从实验性AI项目向企业级自主系统的转变，是上周在伦敦举办的谷歌云峰会的核心主题。
随着英国企业加速拥抱以行动为导向的智能体工作流，技术领导者们正面临一系列全新挑战。搭建一个智能体原型并不难，但要在企业规模下部署数百个智能体，则需要严密的数据基础设施、严格的安全治理以及精细化的成本管控。
这一转变也在重塑IT的经济逻辑。"Token经济学"——即追踪和优化大语言模型Token消耗的管理方式——正迅速成为首席财务官和技术总监的核心议题。
本次圆桌论坛由谷歌主办，与会嘉宾包括：THG Ingenuity平台首席技术官Jo Drake、翠丰集团首席AI官Mohsin Ghazpour、Rightmove首席数据官Steve Pimblett，以及德勤首席AI官Hayley McKelvey。
四位嘉宾围绕智能体初期落地的业务成效、Token预算的追踪与管理方法，以及推动工程团队和企业整体走向自主化所需的文化变革展开深入讨论。
从聊天机器人到自主智能体部署
问：市场正从基础AI实验向真实世界的智能体部署转型。主动型智能体模型如何在各自领域改变用户体验与业务成果？
Jo Drake：我们观察到三方面显著收益。
第一是客户体验。购物本质上是一种对话行为——走进一家店，有人迎上来询问需求，无论是婚礼置装还是运动装备。我们通过购物助手，将这种对话式体验带入了电商网站和APP，并在此基础上叠加了超个性化能力，能够感知用户的尺码、颜色偏好和购买目标。
第二是业务表现。在MyProtein的试点中，我们观察到首次访客转化率大幅提升，购物车金额增长22%，平均客单价提升20%。
第三是数据闭环。用户与智能体对话的内容蕴藏着极高的品牌洞察价值，帮助我们发现趋势，例如消费者对GLP-1补剂或特定饮食需求的兴趣增长。
Steve Pimblett：Rightmove拥有海量专有房产数据，包括数十亿分钟的用户浏览行为。我们的房产经纪合作伙伴每天发布约1万条房源。过去这些数据生态系统相互孤立，我们迁移到统一的云架构后，才能整合数据并创造网络价值。
由于房产搜索天然是多模态的，涵盖图片、平面图和虚拟看房，我们借助谷歌云从十亿张房产图片中提取特征，构建了一套全新的元数据语言，让用户可以用"对话式搜索"描述心仪房源的独特之处。我们的团队以"中枢-辐射"模式运作，中枢负责设定规范，辐射端推动创新，这一模式让我们仅用六周就上线了对话式搜索功能。
Mohsin Ghazpour：在家居改善零售领域，客户购买工具并非目的本身，他们真正想要的是完成一个项目，比如贴壁纸或安装搁板。我们数年前便与谷歌云开启AI合作，并于2023年12月上线了首个对话式搜索智能体。
从传统关键词搜索转向主动型购物智能体，让客户能更自然地发现和购买家居改善产品。为了在企业规模下实现这一目标，我们构建了统一数据平台Nucleus，使新产品能够快速在旗下10个多品牌国际业务主体间部署。一款产品在B&Q上线后，两周内即可在Screwfix完成复制。
Hayley McKelvey：从事务性聊天界面迈向自主智能体，是一种全新范式的转变。在我们的伦敦AI工作室，我们帮助客户亲身体验技术的可能边界。
企业层面的影响正在逐步显现。例如，近期有报告指出，到2026年AI将推动软件编码效率提升30%。但智能体并非"投入即用"，落地必须伴随整合、信任、风险与数据治理的系统性讨论，高质量数据是激活价值的前提。
AI经济学与"Token经济学"的兴起
问：随着智能体部署规模扩大，Token效率与实时成本管理已成为技术负责人的优先议题。各位如何监控和管理Token用量，又如何将其与云资源管理相结合？
Hayley McKelvey：Token经济学是当下最热门的话题。不少企业与前沿AI实验室签订了基于消耗量的合同，但许多企业在商业层面并未充分预估其财务影响。技术领导者们开始着力于实时预测和监控成本，成本透明度是可以实现的，但花出去预算并不等于实现了价值。
我们要警惕Token经济学沦为CFO的单纯成本监控工具，而忽视价值实现。我们从两个维度应对这一问题：一是管理总体拥有成本，将任务匹配至合适的模型——基础任务使用成本较低的开源模型，复杂逻辑才调用前沿模型；二是构建自主控制平面，自动将提示词路由至成本最优的模型，无需人工干预。
Jo Drake：Token管理高度依赖具体的使用场景。我们的部分工程师在开发阶段是Token的大量消耗者。为此，我们开展"无限工程"冲刺活动，目标是将原本两周的工作压缩在两小时内完成，以此加速交付并管控消耗。
在为购物助手或虚拟试穿等产品定价时，我们会仔细审视每个子任务对应使用哪个模型，并非所有任务都需要前沿模型，基础模型在很多场景下完全够用。
