2025年人工智能行业：自主AI的变革潜力以及谷歌云合作伙伴的战略必要性（英译中）

理解自主型AI： 下一个前沿

人工智能（AI）的最新突破解锁了强大的新功能。 智能体AI是应用这些进步的下一步，创建能够自主 推理、做决策并采取行动以实现特定目标的系统。 通过利用最新的AI模型，智能体系统可以超越简单 的任务执行，例如文本生成，独立管理复杂流程并 与业务软件直接交互。

这使得具身的AI特别适合现实世界中的商业挑战。 一个AI代理可以监控其环境，理解变化的背景，制 定计划，并在不同的数字系统中执行它们——所有 这一切都不需要持续的人类监督。这使得它们能够 处理复杂的、多步骤的工作流程，并以先前自动化 和AI无法实现的方式交付具体的企业成果。

关于代理是仅仅自动化的一种新形式还是某种更 伟大的事物，仍然存在各种争论。事实为后者提 供了明确的支持。 企业从业务流程自动化的第一次“进化”中获得了 好处，如今通常称为机器人流程自动化（RPA） 。RPA机器人为企业提供了一种在稳定环境中自 动化高度结构化、重复性任务的方法。它们遵循 预定义的脚本，并且当面临变更或意外情况时经常感到挣 扎。

分别而言，生成式AI（gen AI）的兴起为非结构 化、创造性任务引入了一个强大的工具。其以类 人的熟练程度执行的能力推动了快速、广泛的采 用；根据谷歌云的2025年AI基础设施报告，98% 的组织正在使用或试验它。然而，仅使用生成式 AI来改造核心业务流程并实现明确的ROI已被证 明具有挑战性。

代理式人工智能通过结合生成式人工智能的推理 能力与在商业系统中的行动能力来克服这些限制 。代理可以处理复杂、多步骤的工作流，从结果 中学习，并适应新信息——所有这一切都是自主 完成的。这使得企业能够超越简单的任务自动化 ，开始重新设计核心流程。

这一能力跃迁对企业运营具有深远影响。以保险理 赔裁决为实际场景为例，RPA长期以来一直难以处 理异常情况，例如解释非结构化的理赔描述或处理 因文件不完整而产生的模糊信息，当精确条件未满 足时，往往会升级案件。智能代理AI改变了这一点 。代理可以利用生成式AI从多模态输入中提取相关 信息，然后根据政策规则和成员历史进行验证，并 检索支持文件，而无需依赖僵化的逻辑。它通过主 动与其他系统协调来收集缺失文件和从多模态数据 中评估风险，从而超越了简单的自动裁决。然后代 理可以统筹全程端到端解决方案，从自主处理更广泛的索赔范围到启动付款，显著提高端 到端处理率，并为高判断力工作释放专家。

或者，可以考虑在营销中进行个性化。生成式人工智能擅长创建个性化内容元素（例如， 独特的电子邮件和广告号召性用语，甚至为满足个人偏好而生成式渲染的独特图像）。然 而，生成式人工智能难以协调完整的客户旅程或实时动态适应，除非营销团队手动定义复 杂的旅程规则和活动参数。代理式人工智能可以利用生成式人工智能的能力来自主管理超 个性化。它根据在线模式、购买数据和客户提供的数据构建和细化个人资料，使用生成式 人工智能进行独特的“一人一份”内容创建，并且关键在于，确定全程互动的最佳时机、顺 序和渠道。这使得能够大规模地实现真正自适应、优化的营销体验。

解决现实世界问题 ：自主型AI日益增 长的需求

新代理式AI范式的力量在于其帮助企业解决宏观行业挑战的潜力——即每个行业都存在的所谓“千亿 美元问题”。 在零售业，这些痛点包括不断上涨的投入成本威胁利润或大规模的客户服务效率低下。在医疗保健领 域，是诊所的员工短缺或持续存在的患者账单问题。在金融服务领域，是易出错的保险理赔和了解你 的客户(KYC)流程延迟，导致成本泄漏和合规风险增加。下表明确了这些宏观痛点中存在几个，并且每 个行业都面临着这些挑战的独特组合。

