Agenti pomáhají optimalizovat pracovní postupy AI, ale lidský prvek zůstává zásadní pro ROI

Krajina AI prošla fundamentální změnou. Organizace, které se snažily získat maximum z AI, jsou nyní více proaktivní ve svých přístupech a začínají využívat agenty. Předtím byl dominantním modelem interakce largely reaktivní – cloud-centric a závislý na uživatelích, kteří vyvolávají modely. Nicméně, jak se stroje stávají chytřejšími, objevily se agenticové modely, ve kterých je vyžadována méně lidské interakce pro inteligentní systémy, aby proaktivně vykonávaly komplexní úkoly.

Jednak, zatímco agentic AI je odchylkou od tradičních, úzce zaměřených AI systémů, optimalizace příležitosti spočívá v augmentaci pracovníků – ne v jejich nahrazování.

Agenti byli navrženi tak, aby rozuměli multi-stepovým cílům; plánovali a sekvenovali akce; a interagovali s několika zdroji, aby autonomně dosáhli cílů. Například, AI agent, který se může naučit vaše preference, finanční omezení a priority, může použít tyto informace k nezávislému vyjednávání o nákupu. Tento scénář se aktuálně odehrává, protože se tato schopnost vyvíjí a mění, jak přemýšlíme o podnikové a spotřebitelské AI.

Nicméně, aby to bylo skutečně praktické, bezpečné a užitečné, pracovní postupy, které jsou základem agentů, musí být informovány o reálném čase. Tento typ poznatků vyžaduje podkladové Hybridní AI architektury – ekosystém, který strategicky distribuuje pracovní zátěž mezi zařízení, edge a cloud – všechny řízené týmy znalostních pracovníků.

Proč Hybridní AI je nutností

Agentic AI prosperuje v kontextu, který často zahrnuje citlivé osobní nebo organizační údaje, což znamená, že cloud představuje legitimní rizika pro soukromí. Nicméně, Hybridní AI udržuje zpracování dat a rozhodování na místních důvěryhodných zařízeních nebo v zabezpečených prostředích. AI pracuje tam, kde jsou data, snižuje expozici a soulad s předpisy o suverenitě dat.

Dalším důležitým požadavkem je personalizace, která úzce souvisí s problémem ochrany soukromí. V předchozím příkladu agenta pro nákup, uživatelské preference a omezení jsou kritické. Tyto také často zahrnují osobní identifikační informace (PII), které musí být uchovávány v soukromí, takže ukládání a využívání tohoto kontextu místně zajišťuje ochranu soukromí uživatelů.

Úspěch Agentic AI také vyžaduje okamžité rozhodování, což znamená, že není čas na to, aby data cestovala přes sítě. Vyjednávání o obchodech, reagování na data ze senzorů v reálném čase a řízení dynamických pracovních postupůすべて vyžadují okamžitost. Zpoždění nebo, ještě hůř, přerušení mohou mít významné důsledky. Hybridní AI umožňuje výpočty s nízkou latencí na zařízení, které udržují plynulé a reálné zkušenosti.

Hybridní AI také eliminuje potřebu stálého cloudového zpracování, které je náročné na zdroje a nákladné. Místo toho podporuje orchestraci pracovních zátěží, využívající místních výpočtů pro rutinní úkoly a rezervuje cloud pro těžší datové tahy nebo výpočty.

Nakonec také umožňuje částečné provedení úkolů, umožňující agentům zůstat funkčními i v offline nebo nízkopropustných scénářích, dokud nebude obnoven přístup do cloudu. Kombinace lokalizované inteligence a škálovatelné síly cloudu je to, co činí Agentic AI zkušenosti možné.

Vyřešení implementačních výzev

I před vznikem Agentic AI se organizace často potýkaly s tím, aby získaly jasnou návratnost investic z jejich investic do AI. Zatímco agenti nejsou okamžitým lékem, nabízejí přesvědčivou cestu vpřed, když jsou aplikováni na holistické pracovní postupy místo fragmentovaných úkolů. Agenti, kteří řídí koncové operace, dodávají mnohem viditelnější a závažnější návraty.

Nicméně, smysluplná návratnost investic je možná pouze tehdy, pokud jsou beberapa klíčové bariéry adopce řešeny:

• Předvídatelnost a etika jsou zásadně důležité pro AI agenty, což pohání významný růst adopce vládních platforem a technik, jako je Constitutional AI. Tyto opatření pomáhají zajistit soulad s lidskými hodnotami a poskytují dohled.
• Snižování složitosti a zvyšování spolehlivosti jsou také klíčové pro úspěšnou implementaci, protože řízení multi-stepových úkolů s agenty je komplikované. Nicméně, s vznikem pokroků a osvědčených postupů v tréninku modelů, výkon se stává konzistentnějším. Tyto typy vývojových rámců také umožňují týmům budovat předvídatelné a robustní agentic systémy, které jsou snazší na nasazení.
• Zabezpečené integrovaní s nástroji a API je další kritickou considerací, protože agenti potřebují přístup k různým zdrojům dat a aplikacím. Průmysl buduje protokoly a standardy pro zabezpečené interakce, a technologie důvěrného výpočtu dále chrání citlivé údaje během runtime.

Nejen, že musí být nástroje zabezpečené, ale musí být také spolehlivé, protože Agentic AI závisí na reálném čase interakce s externím softwarem. Vylepšené funkce volání funkcí v základních modelech a frameworků pro interoperabilitu zjednodušují tuto integraci. Například, Model Context Protocol (MCP) podporuje zabezpečené a multi-step pracovní postupy, dělají agenty více schopnými a předvídatelnými – a tedy efektivními.

Cílení na realitu

Agentic AI vyniká tam, kde jsou cíle dynamické, distribuované a náročné na zdroje – schopné škálovat za hranice schopností týmů, ale potřebují jejich inteligenci, aby byly nejúčinnější.

Autonomní agenti mohou řídit dodavatelské řetězce, pomáhají vyhnout se logistickým přerušením analýzou dat o zásob a dodávkách v reálném čase. Mohou fungovat na edge zařízeních, koordinují s centrálními plánovacími systémy v cloudu a aktualizují strategie routování, aby proaktivně udržovaly data aktuální a zabezpečená.

Agenti mohou být také vloženi do průmyslových pracovních stanic, aby monitorovali data ze senzorů, spouštěli protokoly údržby nebo koordinovali objednávky náhradních dílů – vše, co zlepšuje provozní odolnost a snižuje nákladné prostoj.

AI počítače vybavené agenty na zařízení mohou řídit individuální pracovní postupy, shrnovat schůzky, vytvářet obsah a interagovat s podnikovými systémy bez ohrožení osobní identity nebo soukromých údajů.

V každém z těchto případů použití je kritickým prvkem dohled znalostního pracovníka, který zajišťuje, že data, která vstupují do agenta, jsou přesná a čistá.

Stavění více autonomní budoucnosti

Podniky, které implementují agenty dnes a investují do školení své pracovní síly v řízení agentů, připravují se, aby byli před svými konkurenty. Agentic AI je základem budoucnosti s pokroky, jako jsou AI dvojčata, ale jeho vlastní základ vyžaduje Hybridní AI. Toto je významný krok vpřed při dodávání skutečně autonomních, užitečných a bezpečných AI systémů, které mohou fungovat v reálných podmínkách.