发布于 2026 年 9 月 21 日

一些曾经需要大型顾问团队的技术项目，如今可能越来越多地由与 AI Agent 协作的小型专家团队来完成。

今年早些时候，IBM 推出了 Forward Deployed Units（前沿部署单元，简称 FDU），这是由工程师和专家组成的小型团队，直接与客户合作，在真实环境中构建和部署 AI 系统。该公司表示，这些单元将精选的专家团队派驻到客户身边，并利用 AI Agent 承担部分工作。随着科技公司咨询公司将更小规模、由 AI 辅助的团队嵌入客户组织中，类似的做法正在整个行业蔓延。

企业仍在努力将 AI 实验转化为能在整个业务中运行的系统。Gartner 在最近的一项调查中表示，只有 22% 的组织将 AI 规模化应用于多个业务部门或采用了 AI 优先的方法，尽管 85% 的职能领导者表示他们计划在 2026 年增加 AI 支出。与此同时，更多的支出并不一定带来更大的回报。IBM 商业价值研究院（IBV）的一项新研究显示，2026 年企业 AI 的平均投资回报率为 17%。

“市场情绪已经从‘AI 能做什么？’转变为‘让我看看你们 AI 投资的红利。’”IBM Consulting 全球混合云与数据管理合伙人 Javier Olaizola 在接受 IBM Think 采访时表示。

他说，客户已经超越了“边际实验”阶段。“要取得成果、获得红利，还需要大量的工程工作。”

Olaizola 表示，IBM 将 FDU 设计为直接与客户合作的小型团队，并将项目的部分工作委托给 AI Agent。

他说，一个典型的单元可以包括三到四个人：一名负责业务成果的人员、一名技术架构师或前沿部署工程师、一名数据专家和一名行业专家，同时有 10 到 20 个 Agent 与他们协同工作。

Olaizola 说，这些 Agent 可以编写软件需求、生成代码、创建测试用例、扫描软件缺陷，或在现有流程中搜索模式。

人类始终处于流程的两端。他说，人类负责定义问题、提供业务和技术背景，并判断输出是否满足客户的要求。

“他们的特别之处基本上有两点，”Olaizola 说。“他们交付客户的成果，同时又在不断从自己执行的工作中学习。”

他说，随着团队了解哪些任务系统能够可靠地完成，他们就可以将更多工作委托给这些 Agent。

随着科技公司试图让技术人员更贴近客户，前沿部署工程师在 AI 行业中变得越来越普遍。在 5 月的发布会上，IBM 专家将这一角色描述为工程、咨询和业务专长的结合，由专业人员直接在客户将使用系统的环境中构建系统。

亚马逊云科技（Amazon Web Services）于 6 月宣布了类似的举措，据路透社报道，AWS 计划投入 10 亿美元组建一个以前沿部署 AI 工程师为核心的新组织，这些工程师将与客户紧密合作开发生产系统。

IBM 表示，其内部团队使用了 IBM Consulting Advantage，这是一个为咨询工作提供 AI Agent、可复用方法和其他工具的平台。

Olaizola 以一个正在为印度一家大型银行开展的数据现代化项目为例，说明这种模式如何改变交付的形态和速度。

他说，这家银行（Olaizola 表示 IBM 未公开其名称）需要将数百甚至数千个数据处理作业迁移到更新的技术上。

据 Olaizola 介绍，按传统方式完成这种规模的迁移通常需要大约 300 人工作 12 到 15 个月。他说，IBM 在不到九个月的时间里，用远少于这个规模的团队完成了该项目，因为 AI Agent 承担了大部分重复性的转换和测试工作。

团队不再需要人工修正每一个错误结果，而是研究错误并调整提供给系统的指令或上下文，然后重新运行工作，并衡量结果是否有所改善。

Olaizola 描述了一个假设的流程：AI Agent 转换遗留代码时，最初可能只完成约 70% 的正确率，随着团队不断优化输入，正确率会逐步提升到 85% 和 90%。

他说，一旦这一流程在一小批遗留代码迁移任务上验证有效，团队就可以将同样的方法应用到数百甚至数千个类似的任务上。

“关键在于对输入下功夫，”Olaizola 说。这种方法还可能影响咨询公司对项目的收费方式。

传统咨询合同通常将收入与项目分配的人数及其工作时长挂钩。Olaizola 表示，一种需要更少人员和更少时间的模式使这种结构难以维持。

“如果你按小时计价，对任何人来说，激励基本上都是最大化工时，而不是最大化成果，”他说。

客户已经开始从另一个方向推动咨询公司变革。《金融时报》近日报道，随着 AI 自动化部分技术工作，企业正在向咨询公司施压，要求降低费用、采用固定价格项目以及与绩效更紧密挂钩的合同。

Olaizola 表示，随着 AI Agent 承担更多例行工作，人类的专业能力将转向对结果的评估。

他说，AI 可以承担传统上由开发人员、架构师和分析师完成的部分工作。人们仍然需要判断结果是否符合客户的架构、满足安全要求并符合法规。

Olaizola 举例说，软件即使能正常运行，如果违反了银行的安全规则，或依赖公司无法使用的数据，仍然无法投入使用。

“价值基本上已经转移到了判断层，”他说。他将这一变化与新闻行业作了比较。他说，AI 可以快速生成大量文本，但仍然需要人来判断这些内容是否准确、有用，以及是否适合受众。

“关键不在于生产内容，”他说。价值来自记者提供的“保证，即这些内容呈现的是正确的视角。”

这一模式也引发了关于咨询公司将如何培养经验较少员工的疑问。大型专业服务公司传统上让初级员工在更有经验的同事指导下进行研究、分析和技术工作。IBM 在推出 FDU 时表示，计划招聘毕业生并将其培养为前沿部署工程师岗位的人才。

该公司并未表示这一模式会消除传统咨询岗位。Olaizola 解释说，相反，随着 AI Agent 承担更多生产性工作，这一模式将改变人们所从事的工作类型。

他说，经验较少的顾问不会在工作的头几年里去做 AI Agent 现在能够完成的常规任务，而是从一开始就在这些部门内成长，与资深同事并肩工作，参与界定问题、评估 AI Agent 的输出并做出判断决策。培养这种判断力将成为人才培养的目的本身，而不是其副产品。

Olaizola 并不认为每个业务流程都会依赖 AI Agent。有些任务遵循固定规则，输入已知、输出可预测。他说，对于这类工作，传统软件往往比做出概率性决策的系统更高效。

据 Olaizola 所说，涉及解读、灵活性或判断的工作更适合由 AI Agent 来完成。

这一区别出现的背景是，企业持续在 AI 上投入巨资，却并不总能在大规模部署上取得成功。Gartner 9 月 1 日发布的调查结果基于对年收入至少 5000 万美元的机构中 1303 名受访者的调查，发现成功的规模化应用仍然有限。

Olaizola 表示，企业需要的不仅仅是强大的 AI 模型。他们还需要理解业务问题、知道 AI Agent 能在哪些方面提供帮助、并能判断输出是否足够好以供使用的人才。

他说，对咨询公司而言，这一变化可能会降低团队规模的重要性，同时提升判断力和责任担当的价值。

“AI 将无处不在，”Olaizola 说。“但并非所有工作负载都会基于 AI Agent。”

获取关于最重要且最引人入胜的 AI 新闻的精选洞察。订阅我们的每周 Think 通讯。请参阅 IBM 隐私声明。