From prompt to purpose: Unlocking business value with agentic AI

这份报告认为，Agentic AI 的商业价值不只来自更强的大模型，而来自“统一数据、可组合工作流、自动化治理、可观测成本和业务用户界面”的平台化能力。企业若想把 AI agent 从试点推向规模化，需要同时解决数据碎片、治理复杂、集成割裂、成本不可预测和隐私合规五类瓶颈。

---

title: From prompt to purpose: Unlocking business value with agentic AI

publisher: Capgemini / Snowflake

date: 2026-02-01

summary: 这份报告认为，Agentic AI 的商业价值不只来自更强的大模型，而来自“统一数据、可组合工作流、自动化治理、可观测成本和业务用户界面”的平台化能力。企业若想把 AI agent 从试点推向规模化，需要同时解决数据碎片、治理复杂、集成割裂、成本不可预测和隐私合规五类瓶颈。

topics: [战略, 业务设计, AI 技术]

---

# From prompt to purpose: Unlocking business value with agentic AI｜报告解读

## 报告速览

这份由 **Capgemini × Snowflake** 发布的报告，主题是：企业如何把 AI 从“提示词驱动的生成式工具”，推进到“面向业务目标自动行动的 agentic AI”。报告的核心立场很明确：**大模型能力只是基础，真正决定企业能否规模化获得价值的，是数据、治理、架构、算力、成本和业务界面能否被整合为一套可复用的平台能力。**

报告认为，Agentic AI 正在快速改变企业 AI 讨论的重心。传统生成式 AI 主要帮助人写作、生成图像、写代码、作曲等；而 agentic AI 更接近一个可以被授权执行任务的“虚拟工作者”：它能设定目标、做决策、采取行动，并通过反馈优化自己的行为。报告引用 Capgemini 研究称，**93% 的领导者认为，未来 12 个月内成功规模化部署 agentic AI 将带来竞争优势**；同时，AI agents 到 2028 年预计将在 14 个国家创造 **4500 亿美元**经济价值。

==**报告最重要的判断是：企业不能把 agentic AI 当成一个孤立模型项目，而要把它设计成可治理、可组合、可监控、可复用的企业级系统。**==如果没有统一、AI-ready 的数据，没有清晰治理，没有可组合工作流和成本可观测性，企业很容易陷入“每个部门重复造轮子、成本上升、数据继续割裂、试点无法规模化”的状态。

| 报告要素 | 内容 |

|---|---|

| 报告标题 | *From prompt to purpose: Unlocking business value with agentic AI* |

| 副标题 | *How to automate, optimize, and scale agentic AI* |

| 发布方 | Capgemini / Snowflake |

| 核心对象 | 企业级 agentic AI 的规模化落地 |

| 主要讨论 | 技术前提、常见瓶颈、平台化解决方案、行业应用案例、解决方案检查清单 |

| 重点行业案例 | 金融服务、制药行业 |

| 关键数字 | 93% 领导者认为规模化部署将带来竞争优势；37% 组织正在试点或实施 AI agents；25% 业务流程到 2028 年将实现半自主到全自主；AI agents 到 2028 年预计创造 4500 亿美元价值 |

```chart

type: bar

title: 报告中的 Agentic AI 关键比例

unit: %

x: 领导者认为规模化部署带来竞争优势, 组织正在试点或实施AI agents, 2028年半自主至全自主业务流程

y: 93, 37, 25

```

> 图表口径：以上比例均来自报告正文。报告另提到 AI agents 到 2028 年预计在 14 个国家创造 **4500 亿美元**经济价值，该数值因单位为美元，未与百分比放入同一图表。

## 核心问题

报告试图回答的问题，不是“Agentic AI 是否会流行”，而是更具体地回答：当企业已经开始试点 AI agents 后，怎样才能把它变成稳定、可信、成本可控的业务能力。

| 核心问题 | 报告中的对应讨论 |

|---|---|

| 什么是 agentic AI？ | 报告将其定义为可自主设定目标、做决策、采取行动并从行动中学习的系统，通常由多种智能代理协同完成任务。 |

| 为什么仅有强大模型还不够？ | 报告强调模型只是基础；有效方案还必须具备易用性、连接性、信任、治理、可组合架构、AI-ready 数据和业务用户界面。 |

| 企业规模化部署的关键前提是什么？ | 统一且 AI-ready 的数据、自优化 AI pipeline、实时数据处理、自动化数据治理、可组合 AI 工作流、优化算力。 |

