Ai4
企业部署AI智能体必须建立高质量数据基座与动态Token降级策略,否则高达95%的试点项目将因缺乏信任和成本失控而无法迈向生产环境。
AI-assisted summary of Leveraging AI Agents to Drive Value: Success Stories from Leading Organizations — original source. Check the original for full context.
Source published:
Detailed notes
## Background 本内容由 Ai4 于 2026 年 8 月 22 日发布在 YouTube 平台上。视频记录了一场由 VKTR 编辑总监 Michelle Hawley 主持的研讨会,邀请了来自赛诺菲(Sanofi)、CVS Health、ThinkingAI 及 NICE Systems 等领先企业的行业高管与技术专家,共同深入探讨 AI 智能体(AI Agents)在各行业落地并创造实际业务价值的成功案例与经验。
## TL;DR 研讨会围绕 AI 智能体在跨国医药、医疗健康、游戏及客户体验领域的落地实践展开。赛诺菲与 CVS Health 等企业分享了通过多智能体协作平台及 40 万规模的“智能体分身”数字模拟器提升运营效率与患者体验的真实案例。专家们深入剖析了企业部署智能体时面临的数据基座、信任构建及变更管理等核心痛点,并针对 Token 成本控制、多模型分层架构、数据治理及可解释性等关键议题给出了具体的破解策略。
## Atmosphere & style 整场研讨会呈现出极为专业、务实且高密度的行业对话氛围。几位跨国企业高管与技术领袖以坦诚且兼具前瞻性的视角,打破了对 AI 的盲目吹捧,直击项目落地中的痛点与挑战。现场探讨节奏紧凑、逻辑严密,在理论框架与具体业务数据之间切换自如,给听众带来沉浸式的行业前沿洞察体验。
## Key takeaways - [00:00](https://www.youtube.com/watch?v=NnYCjJmovDk&t=0s) 研讨会由 VKTR 主持,汇聚来自赛诺菲(Sanofi)、CVS Health、ThinkingAI 及 NICE Systems 的多位高管,共同探讨跨行业 AI Agent 的落地与实践经验。 - [03:00](https://www.youtube.com/watch?v=NnYCjJmovDk&t=180s) 赛诺菲(Sanofi)打造了基于 10-12 个多智能体协同的“Talk to Data”数据对话平台,实现了企业级数据洞察的自助化与民主化。 - [06:00](https://www.youtube.com/watch?v=NnYCjJmovDk&t=360s) CVS Health 构建了包含 40 万个智能体分身(Agentic Twins)的数字飞行模拟器,用于低成本模拟并优化复杂的患者用药与履约干预策略。 - [09:00](https://www.youtube.com/watch?v=NnYCjJmovDk&t=540s) 从单体 Agent 走向企业级应用需要克服上下文统一、知识库对齐以及将人类技能转化为智能体能力的巨大鸿沟。 - [14:00](https://www.youtube.com/watch?v=NnYCjJmovDk&t=840s) 面对 95% 的 AI 试点项目难以迈向生产环境的挑战,核心痛点集中在“AI-Ready”数据基座、洞察的可解释性/信任以及业务端的变更管理。 - [19:03](https://www.youtube.com/watch?v=NnYCjJmovDk&t=1143s) 高监管行业中需将可观测性与可解释性融入底层架构;同时,评估 Agent 成功落地的 KPI 已从 CSAT 扩展至 Token 消耗控制、缩短洞察时间(Time to Insight)及上市/疗法送达时间。 - [26:15](https://www.youtube.com/watch?v=NnYCjJmovDk&t=1575s) 通过个人 AI Agent 预先提取员工动态与潜在挑战,可以重塑内部会议流程,省去冗长汇报并聚焦于核心瓶颈解决。 - [27:42](https://www.youtube.com/watch?v=NnYCjJmovDk&t=1662s) 为应对 Token 成本暴涨,企业应采取“买、租、自建”结合的策略,并建立任务复杂度分级,避免一律调用顶级大模型。 - [32:31](https://www.youtube.com/watch?v=NnYCjJmovDk&t=1951s) 准备数据基础设施需要确立“单一事实之源”,构建从源头对齐、流程对齐到消费对齐的三层数据架构,并形成“Data for AI / AI for Data”的双向闭环。 - [36:13](https://www.youtube.com/watch?v=NnYCjJmovDk&t=2173s) 确保 Agent 可追溯与可解释需要将其作为设计原则,并可通过多模型架构(如质量评估、洞察生成与裁判校验模型)进行交叉验证。
## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=NnYCjJmovDk&t=0s) 开场致词与嘉宾介绍
