Beyond LLMs: Why Scalable Enterprise AI Adoption Depends on Agent Logic
编译摘要
1. 浓缩
- 核心结论1: 企业 Agent 的规模化瓶颈不是模型上下文不够长，而是缺少运行在模型外的 workflow-specific logic。
- 关键证据: IBM 将 agent logic 定义为 harness 内的知识图谱、程序分析、算法、策略执行、图遍历和自适应规划，用来缩小上下文空间并引导 LLM 沿企业工作流行动。
- 核心结论2: 生产级企业 Agent 需要把确定性结构放回系统，而不是把所有推理都交给 LLM。
- 关键证据: IBM 在主机代码理解、测试生成、IT incident investigation、合规自动化、医疗客服和工业资产维护案例中，都用程序分析、图结构、policy-as-code 或 DAG 验证降低 token、幻觉和 unsupported claims。
- 核心结论3: Agent logic 的核心价值是把企业隐性约束变成可执行、可审计、可复用的系统资产。
- 关键证据: 医疗 CUGA benchmark 中，policy-as-code 不依赖 prompt 或 fine-tuning，在多个模型族上提高任务正确率，并加入 least-privilege disclosure、人类升级路径和显式合规规则。
2. 质疑
- 关于来源的质疑: 文章来自 IBM Research，案例多为 IBM 产品或内部 pilot，指标可能更适合说明 IBM 路线的可行性，而不是证明所有企业 Agent 都应采用同一架构。
- 关于 benchmark 的质疑: ITBench、CUGA 和内部 pilot 能提供可比较信号，但真实企业部署还会受数据质量、权限、合规审批、组织采纳和长期维护成本影响。
- 关于 agent logic 的边界质疑: 如果 workflow-specific logic 过重，系统可能退回传统企业软件工程；关键不在“逻辑越多越好”，而在把稳定、可验证、低熵的部分从 LLM 上移出。
- 关于可迁移性的质疑: 主机代码、IT incident、医疗合规和工业资产维护都天然有较强结构。对开放式战略、创意和跨部门政治协调，agent logic 能缩小空间，但未必能直接产生正确判断。
3. 对标
关联概念