企业若缺乏治理可能放弃AI代理
ZDNET AI··作者 Mark Samuels
关键信息
Whoop表示，他们先让分析团队做非正式检查，随后再建立更正式的评估框架，以便扩大 Snowflake CoCo 代理的使用范围；Fanatics则表示，更好的底层数据和治理让LLM更容易有效回答问题。文章还提到，集中化数据和结构化语义层帮助这些组织更快理解代理所需的上下文。
资讯摘要
ZDNET指出，企业对AI代理的热情正在与更现实的问题碰撞：许多部署还没有足够的治理能力，难以真正进入生产环境。文章引用Gartner近期的预测称，到2027年，40%的企业会降级或弃用自主AI代理，因为治理缺口往往要等到生产事故发生后才会被发现。在旧金山举行的 Snowflake Summit 上，三位数字化负责人分享了他们把代理推进生产的做法。文章把这些经验总结为三条：建立框架、依靠专家分析、并让AI工作与可衡量的业务价值挂钩。Whoop的Matt Luizzi表示，公司最初只在一个小型分析团队中测试 Snowflake CoCo，让这些人员快速判断查询结果是否正确，随后再通过更正式的评估框架扩大使用范围。
他说，上下文最终被证明非常关键，因此公司更重视语义层和可重复流程，以便让代理工作负载更容易扩展。Luizzi还提到，公司使用 CoCo 来帮助执行A/B测试、分析结果、提出下一步功能并快速迭代，从而同时提升业务价值和客户价值。Fanatics的Madeleine Want表示，他们发现底层数据越好、治理越完善，LLM就越能有效提炼意义并回答问题。文章把这些案例视为给企业的实操建议，目标是帮助AI代理成功落地，而不是成为又一次失败尝试。
资讯正文
ZDNET的要点
将 AI agents 推向生产环境，往往是一项艰巨的任务。
聪明的专业人士会把重点放在治理和框架上。
他们会与专家合作，并确保先设定清晰的结果。
关于 AI agents 的潜力，外界充满了热议，但它们是否真的带来了投资回报，却缺少更多证据。科技分析公司 Gartner 最近预测，到 2027 年，40% 的企业将降级或停用自主 AI agents，原因是治理漏洞往往要等到这些 agents 已经上线并发生事故后才会被发现。
在旧金山最近举行的 Snowflake Summit 上，三位数字化领导者解释了他们各自的组织是如何把 agents 投入生产的。他们为其他希望利用 AI 的专业人士总结了三条经验：使用框架、借助专家、以及将数据变现。
1. 关注框架
可穿戴技术公司 Whoop 的分析副总裁 Matt Luizzi 表示，他们的组织全天候 24/7 收集生物特征数据，以支持其健康与健身洞察，而 Snowflake 则为公司的内部分析服务提供支持。Luizzi 说，agents 在这一过程中正扮演越来越重要的角色，尤其是 Snowflake CoCo——这家技术公司面向开发者和数据工程师推出的编码 agent。
“我们已经使用 CoCo 几个月了，一开始只在分析团队中使用，这些人可以很快看一条查询响应，并判断它是否正确，然后我们开始思考如何把这个流程规模化，”他说。“现在我们已经建立了更正式的评估框架，并开始将 agents 规模化部署。”
Luizzi 表示，该公司有软件工程师负责部署 A/B 测试，并使用 CoCo 分析结果、提出下一项功能、进行测试并反复迭代。“这种方式正在迅速加快我们交付价值的速度——不仅通过自动化实验框架来创造业务价值，也在创造客户价值，”他说。
Luizzi 说，得益于公司的数据已经集中在 Snowflake 平台上，他们在探索 agentic AI 时，底层基础设施已经准备就绪，这是一种幸运。公司随后使用 Snowflake 的 Cortex AI 服务开始测试 agents，并总结经验。
“我们很快学到，语境才是一切，”他说。“这意味着要真正深入语义层，确保上下文处于结构化的位置。”
Luizzi 说，一个关键教训是，框架对于成功开展 agentic AI 探索至关重要。“我们试图以一种更可重复的方式把一切都做出来，就像过去 10 年里我们在数据架构上一直做的那样，”他说。“构建可重复的框架，让我们能够扩展这些 AI 工作负载，这是我们会继续推进的事情。”
2.
