默克与万事达卡的代理型 AI 实战：药物发现提速 33%、营销合规率 99%，核心秘诀在于“基础设施先行”与严格的风险护栏

在代理型 AI（Agentic AI）从概念走向落地的关键阶段，默克（Merck） 与 万事达卡（Mastercard） 两家行业巨头分享了他们的真实实践与深刻洞察。尽管应用场景截然不同——前者聚焦制药研发与合规营销，后者深耕金融交易与争议处理两者得出了惊人一致的结论：代理型 AI 的成功，不取决于模型的炫酷程度，而取决于底层基础设施的坚实程度与风险控制的精细化水平。

默克：基础设施先行，避免“技术债务”陷阱

默克数字平台副总裁 Sean Finnerty 强调，代理型 AI 只有在企业构建好底层“管道”后才能发挥威力。

1. 基础优先：构建可扩展的 AI 脚手架

• 教训借鉴：吸取云计算早期的经验，默克拒绝“一次性”实验，转而构建支持成千上万个 Agent 的基础设施。
• 多云架构：支持 2500+ AWS 账户、Azure 订阅及 GCP 集成，确保工作负载可灵活部署。
• 上下文传递：面对 PB 级的结构化与非结构化数据（Oracle、SQL、Excel、录音等），团队构建统一的数据摄取与组织机制，确保 Agent 能获取准确、有意义的上下文。
• 标准化集成：确保系统与 MCP（Model Context Protocol）、A2A 等标准良好集成，降低摩擦，保障安全。

2. 显著成果：提速与合规双赢

• 药物发现加速：AI 辅助将特定研究周期缩短 33%，理论上可将疗法提前一年送达患者手中。
• 营销合规高效化：
  • AI 生成的营销草稿合规率达 99%。
  • 审核周期从数月缩短至数天，交付速度提升 70%-80%。
  • 角色转变：人类从“执行者”变为“治理者”，专注于最终监督。
• 应用现代化：Agent 自动发现架构、编写 Terraform 代码、重构语言（JS 转 Python），将原本耗时数周、耗资数十万美元的任务简化为提示词驱动。

3. 应对幻觉：“AI 监督 AI”机制

针对 Agent 编造不存在函数或场景的“离谱”幻觉，默克设计了多重护栏：

• 多模型校验：使用 Claude 生成初稿，再指令 Microsoft Copilot 进行评估。
• 置信度评分：通过多次迭代检查，提高置信度，最大限度减少垃圾输出。

万事达卡：在信任与效率间寻找平衡

万事达卡首席数据官 Andrew Reiskind 则将重点放在高度复杂的交易争议处理工作流上。

1. 复杂场景：结构化与非结构化的交织

• 流程繁琐：拒付或欺诈争议涉及消费者投诉（非结构化、可靠性存疑）、商户调查、支付网络规则（结构化、确定性）等多方交互。
• 决策混合：系统需同时处理确定性决策（如卡片是否挂失）和概率性决策（如消费者投诉的真实性）。

2. 风险量化：“PB&J 与火鸡三明治”理论

Reiskind 提出用食品比喻来评估 AI 错误的可接受风险：

• 小麻烦：给顾客花生酱果酱三明治而非火鸡三明治（低风险，可容忍）。
• 严重事故：给乳糜泻患者提供含麸质食物（高风险，零容忍）。
• 成本效益分析：企业需分解问题组件，计算每部分的错误成本与缓解成本。例如，若 1% 的错误率是可接受的，则进入下一阶段设计缓解措施；否则需重新评估。

3. 信任维护

作为金融机构，万事达卡必须在提高效率/降低成本与维护消费者信任之间找到平衡。AI 不能在没有证据的情况下随意标记消费者为骗子，否则将损害品牌声誉。

共同启示：代理型 AI 落地的三大支柱

默克与万事达卡的案例表明，代理型 AI 并非魔法，而是一项系统工程。“先打好基础” 不仅是技术建议，更是战略必须。

• 对于制药、制造等强监管行业，重点在于构建可靠的数据管道与多层合规护栏，让 AI 在安全范围内加速创新。
• 对于金融、服务等高信任依赖行业，重点在于精细化的风险量化与人机协作边界设定，确保效率提升不以牺牲信任为代价。

未来，随着 Agent 数量的激增，那些拥有坚实基础设施、清晰风险框架及成熟人机协作模式的企业，将在 AI 浪潮中占据绝对优势。