此文件提供一種概觀,描述企業在未來 3-5 年內需要的 IT 架構,才能充分掌握工作人員的價值;其中概述支援大規模部署 AI 工作人員所需的 IT 轉型。目標是提供策略指引和參考結構,以協助 CIO、CDO 和 IT 主管計畫其成為工作人員企業的旅程。

強大的 AI 模型可建立工作人員人力,能夠感知環境、推理資料、進行自主決策、執行工作,以及與人類工作人員有效協同合作。此新人力在創新、生產力和靈活性方面承諾會逐步改變,為專案關係人和客戶創造價值。若要實現此願景,組織必須經歷業務和 IT 轉型,才能成為「代理企業」。

今天,傳統企業面臨的營運效率低落是由於資訊孤立區、員工埋在手動工作中、組織結構中的激勵不一致,以及策略與成果之間的反饋意見迴圈。這些問題會導致客戶體驗未最佳化、流程效率低下,以及缺少成長機會。

Agentic Enterprise 透過將智慧 AI 工作人員的數位人力與人力工作人員整合,以克服這些限制。透過此新的 AI 增強型人力,組織可以透過數種新業務功能來促進創新以促進成長、促進傑出營運,並建立企業彈性。

促進創新的新業務能力:

• 增強的人工生產力 工作人員的速度、規模和隨時可用性可讓企業自動化重複工作,並讓人類工作人員專注於更有價值且更有創意的工作。
• 適應性能力改善:由於可以觀察 AI 工作人員的邏輯,因此他們可以動態學習並部署新技能,讓企業能夠持續改善績效以達成業務目標,並快速適應新的市場機會。

_動作範例 — 在金融服務中創新客戶體驗:_財富管理公司可以使用 AI 工作人員重新建立其用戶參與模式。工作人員會自主監視產品組合、識別用戶檢閱的關鍵時刻,並為顧問準備通話前計畫,並在出現新聞時調整計畫。這可讓人類顧問大規模提供主動且個人化的客戶體驗,強化關係並發現新機會。

保護及確保組織彈性的新業務功能:

• 彈性人力容量:企業可以快速擴大其滿足因變更的業務條件而導致工作量激增的能力,而不需要增加完全人力勞動力的成本和延遲。
• 預測作業彈性 工作人員的 24/7 性質使其能夠自動即時預測、建模和降低營運、合規性和安全性風險,確保企業維持客戶和利害關係人的Trust。

_動作中的範例 — 保護客戶資料:_大型企業可以部署 AI 資料管理工作人員來掃描法規環境以瞭解資料隱私權法規的變更、在企業資料集中探索和分類敏感資訊,然後套用適當的管治原則。工作人員可以檢閱資料存取要求,並將例外情況路由至人工分析師以供檢閱,進而降低合規性風險,同時允許以信任的方式使用資料。

最佳化卓越營運的新業務功能:

• 自動流程執行:數位人力可以以機器速度全天候執行複雜的多步驟工作 (以人為本),有效率地降低成本並調整流程規模。
• 跨界協調流程 工作人員可以跨越通常限制人力工作人員的資訊和獎勵孤立區,進而促進跨部門流程的靈活性。

_動作範例 — 最佳化零售行銷漏斗圖:_零售行銷小組可以部署 AI 工作人員,以加速其行銷活動流程,以回應新的消費者趨勢。工作人員可以產生行銷計畫、與行銷、產品和銷售小組協同合作以供檢閱,然後自動建立數位附屬資料並跨多個管道執行,根據即時回饋意見動態調整行銷活動。

企業的 IT 結構可使用圖層建構來描述。圖層會邏輯地將相關技術功能分組,並促進結構化推理,但不一定意味著特定實作或圖層應以單一或更異質的方式設計的程度。在此圖層檢視 (圖 1) 中,傳統 IT 結構包含五個主要圖層:基礎結構、資料、整合、應用程式和體驗。「安全性」與「IT 作業」兩個跨層可跨這些層,以確保監管、監視和保護。

傳統的 IT 結構是針對企業智慧所屬的範例所設計,其中人類工作人員在應用程式中採取行動來存取資料、套用業務邏輯、促進協同合作和執行工作流程。這並非針對 AI 工作人員可以針對先前由人類完成 (或完全未完成) 的特定使用個案進行推理和採取動作的範例所設計,同時人類會監督 AI 工作人員並專注於更具創意和不明確的工作。

雖然傳統結構目前可能支援 AI 工作人員的子規模部署,但無法完全提供上述「代理企業」的業務功能。實現這些功能需要針對廣泛部署強大的 AI 工作人員而設計的 IT 結構,其可處理廣泛的使用個案,而非僅限於鎖定窄使用個案的有限部署。

AI 工作人員將在未來 5 年內持續改善,且 IT 結構必須演進,才能實現更強大且智慧 AI 工作人員的價值,才能成為未來的證明。首先,工作人員會隨著基本 AI 模型 (例如多重模式 LLM) 和工作人員的認知結構發展 (例如多步驟規劃、工作分解等) 變得更有智慧。其次,AI 工作人員會透過改善的記憶體、自我反射功能,以及從回饋意見學習的能力,來改善學習和適應能力。第三,AI 工作人員將能夠更有效地與其他工作人員、工具和資料互動,如開放技術標準的快速發展生態系統所示 (例如「模型內容通訊協定」、「Agent2Agent」等)。雖然這三種技術趨勢能夠讓 AI 工作人員在執行更抽象且複雜的工作時變得更強大,但也會對今天的 IT 結構帶來許多挑戰。