研讨会由 VKTR 编辑总监 Michelle Hawley 主持。在简短的开场致谢后,几位来自跨国医药、AI 分析、医疗保健及客户体验领域的重磅行业高管依次进行了自我介绍。
* **Nitesh Soni**:赛诺菲(Sanofi)全球数据科学负责人(数字商业)。赛诺菲总部位于法国,是全球领先的跨国制药巨头。他领导着一支 AI 专家团队,致力于构建规模化 AI 系统,重塑赛诺菲的商业运营模式,从而为全球医疗从业者及患者提供更优的医疗成效。 * **Chris Han**:ThinkingAI 联合创始人兼总裁。ThinkingAI 是一个智能体分析(Agentic Analytics)与实时运营(Live Ops)平台,主要服务于游戏等高速迭代的行业,旨在帮助企业打通既有数据资产并转化为业务增长。 * **Anuj Maheshwari**:CVS Health 医药数据与分析策略副总裁。CVS Health 是一家具备海量一手数据的多元化医疗健康企业。拥有 20 年医疗分析经验的 Anuj,致力于寻找推进医疗保健分析现代化的可行路径。 * **Kevin Lee**:NICE Systems 现场 CTO 兼关键项目负责人(Key Pursuits Leader)。NICE 是全球客户体验(CX)与联络中心领域的领军企业,Kevin 专注于站在产品、技术与客户合作的交汇点上,协助企业从新技术中提取真正的“业务成果”。
``` [研讨会嘉宾阵容] ├── Michelle Hawley (主持人) - VKTR 编辑总监 ├── Nitesh Soni - 赛诺菲 (Sanofi) 数据科学全球负责人 ├── Chris Han - ThinkingAI 联合创始人兼总裁 ├── Anuj Maheshwari - CVS Health 数据与分析策略副总裁 └── Kevin Lee - NICE Systems 现场 CTO ```
---
[00:03](https://www.youtube.com/watch?v=NnYCjJmovDk&t=3s) 赛诺菲:基于 10-12 个智能体的“Talk to Data”数据对话平台
赛诺菲全球数据科学负责人 Nitesh Soni 分享了他们成功落地的智能体项目——为商业团队打造的“Talk to Data”(与数据对话)平台。传统的分析流程非常繁琐:品牌经理、销售代表或市场准入团队如果想了解产品在特定区域的业绩、潜在增长点或资金人力调度方案,必须向数据分析师提出需求。分析师需要耗费大量时间跨多个仪表板切片数据、提炼 AI 方案并反复沟通,才能给出解答。
为改变这一现状,赛诺菲构建了基于多智能体协作的对话式平台。用户只需以自然语言提问,底层便会有“智能体军团”协同运作:首先由通用编排智能体识别用户意图并分发请求,同时进行数据权限与安全控制;随后,任务专属智能体协同提炼信息并返回答案。该平台不仅能回答提问,还能智能引导后续追问并提供最佳下一步行动(Next Best Actions)建议,成功实现了企业级数据洞察的自助化与民主化。
* **系统架构**:部署了 10 至 12 个智能体,分为负责意图识别与权限管控的通用智能体(Generic Agents),以及针对特定业务的数据/计算任务智能体(Task-Specific Agents)。 * **应用群体**:覆盖品牌经理(Brand Managers)、现场销售代表(Field Reps)及市场准入团队(Market Access Team)。 * **核心价值**:实现企业级 Self-Serving Analytics(自助式分析),大幅缩短从提问到决策的周期。
> "Behind the scene we have an army of agents where one agent is basically trying to understand the intent and route request... bring back to the end users." — Nitesh Soni
---
[00:06](https://www.youtube.com/watch?v=NnYCjJmovDk&t=6s) CVS Health:“智能体分身”构建 40 万规模的虚拟飞行模拟器
