数据分析大厂SAS在今年度Innovate大会中，揭露代理型AI（Agentic AI）新战略，将既有的智慧决策平台Intelligent Decisioning扩充为AI代理平台，使用者可以拖拉建置代理工作流程，完成后即可发布到既有系统中。
今年是AI代理全面起飞的一年，各大公有云业者相继推出功能更完整的AI代理框架和工具，就连相关的沟通协定也逐步到位。老牌数据分析大厂SAS也不缺席，近年转型为AI供应商的他们，在今年产品大会中，跟进许多科技大厂的脚步，将代理型AI（Agentic AI）列为AI新战略，成为一大产品新亮点。
生成式AI难解偏见，SAS看准AI代理实务潜力
为什么AI代理如此重要，值得全力押宝？SAS的理由不是因为潮流，而是因应实务需求。
SAS执行长暨技术长Bryan Harris在大会首日主题演讲中指出，单靠大型语言模型（LLM）和提示工程，无法满足企业对生成式AI应用的期待。「研究表明，提示可以减少一些模型偏见，但效果不稳定，也难以重现。」
他进一步说明，研究发现，主流LLM在房贷核准的应用中，会因训练资料的偏见，导致黑人申请者面临更高利率与更低通过率。「如果一个人申请房贷被拒，原因只是模型从网路学到了偏见，这样的结果是不能接受的。」
面对这样的挑战，Bryan Harris强调，企业需要一种更强大的方法，来调度LLM、模型治理和API，兼顾公平性、准确性和治理能力。他认为，导入具备治理机制的代理型AI，正是解决这些问题的解方。
这也是为何他观察到，越来越多企业正快速从生成式AI转向代理型AI，而且「一份研究显示，今年将有52%的组织，将代理程式工作流程融入到业务中。」
定义代理型AI的两种应用情境
SAS产品策略聚焦两种代理AI情境，AI自主决策（Human-out-of-the-loop）和AI人机协作（Human-in-the-loop）情境。以诈欺侦测为例，在「AI自主决策」场景中，代理可以自主侦测并拒绝诈欺交易，而在「AI人机协作」中，代理会分析不规则交易，并查询其他资料来源理解上下文、计算综合风险评分，然后产出摘要，交由人工判读与最终决策。
SAS应用AI和建模研发副总监Udo Sglavo进一步说明，SAS提供3种代理AI部署方式，一是Viya平台内建的原生代理，可直接支援即时决策和流程自动化；二是使用该平台工具自行客制代理，但只能在平台上执行。三是独立型代理，无需Viya平台也能执行特定任务，可用于多代理环境。
他指出，无论采用哪种代理类型，SAS都支援如A2A（Agent-to-Agent）、MCP等代理标准通讯协定，可整合不同代理之间的协作流程。还没采用Viya平台的企业，也可从独立型代理切入，逐步评估实务效益与导入价值。
升级既有平台，导入AI代理功能
在代理AI战略方向下，SAS将既有的即时智慧决策平台Intelligent Decisioning扩充为代理型AI平台，新添AI代理工作流程设计、执行与监控的能力。
企业用户可以透过拖拉式介面建置代理工作流程，整合至既有系统架构中，也可以在不同风险和任务复杂度条件下，设计完全自主决策的AI代理，或是弹性调整AI代理的自主决策程度，并加入人类审核流程。
在SAS Intelligent Decisioning平台中，使用者除了能拖拉建置AI代理工作流程，还能查看、调整既有节点（也就是流程方块），来让整体流程更符合业务需求。
Bryan Harris现场展示代理AI平台的功能，他打开一个自制的抵押贷款（Mortgage loan）申请仪表板，画面显示AI代理分析了6,200份申请，其中1,800份需要人工审核。
但仔细看，有位VIP客户的申请被拒，有点奇怪。为厘清原因，Bryan Harris透过仪表板旁的聊天室，用自然语言询问该客户为何被拒，此时LLM给出「查看决策逻辑」和「查看模型卡（Model Card）」两种选项，来让使用者理解决策背后的原因。
点击「查看决策逻辑」，就能看到一张桑基图（Sankey Diagram），视觉化显示AI代理工作流程中，各节点的逻辑依据与决策流程。
以这个例子来说，共有20个代理工作流程步骤，比如第一步的申请核准判断、LLM解释和最终决策等。若发现步骤有问题，使用者可直接编辑节点，加入新的流程来调整。Bryan Harris强调，这些节点可重复利用，来加速建置代理工作流程。
模型卡与供应链追踪，强化治理与可解释性
