（一）未來企業IT應用長什么樣

先讓我們看段視頻，這是我一位朋友在去年下半年時發布的一個概念性產品。大家可以注意到，在那個時間點，今天被炒得火熱的ChatGPT還沒橫空出世：

這個視頻給我們揭示了人工智能賦能的未來企業IT應用的一些主要特性：

1、自然語言的連續對話，用戶用自然語言來進行企業數據的查詢，和對后臺系統進行操作；

2、智能決策：為了便于觀眾理解，該視頻展示的判斷條件還是較為簡單的規則（如果我的獎金能達到….那么休假……），在現實上還可以基于更為模糊的目標設定，（例如：“我怎樣能保持工作、生活和金錢的平衡？”），利用人工智能來生成任務，用任務來驅動信息系統的業務服務；

3、多模態信息的認知及生成能力：本視頻展示了文本和語音，除此之外，多模態信息還包括視頻、圖片等；

4、數據的整合：決策過程整合了多個數據源產生的數據，例如薪酬、考勤、銷售等，數據的規范性將對智能的準確性產生制約作用；

5、復雜軟件系統的處理：從視頻中可以看出，人工智能在處理我朋友請假的過程中，涉及到了一系列傳統意義上的企業IT系統，包括CRM/銷售績效系統（SPM，參見《從24億美元收購，談銷售績效管理及占據SaaS新品類策略》），考勤系統，核心人力資源系統，辦公自動化系統和日歷等，而最終執行指令時，匹配、調度了多個后臺信息系統產生相應記錄。

（二）實現原理

企業信息系統出現，最初解決了記錄企業業務信息的問題，例如財務、客戶、訂單、庫存、合同等等信息，然而，企業級信息系統要更好地服務于業務處理，一直需要解決三個問題：

一是業務流程自動化問題，正如我在很多過去文章中寫到（《從中臺回到流程 ｜業務流程數字化仍是企業數字化轉型的核心話題》），在線交易處理的信息系統（OTLP）本身并沒有業務流程管理，要有數字化的手段來管理、駕馭業務流程，才能使得業務記錄能夠被準確記錄；

二是業務決策智能化問題，我也寫過不少智能化業務決策的話題，（例如《企業數智化軟件的市場機會｜ OLAP究竟是業務應用還是技術平臺》《商業仿真｜ 最理科生的企業管理軟件》），OLTP和OLAP融合，使得業務流程從行動到數量上的決策，能夠帶來更優化的業務結果；

三是人機交互的人性化問題。

為了解決這些問題，企業應用系統的自動化、智能化和人性化經歷了四個發展階段，最近幾年，隨著人工智能技術的發展，這樣的轉型正在加快：

企業級IT應用系統的架構在過去十多年里，經歷了從單體架構向服務化解耦，并最終向微服務架構轉型，通過容器化部署，這使得利用人工智能來生成流程、調度業務能力（即服務）成為可能。

GPT作為人工智能技術的飛躍，對企業應用來說具有三個特點，一是基于更大量的參數處理，實現更強大的推理和判斷能力，

二是，通過利用基于海量數據的大模型，結合企業自有“小數據”的精調（fine tuning）或嵌入，使得對世界知識有廣泛認識的“萬事通”成為掌握特定企業知識的“企業通”，可以處理企業業務，

三是用人工智能來生成任務（通過任務組合而形成業務流程），同時用任務來觸發企業的業務服務。這一輪GPT在今年年初橫空出世時，人們最早關注到的應用案例是面向用戶級的內容生成，例如文字、程序代碼、圖像、視頻等生成。幾個月后，隨著AutoGPT項目的出現，給人們展示了用大模型來驅動業務的可能性——AutoGPT是一個開源的應用程序，這個程序由Open AI開發的GPT-4大語言模型驅動，可以自主地開發并管理業務——ChatGPT產生文字，AutoGPT產生流程。就是說，你給AutoGPT出一個目標，例如，我怎么讓公司利潤提升10%，他會自己思考，給出實現的步驟以及實現細節——究竟是提升銷售，還是提升運營效率降低制造成本，還是降低原料采購成本，并且調度相關的企業業務系統（例如銷售系統或者采購系統）去執行任務指令。