CVS Health 医药数据与分析策略副总裁 Anuj Maheshwari 详细阐述了他们推出的“智能体分身”(Agentic Twins)项目。虽然 CVS Health 并非原生 AI 公司,但作为以消费者为中心的企业,他们致力于利用海量一手数据建立竞争优势。针对医疗行业中“数以百万计患者未按时取药或未坚持医嘱疗程”的痛点,CVS Health 没有直接在实体零售店盲目上线新项目,而是构建了一个高保真、保护隐私的“虚拟飞行模拟器”。
基于真实世界模拟数据,CVS Health 训练了高达 **40 万个**不同类型的智能体分身。这些智能体能够模拟真实患者在面对医疗选择时的心理与行为反应。通过在数字空间中提前测试各种干预方案与沟通策略,团队可以不断迭代优化,避免将未经验证或体验不佳的方案直接推向终端消费者,从而实现了业务成效的指数级提升。
``` [真实世界患者数据] ──> [隐私保护/模型训练] ──> [40万个 Agentic Twins] │ ▼ [业务决策/干预方案] ──> [数字飞行模拟器测试] ──> [优化后推向实体零售店] ```
* **训练规模**:构建并运行了 400,000 种不同类型的 AI 智能体分身。 * **解决痛点**:应对患者中断治疗、未按处方履约(Prescription Non-Adherence)等复杂行为决策。 * **核心逻辑**:以低成本的数字模拟替代高风险的线下试点,提前验证并优化用户体验。
> "We actually created 400,000 types of agents trained on real world simulator data that creates a bit of a flight simulator for us." — Anuj Maheshwari
---
[00:09](https://www.youtube.com/watch?v=NnYCjJmovDk&t=9s) 游戏与客户体验领域的智能体应用与对齐挑战
ThinkingAI 联合创始人 Chris Han 与 NICE Systems 现场 CTO Kevin Lee 带来了技术落地与客户体验视角补充。Chris 提到,在智能体时代,虽然每个人都能轻松创建单体 Agent,但大语言模型(LLM)与企业级应用之间仍存在巨大鸿沟。企业必须将人类积累的技能集(Skill Sets)转化为智能体的能力,并确保多智能体在统一的上下文环境(Context)和知识库下协同运作。尤其在游戏等超高速迭代行业,每日可能产生上千个 A/B 测试与营销活动,如何让智能体自动从无数仪表板中提取真正能驱动业务增长的洞察,是当前最大的技术瓶颈。
Kevin Lee 则从客户体验(CX)视角警示:技术人员或企业管理者想解决的问题,往往与终端客户真正需要解决的问题存在错位。许多企业盲目过度套用生成式 AI(Generative AI),试图用通用 LLM 解决一切,却忽视了企业内部标准作业程序(SOP)的特殊性。Kevin 强调,企业沉淀的历史交互数据中隐藏着真正的答案,唯有深度挖掘数据并将其与实际的 ROI、KPI 挂钩,才能避免 AI 部署沦为花架子。
* **企业级智能体鸿沟**:缺乏统一上下文、知识库对齐不足、自主工作流(Autonomous Flow)与人类团队协作机制不完善。 * **数据利用误区**:企业往往坐拥大量 Dashboards 却缺乏实质洞察;过度依赖通用 LLM 忽略了历史交互数据对 SOP 的指导意义。
> "There is still such a big gap between the LLM and enterprise level agents... to align your agents can work together." — Chris Han
---
[00:14](https://www.youtube.com/watch?v=NnYCjJmovDk&t=14s) 智能体落地的三大核心痛点:数据基座、信任与变更管理
针对 MIT 研究指出的“95% 的 AI 试点项目难以走向生产环境(Production)”这道坎,嘉宾们深度剖析了智能化落地过程中的实际阻碍与破局之道。赛诺菲的 Nitesh Soni 归纳了三大核心挑战:
1. **数据基座(Data Foundation)**:如果数据没有做到“AI Ready”(缺乏高质量与良好治理),任何 Agent 都只是“建在沙滩上的城堡”,无法实现规模化(Scale)。尽管数据清洗与治理工作既枯燥也不光鲜,但它是智能体可持续运行的生命线。 2. **洞察的可解释性与信任(Trust & Transparency)**:AI 模型的准确率再高,如果无法向业务端用户清晰解释推导逻辑,用户就不会采纳。没有业务行动,AI 的组织价值即归零。 3. **变更管理(Change Management)**:这是最艰难的一环。破局的关键在于在项目极早期就邀请业务团队深度参与,构建持续的反馈闭环(Continuous Feedback Loop),并在业务端培养“AI 智能体倡导者”(AI Champions),让其从使用者变为推广者。