| 近端最有价值的场景在哪里？ | 报告指出短期采用主要由流程密集型领域驱动，包括客户服务、IT、销售、运营、研发；并重点展开电信、制造/供应链、零售电商三类行业热点。 |

| 为什么 agentic AI 项目容易失败？ | 主要瓶颈包括复杂低效扩展、缺少可组合与治理、运营孤岛与集成挑战、成本不可预测与性能不稳定、数据隐私和安全。 |

| 平台化方案如何创造价值？ | 报告以 Capgemini AI scalability platform powered by Snowflake 为例，提出降低应用开发成本、加快部署、加快问题检测、优化金融 AI 模型成本等价值。 |

| 企业选型时应检查什么？ | 报告给出 10 项解决方案清单，包括端到端集成、受治理数据访问、可定制 agent、用户友好界面、复用工作流、自动部署、统一治理与可观测性等。 |

## 核心结论

### 结论一：Agentic AI 的本质不是“会回答”，而是“能被授权去行动”

报告区分了生成式 AI 与 agentic AI：生成式 AI 的典型能力是写文本、生成图像、产出代码、作曲等；agentic AI 则是一个**自主系统**，可以设定目标、做出决策、采取行动，并在没有人类逐条指令的情况下通过反馈改进行为。

报告进一步说明，agentic AI 不是单一 agent，而是由多类智能代理协同构成。这些代理可以包括 **RPA**、机器学习模型和生成式 AI agents。它们共同完成信息收集、理解、判断、行动和反馈优化。报告举例说明，Snowflake Cortex Agents 可以从复杂的结构化与非结构化数据集中提取洞察：它会拆解复杂查询、检索相关数据，并生成精准答案。

==**这意味着，agentic AI 的企业价值不是“多一个聊天机器人”，而是形成一套可以介入业务流程、跨系统调用数据、执行动作并持续优化的数字化行动能力。**==

| 对比维度 | 生成式 AI / LLM | Agentic AI |

|---|---|---|

| 主要能力 | 生成文本、图像、代码、音乐等内容 | 设定目标、做决策、采取行动、从行动中学习 |

| 人机关系 | 多数情况下响应人的提示词 | 在授权边界内自主推进任务 |

| 系统形态 | 常被当作单一模型或应用 | 多种智能代理协同，包括 RPA、机器学习、生成式 AI agent |

| 企业难点 | 模型能力、提示词、内容质量 | 数据连接、治理、权限、成本、监控、流程集成 |

| 成功条件 | 模型可用、输出可接受 | 企业级数据、治理、工作流、可观测性和业务界面完整配套 |

### 结论二：企业级 Agentic AI 的成功条件，是六类基础能力同时成立

报告指出，agentic AI 的应用场景很广：可以个性化零售体验、加速临床试验、发现并预防金融欺诈。但无论场景如何变化，成功部署通常都有共同底层条件。

这六类条件共同构成了一套“企业级 agentic AI 基础设施”：AI agents 需要访问完整一致的数据，需要实时感知业务状态，需要通过自优化 pipeline 不断改善，需要在治理和安全规则下行动，也需要通过可组合工作流和优化算力降低规模化成本。

| 成功特征 | 报告含义 | 对企业落地的要求 |

|---|---|---|

| 统一、AI-ready 数据访问 | Agent 需要无缝访问来自相关来源的完整、一致、连接的数据。 | 先解决数据孤岛、数据质量、数据权限和数据连接问题。 |

| 自优化 AI pipeline | Agentic AI 需要通过反馈持续学习、适应和扩展。 | 建立反馈、评估、版本迭代和持续改进机制。 |

| 实时数据处理 | Agent 必须理解“此刻正在发生什么”，才能及时做决策。 | 关键业务数据需要实时或近实时进入系统。 |

| 自动化数据治理 | Agent 必须遵守规则，企业需要监督自动化劳动力。 | 建立伦理、合规、安全、访问控制和审计机制。 |

| 可组合 AI 工作流 | 没有 agent 是孤立工作的，组件需要混合、复用、重组。 | 把 agent、工具、数据、流程做成可复用模块，而不是一次性项目。 |

| 优化算力 | Agent 处理大量数据并快速决策，算力消耗高。 | 需要计算资源优化、成本监控、缓存和调度机制。 |

### 结论三：短期价值会首先出现在流程密集型领域和三类行业热点

报告认为，agentic AI 近端采用将主要由流程密集型领域推动，包括**客户服务、IT、销售、运营、研发**。这类场景往往具有数据多、流程多、重复判断多、跨系统协作多的特点，因此更容易体现 agentic AI 的自动化与优化价值。