除了代理决策流程透明化，前面聊天室给出的另一个「查看模型卡」选项，也能加强企业对AI代理的理解，尤其是代理背后的模型效能。
这个「模型卡」是SAS去年亮相、内建于Viya平台的功能，可自动为每个注册模型产出一份重要资讯摘要，包括准确性、公平性和模型漂移（即适用性）等指标，以及模型修改时间、负责人员，甚至是模型预期用途、使用建议等，就像是模型的营养标示一样，方便技术与非技术部门掌握模型效能与使用风险。
不只掌握模型效能，Intelligent Decisioning平台还提供「AI供应链追踪（Lineage）」功能，清楚列出企业所使用的所有模型、流程和资料来源，并可追溯从资料ETL、模型训练、部署到决策输出的全部过程，可用于遵循透明性和可解释性的法规要求。
在代理AI新战略下，SAS除了亮相AI代理平台Intelligent Decisioning新功能，还将其纳入AI供应链追踪（Lineage）功能中，使用者可一眼查看代理应用状况、资料ETL、模型版本等资讯。
Bryan Harris现场示范这个功能，画面会秀出一张流程表，列出企业采用的所有AI流程，比如Intelligent Decisioning平台的AI代理流程、模型管理器、模型工作室、资讯目录表和SAS工作室等，各个流程内还会列出子流程，比如模型管理器使用了哪些模型、用模型工作室训练了哪些模型、目录表包含了哪些使用资料，以及SAS工作室如何进行ETL。
也就是说，从资料ETL流程、模型训练、版本管理、模型部署到最后输出决策的逻辑，都能视觉化呈现给使用者查看，因应合规需求。
不过，SAS数据道德实务副总裁Reggie Townsend坦言，多代理协作环境的治理仍有挑战性，SAS已著手开发代理层级的治理工具，要进一步强化AI代理的可监管性。
资料对映代理登场，还预告预建代理策略
为进一步降低企业导入门槛，SAS还在大会上宣布预建（Prepackaged）代理策略，首先揭露一款资料对映代理Data Mapper Agent，要来简化资料表结构（Schema）对映任务。
Udo Sglavo点出，资料表结构对映是个非常常见但耗时的任务，通常，开发者需要写程式来将来源资料表结构，对映到目标资料表结构。而SAS这款资料对映代理，可自动将来源资料表结构，对映到SAS解决方案或SAS模型所需的资料表结构。
他现场示范，将一个来源资料表结构上传到Data Mapper后，驱动代理的LLM会分析来源资料表结构的后设资料（Metadata），并将来源资料表结构的栏位对映到目标结构的栏位，还会附上每个对映的信心水准。
要是使用者要是对信心水准低的对映有疑虑，能进一步要求Data Mapper重新评估。若还是不满意，使用者也可以手动更改LLM建议的对映，「这回到了AI人机协作的概念，」Udo Sglavo说，人类可以随时介入这个流程。
对映都确认无误后，下一步，Data Mapper会产出可执行的SQL程式码，来实际对映资料表结构。同时，它还会自动产出一份JSON格式对映档，以及一份完整的流程说明文件，包含整个对映过程与手动更改部份，来让使用者更容易整合、追踪。
SAS今年首度揭露资料对映代理Data Mapper Agent，要来简化资料表结构（Schema）对映任务。透过代理背后的大型语言模型分析来源Schema和目标Schema，可产出对映建议和信心水准，分高、中、低三个等级。
Udo Sglavo表示，Data Mapper Agent是AI人机协作的一个实例，未来，SAS还将在供应链领域和资料工程领域，推出更多预建AI代理。
生成式AI掀起应用热潮，但代理型AI成了产业落地的关键。老牌数据分析大厂SAS将代理型AI整合至主力产品，推出开箱即用的AI代理，也跟进支援多代理协作协定，反映出积极卡位企业级AI代理生态系的野心。
然而，面对跨模型、跨部门的多代理运用场景，确保AI代理效能稳定且可控，将是AI代理深化应用的最大挑战，也是SAS接下来必须解答的一道题。
其他AI新战略：数位双生和量子AI
不只代理型AI，SAS今年还端出其他AI新战略：数位双生和量子AI。
数位双生虽然不是新东西，但在今年有了新突破，SAS联手游戏业者Epic Games，将其游戏引擎Unreal Engine的强大模拟功能，结合SAS Viya平台数据分析功能，拓展了模拟真实世界的数位双生应用，成功替美国最大造纸大厂Georgia Pacific打造出虚拟工厂无人搬运车AGV模拟场景。
