据Sifted报道，越来越多公司已将日常运营中的AI从OpenAI的ChatGPT、谷歌Gemini等聊天机器人，扩展至代理式AI。这类工具不仅能生成文本，还能搜索数据库、发送邮件和分析企业数据，以自动执行工作流并完成任务。Sifted数据显示，欧洲代理式AI初创公司今年已融资79亿欧元，超过去年的70亿欧元；瑞典法律科技公司Legora、健康科技公司Tandem Health和英国金融科技公司Cleo等，正推动这一创新向多个行业扩散。
但企业要成功把代理式AI模型整合进日常工作，先要解决数据问题。为Rezonant开发公司数据整理软件的联合创始人Emma Burrows表示，AI代理执行任务前，必须能够理解来自内部系统和网络的杂乱、非结构化数据。可靠的工作流需要把这些数据转化为代理可推理的结构化“感知层”。
Burrows说，感知层需要训练AI模型从Slack、电子邮件等沟通平台以及文档和文件中组织上下文。Rezonant通过构建定制的“上下文图谱”帮助企业整理数据，把分散的信息和数据映射为相互关联的业务类别。她说，上下文不是把所有文档放在一起，而是按功能或客户洞察分类。围绕销售、运营或财务等业务类别组织数据后，代理可以准确找到决策所需的数据。
一些公司误以为必须先把整个技术栈现代化，才能考虑使用AI。AI代理初创公司N8n的客户成功副总裁Lindsay Keim警告，等待整理数据栈往往让公司根本无法起步，陷入“数据清理炼狱”。N8n平台连接大语言模型、数据源和业务工具，用于完成一系列业务任务。Keim说，这类平台的灵活性允许构建代理工作流的用户从遗留系统中提取数据点，通过另一套AI模型分析，再移入新系统，而不必先现代化整个技术栈。
当工作流需要外部数据时，互联网的不可预测性会带来挑战。代理式搜索公司Tavily创始人兼CEO Rotem Weiss表示，代理需要一个“抽象层”，把混乱、不可预测的网络转化为一致的上下文。Tavily提供连接AI代理与网络信息的API。没有这个抽象层，AI代理很难找到并处理可靠且相关的网络信息。
给予AI在可能敏感或机密的企业系统中完全自主执行任务的权限，会带来运营和合规风险。机构正日益重视信任边界、治理和人类在环的保障措施，以防止错误。信任边界把公司内部数据与公共互联网分隔开。
Burrows表示，权限上下文是他们所做工作中最难也最重要的部分，涉及用户允许代理代表其决策时的权限。每个可供代理使用的工作流都有可配置的特定权限控制。她还说，最初严重依赖人类反馈的代理可以随着时间学习路由模式。例如，每当涉及设计决策，她通常会通知同事Sam；代理会注意到这一点，并可能问未来再次发生时是否要通知Sam。这样代理能以类似方式承担更多工作，同时在重大决策上仍保留人类在环。
Weiss说，当代理从网络检索信息时，外部输入并非每次都会共享，因此团队需要内置谨慎机制。代理需要互联网信息时，应只发送从组织数据中检索该信息所需的最小上下文。治理还要求严格的可审计性。