为了解决这些痛点，企业现在可以使用针对特定行业和特定业务需求的代理星座。在快速消费品（C PG）领域，一个库存规划AI代理可以通过实时结构化和非结构化数据持续预测需求，然后自主协调 响应，例如触发补货、重新规划运输路线或实时调整仓库吞吐量要求，以防止中断。在医疗保健领 域，一个护理协调代理可以动态协调个性化护理计划，确保患者随访安排到位。

已执行，并根据传入的患者数据进行了调整，缓解 了持续的人员短缺压力。在金融服务领域，KYC验 证代理可以智能地解释各种非结构化信息，自动完 成整个文档验证流程。同时，贷款发放代理可以超 越简单的清单审批，管理复杂的风险识别工作流程 ，以整体判断自主执行贷款审批决策。这样的例子 存在于每个行业，其中智能体AI可以提供强大的新 工具包来解决以前难以处理的问题点。

因此，代理时代将重塑企业解决其核心问题的 方式，增强人类能力以推动显著的生产力和客 户价值。在这样，代理将使人工工作者能够将注意力从常规 执行转移到更高价值的战略任务，并允许企业在 新一轮的改善中提升顶线绩效（通过更快的上市 速度和更好的客户互动），以及底线效率（通过 常规任务自动化、优化资源配置和主动风险检测 ）。

企业已经认识到自主AI变革的潜力，以解决长期 存在的行业痛点，并已经开始采取行动。超过90 %的企业计划在未来三年内整合自主AI，其中最 高根据最新的BCG IT买家脉搏检查，目前客户对客 户服务以及广泛的分析用例（例如，商业智能、高 级预测分析）感兴趣。

认识到新兴需求，领先的软件公司投资者正推动公 共关注度和资本投资进入他们的自主AI战略。领先 的SaaS供应商通过不同渠道进行重大投资：推出 预构建的代理解决方案和平台（例如Salesforce的 Agentforce推出）、进行战略性收购（例如Inform atica、Moveworks），并与合作伙伴紧密合作以 构建自主生态系统（例如Workday Agent合作伙伴 网络）。这些信号强烈表明，自主AI部署将向前实 现长期增长，为Google Cloud的合作伙伴带来了 将企业自主AI实施方案推向市场的绝佳环境。

机遇：衡量代理式AI 市场规模

代理式人工智能的出现不仅是一个技术里程碑； 它还将在全球经济中创造巨大的新价值。对于谷 歌云的合作伙伴来说，这转化为一个重要的市场 机遇。

在自主AI（咨询、实施和维护）服务中的总值池预 计在完全采用的情况下，在美国将达到3500亿至4 500亿美元，全球约为1万亿美元，在全潜力场景 下。此外，完整应用层总值池（企业自主AI软件产 品的软件累积价值）估计约为3万亿美元。这凸显 了随着自主AI在各个行业和职业职能中的采用增长 ，对专业咨询、实施和维护服务的显著未来需求。

为了更好地理解这一机遇的规模，我们开发了一 个详细的自下而上的模型，我们的主要目标是提 供关于不同角色和行业中的代理机遇相对规模的 清晰视角（而不是提供采用时间的绝对预测）。

一个假设完全采用和实现价值交付的自主型人工 智能的“全部潜力”情景。假设人工智能代理成功增强了所有被认为可解决 的任务。 通过假设任务不太可能完全自动化，嵌 入保守主义，这是由需要更高层次的战略思维和/ 或异常处理所驱动的。 过滤掉员工人数少于500 FTE的公司，系统集成商（SIs）不太可能为其提 供服务。

虽然前面讨论的价值池勾勒出了长期“全部潜力”价值（以2025年美元表示），但我们认识到，实现这 一潜力的实际轨迹和时间表存在相当大的不确定性。 虽然当前代理支出的估算尚不明确，但高德纳 1 估计生成式AI软件支出约为2024年~190亿美元。很可 能,今天真正的代理软件支出低于此数,考虑到它的新近性,但鉴于其目前的初级阶段和企业在该领域的巨 大推动力,将迅速加速至此基准。 云市场的演进为代理式ai市场可能的发展提供了一个相关——尽管不完美——的类比，同时也代表了 企业的一种结构性技术转变。福雷斯特、idc和gartner指出，云支出从2010年的约200亿美元增长到实 际意义上的>4000亿美元，在约15年的时间范围内每年增长约25%，在2010年至2015年期间甚至达到 了每年30%。

