面臨盈利壓力。他強調需要一個無需重寫底層系統即可更換運行中模型的平台層，這正是在代理策略中實現損益管理的現實解決方案。
現場實際應用與管理層認知之間存在巨大差距。WalkMe Ltd. 首席資訊官 Tye Kim 表示，80%的管理層認為他們為員工提供了出色的AI工具，但實際同意此看法的員工僅占少數。問題不在於工具的數量，而在於是否能在恰當的時刻自然呈現功能。如果沒有在業務流程中、在需要的瞬間引導使用的"基於上下文的引導"，AI投資效果必然大打折扣。
也有意見認為，優先考慮降低成本的策略是戰略失誤。AG2ai 代表 Wu Qingyun 表示，應首先用性能最強的模型確認可達到的水平，然後再比較開源模型等廉價替代方案是否能提供相同水平的性能。這意味着，如果從一開始就為廉價模型設定起點，企業可能會錯失所需級別的能力。只有在之後才能同時實現成本效益與性能的平衡。
最大的風險並非出現在試點項目中，而是在生產環境中暴露。Monte Carlo Data Inc. 聯合創始人兼首席執行官 Bar Moses 解釋道，許多在初期概念驗證（POC）中運行良好的代理，在實際部署後往往會出現引用過時數據、跳過推理步驟、過度消耗代幣，或產生測試中未能過濾的"幻覺"等問題。特別是，法院已判定代理行為的最終責任不在於用戶，而在於建立該服務的企業。因此，對企業而言，建立控制和監控體系變得更為重要。
最終評估指出，企業AI的下一輪競爭，與其說在於模型本身的性能，不如說在於"能提供多準確的上下文，以及能多穩定地運行"。隨著AI代理取代實際工作的時代日益臨近，企業的專屬數據與內部知識、速度、成本控制和責任結構，很可能成為決定成敗的關鍵標準。
TP AI注意事項 本文基於TokenPost.ai語言模型進行摘要。正文主要內容可能被省略或與事實存在差異。