SAS今年也揭露数位双生战略新进展，联手游戏业者Epic Games，将其游戏引擎Unreal Engine强大模拟功能，结合SAS Viya平台数据分析功能，成功替美国最大造纸大厂Georgia Pacific打造出虚拟工安模拟场景。图片来源／SAS
Georgia Pacific厂区长达400公尺，相当于4个足球场，AGV必须避开高风险路线，找出最佳搬运路线，且互不干扰。Georgia Pacific AI副总监Roshan Shah表示，想用数位双生的模拟系统，来找出安全又有效率的AGV路线。
于是，他们先输入场域真实资料至SAS平台，再将数据输入Unreal Engine模拟环境，来进行虚拟演练，模拟不同路线与数量的AGV调度。最终，他们实作出最佳路线，成功减少8%的平均作业时间，还提高安全性。
不只是AGV路线调度，双方也利用Unreal Engine和SAS平台，设计出数位人形员工，来模拟工安事故现场。也就是说，他们用摄影机生成高度拟真的工安影像，像是工人、危险动作和工作环境，来训练电脑视觉模型，加强AI模型对工安辨识的准确率。这些合成资料，也能提高模型对不同肤色、姿态、光线的辨识能力。
有了这些资料训练，模型更能在真实场域中，提供更精准的判断，避免不工安意外的发生。
瞄准量子AI，加速复杂模型运算
SAS另一项AI新战略是瞄准量子AI，采取合作与研究并行的策略，一方面与量子运算技术厂商合作，例如商用量子退火业者D-Wave，另一方面结合自家研发能力，与企业客户共同推动试点专案，来验证量子AI应用的可行性。
其中一项成果，是与跨国消费品大厂P&G（宝侨）联手的PoC专案，来验证量子与经典运算混合优化的效益。P&G的产品配方设计，涉及5座混料槽和100多项产品，可能的组合数高达10的114次方，远超过宇宙中的原子数。要在这么庞大的可能组合中，找出能避免交叉污染的配方，是一件耗时耗力的工作。
他们结合量子退火技术和SAS传统最佳化求解器，采取混合运算方法，以量子退火运算处理初始解空间的收敛计算，再以传统SAS解法进行微调，整体计算时间只需12分钟，还能兼顾准确度，比传统做法减少了97%的时间。
除了与企业展开试点专案，SAS也尝试在旗下平台发展量子退火技术的AI元件，例如在自助式运算平台Viya Workbench，实验性整合量子退火技术，来进行资料前处理、探索数据分析和AI模型开发，计划未来成为正式功能之一。
新添一系列开箱即用模型
除了AI新战略，SAS传统AI产品线也有更新，推出一系列开箱即用的轻量级AI模型，涵盖政府、医疗、制造、供应链与诈欺防范等产业，来降低企业导入AI的技术门槛。目前已上架的AI模型有各产业通用的实体识别（Entity Resolution）、文件分析模型，以及医疗业适用的用药依从性风险预测模型，制造业专用的供应链最佳化模型，政府部门可用的粮食补助金诈领侦测模型、销售税合规性分析模型。
SAS还预告，今年将陆续推出更多产业专用模型，例如金融业的支付与信用卡诈欺判断模型、医疗业的医疗支付审核模型、制造业的工安监测模型，以及公部门的个人所得税合规性分析模型。
三款工具更新
另一方面，SAS也在今年大会中宣布三款平台工具的更新，包括云端整合式AI开发平台Workbench、合成资料平台DataMaker和AI建模助手SAS Viya Copilot。就Workbench来说，它支援Python、R和SAS等程式语言切换，使用者能在平台上建置情感分析模型，并一键部署REST API。这款平台也支援BERT等模型和GPU加速，目前已在AWS正式上架，在微软Azure则是私人预览版。
就DataMaker来说，它支援多表格、多关联性和时间序列资料的生成，并内建差分隐私技术，在合成资料中添加杂讯，来确保资料来源不会被逆向推导辨识。这类合成资料适合用于临床试验、金融交易模拟等场景。目前，DataMaker已在微软Azure平台以私人预览版提供。
至于SAS Viya Copilot则导入类ChatGPT的对话互动介面，来让使用者用自然语言问答，来更简单地使用Model Studio工具。比如，使用者可以用自然语言，要求模型优化、分析ROC报表、产生说明文件等，也能根据现有模型节点提出自动化调参建议，就算没有资料科学知识也能执行资料科学任务。目前，SAS Viya Copilot在SAS托管云服务提供私人预览版，预计今年第三季正式推出。