作为基准案例，如果你认为当今的代理市场可以以云服务从2010年到2024 年同样的速率发展，那么到2035-2040年，我们~1万亿美元的代理服务总价 值池估算中的3000亿至6000亿美元（以2025年美元计算）是可以实现的。 虽然这个区间并非真正的点预测，但它确实标志着代理型人工智能带来的机 遇规模，有望在采用后的10到15年内，匹敌甚至超越目前美国的SI服务总支 出。

由于行业接触程度和服务型经济与制造业经济构成的不同 ，代理型AI市场的特征和构成因地区而异。

北美洲： 北美洲是全球最大的潜在SI值池，这得益于其高度专 业化的劳动力。该市场由技术/TMEG和金融服务与保险行业驱 动，这两个行业共同占该地区价值池的近40%。该地区企业的 技术成熟度以及组织准备情况，为拥抱AI驱动的转型奠定了坚 实的基础。

对代理式AI用例的兴趣涵盖了前台和后台领域，考虑到拥有资 源、技术成熟度和创新雄心以投资AI的大规模企业的集中。非 详尽地，我们观察到对客户体验的个性化以及后台流程的增强 的兴趣。

emea: 欧美亚地区也有着相对专业化的劳动力队伍。与北 美相比，该地区的产业分布更为均衡，尽管在汽车/工业领 域存在一个热点，其约占总体SI服务价值池的20%。这种 产业多样性塑造了SI需要解决的运营挑战类型。

由对GDPR和客户数据治理的日益重视所驱动的数据成熟度 ，为人工智能探索创造了有利条件，特别是在内容生成和个 性化互动方面，尽管它也引发了警惕。

JAPAC: JAPAC中的SI值池更倾向于文职、销售和贸易工人 角色的任务。这种构成与服务型经济更为鲜明，显示出对能够 处理高容量、基于任务的AI解决方案的更强需求。在该区域垂 直方向上，其价值集中在零售/CPG、汽车/工业和金融服务领 域，它们共同占据了约70%的机会。这为系统集成商（SI）支持运营密集型行业创造了天然匹配，特别是 那些拥有分布式员工队伍和手动一线流程的行业。

在主要的JAPAC市场中，数据准备程度和执行雄心相对较高，尤其是在澳大利亚。澳大利亚的许 多零售商正积极探索人工智能如何驱动统一的客户互动，并在规模上提高跨渠道的响应能力。

拉美： 拉丁美洲的SI价值池规模较小，主要由混合劳动力构成，其角色类型比其他地区更多样化（约 40%的潜在SI价值池是由管理者或专业人士执行任务的增强所驱动；另外约40%是由技术工人或文职 和销售人员驱动）。拉丁美洲在零售/快速消费品、公共部门和汽车/工业垂直领域具有更高的价值集 中度（约60%）。

合作伙伴的战略 要务：在一个代 理世界中服务将 如何演变

代理式AI的巨大机遇规模，使得SI必须重塑其交付、变现和差异化的方式成为一项战略 要务。代理式AI服务的一个潜在~1万亿美元机遇，不仅仅是一条新的服务线——它强化 了SI进行战略重思、快速行动并抓住先机紧迫性的必要性。旁观等待只会错失价值。

在传统世界中，系统集成商（SIs）帮助客户解决大规模、执行性问题，例如“企业如何将本地SAP迁移到云端？ ”。然而，在自主智能（agentic）世界中，客户对系统集成商的期望将演变为帮助他们利用智能代理解决根本性 业务问题。这要求系统集成商更深入地理解和潜在地重新设计业务流程，以实现智能代理的价值。这种演变对系 统集成商随时间推移交付工作产生启示：

短期内更强调前期设计工作： Si需要前期投入时间来理解业务流程，并可能设计新的组织流程，将代理嵌入工 作流中，以实现全部价值潜力。

更多原型—not 幻灯片: 客户将越来越期待早期就能“可用原型”，这将导致系统集成商从交付幻灯片转向交付可 运行的代码——反过来，这将使系统集成商能够早期展示价值，从而强化其长期定位。