首先,AI 工作人員基本上依賴 AI 模型 (由內部開發與外部取得),這些模型會快速演進,且需要複雜、共用且標準化的 AI/ML 模型管理。今天,AI 模型會針對應用程式中的特定使用個案開啟,而非作為可重複使用的共用功能,並使用常見的訓練、部署、管治和風險管理工具。在未來,企業將需要能夠針對各種代理程式使用個案使用不同的 AI 模型,這些個案需要工具,讓工作人員能夠根據業務內容交換基礎模型 (例如基礎模型與網域特定的較小型模型)。這需要使用統一的生命週期工具來管理內部開發或主控的 AI 模型,以確保一致性、可重複使用性、可調整性和效率。同樣地,存取外部主控的 AI 模型需要企業範圍控制架構,以確保最佳效能、安全性、合規性、可用性和可靠性。

其次,AI 工作人員具有不同的調整模式和作業需求,例如主控、開發、推理、學習、記憶體管理和作業,這需要工作人員的個別和專屬架構邊界。將此功能直接內嵌在今天的靜態與決定性應用程式結構中,會導致不必要的結構複雜性和風險。此外,AI 工作人員應透過標準化介面或傳訊系統與現有應用程式互動,以進行即時互動。

第三,AI 工作人員必須能夠考慮不同的資料集,並彼此協同合作,通常在隔離的應用程式堆疊之間進行合作,但在今天的結構中,沒有通用的語意功能可讓這些工作人員共用瞭解以考慮不同的資料集。因此,雖然單一用途工作人員可以成功部署,但將工作人員調整為對複雜的跨坐落機工作進行大量作業仍會很困難且有風險。

最後,目前的企業 IT 結構缺乏協調、最佳化和管理端對端業務流程的有效方式,其中包含由更強大的工作人員執行的動態工作流程,這將增強,在某些情況下會取代人類在該流程中扮演的角色。今天,利用自動化工具來管理線性決定性工作流程,這些工作流程通常遵循預先定義的順序,以流程特定的語言記錄,並依賴不常變更的靜態邏輯。AI 技術可以增強某些線性流程 (例如,使用 ML 模型而非硬式編碼業務規則來計算貸款批准值),但大多數關鍵業務流程的策略與執行層面仍會保持動態且彈性的本質。如開發行銷策略、解決複雜的客戶問題或潛在客戶等工作具有明確的目標 (客戶滿意度、個案解決速度等),但不遵循固定的預先定義執行順序。

目前,傳統企業主要依賴人類來協調和執行這些複雜的業務流程 (例如設定策略和管理複雜的計畫)。隨著 AI 工作人員在未來 3-5 年內持續發展 (更高的智慧、學習和互動能力),其自主執行此類動態流程的能力將大幅擴大,導致複雜性和整合挑戰遠超出現有整合和自動化工具的功能。AI 工作人員的適應性和動態性質,強烈需要新的協調流程功能,以確保企業層級控制、全方位可見度,並與企業範圍策略目標一致一致,特別是在管理包含 AI 工作人員、人類、自動化工具和其他決定性系統的複雜、長時間且多步驟的工作流程方面。

「代理企業」的 IT 結構透過流暢整合人力工作人員、AI 工作人員和決定性系統,為智慧動作建立平台。此架構可讓人體和 AI 工作人員能夠動態存取並利用來自多元資料來源的統一企業 Knowledge,並以語意內容豐富,以有效執行與策略業務目標一致的複雜工作流程和流程。一組隔離平台和點數解決方案的現有 IT 架構將演進為一組可編輯應用程式服務、語意和資料工具,以及由新智慧型業務流程協調流程工具監督和管理的 AI 工作人員網路。

此結構可讓工作人員在其個別範圍內感知、推理和採取行動、在業務領域內部和跨領域工作,並持續學習、改善和調整。這需要專注於可靠機制的設計,以存取資料和 Knowledge (語意理解)、彈性且標準化的通訊通訊通訊通訊協定和介面 (例如工作人員對工作人員、工作人員對決定性系統,以及工作人員對人類),以及批判性地協調工作人員、人類、自動化工具和決定性系統之間的工作流程和流程。

為了實現智慧動作平台的結構願景,建議使用下列設計原則作為最佳作法:

• **複合性和模組性:**使用標準化介面將結構元素設計為模組化元件,以快速且動態地組合工作人員功能、工作流程和人力面向的面板。排定清楚的介面契約和抽象的優先順序,讓 AI 工作人員能有最大的彈性撰寫工作流程。
• **資料和語意優先:**透過共用語意瞭解,以確保資料的完整、準確、快速、安全且符合成本效益的存取權,讓工作人員能夠有效地在隔離系統之間思考。這需要將資料 (和中繼資料) 視為產品,並使用工具來確保品質、歷程、管治和存取,以及提供跨工作人員和人類共用的語意瞭解。
• **內嵌的 IT 與業務觀察性:**在整個結構內嵌端對端監視、追蹤、評估和可解釋性功能,以深入瞭解工作人員的推理、行為、系統互動,以及對業務 KPI 的影響,以便持續最佳化工作人員的績效。這包括成本最佳化 (FinOps)、永續性度量和營運距離測量,同時維持 Trust、合規性和負責任的資源消耗。由於 AI 工作人員本身並非決定性,因此可觀察性對於確保 AI 工作人員能夠以人力監督的信任、合規和可稽核方式運作至關重要。
• ** Trust 整體:**根據工作人員工作的意圖 (資料存取、動作等) 強制執行動態細微權限,並實作包括紅色團隊、自動 CVE 掃描、漏洞偵測和風險型驗證控制的全方位安全性作法。由於工作人員能夠以機器速度作業,因此造成階層化風險,因此需要更精確且動態的控制。確保所有 AI 產生的輸出 (來自工作人員或模型) 會在使用或傳送前根據已定義的合規性、安全性、毒性和偏差原則進行嚴格驗證,需要記錄和可解釋性機制,並具有 AI 決策、動作、內容和預估的可驗證稽核追蹤。
• **人力監督工作人員優先:**讓 AI 工作人員成為解決業務使用個案的預設工具,以排除其他考量事項 (例如成本、技術適配),並設計可供代理程式工作流程存取的 IT 系統。這包括人類監視、介入和覆寫工作人員流程任何步驟的能力。如果工作人員對決策的信賴低於預先程式設計的值,則工作人員需要自我反射功能才能主動尋求人力指引。
• **反應性與多模式互動:**啟用結構以支援所有互動類型之間的全方位工作人員叫用和回應機制,包括工作人員對工作人員通訊協定、人類多型模式輸入 (語音、文字、視覺)、業務事件、系統訊號和串流資料。啟用以事件為導向與即時處理功能,以確保工作人員可以從任何來源或格式回應任何及時訊號。
• **AI 整備基礎結構:**確保基礎結構可以使用內建冗餘來彈性調整,以處理波動式 AI 工作負載,並將 ML/LLM 銷售管道整合至資料與應用程式結構,同時維持資料落地需求的合規性。
• **開放生態系統:**優先使用開放標準、通訊協定和正確定義的介面 (API、事件),以利用技術生態系統來優先處理互通性並避免技術鎖定。

若要成功啟用及擴大工作人員轉換,企業必須超出僅限增強目前層級的範圍;企業必須考慮明確引進四個額外的結構層級 (圖 2) 專為滿足 AI 工作人員需求而設計。

工作人員層專門開發和管理 AI 工作人員,其中包含如規劃、推理、記憶、工具利用率、狀態管理和生命週期控制等認知功能。此層可滿足 AI 工作人員的獨特技術與作業需求、透過標準化通訊協定確保跨應用程式和資料存放區的互通性,並促進工作人員對工作人員協同合作。現有的應用程式層將演進為應用程式服務,並為工作人員工作流程動態撰寫。

導入了「**語意層級」,**以解決原始企業資料與 AI 工作人員所需語意瞭解之間的中斷。它會明確編碼和管理業務實體、概念、定義和相互關係,建立企業本質和表示業務 Knowledge,以啟用共用的語意瞭解,以支援執行更高層級工作的更複雜多工作人員工作流程。除了資料目錄之外,「語意層」會將自然語言查詢轉換為針對特定資料存放區精確的查詢、協調結果,並為工作人員傳回內容更豐富的回答。與此同時,現有的「資料層」會透過採用集中化湖舍來統一,同時透過 AI 整備的資料架構來擴大資料存取權,以支援資料網格作業模型原則。

AI/ML 層級集中管理企業 AI 功能,包括大型語言模型、大型動作模型和網域特定的 ML 模型,同時處理在整個生命週期內開發的 AI 模型,以及對外部 AI 服務的控制存取/使用。不同於傳統結構,其中 AI 模型內嵌在應用程式內,此層會將 AI 模型建立為企業中的一流元件和共用服務。其著重於企業控制的 AI 功能 (非外部廠商提供的 AI 功能)。此層提供企業中各種工作人員和其他 AI 工作量的情報,並使用標準化 Trust、安全性、合規性和部署機制。

企業協調流程層是功能性抽象,用於協調、管理和最佳化跨越 AI 工作人員、人類、自動化工具和決定性系統的複雜、多步驟工作流程和業務流程。此層利用混合協調流程模型,讓個別工作人員和系統使用如 MCP 和 A2A 等開放通訊協定,自行處理本機編譯的工作,同時提供整個流程的集中端對端監督和協調。為了實作混合協調流程模型,此層以機器可讀取的語意豐富格式呈現關鍵業務流程,這些流程會定義業務流程的決定性步驟 (在設計時間內建模) 和動態步驟 (由工作人員在執行階段內決定),進而為管理和最佳化建立流程模型基礎。

傳統上,以機器可讀取的形式,人力驅動業務流程的大部分仍保持不記錄或無法存取。然而,AI 工作人員活動的詳細可觀察性,包括其工作和動作的豐富資料和中繼資料,可讓您將動態、先前非結構化工作與決定性線性工作流程整合,以建立全方位的流程模型。詳細的流程文件會捕捉先前看不到的工作相互依存性和執行路徑,讓企業能夠持續最佳化營運效率、有效解決瓶頸,並系統將工作人員識別的最佳作法編碼為可重複使用的企業範圍手冊。這會產生個別流程的整體數位雙子,並在調整規模時產生整個企業。