专家分析师指出，体育专业公司 Fanatics 的数据副总裁 Madeleine Want 负责该公司博彩和游戏业务部门的数据工程、数据科学和机器学习工作，这些活动由 Snowflake 平台提供支持。“当我们开始试验时，我们并不确定哪些会留下来，哪些会被淘汰，但我们发现，底层数据的质量越好、治理越完善，LLM 就越容易提取含义并有效回答问题，”她说。
另请参阅：这家旅游公司的 AI 推广如何带来 73% 的满意度提升：适用于你业务的 5 步操作手册
Want 表示，尽管把重点放在数据和治理上听起来似乎是显而易见的事情，但 18 个月前情况绝非如此。“我们作为一个组织，在构建定制机器学习模型方面有很多经验，所以很难相信，把一个第三方模型导入进来，直接叠加到数据之上，就能用于分析。但现在，这种做法已经深深嵌入我们做事的方式中，”她说，并随后概述了她所在组织如何从探索转向落地。“我们在那些上下文边界清晰的领域很早就取得了成功，而且在这些领域里，我们有真正理解业务领域方方面面的专家分析师，他们能够指导代理。”
Want 说，随着时间推移，她所在组织取得了更多成功。他们需要在上下文层投入的精力正在减少，代理在开始自主回答问题之前所需的监督程度也在下降。“我们衡量答案准确性的能力正在增强，因为我们现在引入了规模化评估框架，这帮助我们在没有盯着它们时，也能对代理如何回答建立信心，而这正是整个事情的重点。”
另请参阅：担心 AI 代理会取代你？在工作中把焦虑转化为行动的 5 种方法
Want 表示，这些成功意味着代理的应用范围正在扩大。其他专业人员不再只把它们局限于分析领域，而是看到了其中的积极作用，并希望探索代理。尽管 Fanatics 仍在使用 Snowflake 的界面和代理，但该公司正在把 API 和响应嵌入其他第三方工具中，以便人们围绕数据驱动的洞察做更多事情。“用户希望进一步拓展，并在运营用例中做更多事，”她说。“人们要求能够通过各种不同的渠道和消费媒介访问这些洞察，因为他们需要能够在自己工作的地方使用数据。”
3. 让你的数据变现
软件专业公司 Synopsys 的 CIO Sriram Sitaraman 表示，他所在组织是 Snowflake 的长期客户，正在使用该数据平台及其 agentic 服务，例如 CoCo，来推动其决策流程。Sitaraman 说，大约 18 个月前，公司意识到 AI 代理有潜力承担初级员工的任务，例如快速运行查询、创建图表以及提炼洞察。
“我们利用了这一能力，并且说，‘好吧，听着，如果我们创建一个知识代理，我们就可以开始把它部署到多个维度。’”另外：90%的AI项目都会失败——这里有3种方法确保你的项目不会失败。
例如，面向财务部门的营收代理可以运行报表，而与公司数据中心相关的工单系统则可以配备一个调试代理。Sitaraman说，团队从三个维度评估了AI的潜力：结果质量、取得结果所需的时间，以及结果成本。他们发现，AI在这三个方面都有积极影响，他称这是一项重大突破：“过去，你总得在这些方面牺牲其一或其二。”现在，与其在AI模型为适应上下文而调整时每次都重新编程系统，不如把重点放在洞察上，而不必担心底层问题。
“从数据开始——用AI将你的数据变现，”Sitaraman在回顾他所在公司的agentic之旅时说。“不管你往这个项目里投入多少数据量都没关系，因为AI本质上就是线性扩展。AI拥有的数据越多，它做出的决策就越好。”另外：预算紧张时使用AI的5种方法。
不过，Sitaraman也发出了警告。“我们意识到的一件事是，如今自动化和自治之间并没有太大差别，所以你必须小心，”他说。“你是想自动化一个流程，还是想真正创建一个代理？后者涉及不同的成本结构、使用模式和治理方式。”Sitaraman鼓励专业人士识别合适的用例，建立合适的框架，并且永远不要低估代理能做什么。“你可以上线一个代理，然后说，‘这是一个销售运营代理。’但很多时候，并没有什么能阻止它同时也变成一个销售分析代理，或者另一种类型的代理，”他说。“所以，重要的是要问，‘这真的是我们希望它去做的吗？’框架非常重要，技能也同样重要。你需要认真、周全地考虑整个流程。”
来源与参考
收录于 2026-06-13