24年来，微软的阿曼达·西尔（Amanda Silver）一直致力于帮助开发者，近年来更聚焦于构建AI工具。在长期参与GitHub Copilot项目后，她现任微软CoreAI部门集团副总裁，负责开发企业级应用与智能体系统部署工具。
她的工作核心是Azure Foundry系统——作为企业统一AI门户，使她能近距离观察企业实际应用情况及部署瓶颈。
本文探讨了企业级智能体的当前能力，以及为何这被视为自公有云以来初创公司面临的最大机遇。（注：采访内容已删减润色，以提升清晰度。）
AI对非AI专注型初创公司的影响？
问：你的工作主要面向外部开发者（通常是不专注于AI的初创公司）。你认为AI将如何影响这些公司？
这对初创公司而言是堪比“上云”的里程碑时刻。云计算消除了物理服务器和硬件采购的高昂成本；如今，智能体将进一步降低软件运营总成本。无论是客服支持还是法律调查等早期繁琐工作，均可借助AI智能体更快、更廉价地完成。
这将催生更多创业项目，并出现由更少人员领导的高估值企业，前景令人兴奋。
实际应用场景具体表现？
问：在实际操作中，这具体表现为怎样的情形？
1. 代码库维护：多步骤智能体被广泛用于编码任务。例如，更新依赖库（如.NET运行时或Java SDK）时，智能体可推理整个代码库，将升级耗时减少70%至80%，但这必须依赖多步骤智能体实现。
2. 现场运维自动化：过去，服务故障常导致工程师深夜被叫醒处理，体验极差。如今，自动化系统能成功诊断并缓解多数问题，避免人类在迷糊状态下登录终端排查，大幅缩短了平均故障解决时间（MTTR）。
智能体部署速度不及预期的原因？
问：智能体部署速度未达半年前预期，你认为原因何在？
核心障碍在于目标模糊与文化转型滞后。许多构建者不清楚智能体的具体业务用例及成功定义，也未明确提供给智能体用于推理的数据边界。相比技术不确定性，厘清业务目标才是更大的绊脚石。只要目标清晰，投资回报率（ROI）是显而易见的。
如何看待“普遍不确定性”这一障碍？
问：外界认为“不确定性”是重大障碍，为何实践中并非如此？
首先，“人在回路”（Human-in-the-loop）场景将成为常态。以包裹退货为例，随着计算机视觉模型的进步，原本需人工判断损坏程度的环节已高度自动化，仅在边缘案例触发升级流程。
尽管合同签署、生产环境部署等关键操作仍需人工监督以确保可靠性，但在其余流程中，我们正不断拓展自动化的边界。