报告进一步列出三类行业价值热点：电信、制造与供应链、零售电商。它们的共同点是：业务链条长、需要实时响应、涉及大量状态监测和例外处理。Agentic AI 在这些领域不只是生成建议，而是可以参与“监控-判断-行动-优化”的闭环。

| 行业热点 | 典型价值场景 | Agentic AI 的作用方式 |

|---|---|---|

| 电信 | 网络故障检测与自愈 | AI agents 实时监测、诊断并解决网络问题。 |

| 电信 | 客户生命周期管理 | 基于实时活动、行为和账户状态提供高度个性化体验。 |

| 电信 | 监管合规监测 | 持续扫描广播内容和用户互动，标记或自动调整内容审核与数据相关问题。 |

| 制造与供应链 | 生产线优化 | 监测需求波动、设备表现、材料约束，并实时调整工作流、机器和供应路线。 |

| 制造与供应链 | 环境绩效跟踪 | 跨供应链收集、分析和报告数据，用于实时合规、可持续目标对齐和 ESG 报告。 |

| 制造与供应链 | 预测性维护 | 不只是识别异常，还能安排维修、订购零件、协调维护团队，避免维护不足或过度维护。 |

| 零售与电商 | 个性化购物助理 | 跨会话、跨渠道辅助顾客，推荐商品、管理愿望清单、协商优惠。 |

| 零售与电商 | 营销活动管理 | 根据实时表现数据设计、发布并优化营销活动，调整创意、人群和时机。 |

| 零售与电商 | 退货与退款优化 | 近实时处理退款、换货、滥用标记和库存更新等售后任务。 |

> 这些行业场景没有被报告赋予不同权重或优先级，因此本文以表格呈现，不把它们强行画成等值图表。

### 结论四：Agentic AI 的失败风险，主要来自五类企业级瓶颈

报告认为，agentic AI 项目一旦触及五类红灯，失败概率会显著增加。这些问题在传统数据系统和 AI 系统中并不陌生，但在 agentic AI 中会被放大，因为 AI agents 拥有更强自主性，并可能在被授权后直接影响业务流程。

五类瓶颈的共同根源是：企业还没有把 AI agent 当成“需要组织治理的自动化劳动力”来管理，而只是把它当作模型或工具来试用。因此，部门各自试点、重复建设、缺少标准组件和治理框架，最终会导致成本上升、信任下降、价值无法兑现。

| 瓶颈 | 报告描述 | 可能后果 |

|---|---|---|

| 复杂、低效的扩展 | 企业不断“重复造轮子”，加入很快冗余的组件，缺少标准 pipeline 和可复用组件。 | 资源浪费、数据继续孤岛化、成本上升、AI 效果低于预期。 |

| 缺少可组合性和治理 | Agent 可以自主行动，但仍需要业务领导层监督；缺少伦理框架和清晰护栏。 | runaway agents、数据安全问题、监管风险、实际业务伤害。 |

| 运营孤岛与集成挑战 | 断裂的 AI 工具难以与其他 agent 和人类员工协作。 | 重复劳动、采用变慢、转型被压扁成更昂贵的“照旧业务”。 |

| 成本不可预测、性能不一致 | AI 模型会随时间退化，性能下降；没有性能和花费可见性时，优化只能靠猜。 | 成本失控、问题难以定位、组织对 AI 信任下降。 |

| 数据隐私和安全 | AI 在云上表现更好，但许多企业尤其是强监管行业需要把敏感数据留在本地。 | 云算力效率与本地合规控制之间难以平衡，价值落地受阻。 |

> 报告特别用 HR 类比说明 agentic AI 的治理难题：云和移动技术主要是在辅助人类员工，而 agentic AI 更接近一个“虚拟人”。它不是只提供帮助，而是在被授权后独立行动。因此，企业需要像管理员工一样，给 AI agents 设定角色、责任、边界、监督和风险控制结构。