寻找变革领导者以推动实施： 虽然技术实施仍然是一个关键要素，但随着代理进入生产环境，系统集成商（SI） 需要随着时间的推移变得更加精明，以帮助客户推动采用。至关重要的是，这包括主动的变更管理：识别变更领导 者、概述采用路线图以及管理生产部署风险。系统集成商可以利用这个机会建立自己执行这项工作的能力，或与其 他咨询合作伙伴协同工作。

维护支持需求的变化： 虽然核心维护能力仍然相关，但预计将整合前所未有的、特定的代理元素，例如协调多代 理工作流程、评估和衡量代理性能以及刷新代理知识以防止模型漂移—all在持续的基础上随着时间的推移执行。

智能体式人工智能将为中国集成商测试不同的盈利模式提供机会，以满足不同中国集成商和企业风险偏好的不同需 求。这个机会是一个独特的转折点，通过智能体式人工智能带来的机遇规模的变化，以及它所要求的工作组合和知 识库的转变，来实现定价策略的更新。虽然我们相信传统的“按小时和材料”和“固定费用”模式将继续作为可预测、 透明定价的关键结构，但中国集成商应利用这个机会考虑与客户价值交付相一致的其它盈利选项：

循环软件/SaaS类定价： si可以将他们独特的领域专业知识转化为产品化的代理解决方案。如果si能够将其代理解 决方案作为可重用的知识产权进行再销售——有可能通过市场进行发现和访问——循环的、类似saas的盈利模式可 以增强客户粘性并带来一波又一波的新价值。

非经常性、基于交易（例如，每个部署的代理一次性费用）： 该模型允许客户按需购买特定人工智能能力或“数 字员工”来执行离散任务，为明确定义的、非连续性的需求提供成本控制，区别于持续服务订阅。

基于结果的定价： 代理在端到端部署时，可以内在地驱动可衡量的业务成果。在这样的场景下，当存在可行 的投资回报率（ROI）且风险收益与风险平衡时，服务集成商（SI）应考虑基于成果的定价。

如何向智能代理提供数据是与每位客户的基础性谈话，尽管“数据就绪”的传统概念正在演变。重点正在转向构 建有效的数据管道，使智能代理能够在需要时可靠地访问和处理它们所需的各种信息。

幸运的是，已经构建了新的AI赋能工具来满足这些需求，使SI能够快速构建知识图谱并组装可用于指导代理的数据 库。越来越多地，这些数据库可以包含非结构化数据（例如，文档、电子邮件、记录文稿），这通常是传统自动化 方法难以整合的挑战。

因此，si必须具备使用这些工具的能力，以便它们能够帮助客户映射其现有的数据格局，使他们能够高效且安全 地将各种数据集连接到人工智能代理。这包括映射业务数据流，理解人工智能/数据法规（这些法规可能因行业和 地域而异），以及确定关键数据源（如数据库、api和文档存储库），这些数据源可用于指导依赖它们运行的代理 的行为。 一旦这些数据通路得到更好的理解，SIs就可以指导客户跨一系列解决方案。对于即时的试点/概念验证，利用容易 获取的客户数据、外部数据（例如来自Google的Kaggle）甚至合成数据，可以提供战术价值并帮助快速验证投资 回报率。现代方法，包括使用高级连接器（如模型上下文协议、MCP）和代理间通信协议（如代理到代理协议、 A2A），可以实现从各种企业系统中更快、更无缝地访问数据。 此外，代理系统本身的设计旨在随着时间的推移，在处理更多信息时提升其决策能力。虽然强大的数据治理、合 规监管和数据质量保证对于构建可持续和可扩展的代理式AI解决方案仍然重要，但可以通过专注于智能数据管道 设计和生成式AI与现有数据环境协作的能力来降低初始的进入门槛。教育客户关于这些不断发展的数据集成模式 和先决条件将是至关重要的。

si将越来越需要展示其核心能力，以绘制其前身代理状态下的现有业务流程，重新设计这些工作流程以融入代理（ 有或无人在回路中），利用一流的的企业ai平台（如vertex ai）来开发代理，以及设置与现有数据系统的集成，这 些系统是执行该工作流程所必需的。在这种重新设计过程中，平衡效率优化和更广泛的监管考虑至关重要，可以通 过定义清晰的人机交互点来调整。投资于专有知识、可重用的知识产权（例如预构建的连接器以广泛使用的现有企 业软件、定制模型方法和设计模式）以及强大的变更管理能力的si，将能够加速将概念验证转化为部署的转化周期 ，并创造长期竞争优势。