Anuj Maheshwari 补充道,在医疗等高监管行业,变更管理还必须兼顾“人类智慧(Human Intelligence)与 AI 增强”的平衡,在设计系统架构时就把合规、审查与信任建立考量进去。
``` [企业 AI 智能体落地的三大支柱] ┌─────────────────────────────────────────┐ │ 1. AI-Ready 数据基座 (治理与质量) │ ├─────────────────────────────────────────┤ │ 2. 透明可解释性 (建立业务信任) │ ├─────────────────────────────────────────┤ │ 3. 早期参与+AI Champion (深度变更管理) │ └─────────────────────────────────────────┘ ```
* **关键数据**:行业研究表明高达 95% 的 AI 项目停滞在 Pilot(试点)阶段。 * **成功路径**:从第一天起就启动业务端沟通与教育,建立从概念验证(PoC)到深度信任的跨越 bridge。
> "If your data is not AI ready, you won't be able to go from small concept to scale... without that, you would be building your agents on sand." — Nitesh Soni
[19:03](https://www.youtube.com/watch?v=NnYCjJmovDk&t=1143s) 可观测性、可解释性与企业级 KPI 衡量指标
在监管要求严格的行业中,AI Agent 的安全性、透明度与合规性是不可妥协的底线。CVS Health 的 Anuj Maheshwari 强调,在医疗健康等高监管领域,可观测性(Observability)、可解释性(Explainability)和建立患者信任必须从一开始就融入架构设计中。虽然这种前期的大量测试和安全信号监控可能会让人感觉推进速度稍慢,但它实际上是在为系统奠定坚实的基础。
在评估 Agent 是否成功落地时,各家企业采用的关键绩效指标(KPI)侧重点各有不同: - **客户体验与运营效益**:NiCE 的 Kevin Lee 指出,传统的客户满意度(CSAT)和拦截率(Containment rate)仍是核心指标。但与此同时,企业对交互经济性(Interactions Economics)的审查正在大幅增加,必须严密监控底层的 Token 消耗(Token Burn)与“Token Maxing”现象,防止成本失控。 - **缩短洞察时间(Time to Insight)**:Anuj 提到,一个关键的证明点在于大幅压缩数据处理和生成分析结果的时间。例如,过去需要半尽职(6人)的团队耗费整整一周时间才能整理完成的复杂数据分析与图表生成,现在在保证同等精度、安全性和归因标注的前提下,仅需 20 分钟即可完成。从终极目标来看,其核心 KPI 是能否真正改变市场和改善患者体验,降低患者在就医及用药过程中的摩擦。 - **临床与业务转化效率**:Sanofi 的 Nitesh Soni 补充道,在医药行业中,最核心的 KPI 始终是“缩短从分子发现到终端疗法送达患者手中”的时间(Time to Market/Therapy)。无论系统节省的是几小时还是几天,在庞大的患者基数下,这种时间的节省最终都能转化为挽救生命的成果。 - **用户留存与平台粘性**:ThinkingAI 的 Chris Han 强调,无论 Agent 架构如何演进,数据始终是底层基石。在衡量商业增长时,用户的留存率(Retention)以及产品/平台的粘性是不可替代的顶层指标。
---
[26:15](https://www.youtube.com/watch?v=NnYCjJmovDk&t=1575s) 利用 AI Agent 重塑企业内部管理与开会流程
Chris Han 分享了一个关于利用 Agent 改善企业内部沟通透明度与运营效率的具体案例。传统的公司周会或例会往往需要每个人花费 15 分钟轮流汇报最新进展,效率极其低下。为了改变这一模式,他们构建了高度透明的个人动态更新 Portal:
``` [员工个人更新网页 (HTTP)] │ (动态更新工作进展) ▼ [个人 AI Agent 预先读取] ──► [自动提取潜在问题与挑战] │ ▼ [高效率研讨会议] - 免去冗长口头汇报 - 聚焦核心瓶颈与争议 - 直接产出待办清单 (To-Dos) ```