### 结论五：理想的 Agentic AI 方案应当是“集成、优化、可扩展”的平台，而不是孤立试点

报告把有效的 agentic AI 方案概括为六个简单质量：**ease、trust、reusability、efficiency、scalability、predictability**，即易用、可信、可复用、高效、可扩展、可预测。

这六个质量直接对应前文五类瓶颈。数据碎片会破坏易用性和可复用性，治理复杂会损害信任，运营低效会降低扩展速度，成本不可预测会破坏企业对 AI 的长期投入意愿。因此，报告主张将工业级 AI agents、有效数据平台和面向业务用户的界面整合起来，形成一项“可组合、受治理的企业资产”。

| 理想质量 | 需要解决的问题 | 平台化含义 |

|---|---|---|

| Ease｜易用 | 技术人员与业务人员都需要高效开发、监控和使用。 | 提供业务用户界面，而不是只给工程团队使用。 |

| Trust｜可信 | Agent 可自主行动，必须让组织可审查、可控制。 | 统一治理、合规、安全、可观测性。 |

| Reusability｜可复用 | 避免每个场景从零开始。 | 组件、工作流、agent 能被复制、重组、扩展。 |

| Efficiency｜高效 | 避免重复建设和低效算力使用。 | 成本监控、提示词优化、缓存、算力优化。 |

| Scalability｜可扩展 | 从单点场景扩展到多流程、多部门、多领域。 | 标准 pipeline、平台加速器、统一操作面板。 |

| Predictability｜可预测 | 控制性能波动和花费波动。 | 模型评估、版本控制、比较工具、成本透明。 |

### 结论六：Capgemini × Snowflake 的平台叙事，重点是降本、提速和可观测性

报告以 **Capgemini AI scalability platform powered by Snowflake** 为代表，说明平台化 agentic AI 的价值。报告提出，随着更多业务功能和任务被整合，每个组件的成本会下降。平台通过可复用组件、统一治理、运营 dashboard、solution accelerators、模型评估、版本控制、比较工具等，帮助组织减少重复建设并提升 AI 可靠性。

报告给出的主要量化价值包括：相比单一巨大 LLM，每个应用开发成本最高可降低 **70%**；相比割裂的孤岛式构建，部署速度提高 **60%**；相比人工监控，问题检测速度提高 **40%**。在金融服务场景中，相比传统金融 AI 模型，AI 模型开发成本最高可降低 **80%**。

```chart

type: bar

title: 报告中的平台化价值指标

unit: %

x: 应用开发成本降低, 部署速度提升, 问题检测速度提升, 金融AI模型开发成本降低

y: 70, 60, 40, 80

```

> 图表口径：以上均为报告原文中的“up to”或比较性指标。70% 指相比单一巨大 LLM 的每应用开发成本降低；60% 指相比割裂孤岛构建的部署加速；40% 指相比人工监控的问题检测加速；80% 指金融服务案例中相比传统金融 AI 模型的开发成本降低。四项指标衡量对象不同，图表只用于展示报告列出的量化价值，不代表同一实验口径下的直接比较。

| 平台能力 | 报告给出的价值机制 |

|---|---|

| 成本监控 | 让 AI 花费更透明，避免成本黑箱。 |

| Prompt optimization | 提升提示词与模型调用效率，减少低效消耗。 |

| Caching | 降低重复请求和重复计算成本。 |

| Unified governance | 通过统一治理加速部署，并降低合规和安全风险。 |

| Operational dashboards | 让企业能监测运行状态、成本、性能和风险。 |

| Solution accelerators | 缩短从场景识别到上线部署的周期。 |

| Model evaluation | 持续评估模型表现，发现退化和异常。 |

| Version control and comparison tools | 管理模型版本与表现差异，提高问题定位速度。 |

## 方法 / 分析框架

这份报告不是一份传统统计调查报告，而是一份企业技术白皮书。它的分析框架包括三层：第一，界定 agentic AI 与生成式 AI 的差异；第二，总结企业成功部署所需的技术前提和常见瓶颈；第三，提出一种平台化解决方案，并通过金融服务、制药行业两个场景说明平台价值。

