自主式AI在提升遗留系统转型的效率和速度方面具有巨大潜力，然而，鉴于遗留平台的复杂性及其在支持业务流程中的关键作用，充分利用智能体来协助遗留系统迁移和现代化可能是一项极具挑战性的任务。
幸运的是，这些问题是可以解决的，然而，这需要特殊的远见和规划，以应对在遗留软件环境中部署智能体时出现的众多复杂问题。
自主式AI在遗留系统中的应用：是什么及为何重要
自主式AI是一种利用自主智能体来自动化复杂流程的AI技术，与单纯生成内容的GenAI不同，自主式AI可以在软件系统中执行操作。
这包括企业为维护、升级和改造遗留软件平台(如SAP的ERP环境)而执行的许多操作。事实上，由于遗留系统管理传统上是一个缓慢而繁琐的过程，智能体有望在帮助企业最大化利用现有遗留IT资产价值的同时，避免给IT团队带来过重负担方面发挥关键作用。
克服自主式AI在遗留系统中的挑战
然而，将自主式AI应用于遗留系统并非简单地连接遗留软件和AI服务就能一蹴而就，企业必须克服因遗留系统的独特性质而产生的诸多挑战。
1. 复杂的集成需求
为了良好运行，自主式AI系统必须能够无缝集成到它们协助管理的软件环境中。当尝试与SAP等遗留企业系统配合工作时，这可能会很困难，因为这些系统具有复杂的数据模型、专有逻辑，并且在许多情况下，还具有因企业而异的定制配置。
由于这些挑战，在为遗留系统部署智能体时，期望获得“即插即用”的体验是不现实的，这在更现代的环境中(如公有云)可能行得通，因为这些环境往往是一致且可预测的，但在遗留环境中，就不要期望事情会如此简单了。
然而，这并不意味着将自主式AI与遗留系统集成是不可能的，这可以通过针对有限的应用场景来实现，如自定义代码分析或测试自动化，在这些场景中，所需的数据资源和结果都是明确界定的，这比尝试使用AI自动化遗留系统管理流程的大部分工作更为可行。
如果可能的话，利用遗留软件的现代化版本也有所帮助，例如，在SAP环境中，SAP BTP AI Core、SAP Graph或SAP Event Mesh等功能可以以清晰、API可用的格式将SAP业务对象暴露给智能体，从而更轻松地构建必要的集成。
2. 和投资回报率相关的风险
构建和运营智能体可能是一项昂贵的投资，而且从一开始就不总是能明确哪种类型的智能体将带来最大的投资回报率，因此，在探索特定应用场景之前，确保自主式AI确实能提供期望的商业成果至关重要。
企业可以通过使用“T恤尺码”法对AI项目进行评估，从而估算他们正在考虑的应用场景的成本效益比。例如，如果一家企业选择使用智能体进行测试自动化，那么它应该从一个试点项目开始，评估如果全面应用自动化将节省多少员工时间，将这些节省与全面实施解决方案的成本进行比较，将明确表明这是否是一项值得的投资。
控制自主式AI投资回报率风险的其他做法还包括，在可能的情况下选择低成本或开源的智能体框架(如LangChain)。成本优化的向量数据库(如Pinecone)也有所帮助，同样，在相同的基础自主式AI基础设施上整合多个应用场景也有助于控制成本。
3. 数据隐私和安全风险
自主式AI系统通常需要广泛的数据访问权限，鉴于遗留平台经常存储高度敏感的商业信息，如果智能体“泄露”了这些数据，就可能产生数据隐私和安全风险。
这里的解决方案是对智能体应用与为人类用户部署时相同的隐私、安全和合规控制，基于角色的访问控制(RBAC)应明确规定数据智能体在遗留系统中可以访问和不能访问哪些数据，限制智能体对网络的访问也是防止连接到未经授权的第三方系统的一种方式。
同样，维护记录智能体访问了哪些数据以及它们对这些数据做了什么的审计跟踪也至关重要，尤其是在需要证明企业合规使用自主式AI的时候。
4. 幻觉倾向
与所有由大型语言模型(LLM)驱动的AI技术一样，智能体也可能“产生幻觉”，即基于错误的假设行事或做出错误的决策，当智能体可以访问关键任务遗留系统时，这尤其危险。
降低这种风险的最佳方法是，每当智能体协助处理高风险任务时，都要让人类“参与其中”。例如，在涉及财务或物流数据的AI自动化生效之前，通常应由人类进行批准。
实施置信度阈值也有所帮助，这些阈值可以衡量智能体提出的操作正确的可能性。对于置信度低的决策，应进行人工验证，尤其是当它们影响高风险流程或资源时。
充分利用自主式AI进行遗留系统管理
自主式AI在遗留系统管理方面具有巨大的潜力，企业如果不加以利用，将面临巨大风险，然而，为了可靠且安全地做到这一点，它们必须减轻智能体在遗留系统集成、控制成本和保护遗留系统数据等方面带来的特殊挑战，这是可以做到的，但鉴于遗留平台的独特复杂性，企业应预期这需要特别高水平的规划和分析。