通过这一流程变革,参会人员无需在会议中口头陈述基础信息,而是将精力 100% 集中在解决关键挑战和拟定下一步行动计划(To-Dos)上,实现了组织管理与运营模式的真正升级。
---
[27:42](https://www.youtube.com/watch?v=NnYCjJmovDk&t=1662s) Token 成本控制与模型分层调用策略
随着新模型不断涌现、旧模型被淘汰以及使用量暴增,Token 成本管理成为了企业面临的巨大挑战。与会嘉宾从多个维度探讨了成本控制的落地策略:
- **买、租、自建(Buy, Rent, Build)的动态组合**:Anuj Maheshwari 建议企业采用混合策略。对于通用的基础能力,可以直接购买商品化的平台(Buy);对于具备特定专业技能或需要保持灵活性的模块,采用租赁形式(Rent);而对于企业自身最具核心差异化竞争力的逻辑,则选择自建(Build)。 - **架构效率与多模型降级/分流**:Nitesh Soni 与 Chris Han 指出,绝不能将所有任务一股脑抛给最顶级的旗舰大模型(如 Claude Opus 等)。企业需要梳理日常任务清单与特殊项目,建立任务复杂度分级(Complexity Level): - **简单/确定性任务**:如查询订单状态、提取会议纪要信息,可直接使用规则引擎、传统对话式 AI 或低成本的小型语言模型(SLM)。 - **复杂/多意图任务**:仅在面对复杂的多轮推理、跨线程对话或深层逻辑分析时,才调用高级的大语言模型(LLM)。 - **AI 读写素养与成本意识(AI Literacy)**:企业内部需要建立关于 AI 研发与运行成本的认知。不能为了追求表面花哨的功能(如消耗大量 Web Token 构建炫酷的地图)而偏离核心业务目标。每一笔 AI 投资都必须直接绑定到具体的业务目标(Business Goal)和 ROI 计算上。
---
[32:31](https://www.youtube.com/watch?v=NnYCjJmovDk&t=1951s) 数据基础设施准备与“Data for AI / AI for Data”双向闭环
在问答环节,针对现场观众提出的“如何准备数据基础设施(Data Foundations)”问题,专家们给出了系统性的解答:
Kevin Lee 透露,绝大多数企事业单位在部署 Bot 或 Agent 时,最核心的痛点在于缺乏一个“单一事实之源”(Single Source of Truth)。企业往往将知识分散沉淀在 Drupal、AEM 等各种历史遗留系统中,甚至同一种问题存在 5 个不同的历史版本,企图单纯依靠 RAG 或 MCP 服务去连接这些杂乱的系统并让 LLM 自动判定谁对谁错是行不通的。正确做法是给业务团队(如产品经理、项目经理)直接开通权限,让他们在离源头最近的地方进行知识库(KMS)的维护与精细化治理。
Nitesh Soni 进一步阐述了大型企业常见的数据三层架构: 1. **源头对齐资产(Source-aligned Assets)**:整合内部销售数据与外部供应商数据(如 IQVIA 数据),统一汇集至底层。 2. **流程对齐资产(Process-aligned Assets)**:将数据与公司整体业务流程相匹配,进行严格的数据编目(Cataloging)与字段元数据定义,这是构建高可靠 AI 的关键关键层。 3. **消费对齐资产(Consumption-aligned Assets)**:面向特定业务领域打造可以直接被 AI 或 Dashboard 调用的数据衍生层。
同时,Nitesh 提出了一个重要的概念闭环:**"Data for AI, and AI for Data"** —— 我们不仅需要准备好可供 AI 调用的高质量数据(Data for AI),也在广泛利用 AI 自动化技术来清洗、标注和构建这些数据资产(AI for Data)。
---
[36:13](https://www.youtube.com/watch?v=NnYCjJmovDk&t=2173s) AI Agent 的可追溯性、可解释性与架构多模型校验
针对观众关于“如何确保 Agent 的行为可解释(Explainable)与可追溯(Traceable)”的提问,Panel 嘉宾总结道:
- **将可追溯性作为底层设计原则**:Anuj 强调,可追溯性必须从第 0 天起就作为系统的核心设计原则(Design Principle),确保每一个决策步骤都能追溯到具体的底层依据,从源头上杜绝黑盒系统(Black boxes)的产生。 - **技术打标与多模型互查机制**:在实际落地中,除了收集用户的正负反馈(Thumbs up/down)外,企业还会引入 Trace 框架等技术追踪链条。Nitesh 补充道,在“与数据对话”(Talk to Data)等高级场景中,他们采用了**多模型架构(Multi-LLM Architecture)**进行分工与交叉校验: - 一个 LLM 专门负责评估数据质量(Data Quality LLM); - 一个 LLM 负责生成业务洞察(Insight LLM); - 另一个独立的 LLM 则专门充当裁判,评估并校验这些洞察的准确性(Accuracy Verification LLM)。