| 框架层次 | 报告内容 | 作用 |

|---|---|---|

| 概念界定 | 定义 agentic AI，并说明其由多类智能代理协同组成。 | 说明为什么 agentic AI 不只是“更强聊天机器人”。 |

| 技术前提 | 提出六项成功特征：统一 AI-ready 数据、自优化 pipeline、实时数据、自动治理、可组合工作流、优化算力。 | 建立企业部署前的基础能力清单。 |

| 风险诊断 | 提出五类瓶颈：低效扩展、治理缺失、运营孤岛、成本与性能不稳定、隐私安全。 | 帮助企业识别项目失败红灯。 |

| 平台方案 | 用 Capgemini AI scalability platform powered by Snowflake 展示平台化路径。 | 强调从 POC 走向规模化的企业架构。 |

| 行业落地 | 金融服务、制药行业。 | 说明平台如何应对强监管、高数据复杂度、高实时性场景。 |

| 选型清单 | 10 项 agentic AI 解决方案应具备的能力。 | 给企业采购、建设、评估解决方案时使用。 |

```chart

type: pie

title: 报告中 AI agents 试点/实施状态示意

unit: %

x: 正在试点或实施, 其他状态

y: 37, 63

```

> 图表口径：报告给出 **37%** 组织正在试点或实施 AI agents；“其他状态”由 100%-37% 推算，仅用于辅助呈现。

## 01 Agentic AI：从提示词工具到自主行动系统

报告的标题是 “From prompt to purpose”，直译就是“从提示词走向目的”。这个表达很准确地概括了 agentic AI 与传统生成式 AI 的区别：传统生成式 AI 很大程度上围绕 prompt 工作，用户提出问题，模型生成内容；而 agentic AI 更强调 purpose，即围绕某个业务目标组织行动。

在企业中，这种变化意味着 AI 不再只是信息处理工具，而可能成为流程执行者。例如，在客户服务中，它可以识别客户状态、判断下一步行动、调用系统、生成回复并更新记录；在运营中，它可以监控异常、安排维护、调整资源；在研发中，它可以检索数据、提出假设、验证路径并形成报告。

但报告也提醒，这种自主性会带来更高治理要求。Agentic AI 一旦能够行动，就必须纳入权限、责任、审计、合规和安全体系。企业需要管理的不再是“某个模型输出是否准确”，而是“一个被授权行动的 AI 劳动力是否在正确边界内做正确的事”。

| Agentic AI 构成元素 | 报告说明 |

|---|---|

| RPA | 可作为执行具体流程动作的自动化组件。 |

| Machine learning models | 可用于预测、分类、识别和决策支持。 |

| Generative AI agents | 可生成、验证、总结内容，并作为更大任务的一部分。 |

| Snowflake Cortex Agents 示例 | 可拆解复杂查询、检索结构化与非结构化数据、生成精准答案。 |

## 02 成功部署：六项关键特征构成企业级底座

报告强调，agentic AI 不是单点工具升级，而是一种系统设计问题。六项关键特征既是技术要求，也是组织管理要求。

第一，统一的 AI-ready 数据是起点。如果 agent 只能看到局部、断裂或不一致的数据，它就很难做出相关、可信的判断。第二，自优化 pipeline 是 agentic AI 与传统自动化的重要差异：它需要通过反馈把经验转化为改进。第三，实时数据处理决定 agent 能否“在当下”行动，而不是基于过期信息做判断。

第四，自动化数据治理是规模化的底线。Agentic AI 行动越自主，治理越不能依赖人工临时检查。第五，可组合工作流决定成本结构：没有可复用组件，企业每做一个场景都要重新建设。第六，优化算力决定经济性：agent 会处理大量数据并快速决策，如果算力没有被调度和优化，成本会很快抵消业务价值。

| 成功特征 | 直接支撑的企业能力 |

|---|---|

| 统一、AI-ready 数据 | 让 agent 能获得完整业务上下文。 |

| 自优化 AI pipeline | 让系统通过反馈持续改进，而不是一次性上线。 |

| 实时数据处理 | 让 agent 能对当前状态做出及时决策。 |

| 自动化数据治理 | 让自动化劳动力在伦理、法律、安全框架内运行。 |

| 可组合 AI 工作流 | 让企业能混合、匹配、复用 AI 组件。 |

| 优化算力 | 保持性能水平，同时控制成本。 |

## 03 行业价值：三类场景体现“实时判断 + 自动行动”的优势

报告对三类行业热点的展开，实际上说明了 agentic AI 最适合的业务形态：数据持续变化、行动需要实时发生、流程跨多个系统、结果需要被持续优化。

在电信行业，agentic AI 可以从网络故障自愈、客户生命周期管理、合规监测切入。电信网络具有实时性和复杂性，客户行为也高度动态，因此 AI agent 的价值在于快速监测、诊断和响应。