例如,複雜的流程 (例如執行全方位銷售策略或上線新員工) 涉及許多相互依存的步驟,其中協調流程層可以確保適當的人力參與層級 (例如例外處理)、 AI 工作人員的受限自主性,以及強制遵循。在這些流程中,由上到下協調流程層可增加可預測性和管治性、持續追蹤和評估主要績效指標 (KPI)、確保工作流程和回復邏輯的交易完整性,並維持工作流程每個階段的可視性,以確保與整體業務目標保持一致。為了實作此功能,此層會從安全性和管治層 (透過原則代碼) 和儲存在「語意層」中的業務目標和 KPI 中取用原則、規則和護欄。考慮到 AI 驅動互動的獨立性和快速性質,僅依賴去中心化編程會造成策略不一致或違規的風險,特別是在長時間執行多步驟工作流程中。混合協調流程方法透過將企業範圍業務規則、合規性檢查和原則強制執行直接內嵌在複雜工作流程中,以減輕這些風險,並將人力監督整合至關重要連接點。

這些 11 個層的每個都會以安全、信任且有效的方式,為大規模部署 AI 工作人員提供特定功能,以釋放代理 AI 的完整潛力,以轉變工作在企業中的完成方式。下一節概述圖層的功能、由於 AI 工作人員崛起而產生的新變更,以及其關鍵技術功能。

函數:「體驗層」可作為人體使用者的主要介面,藉此在多個裝置之間捕獲輸入 (文字、語音、視覺) 並提供內容相關的回應,以啟用多模式互動。它會將使用者意圖順暢地傳送至「工作人員層」以採取行動,同時提供動態 UI 和視覺效果,以便在工作人員工作流程中進行人類升級和批准。

**與今天有何不同:**AI 會使用自然語言處理、內容感知和主動式決策支援來增強以 GUI 為基礎的傳統介面。AI 工作人員能夠主動起始互動,在所有管道和強制回應之間提供個人化即時的建議。

關鍵技術功能:

• **對話式 AI 與數位助理:**依預設啟用 UX 來功能 AI 協助以支援人類使用者。
• **屬性與透明度 UI:**讓回應可在使用者介面中解釋,例如顯示引號、檔案/系統的來源,以及決策的方法/理由。
• **主動與環境通知服務:**讓工作人員能夠根據使用者的目前內容,在最適當的管道和尺寸規格上主動向使用者推送洞察或警示。
• **Omnichannel 體驗:**透過旅程連續性,為所有管道提供流暢、一致且統一的體驗,其中對話與工作會跟隨人員,而非應用程式。
• **多重強制回應功能:**允許人類透過文字、語音、影像、觸控、視訊和 AR/VR 與工作人員和應用程式互動,讓工作人員以最有效率的方式瞭解和呈現資訊。
• **內容感知個人化與動態使用者介面:**啟用上下文感知的即時 (時間、位置、使用者動作) 使用者體驗,以啟用個人化,包括立即產生 UI。

函數:「工作人員層」可作為在企業中執行工作的預設執行階段,其中 AI 工作人員可使用應用程式和應用程式服務層和資料層中的工具來動態組合工作流程,從體驗層中拆分工作並執行工作。AI 工作人員的組態狀態會儲存在此層中並受管理。系統會針對特定工作例項化工作人員,並在之後停用特定工作人員例項。此實作可讓工作人員一律根據離線最佳化從最新的組態狀態叫用 (使用 AI/ML、可觀察性和協調流程層的功能)。此層負責 AI 工作人員的全方位生命週期管理、協調和管治。

**與今天有何不同:**此層會出現今天目前不同的試用版集和有限的工作人員部署。雖然存在以規則為基礎的機器人,但很少有大規模部署的適應性、非決定性和目標導向軟體程式。

關鍵技術功能:

• **工作人員執行階段環境:**管理 AI 工作人員的生命週期、執行和資源配置。
• **工作人員週期管理套件:**包含開發架構、開發和測試工具,以及工作人員活動和版本控制的管理系統。
• **工作人員推理引擎:**認知架構,可讓工作人員拆分目標、規劃並決定要用於解決複雜問題的工具。
• **工作人員記憶體和內容存放區:**允許工作人員例項取回和維護先前互動的相關內容,以確保一致性和個人化。
• **工作人員互通性通訊協定:**工作人員對工作人員通訊 (A2A) 的標準化介面,以及工作人員與外部系統的介面 (例如透過模型內容通訊協定)。
• **工具登錄:**精密設計的一組內部和外部支援的工具,供工作人員叫用以完成特定工作。
• **工作人員登錄:**預先建置 AI 解決方案與工作人員的精密設計生態系統,支援探索和功能比對。
• **散佈的工作人員強制執行原則:**允許工作人員在採取動作前自行檢查合規性,以啟用企業範圍的管理。
• **工作人員自我反應與調整架構:**提供機制讓工作人員分析自己的績效,並在人類批准後觸發改善或對自己建議修改。

**函數:**此層會作為集中式情報中心運作,提供 AI 模型作為「工作人員層」(和應用程式) 所要取用的共用服務集,以透過內建的安全架構和監視技術強化其推理和決策能力。

**與今天有何不同:**傳統上,AI 模型內嵌在特定應用程式中。在 Agenttic Enterprise 的 IT 架構中,AI/ML 圖層將是一流的集中式服務集,可支援許多應用程式和工作人員,支援從開發到大規模即時服務的整個模型生命週期。

關鍵技術功能:

• **預先建置基礎模型:**針對各種資料訓練的大型 ML 模型,能夠執行各種一般工作。
• **取得增強產生 (RAG):**以 AI 為中心的管道,此管道會在企業特有的資料中奠基基礎模型,以改善準確度並減少幻覺。
• **AI Trust、Safety & Governance Hub:**整合至模型生命週期的工具套件,以強制執行負責 AI 原則,例如偏差偵測、可解釋性和安全監視。
• **Model Gateway:**作為所有模型推斷要求單一進入點的路由引擎,可管理對各種內部和外部模型的呼叫,以最佳化成本、效能和合規性。
• **模型開發工作台:**資料科學家的整合開發環境,其中包含資料預先處理、模型訓練和試驗的工具。
• **MLO 與生命週期自動化銷售管道:**機器學習的 CI/CD 引擎,可自動化模型從訓練到部署和淘汰的端對端生命週期。
• **模型提供與推斷執行階段:**可調整且低延遲的環境,可將訓練的模型部署為安全的 API 端點,以供即時使用。
• **模型與資產登錄:**所有 AI/ML 資產 (包括模型、資料集和來源程式碼) 的集中版本控制儲存庫,可確保可複製性和稽核性。
• **合成資料產生與管理:**產生與管理合成資料的工具,可維持實際資料的統計內容,而無須顯示敏感資訊。

函數:「企業協調流程層」是代理企業中端對端工作的控制平面。其可確保工作人員工作流程與互動遵循企業目標與管治原則。它會取用來自其他層的可觀察性遠距測量,以建立全方位的業務流程模型,以根據從「語意層」所繪製的 KPI 進行最佳化。此層會為重要工作流程的 AI 工作人員每個新例項提供共用內容和長時間執行記憶體。

**與今天有何不同:**此層可透過建立機器可讀的模型來統一對業務流程的可視性,這些模型會同時捕捉結構化決定性步驟,以及人類和工作人員執行的非結構化動態工作。它會透過程式設計方式將業務目標和規範規則編碼為限制,進而超越現今以人為本的協同合作與管治模型,進而控制工作人員。

關鍵技術功能:

• **混合式工作流程執行引擎:**執行「混合協調流程模型」的核心執行階段,提供集中監督,同時允許進行本機工作人員編程。
• **流程管理與限制引擎:**即時管理服務,會取用陳述性業務規則、原則和限制,並套用至所有機上流程。
• **共用記憶體與內容管理:**可供工作流程中所有執行動作的使用者存取的共用記憶體層,可維持多個步驟的連續性和一致性。
• **Process Modeling Studio:**設計時環境,用於建立和管理機器可讀取、語意豐富的流程模型,這些模型會定義決定性與動態、目標導向的步驟。
• **流程最佳化和模擬:**建構業務流程數位模擬以進行進階分析、What-if 模擬和預測���佳化的功能。
• **流程探索與健康監視:**針對流程運作狀況的業務度量來報告,此模型與即時資料。
• **數位雙流程建模:**即時工作流程的即時鏡像,用於測試、模擬變更和最佳化,而不會影響生產環境。

**函數:**此層會將現有的業務應用程式功能公開為可組合且模組化工具和服務,供工作人員使用。其也可作為簡報執行階段,以將工作人員功能內嵌在使用者體驗中。應用程式會繼續是記錄的系統,但會重新設計為工作人員的「無周邊」功能。

**與今天有何不同:**應用程式將從單一 UI 發展為「後端服務」,工作人員可以透過 API 和事件動態呼叫。此層會以原生方式與 AI 工作人員和模型整合,而代碼產生 LLM 的擴充將導致自訂工作人員建立的微型應用程式數目增加。

關鍵技術功能:

• **模組化應用程式服務:**從傳統應用程式中拆分的業務邏輯,發佈為機器可讀取的動作供工作人員呼叫。
• **工作人員內嵌 SDK:**可讓開發人員安全地將工作人員直接內嵌至應用程式 UI 的工具組與文件庫。
• **動態 UI 產生服務:**允許 AI 工作人員根據使用者內容即時產生或修改 UI 元件的服務。
• **AI 原生 UI 架構:**前端架構設計的內建支援可處理 AI 驅動的 UI,例如管理概率資料和串流文字回應。
• **工作人員導入的參與系統:**透過視覺元件納入 AI 工作人員功能的企業生產力與協同合作應用程式。
• **AI 增強型低程式碼/無程式碼應用程式開發:**讓使用者和工作人員使用自然語言與提示建立自訂應用程式和服務的工具。
• **工作人員使用的應用程式護欄:**工作人員用量的應用程式端控制,例如比率限制、範圍權限和距離測量。

函數:「語意層」提供整個企業資料和 Knowledge 的統一瞭解,讓人類和 AI 工作人員能夠一致解讀資訊並採取行動。它使用 Knowledge 表示工具 (例如本體與 Knowledge 圖表) 將自然語言查詢翻譯為精確且感知內容的資料查詢。

**與今天有何不同:**雖然現今的企業擁有不同的中繼資料存放區,但「代理企業」的 IT 結構需要一個集中式的企業 Knowledge Graph (EKG),可將跨網域的資料與明確定義的語意關係連結。這為 AI 工作人員提供豐富的內容,以執行複雜的推理,為一組技術功能建立需求,以強化跨多個功能領域的 Knowledge 圖表。

關鍵技術功能:

• **中繼資料服務:**提供描述性中繼資料,包括資料歷程、擁有權和分類。
• **業務詞彙與分類管理:**可讓業務使用者定義和同意標準業務詞彙的工具。
• **語意模型管理:**可供 Knowledge 工程師建立、管理及管理語意模型與本文的工作台。
• **企業 Knowledge 圖表 (EKG):**企業本文的執行階段例項,可儲存和對應業務實體之間的關係。
• **中繼資料取用與調和引擎:**從各種來源系統填入與維護「企業 Knowledge 圖表」的自動化管道。
• 語意查詢引擎:解譯自然語言查詢,並根據 EKG 建構結構化查詢,以從各種來源提取資料。
• **語意原因引擎:**從 EKG 分析與衍生隱含 Knowledge 和隱藏關係。

函數:「資料層」是事實的基礎來源,可管理並提供安全且受管理的所有企業資料存取權,讓「語意層」可供解譯、AI/ML 層用於訓練、用於交易的應用程式,以及工作人員用於推理。

與今天有何不同:「資料層」會發展為更統一、即時且以管治為中心,通常以雲端規模資料湖為中心。其必須處理更大的資料量和資料種類,並從批次導向處理轉為即時串流,以支援反應性工作人員。資料管理和品質對於防止不良資料產生瑕疵 AI 輸出而言,更重要。

關鍵技術功能:

• **VectorDB:**專為儲存和查詢高維度向量內嵌最佳化的專用資料庫,對於 RAG 而言十分重要。
• **智慧分析資料銷售管道:**一種自動化中繼資料驅動的服務,用於在「資料層」(ETL/ELT),以用於資料採取、轉換和載入。
• **企業資料湖:**結構化、半結構化和非結構化資料的集中存放庫,針對分析和 AI 工作量最佳化。
• **零複製資料聯合與搜尋:**無須實體資料移動,即可在多個商店之間存取、查詢和搜尋資料的技術。
• **自然語言對 SQL:**將自然語言查詢轉換為 SQL 的技術。
• **企業資料目錄與探索服務:**整個企業中所有資料資產的集中式可搜尋庫存。
• **主要與參考資料管理 (MDM):**管理重要業務實體 (例如客戶和產品) 的「金級記錄」。
• **自適應資料品質服務:**使用 AI 來自動即時偵測及修復資料品質問題的連續監控服務。
• **資料契約:**資料產生者與消費者之間的機器可讀取協定,指定資料交換的結構描述、語意和 SLA。
• **AI 專用資料存放區:**針對特定 AI 使用個案設計的資料庫,例如時間序列或圖形資料庫。
• **AI-Ready Data Fabric:**邏輯資料解壓縮層,提供跨不同實體系統資料的統一虛擬化檢視。
• **即時資料處理:**可持續在機器速度處理和分析多重模式資料串流的功能。

函數:「基礎結構層」可固定所有其他層級,提供以彈性且符合成本效益的方式大規模執行 AI 和工作人員工作負載所需的計算、儲存、網路和雲端功能。

**與今天有何不同:**AI 工作量需要更高的延展性和彈性,才能處理工作人員系統的可能性性質。基礎結構必須支援快速佈建、專業硬體 (例如 GPU),以及低延遲的高輸送網路流量,以進行工作人員之間的通訊。

關鍵技術功能:

• **基礎結構代碼:**透過 CI/CD 部署管道自動化基礎結構佈建和管理。
• **混合式與多雲端 AI 基礎結構:**為生成式 AI 工作量利用公用雲端彈性與專用基礎結構。
• **AI 最佳化的計算、儲存和網路:**根據 AI 工作量變數需求,動態配置和調整基礎結構資源規模。
• **邊緣 AI 基礎結構:**針對具有獨特延遲或隱私權需求的使用個案,讓 AI 模型與工作人員部署在網路邊緣。
• **自我修復基礎結構:**使用 AI 管理系統復原而無須手動輸入,以確保高可用性。
• **永續 AI 計算:**降低 AI 工作量對環境影響的能源效率方法。
• **成本與碳感知自動調整:**使用 FinOps 和永續性訊號來促進產能的調整和放置。

函數:「整合層」可透過 API、事件、通訊協定和中間軟體作為所有系統 (舊版與新版) 的通用通訊架構,以確保工作人員可以無縫探索和與服務、資料和工具互動。

**與今天有何不同:**整合必須演進以支援 AI 工作人員的動態、多對多通訊模式,而不只是處理少數已知系統之間預先決定的靜態互動。它需要即時資料處理,且必須容納工作人員之間的臨時探索與協同合作。

關鍵技術功能:

• **作業資料連線管道:**自動結構描述對應、資料轉換和工作流程產生的 AI 輔助工具,包括 API 導向、以事件為導向和反向 ETL 功能。
• **自適應 API 管理與服務網格:**可透過適應性強制執行工作人員原則,動態註冊、探索和管理服務的 API 門戶和服務網格技術。
• **語意 Knowledge 轉接器:**整合元件,可在工作人員和應用程式之間提供共用詞彙和資料模型,以一致解譯資料。
• **事件驅動的整合布料:**高流量、低延遲傳訊和串流支柱,可啟用分離的非同步通訊。
• **工作人員通訊協定 Gateway:**可讓工作人員安全探索工具和觸發動作,以將 MCP 橋接至內部 API 和事件的 MCP 服務門戶。
• **可組合功能目錄與市集:**所有企業功能 (API、服務、工作人員技能、模型和資料集) 的集中管理型目錄,以語意中繼資料為依需求組成加上註釋。

