北京
中经记者 谭伦 上海报道
6月23日，在上海世博中心举行的亚马逊云科技中国峰会上，亚马逊全球副总裁、亚马逊云科技亚太区联席总裁储瑞松围绕Agentic AI的技术演进与企业落地路径提出多项判断。在其看来，Agentic AI爆发的拐点已然来临，AI正从工具型能力加速转向可直接交付业务结果的生产力体系。
储瑞松认为，这一拐点的形成源于两大驱动力的共振：一是大模型能力持续跃迁，从推理能力、代码生成到多模态理解不断突破边界；二是Agentic工程体系在过去两年快速成熟，并形成与模型能力相互促进的“飞轮效应”。在其看来，模型与工程体系之间的反馈循环，正在不断加速Agent能力从“可用”走向“可靠可规模化”。
在工程体系层面，储瑞松系统梳理了Agentic AI的三层技术演进路径：从早期提示词工程（Prompt Engineering），到上下文工程（Context Engineering），再到近半年成为焦点的“驾驭工程”（Harness Engineering）。其中，驾驭工程强调通过智能体循环、工具调用、评估机制、重试与安全护栏等系统设计，让模型具备在复杂环境中“稳定完成任务”的能力。储瑞松指出，这一体系的成熟，正在成为Agent从演示走向生产的关键分水岭。
在应用架构层面，储瑞松进一步提出企业实现Agentic转型的“五层技术栈”框架：第一层为算力与网络存储组成的AI基础设施层；第二层为提供智能能力的大模型层；第三层为数据与知识层；第四层为Agentic平台层；第五层为直接创造业务价值的智能体与应用层。他强调，企业无须在底层基础设施上重复投入，而应将重点放在数据治理、平台能力与应用创新上。
值得注意的是，储瑞松特别强调，数据将成为企业AI竞争的核心护城河。在其看来，大量AI项目失败的根本原因在于数据未准备就绪，而真正能够形成差异化优势的，是企业长期积累的私有数据与知识体系，这些资产难以被外部快速复制。
在落地逻辑上，储瑞松认为，Agentic AI正在推动企业从“工具导向”转向“业务结果导向”。AI不再只是提升效率的辅助工具，而是开始直接交付可量化的业务成果，例如任务吞吐量、交付周期、人力替代效率与客户满意度等。这一变化意味着企业在推进AI项目时，需要反向从业务目标出发定义技术路径，而非单纯选择技术工具。
从产业趋势看，多家机构也正在验证这一转型方向。IDC此前指出，生成式AI正在从试验阶段进入规模化落地阶段，企业投资重点正从模型能力转向应用与工作流重构；麦肯锡相关研究同样显示，AI价值的释放高度依赖组织流程重构与数据基础设施成熟度，而非单一模型能力提升。
围绕规模化落地，储瑞松强调，安全、效果、性能与成本是贯穿五层技术栈的核心约束。其中，安全是底线，涵盖模型、数据与权限治理；效果决定业务价值实现程度；性能关系到生产环境中的服务能力；成本则必须能够被精细化拆解到每一次任务调用与Token消耗。他指出，如果无法实现成本可视化与业务结果量化，企业AI部署仍停留在“实验阶段”。
在组织层面，他进一步指出，Agentic AI将重塑企业协作关系。随着智能体成为“数字劳动力”，企业需要建立类似人力资源管理的机制，对智能体进行岗位定义、权限划分与绩效评估，从而实现人机协同的新型组织结构。
面向企业实践，储瑞松给出了两点建议：其一是选择具备明确起点与终点、可衡量结果且风险可控的Agent场景，从“小闭环”切入；其二是清晰定义智能体边界与人机协作机制，通过类“岗位说明书”的方式设定职责与KPI，并在上线初期即建立评估体系。
整体来看，储瑞松的判断指向一个明确趋势：Agentic AI正在从技术演进走向产业重构阶段，其核心不再是模型能力本身，而是围绕模型构建起可规模化交付业务价值的系统工程能力。在这一过程中，企业竞争的关键变量，也正从“是否使用AI”，转向“能否用AI持续稳定地产出业务结果”。
（编辑：张靖超 审核：李正豪 校对：翟军）
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