在制造与供应链领域，agentic AI 的价值更偏向“运营优化”。它可以监测需求、设备、材料与供应路线，并实时调整生产和物流安排；还可以跟踪环境绩效数据，支持可持续目标和 ESG 报告；在设备维护中，它能从“发现异常”进阶到“安排维修、订购零件、协调团队”。

在零售电商领域，agentic AI 的价值更接近“个性化服务和营销自动化”。它可以跨渠道理解顾客、管理愿望清单、协商优惠；也可以基于实时表现数据自动优化营销活动；售后环节则可以近实时处理退款、换货、滥用识别和库存更新。

| 行业 | 数据特征 | 适合 Agentic AI 的原因 |

|---|---|---|

| 电信 | 网络状态、客户行为、内容合规数据实时变化 | 需要快速检测、诊断、调整和个性化响应。 |

| 制造与供应链 | 需求、设备、材料、物流、环境指标相互耦合 | 需要在多变量约束下持续优化生产与供应路线。 |

| 零售与电商 | 用户会话、购买偏好、库存、活动表现、售后任务高频变化 | 需要跨渠道个性化、实时营销优化和售后自动化。 |

## 04 失败瓶颈：为什么很多 Agentic AI 只能停留在 POC

报告把失败瓶颈归纳为五类，但它们背后其实是同一个问题：**企业用项目制思维做 agentic AI，而不是用平台制和治理制思维做 agentic AI。**

如果没有标准 pipeline 和可复用组件，团队会不断重复建设；如果没有治理和护栏，agent 自主性会带来合规、安全和伦理风险；如果工具之间无法集成，agent 就不能真正跨部门协作；如果成本和性能不可观测，企业就无法判断 AI 是否值得继续投入；如果隐私安全与云端效率无法平衡，强监管行业就很难把核心业务数据交给 AI 使用。

| 失败信号 | 组织层面的表现 | 技术层面的表现 |

|---|---|---|

| 低效扩展 | 每个团队重复开发，难以沉淀资产 | 没有标准 pipeline、组件冗余、数据孤岛继续存在 |

| 治理缺失 | 业务领导无法清楚知道 agent 在做什么 | 缺少伦理框架、权限、监控、护栏和审计 |

| 运营孤岛 | 部门各自上线 AI，协作成本上升 | 工具割裂、agent 难以互相协同或与人协同 |

| 成本与性能不可控 | 管理层无法判断 ROI 和风险 | 缺少成本监控、模��评估、性能退化检测 |

| 隐私安全矛盾 | 强监管部门不敢让 AI 接触关键数据 | 云上算力效率与本地合规要求之间拉扯 |

> 报告的“新型 HR 挑战”类比非常关键：agentic AI 越像“虚拟员工”，企业越需要像管理人一样管理它，包括角色、���权、责任、监督、评价和退出机制。

## 05 平台方案：从孤立 AI 实验转向企业级资产

报告认为，理想的 agentic AI 方案不应是孤立实验，而应成为“composable, fully governed enterprise asset”，即**可组合、充分治理的企业资产**。这类方案要同时具备数据平台、工业级 AI agents、业务用户界面和治理/成本/监控能力。

Capgemini AI scalability platform powered by Snowflake 的叙事重点，是让企业能够以更低开发成本、更快部署速度和更高可靠性，将 agentic AI 扩展到更多流程和领域。报告提出，随着更多业务功能和任务被整合，单个组件成本会下降，因为组件、工作流和治理能力都能复用。

| 平台层 | 报告中的作用 | 对企业价值 |

|---|---|---|

| Snowflake AI Data Cloud | 统一数据、提供计算与数据处理基础 | 让 agent 在数据所在处访问 LLM 和 AI 服务，减少数据搬运和孤岛。 |

| Cortex Agent | 支持 agent 访问、分析并作用于统一数据 | 让 AI 从回答问题走向业务行动。 |

| Document Intelligence | 处理文档等非结构化数据 | 扩大 agent 可理解和处理的业务资料范围。 |

| Capgemini AI scalability platform | 加速开发、编排、监控、成本优化和治理 | 推动组织从 POC 走向生产级规模化。 |

| 业务用户界面 | 支持技术和非技术用户开发、监控和使用 | 降低 AI 扩散到业务团队的门槛。 |

```chart

type: pie

title: 2028 年业务流程自主化预期示意

unit: %

x: 半自主至全自主业务流程, 其他业务流程

y: 25, 75

