AI代理业务复杂度分析:前沿模型需求与成本差异
据估计,在AI代理可执行的工作量中,需要前沿模型处理的高复杂度工作占比在各行业中约为6%至11%。沃顿商学院(Wharton School)与埃森哲(Accenture)于16日发布的联合报告《Agentic AI的真实成本究竟如何?》建议,企业应在模型设计阶段,根据任务的难度以及数据与系统条件来选择模型。
该报告对O*NET数据库中的923种职业及超过1.8万项工作与活动进行了审查。在考虑人际互动和物理活动需求的因素后,筛选出被归类为可由AI代理承担的任务共计11,339项。这些任务根据工作流程、监管要求、系统集成、敏感数据访问权限以及数据量与更新频率等标准进行评估。评估不仅关注模型性能,还将工作环境与数据条件作为衡量复杂度的重要依据。
评估结果显示,超过90%的任务属于低复杂度类别。但这并不意味着企业可以自动化90%以上的业务流程,也不代表实际的自动化成功率。那6%至11%的数值并非指全部职业或工作的比例,而是指在各行业中,被归类为AI代理可执行的任务中,高复杂度任务所占的比重。这两个数据点反映了不同的统计基准。
以生命科学领域为例,费用账单处理、报告准备及雇佣记录管理被归类为无需前沿模型的低复杂度任务;而开发生产质量控制体系或撰写专利申请文件则被视为高复杂度案例的代表。
企业规模相似,但引入成本差异巨大
报告分析指出,即使企业规模相当,若业务内容不同,五年内的AI代理引入与运营成本可能相差三倍以上。工作量、复杂度、数据需求水平以及对人工监督的需求均会影响最终成本。
在资本市场、技术和国防行业,尽管某些任务量大,但其复杂性也可能很高。因此,仅凭行业平均水平难以准确判断单个企业所需的模型类型及成本。
成本估算涵盖了八大初始项目,包括模型使用费、工作流设计、数据准备、系统集成、测试验证、安全合规应对等。在运营阶段,则进一步纳入人工监督、监控与维护、数据处理体系、软件工具及计算成本,共计十三项进行综合计算。
需要注意的是,上述估算值并非基于实际企业部署结果的汇总,而是基于任务分类与假设的模型输出结果。报告将此类结果定义为接近成本下限的估算值,并明确排除了外部咨询、第三方系统集成、员工培训及业务转型支持等费用。
先梳理工作流程,再确定模型性能
两家机构建议在系统设计阶段就明确工作范围及所需的模型性能。通过优先厘清工作流程与数据条件,可以更精准地匹配模型选择,从而满足各项业务的具体需求。
报告指出,将所有任务交由单一AI代理处理可能导致上下文管理变得过于复杂;反之,若将任务过度细分,则会增加开发、集成与管理成本。此外,在运行过程中自动切换不同模型的方式不仅难以追踪,且具备大规模实施能力的企业寥寥无几。
即便工作量较小,高复杂度的任务仍可能需要前沿模型的支持。因此,报告建议企业应根据实际工作流程,同步跟踪模型性能与相关成本,以实现最优配置。