此外，将这些集成解决方案大规模部署到生产环境中的能力至关重要。这需要建立能够支持代理式人工智能发展节 奏的持续集成流程，制定严格的测试方法以确保代理的可靠性，并进行合理的基建规划。在短期内，这意味着要为 市场推广团队配备用于教育和向客户保证的工具，例如垂直场景案例库、一套符合伦理规范和人工智能法规的部署 指南（可能因行业和地域而异），以及具有灵活定价和原型/演示的回报率计算器，用于向潜在客户进行路演。随着 时间的推移，客户还需要支持实施可观测性工具，以监控代理的准确性、效率和回报率归因，以及新兴的代理维护 工作，例如更新代理知识以防止模型漂移，从而持续提升为客户提供的实际价值。

代理式人工智能的应用范围极广，要求智能体公司根据机会规模和部署的简易程度来优先考虑用例。虽然我们在 下一章会广泛讨论每个行业的“可能之艺术”，但智能体公司应考虑两个截然不同的视野：追求具有明确近期适用性 （例如客户服务）的快速胜利，以及朝着更大、具有变革性的代理生态系统（例如N-of-1个性化）进行建设。这 将使智能体公司能够在构建可重用知识产权的同时，建立代理服务的品牌和能力，并为客户持续提供越来越多的 价值。

智能体AI在行动 ：合作伙伴如何 帮助转型关键产 业

自主式人工智能正作为一种影响深远的解决方案 ，增强和优化各个行业的任务。物流代理可以帮 助缓解库存不平衡和路线低效问题，预测性维护 代理可以减少非计划设备故障，而营销代理可以 加速活动执行并扩展“一对一”个性化。这些以及 其他可横向应用的代理，例如客服、合规和定价 代理，能够在广泛行业中产生影响。

虽然代理式人工智能具有广泛的应用性，但当其 针对每个行业的具体细微差别进行定制时，其真 正的变革力量才会被释放。每个领域都面临着独 特的结构挑战、监管需求和运营工作流程，代理 式解决方案必须应对这些挑战。例如，金融服务 和保险业必须应对复杂的理赔合规需求；零售并且CPG解决方案需要适应因输入成本上升而产 生的利润压力；在医疗保健领域，代理工具必须 与严格的病人数据隐私和特定的临床协议保持一 致。为这些深深嵌入、行业特定的要求定制代理 式人工智能解决方案，是获得重大转型机会的关 键。

在接下来的页面中，我们探讨了六大关键产业中 的“可能之艺术”，通过精选案例来阐明自主AI的变 革潜力，并强调谷歌云的合作伙伴如何引领潮流 。

科技、电信、媒体、娱乐和游戏（科技/TEG）组 织在企业人工智能采用中往往是先行者，在数据 基础设施和机器学习方面进行深度投资。

但在这些先进环境中，执行瓶颈仍然存在。个性 化内容交付仍可能涉及手动且耗时的活动工作流 程；网络操作依赖于分片的遥测系统；游戏中的 叙事设计仍然是一个劳动密集型过程，需要团队 手动编写故事分支和角色互动；软件开发团队在 代码生成、测试和部署工作流程中仍然面临摩擦 。

在短期内，我们观察到内容营销和个性化方面存在特别的兴奋，企业正在测试新的方法。如今，营 销团队依赖一系列工具和人工协调来创建、个性化以及跨渠道部署内容。撰写文案、选择视觉素材 、细分受众以及衡量活动效果都需要频繁的交接和来回修改，这减缓了产品上市时间并限制了个性 化程度。敏捷的方法可以改变这种情况，帮助在营销领域解锁显著价值，而营销领域在科技/TMEG 中大约贡献了~12%的美国总SI价值份额。