```

> 图表口径：报告给出到 2028 年 **25%** 的业务流程将以半自主到全自主方式运行；“其他业务流程”由 100%-25% 推算，仅用于辅助呈现。

## 06 行业案例：金融服务与制药行业为什么适合平台化 Agentic AI

### 金融服务：从有限扩展到更快价值实现

报告指出，银行业传统 AI 落地往往缓慢、昂贵、难以扩展，原因包括数据碎片和复杂的监管治理要求。这会阻碍欺诈检测、信用风险建模、客户个性化等创新。

平台化方案的价值在于标准化 AI 工作流，形成模块化、可复用、可扩展的 AI 方案。风险、运营、客户-facing 部门都能使用一致工具协同创新，并通过可预测的 AI 表现缩短 time-to-value。

### 金融服务：从成本不可预测到优化扩展

银行还面临 AI 工作负载带来的计算资源增长，尤其是在金融建模和风险分析中，成本不可预测和效率低下会成为重要阻碍。报告称，Capgemini AI scalability platform powered by Snowflake 可以使 AI 模型开发成本比传统金融 AI 模型最高降低 **80%**。Snowflake 的按需计算模式让银行只为实际使用付费，而 AI scalability platform 则优化 AI 处理过程；控制、透明度和可预测性提高后，也能增强组织对 AI 驱动银行运营的信任。

| 金融服务痛点 | 报告中的平台回应 |

|---|---|

| 欺诈检测、信用风险建模、客户个性化难以扩展 | 标准化 AI 工作流，形成模块化、可复用、可扩展方案。 |

| 数据碎片与监管治理复杂 | 通过统一治理和一致工具支持跨部门协同。 |

| 计算成本不可预测 | 按需计算与 AI 处理优化，提升透明度和成本可控性。 |

| 组织对 AI 信任不足 | 通过控制、透明和可预测性建立信任。 |

| 传统金融 AI 模型开发成本高 | 报告称开发成本最高可降低 **80%**。 |

### 制药行业：从断裂数据到更快药物发现

制药企业想实现 AI 驱动研究，常见障碍是临床、基因组、患者数据分散在组织内不同系统中。数据孤岛限制 AI 能分析的数据范围，也推高 AI 创新的成本和 time-to-value。

报告认为，Snowflake 的云原生 AI 数据平台可以把结构化、半结构化和非结构化数据跨遗留系统整合起来；Capgemini AI scalability platform 则加速关键发现流程的开发和监控，使 Snowflake Cortex AI agents 能访问、分析并作用于统一数据，从而推动药物发现流程加速。

### 制药行业：从延迟分析到连续洞察

精准医疗高度依赖数据，实时患者监测同样依赖及时数据处理。报告指出，延迟数据处理会严重限制这些创新。平台方案可以通过 Snowflake Openflow、Snowpipe Streaming、Kafka connector、dynamic tables 等 ingestion 能力提供实时数据；AI scalability platform 则帮助构建、编排和监控基于 Snowflake Cortex AI 的解决方案，为医疗专业人员提供规模化、个性化、预测性诊断支持。

| 制药行业痛点 | 报告中的平台回应 |

|---|---|

| 临床、基因组、患者数据分散 | 统一结构化、半结构化、非结构化数据。 |

| 旧系统之间难以连接 | 跨 legacy systems 整合数据，降低 AI 创新时间和成本。 |

| 药物发现流程慢 | 通过 Cortex AI agents 访问、分析和行动于统一数据，加速发现流程。 |

| 精准医疗依赖实时数据 | 通过 Openflow、Snowpipe Streaming、Kafka connector、dynamic tables 等实现实时数据可用。 |

