将 AI 智能体应用于各项联邦任务

联邦机构正在超越个人 AI 助手，将协同智能体引入直接支持网络响应、服务交付、合规性和任务行动的高业务量工作流中。负责任地这样做需要各机构了解智能体可以在何处提供价值、它们如何做出决策以及人类何时应当干预。

在 MeriTalk 8月27日 Mission Room 论坛“智能体 AI 与新联邦工作流”的预告中，MeriTalk 采访了 Elastic 公共部门杰出架构师 Dave Erickson，讨论了各机构如何识别具有潜力的工作流、为智能体自主权设定界限以及评估 AI 辅助决策。Erickson 还探讨了搜索、可观测性、实时分析和更高级别的智能体如何帮助各机构降低风险，同时让人员注意力集中在任务成果上。

MeriTalk: 哪些特征使联邦工作流成为协同 AI 智能体的有力候选者？

Erickson: 我们应该区分个人软件和官方工作流流程自动化。我们都爱上了那个能帮我们整理电子邮件、总结冗长的状态更新或在一天中提供其他帮助的小智能体。那是个人软件的方法。

当智能体参与到机构核心任务的关键路径时，情况就不同了。过去，各机构通常主要通过基于风险的管理来选择 AI 案例。在政府尚处于试水阶段并试图确定 AI 是否有效并能产生价值时，这样做是有道理的。

现在，技术已经成熟，领导层已经参与进来，各机构正面临实际的人员配备压力。我们可以更深入地观察消除的人力劳作与构建和维护智能体所需的成本和精力之间的比例。

最理想的情况是，智能体能够负责且有效地消除大量繁琐工作，而机构团队仍能理解、协调和维护智能体的行为。各机构应避免制造技术债或采用几年后无人能维护的“魔盒”。目标是高价值和低风险。

MeriTalk: 搜索、可观测性和实时分析如何帮助机构了解多个智能体在整个工作流中是如何协作的？

Erickson: 在传统的 IT 管理中，可观测性通常意味着基础设施遥测、速度和反馈。但如果我们打算将智能体视为团队成员，可观测性就意味着问责和监控。

各机构应该像评估团队一样评估智能体。智能体花多少时间改进自身、协作或重复工作？每个智能体的独立方法是否产生了负面后果？或者工作完成得足够有效，以至于一些重复并不重要？

智能体的可观测性实际上就是可解释性。我能否用人类的语言理解它们在哪些方面做得好，以及这如何使机构受益？我能否理解它们在哪些方面做得不好，以及对任务产生的后果？

各机构还需要对包括人类和智能体在内的整个工作流进行观察。我不需要一份解释上个月发生了什么的 PDF。我想要一个实时仪表板，让我能从底层检查活动，并构建更广泛的任务图景。

我还想要异常检测。机构不会有足够的人力来监视在高业务量网络或任务环境中运行的每一个智能体。支持工作流的人员、流程和技术应建立一种自纠正功能，实时识别异常情况。

MeriTalk: 各机构在决定哪些决策可由智能体独立做出、哪些需要人工审查时，应考虑哪些因素？

Erickson: 各机构应从作业概念开始。在决定自动化什么之前，他们需要了解工作流应该如何运作，以及他们希望人员扮演什么角色。