在电信领域，自主AI可以提高运营连续性和定价策略。工程团队可以使用 网络操作代理 要监控遥 测数据，检测异常，准确定位根本原因，并触发解决方案工作流，从而大幅减少服务中断并最小化 停机时间。财务专业人员还可以探索诸如 动态定价代理 , 评估需求和使用情况以调整定价模式实时 或收入泄漏预防代理 用于检测账单异常并启动恢复操作的代理。这只是代理如何解决网络中长 期存在挑战的几个例子。

网络运维，尤其是，鉴于其复杂性、紧迫性以及对服务可靠性的直接影响，提供了一个引人入胜且令 人兴奋的近期转型机会。如今，服务中断、延迟问题和设备故障可能需要跨复杂的遥测和事件系统进 行人工监控和分派，这通常会导致延迟解决并损害客户体验。

A 网络操作代理 能够摄取实时遥测数据，检测异常，识别根本原因，并协调跨系统和跨团队解决步 骤。与其等待故障报告和升级，代理可以主动管理停机和性能下降，从而缩短解决时间并提高整体 可靠性。这种程度的自主性将网络管理从被动、手动流程转变为主动、智能化驱动系统，减少停机 时间，提高服务可靠性，并允许工程团队专注于长期优化，而不是日常的故障排除。

在游戏领域，具主体性的AI可以增强创意发展和变现。叙事团队可以运用 故事线生成代理 为了开发 针对玩家个人决策的分支剧情和角色弧光。同时， 游戏测试代理 可以模拟游戏以在开发周期早期发 现错误。从业务方面来看，财务团队可能会部署 提供优化代理 用于根据玩家行为测试和调整游戏内 的包。这些示例突出了智能体AI在叙事、质量保证和参与度方面支持游戏工作室的多样性。

我们近期认为令人兴奋且引人入胜的一个领域是叙事设计和个性化，其中能够解锁创意规模和故事叙 述灵活性的智能体式人工智能可以发挥作用。如今，创建分支剧情和对话选项可能是一个手动、耗时 的过程，严重依赖于叙事设计师和作家预见到每个玩家的选择。随着游戏变得更加开放和玩家驱动， 这种模式难以扩展，限制了个性化和可重玩性。作家必须手动编写不同的剧情线，构建对话树，并确 保故事分支的一致性，通常需要进行反复的审查和迭代。智能体方法可以实现游戏叙事的更快生成和 动态适应。

A 叙事设计代理 可以基于类型和游戏目标定义故事骨架，生成分支剧情和人物弧光，并编写符合玩 家选择和情感基调的动态对话。这些智能体还可以根据玩家决定实时调整叙事流程，并模拟故事路径 以识别节奏断层或逻辑错误。通过自动化叙事组件的开发和优化，智能体AI使创意团队能够专注于更 深层次的故事讲述，从而在规模上实现更具沉浸感、个性化的玩家体验，同时减少将那些体验付诸现 实所需的手动工作。

在更广泛的科技领域，代理式AI提供了熟悉且强大的途径来缩短软件开发周期时间并提高开发速度。 成熟的应用包括依赖代码生成代理将功能需求转化为生产就绪代码的工程团队，并由测试自动化代理 创建和执行QA测试套件。DevOps代理也可以用于管理构建管道、检测集成问题并加速部署。这些例 子说明了代理式AI如何在整个软件开发生命周期中消除摩擦，从而团队将以更高质量的软件速度更快地发布，瓶颈更少。对于SI来说，这些解决方案是工程领域的核 心解锁，方向性地驱动了Tech/TMEG中超过50%的美国SI服务总值池。

许多用例虽然尤其与技术领域相关，但也扩展到其他行业。例如，DevOps自动化代理在零售或金融 服务中越来越相关，用于管理为客户面应用程序提供动力的复杂基础设施。同样，代码生成和测试自 动化代理对构建数字体验的健康公司或现代化遗留系统的公共部门团队同样有价值。这些跨领域的代 理为系统集成商提供了一个强大的切入点，以推动可重复的、可扩展的影响，不仅在于传统软件公司 ，也在于任何希望改进技术如何开发和部署的企业。

编辑：火腿肠