| 医疗专业人员需要个性化预测诊断 | 构建、编排、监控基于 Cortex AI 的解决方案，支持规模化预测诊断。 |

## 07 解决方案检查清单：企业选型时应看什么

报告最后给出了一套 agentic AI 解决方案应具备的清单。这些条目可以直接用于企业内部评估：一个方案是否真正支持规模化，而不是只适合做演示。

| 检查项 | 对企业的实际意义 |

|---|---|

| Easy, efficient, and trusted AI development with end-to-end integration | 开发流程应当易用、高效、可信，并能端到端集成。 |

| Governed data access for out-of-the-box accuracy, trust, and security | 数据访问必须受治理，以支撑准确性、信任和安全。 |

| Customizable agents tailored to specific business contexts | Agent 不能只是通用聊天工具，要能按业务场景定制。 |

| User-friendly interface designed for both data and AI teams | 数据团队和 AI 团队都应能使用和协作。 |

| Reusable, composable AI workflows for rapid innovation | 工作流应可复用、可组合，以支持快速创新。 |

| Continuous and automatic deployment for agility and minimal downtime | 应支持连续自动部署，保证敏捷性并减少停机。 |

| Unified governance, observability, and security across data and AI assets | 数据资产和 AI 资产需要统一治理、可观测性和安全。 |

| Predictable AI scaling across use cases to reduce cost variability | 跨场景扩展要可预测，降低成本波动。 |

| Native access to LLMs and AI services directly where the data lives | 在数据所在处原生访问 LLM 和 AI 服务，减少数据移动风险和复杂度。 |

| Real-time insights that fuel smarter, faster decisions | 实时洞察应支持更聪明、更快速的业务决策。 |

> 这份清单可以被理解为企业 agentic AI 的最低建设标准：没有数据治理，就没有可信；没有可组合工作流，就没有规模化；没有可观测成本，就没有可持续 ROI。

## 08 发布方与作者信息

报告作者包括 Snowflake 的 **Pallavi Sharma** 和 Capgemini 的 **Eric Reich**。报告最后也给出了两家机构的基本信息：Snowflake 定位为 AI 时代的平台，帮助企业从数据中更快创新并创造价值；Capgemini 定位为 AI-powered 的全球业务与技术转型伙伴。

| 机构 / 作者 | 报告信息 |

|---|---|

| Pallavi Sharma | Senior Partner Solution Engineer, Snowflake |

| Eric Reich | Offer Leader and Global Head of AI & Data Engineering, Insights & Data, Capgemini |

| Snowflake | 全球超过 **11,000** 家公司使用 Snowflake AI Data Cloud，包括数百家全球最大企业。 |

| Capgemini | 近 **60 年**历史，超过 **420,000** 名团队成员，覆盖 **50+** 国家。 |

| Capgemini 2024 收入 | 2024 年全球收入 **221 亿欧元**。 |

```chart

type: bar

title: 报告中的 Capgemini 基本规模数据

unit: 数值

x: 团队成员人数千人, 覆盖国家数, 2024收入十亿欧元

y: 420, 50, 22.1

```

> 图表口径：为避免不同单位混杂造成误读，图中将 Capgemini 团队成员人数按“千人”展示，收入按“十亿欧元”展示，国家数量按“个”展示。原文分别为 **420,000** 名团队成员、**more than 50 countries**、**€22.1 billion** 2024 全球收入。

## 结语 / 启示

这份报告的价值，不在于提出一个全新的 AI 概念，而在于把 agentic AI 的企业落地问题讲清楚：**企业真正要建设的不是一个“更聪明的回答机器”，而是一套可以被授权、被治理、被监控、被复用、能持续优化的数字化行动系统。**

对企业而言，agentic AI 的成熟度可以用三个问题快速判断：第一，组织的数据是否已经足够统一、实时、AI-ready；第二，AI agent 是否有清楚的权限、角色、责任、审计和治理边界；第三，工作流、组件、成本监控和模型评估是否能被复用到多个场景。如果这三个问题没有答案，agentic AI 很可能只能停留在演示或局部试点。

对正在规划 AI 平台的组织而言，这份报告也提醒：Agentic AI 的下一阶段竞争，不只是模型能力竞争，而是**企业架构竞争**。谁能把数据、流程、治理、算力、界面和业务目标连接起来，谁才更可能把 AI 从“prompt”真正带到“purpose”。