**函數:**此層可監視和管理工作人員和整個系統的健康與營運績效 (可觀察性內嵌原則),透過產生洞察來提供透明度和控制,以便對企業代理人力進行稽核、除錯、可解釋性、成本和資源最佳化。

與今天有何不同:由於 AI 工作人員在機器速度發生錯誤的風險,因此此層變得更加重要。其必須擴展至基礎結構監視之外,以包含獨立工作人員的不可預測行為,需要新類型的距離測量和瞭解語意正確性的能力,而不只是技術效能。

關鍵技術功能:

• **即時監視與可觀察性平台:**持續收集整個 IT 環境中的記錄、度量和追蹤,以及 ML 度量與工作人員行為的擴充功能。
• **FinOps 與 Cloud 成本管理:**負責監視、分析和最佳化與 AI 和工作人員工作量相關聯的基礎結構成本。
• **工作人員與 ML 特定監視:**在固定的稽核追蹤中記錄工作人員執行的每個步驟,並持續設定工作人員行為,以偵測與已建立規則的偏差。
• **AIOps、事件和變更管理:**使用 AI/ML 預估潛在的 IT 問題、識別根本原因,並建立補救工作流程。
• **已結束學習回饋意見迴圈:**將工作人員的可觀察性遠距測量整合回 MLOps 管道,啟用自動模型重新訓練或提示調整。
• **語意觀察性引擎:**將可觀察性與關聯式語意層整合,以便偵測工作人員行為中的語意異常。

**目的:**此層可透過保護企業資產免受威脅、管理風險,以及確保符合法規需求,將 Trust 與安全性內嵌在整個結構中。其中包含身分管理、威脅偵測、GRC 和 AI 特定的安全性措施。

**與今天有何不同:**安全性層級必須演進以處理 AI 模型和工作人員呈現的新攻擊面,例如���示插入和模型中毒。身分與存取管理必須從靜態、以角色為基礎的控制項移至動態、以意圖為基礎的權限,這些權限會即時授與,並在使用後立即撤銷。

關鍵技術功能:

• **LLM 輸入/輸出安全性和護欄:**在提示和回應時間套用企業護欄,以封鎖不安全的內容、PII 洩漏和洩漏。
• **使用 AI 驗證的 Zero Trust 結構:**透過 AI 式行為分析增強的持續驗證,並根據工作人員的特定工作提供細微且及時的存取權。
• **工作人員安全性架構:**微調的權限模型、監視有害行為和控制機制,可安全中斷工作人員活動。
• **AI 模型安全性:**內含模型生命週期各階段的深度防禦策略,可保護您免受中毒、提取和敵對攻擊。
• **隱私權保留 AI:**技術,例如聯合學習和不同的隱私權,以保護敏感資料。
• **AI 增強型 GRC:**使用 AI 工作人員來持續監視 IT 結構與控制項的合規性。
• **原則代碼引擎:**以陳述性、機器可讀的格式定義業務規則和規範限制的單一事實來源,可設定工作人員行為的護欄。
• **連續紅組:**AI 模型和工作人員的自動持續反對測試,可在攻擊者利用漏洞之前識別漏洞。

轉換為「代理企業」需要透過設定技術基礎,同時建立具體的業務價值來遵循多階段過程 (請參閱下方圖 3)。雖然精確的藍圖取決於企業的策略、文化、AI 管治模型和 IT 結構起點,但大多數組織應採用分階段式方法,以作為持續 IT 投資的推動因素,其範圍、複雜性和價值創造日益增長。Salesforce 的「工作人員成熟度模型」為企業提供一個有用的成熟度層級架構,可用於策略化其轉換,概述工作人員的能力如何從基本資訊提取 (層級 1) 成長到協調更複雜的多網域 (層級 2 與 3) 和多工作人員工作流程 (層級 4)。若要成功完成這些階段,IT 結構必須以協調的方式發展,並在每個階段針對不同層級的架構進行目標投資,以滿足 AI 工作人員更複雜且價值更高的部署需求。針對每個成熟度層級,系統會透過投資原因,識別跨 11 個結構層級所需的特定技術功能。

成熟度層級 1:資訊取得工作人員

**業務目標與值:透過提供可信任的對話介面來查詢企業 Knowledge,來提升人類工作人員的生產力。**主要值在於增加人類的能力,而不是取代它們。這些工作人員會藉由提取資訊和建議動作來協助人類。

**結構焦點:**重點在於建立安全、可靠的資料基礎,以及需要的基本 AI 元件,以取得資訊。從第一天開始,管理與可觀察性對建立使用者 Trust 和控制成本至關重要。

關鍵技術投資 (圖 4:

在此階段,IT 應專注於建立可靠的資料對工作人員銷售管道和其他基礎功能。資料層中的技術 (例如 VectorDB) 對於啟用可強化資訊提取工作人員的提取擴充產生 (RAG) 技術至關重要。這與集中式 AI/ML 層相結合,其中包含可安全且以成本控制的方式存取基礎模型的「模型門戶」,以及可監視不安全輸出並確保合規性的 AI Trust、Safety & Governance Hub。語意****層級中的主要資料管理和業務詞彙對於工作人員的準確資訊而言至關重要。需要工作人員執行階段和生命週期功能,以確保在此階段建立的工作人員可以針對未來使用個案進行修改和擴充。為了提供價值並建立使用者信任,體驗層必須納入「歸屬與透明度」UI,其可透過顯示引號和其資訊來源,讓工作人員回應可供說明。基本可觀察性和安全性投資 (例如零 信任) 必須開始實作,才能為未來工作人員部署設定階段。