“自治代理”被認為是企業業務自動化和智能化的數字化最高階段，這個概念并不是新東西， 然而隨著大模型出現，以及生成式AI的技術工具鏈在最近幾個月的快速發展，例如將大模型和企業現有信息及業務服務連接起來的開發工具（基于Python, TypeScript代碼的框架，也有新興的無代碼開發框架）和大語言模型的數據平臺底座等，“自治代理”得以爆炸式增長。

在下面這個案例中，描述了一個任務驅動的自治代理，它利用OpenAI的GPT-4語言模型，Pinecone向量搜索和LangChain框架來執行任務，根據完成的結果創建新任務，并實時確定任務的優先級。這個概念原型展示了人工智能語言模型在各種約束和環境下自主執行任務的潛力：

來源：https://yoheinakajima.com/task-driven-autonomous-agent-utilizing-gpt-4-pinecone-and-langchain-for-diverse-applications/

如果用一句話的通俗語言來解釋“自治代理”，也就是AI改造企業級IT應用的終極目標，那就是“你就對機器喊一嗓子，剩下的都交給AI”。如果是把大象放進冰箱里，過去你還要關心“打開冰箱門把大象放進冰箱關上冰箱門”的業務流程以及每一步驟的處理，現在你只需要對機器說一句“把大象放進冰箱里”，至于大象怎么進去，那就是AI的事了：

（三）落地實現路徑

企業IT應用智能化需要進行ERP等傳統企業應用系統的改造，下圖這個“實時動態個性化定價并下單”的業務場景，就是前文所說的“認知流程自動化”的應用（其他類似案例參見我過去寫的：《下一代ERP ｜ 人工智能將如何重塑企業解決方案軟件》、《認知時尚從吹牛到落地｜人工智能改造企業解決方案的產品策略》）

零售企業在全渠道零售業務中臺的“價格中心”里維護商品的標準價格

顧客在他的APP上搜索某個商品相關的關鍵詞，例如“羊絨大衣”

“搜索中心”根據顧客的偏好，產生一系列羊絨大衣相關商品搜索結果

搜索結果排序根據庫存可用性以及營收優化策略顯示

可購商品按照需求預測（例如市場動銷情況、競爭對手定價情況）以及相關的價格和促銷優化策略，實時給出動態價格

顧客在其數字化終端獲得個性化的商品推薦和報價

顧客用個性化價格下單

這需要對企業應用的IT架構進行分層規劃，我們將這種架構稱為“數據和數字化平臺”（DDP），詳細參見《數字化和數據平臺——企業數字化轉型的技術架構升級》。最近這段時間大模型的風起云涌，使得企業IT應用的技術棧中，更要凸顯AI的地位，這樣的架構變化，我總結為“一新三增”：

一增是基礎設施層上，無論是云服務還是本地設備，增加AI特有的GPU/TPU計算能力，提升單片算力以及異構算力的協作；

二增是數據平臺上，增加面向AI的數據準備能力，以及支持AI特性的數據存儲能力；

三增是在數字化產品上，支持認知能力APP的構建（例如chatGPT風格的業務軟件），或者采用自然語言處理，盡可能覆蓋更多的業務場景，嵌入到用戶操作界面（例如瀏覽器或者SAP用戶操作界面）；

一新是加入獨立的AI能力層，包括模型訓練、模型管理、AI代理，以及AI服務的持續開發和運營等。坦白說，AI能力在過去企業的IT架構中一直存在，例如機器學習一般屬于企業數據平臺的傳統能力，支持數據挖掘應用；不過最近隨著AI的新技術、新工具日新月異，使得有必要將AI平臺單獨拉出來。

當前一個典型的應用生成式AI來開發企業應用系統，除了大語言模型（例如GPT-4，或者中國雨后春筍一樣冒出來的幾十個大語言模型）和企業級業務服務部署平臺（例如Docker或者Kubernetes），可能會涉及到這些技術工具：

-向量數據庫，例如Pinecone

-大語言模型應用的開發框架，連接企業服務及數據，例如LangChain

-無代碼的AI代理工具，例如Fine-Tuner

-基于大模型的任務生成開發工具，例如BabyAGI或AutoGPT