通过技术链路追踪与多模型协同纠错,确保了 Agent 输出结果的透明、精准与可信。
## Notable quotes > [03:00](https://www.youtube.com/watch?v=NnYCjJmovDk&t=180s) Behind the scene we have an army of agents where one agent is basically trying to understand the intent and route request... bring back to the end users. — Nitesh Soni
> [06:00](https://www.youtube.com/watch?v=NnYCjJmovDk&t=360s) We actually created 400,000 types of agents trained on real world simulator data that creates a bit of a flight simulator for us. — Anuj Maheshwari
> [09:00](https://www.youtube.com/watch?v=NnYCjJmovDk&t=540s) There is still such a big gap between the LLM and enterprise level agents... to align your agents can work together. — Chris Han
> [14:00](https://www.youtube.com/watch?v=NnYCjJmovDk&t=840s) If your data is not AI ready, you won't be able to go from small concept to scale... without that, you would be building your agents on sand. — Nitesh Soni
## Mentioned Michelle Hawley, VKTR, Nitesh Soni, 赛诺菲 (Sanofi), Chris Han, ThinkingAI, Anuj Maheshwari, CVS Health, Kevin Lee, NICE Systems, Drupal, AEM, IQVIA, Claude Opus
## Video description Michelle Hawley - Editorial Director, VKTR Nitesh Soni - Global Head of Data Science (Digital Commercial), Sanofi Anuj Maheshwari - Vice President, CVS Health Chris Han - Co-Founder & President, ThinkingAI Kevin Lee - Field CTO & Key Pursuits Leader, NiCE
Explore how pioneering organizations across sectors such as finance, healthcare, retail, and manufacturing are achieving significant business outcomes with advanced AI agents. Industry executives and technology experts will share detailed accounts of their experiences, highlighting measurable benefits like increased revenue, enhanced operational efficiency, customer loyalty, and reduced costs. Gain actionable insights from their journeys, learn about emerging best practices, and understand how to navigate implementation challenges effectively.
[Source](https://www.youtube.com/watch?v=NnYCjJmovDk)