此外，我们也关注工具本身的效率。我们的购物助手作为自助服务产品上架谷歌云市场，零售商无需消耗任何工程资源即可配置和测试，从而避免工程能力成为规模化的瓶颈。
Mohsin Ghazpour：在翠丰集团，我们将AI消耗分为两类。第一类是商业产品，例如AI购物助手。对于这类面向公众的产品，我们会精细计量所有指标，包括转化回报和Token成本。
第二类是面向工程师的开发平台。我们为开发者提供一个可访问14个大语言模型的平台，让他们自主测试哪个模型最适合当前任务。我们设置了用户用量上限和实验配额，确保成本不会失控。
Steve Pimblett：我们将这一工作称为AI运营与云财务运营的结合。核心在于准确理解使用场景，并为每项任务匹配最合适的工具。
我们重点关注Token消耗成本与所追求的具体业务价值之间的平衡。随着自主智能体规模扩大，我们的KPI和投资回报预期也必须随之演进，不能再用传统IT指标来衡量全新的智能体工作流。
劳动力、文化与技术体系的演进
问：向智能体化企业转型，带来了深刻的文化与运营变革。在应对员工焦虑、团队架构调整和企业技术体系升级方面，各位面临哪些核心挑战？
Hayley McKelvey：员工的心理感受是这场变革中不可忽视的维度。员工会读到关于岗位替代和劳动力市场动荡的报道，从而产生本能的"应激反应"。领导者必须正视这些情绪，通过营造心理安全感和信任氛围加以疏导。
在运营层面，我们越来越重视跨代际领导的价值。我们将AI原生的年轻员工与高级领导团队配对，以激发创新活力，因为年轻一代能带来全然不同的视角。我们也为高管开设动手实操的专场培训，确保领导者真正使用这项技术，而不只是停留在口头讨论。
Jo Drake：我们的AI采用是自下而上自发驱动的。过去两年，我们坚持每周举办内部AI播客，展示各部门员工利用AI实现的自动化或流程优化案例，以及所带来的直接业务价值。
在文化层面，随着成本管理成为显性议题，我们也对团队进行了相应的认知培训。团队架构也在调整，在从本地数据中心迁移至谷歌云的过程中，我们的工程师经历了深刻的文化转型——他们开始直接为自己消耗的云资源成本负责，并逐渐建立起产品思维，在以最终用户功能为导向的跨职能小组中，与产品经理和用户体验设计师协同工作。
Mohsin Ghazpour：我们与谷歌合作，为高级管理层开设专项培训课程，并持续推动全员教育。我们观察到一个有趣的文化现象：一旦开始对一线运营员工进行培训，他们对技术的恐惧便会迅速转化为好奇心。他们从回避这个话题，变成主动提出十条利用AI提升工作效率的想法。
从团队组成角度看，AI归根结底只是完成使命的工具，不过是编写软件的另一种方式。但我们正在加大"翻译层"人才的引进力度——这类角色能够弥合技术AI能力与真实业务场景之间的鸿沟。随着智能体间协议走向成熟，系统之间的协同将更加系统化。
Steve Pimblett：我们的运营模型采用"中枢-辐射"架构。中枢负责集中管理规范、AI运营和安全风险，辐射端则让领域专家能够快速创新。
我们将数据与AI专家直接嵌入各业务单元，这种模式我们称之为"共创"——让技术团队与真正理解业务问题的业务负责人深度协作。展望未来，企业技术体系将趋向高度模块化。随着企业评估哪些可信平台能够在AI互操作的格局中保持长期相关性，供应商整合将成为一个阶段性趋势。
Q&A
Q1：智能体部署在实际业务中带来了哪些可量化的成果？
A：以THG Ingenuity旗下MyProtein的购物助手试点为例，首次访客转化率大幅提升，购物车金额增长22%，平均客单价提升20%。Deloitte的报告则指出，AI将在2026年推动软件编码效率提升约30%。Rightmove也通过对话式搜索功能，帮助用户更自然地描述和发现心仪房源，仅用六周便完成了上线。
Q2：企业怎么管理大语言模型的Token消耗成本？
A：常见做法包括：将任务与模型能力相匹配，基础任务使用低成本开源模型，复杂逻辑才调用前沿模型；构建自主控制平面自动路由提示词；为开发者设置用量上限和配额；以及通过AI运营与云财务运营相结合的方式，平衡Token消耗成本与业务价值。翠丰集团还将AI消耗分为商业产品和工程开发两个独立管理维度，精细化追踪每一类消耗。
Q3：企业在推行AI转型时，员工抵触情绪该怎么处理？
A：多位高管的经验表明，教育和参与是消解恐惧的关键。翠丰集团发现，一旦对一线员工开展培训，他们对技术的恐惧便会迅速转化为好奇心。THG Ingenuity通过每周内部AI播客分享真实案例，自下而上推动采用。Deloitte则建议领导者为员工创造心理安全环境，并确保高管团队亲身体验和使用AI工具。
扬帆配资电脑版提示：文章来自网络，不代表本站观点。