成熟度層級 2:簡單協調流程,單一網域工作人員

**業務目標與值:在單一業務網域中自動化例行工作並協調低複雜度的工作流程。**這可改善營運效率並減少手動工作,讓人力工作人員專注於更高價值的活動。

**結構焦點:**關鍵的結構性轉換是從唯讀的資料提取到執行動作。這需要開始更長的旅程來模組化應用程式功能 (通常會顯示為 API),讓工作人員能夠存取,為工作人員動作實作強大的安全性,並建立語意與 AI 開發功能來增強 AI 工作人員的智慧。

關鍵技術投資 (圖 5:

主題投資著重於讓 AI 工作人員能夠透過適當的管治來採取行動。應用程式和應用程式服務層級正在進行重大變更,因為單一型業務邏輯會分解為可供工作人員呼叫的 模組式應用程式服務 (API)。這些項目由 應用程式護欄 保護,以防止工作人員在系統中壓倒,並與可觀察性工具整合。若要強化這些工作人員,必須對工作人員的推理、工具通訊協定 (例如 MCP) 和 註冊進行投資。這會引入新的風險,使專屬的工作 人員安全性架構和 AI 模型和工作人員監視功能 對管治和安全性至關重要。最後,企業可以開始針對自訂模型擴充其 AI/ML 功能,以便這些工作人員處理網域特定工作。

成熟度層級 3:多網域協調流程工作人員

**業務目標與值:**自動化跨越組織與功能界限的複雜端對端業務流程 (例如「報價現金」、「商機轉換訂單」)。價值在於拆分孤島、加速流程週期時間,以及最佳化業務內的整個價值鏈。隨著組織阻礙開始崩潰,而人類開始更專注於監督 AI 工作人員,人類工作人員生產力可能會有更高的步驟變化。

**結構焦點:**結構現在必須支援跨部門技術問題。跨企業的共用語意瞭解、用於管理的集中協調流程引擎,以及分離的事件驅動整合結構,會成為重要啟用因素。

關鍵技術投資 (圖 6):

技術投資在主題上著重於跨人類、工作人員和決定性系統組織企業規模的流程。企業協調流程層級會變成投資的焦點,需要「混合式工作流程執行引擎」來協調活動,以及「流程管理與限制引擎」來對運作中流程強制執行業務規則和合規性原則,因為工作人員在跨網域工作,通常具有不同的原則和語意定義。只有具備 企業 Knowledge 圖表 (EKG) 的成熟「語意層級」才能達成此跨網域協調,其可建立對業務實體跨網域關係的共用瞭解。整合層必須演進以包含「事件驅動整合模組」,其使用串流支柱來分離系統,並啟用長時間執行企業流程的典型彈性非同步通訊。由於這些工作流程的價值較高,以及相關的風險,因此在安全性和監視方面進行的額外投資變得十分重要 (例如AIOps、policy-as-code)。最後,必須進一步投資於「應用程式和服務層」(例如已啟用 AI 的 LCNC、更動態且多強制模式的使用者體驗),因為人類使用者開始監視和與更有能力的 AI 工作人員協同合作。

成熟度層級 4:多工作人員、多網域協調流程

**業務目標與值:重新設計並最佳化跨網域的業務作業,以推動生產力與效率的步驟變更。**此階段會移至建立企業的整體數位模擬 (數位雙子),以在主要業務流程和工作流程之間持續改善和策略性規劃。

**結構焦點:**最後階段著重於啟用工作人員之間動態、新興的協同合作。這需要進階工作人員對工作人員 (A2A) 通訊通訊通訊協定、工作人員自助式學習功能、進一步投資於成熟「協調流程」、「資料」和「語意」層,以及完全動態和自我修復的基礎結構,以支援隨著工作人員在整個企業規模擴大而增長的動態 AI 工作量需求。

關鍵技術投資 (圖 7):

主題投資著重於建立自我改善的自發系統。在「工作人員層級」中,「工作人員自我反應與調整架構」 提供機制讓工作人員分析自己的效能記錄並觸發改善。IT 作業和可觀察性層級支援此學習,其會實作「已結束學習回饋迴圈」(Closed Learning Feedback Loop),以自動將可觀察性資料摘要回 MLOps 銷售管道以進行模型重新訓練,這也可以利用合成資料產生來進一步最佳化模型效能。隨著在各部門部署工作人員的網路,以及持續的應用程式模組化工作,在安全性以及至關重要的可編譯功能型錄方面進行進一步的投資,因此工作人員必須動態撰寫功能,以解決更抽象且高價值的工作。這些流程全部透過新的「**數位雙流程建模」功能進行協調和最佳化,**此功能使用即時資料建立模擬以進行「What-If」分析和預測最佳化,讓企業安全地測試和部署新的代理部署。

結論

「工作人員企業」的藍圖會透過 IT 結構演變執行。企業結構設計師將是此轉換的關鍵驅動因素,並與業務和 IT 中的其他合作夥伴一起推動必要的關鍵投資決策,以便組織從「代理企業」的新業務能力中實現價值。