Vaši agenti AI selhávají, protože neznají váš podnik

V loňském roce Absa, jeden z největších bank v Africe, potřeboval 120 dní, aby přesunul nový model detekce finančních zločinů z vývoje do produkce. Zatímco to bylo blízko průměru odvětví v té době, stejná banka dnes může nasadit nový model za 15 dní, i se stejným regulačním prostředím, objemy transakcí a požadavky na dodržování předpisů.

A přesto, průzkum PwC zjistil, že 56 % CEO podniků nevidělo žádnou významnou finanční výhodu z jejich investic do AI. Každý vedoucí podniku, se kterým mluvím, slyšel prezentaci: pokud nasadíte agenty AI a automatizujete své pracovní postupy, rychle uvidíte návratnost investic. Místo toho, 18 měsíců a několik milionů dolarů později, dopad na podnikání chybí. Chybějící ingrediencí je kontext domény, operačně založené pochopení, které dává agentovi to, co potřebuje k tomu, aby činil vnitřní obchodní rozhodnutí, a co dělat, když se zmýlí.

Když agenti přestanou radit a začnou jednat

Gartner odhaduje, že do roku 2027 bude 50 % obchodních rozhodnutí podporováno nebo automatizováno agenty AI pro inteligenci rozhodnutí. Až donedávna byla role AI v podniku poradit, přičemž zaměstnanec činil rozhodnutí. Nejhorší scénář byl ztracený přehled, zpožděné rozhodnutí nebo absence reakce na upozornění. S agenty jsou důsledky mnohem větší.

V globální farmaceutické společnosti, biologickém závodě, když inspektor skenuje dveře laboratoře, automaticky se spustí správný inspekční pracovní postup, přizpůsobený zařízení a specifikacím dané místnosti. Agent řadí inspekci, zpřístupňuje referenční materiál a umožňuje inspektorovi potvrdit. V GxP-regulovaném závodě musí být každá inspekce připravena k auditu, což znamená, že agent přebírá část operační zátěže v prostředí s reálnými důsledky, pokud se zmýlí.

Většina stávajících rámců pro governance byla postavena pro předchozí poradenský svět: periodické kontroly modelů s lidskou kontrolou výstupu jediného systému. Nyní máme agenty, kteří předávají úkoly jiným agentům, koordinují pracovní postupy a zesilují špatné rozhodnutí v celém procesním řetězci, dříve než si to někdo uvědomí.

Proč generické agenti narazí na zeď

Obecný agent může vypadat opravdu působivě za kontrolovaných podmínek. Začíná však mít potíže v podnikových operacích, které mají omezení, vzájemné závislosti a úsudky, které jsou zřejmé pro každého, kdo pracoval na podlaze, a neviditelné pro model, který nebyl naučen je vidět.

Kategorie manažer ve společnosti top five globální potravinářské a nápojové společnosti čelil stejnému problému v jiné škále: 96% penetrace trhu, bez tradičních pák, které by mohl použít. Kategorie manažer definoval logiku rozhodnutí přímo sjednocením více než 100 zdrojů dat přes více než 1 000 atributů na obchod a umožnil AI modelu sestavit obchody do profilů chování zákazníků, na které by tým kategorie mohl reagovat. Výsledek? Tři shluky zákazníků, týdenní sprinty s maloobchodními partnery, 8% zvýšení tržeb a 35% rychlejší resetování regálů.

To fungovalo, protože agent již znal, co je planogram, co znamená shluk zákazníků a jak změna propagace ovlivňuje sousední kategorie. Obecný model musí být naučen specifické slovníky odvětví, což stojí 12 až 18 měsíců, které většina podniků nemá.

Proč governance musí být architektován

Rámce pro governance, které většina podniků má dnes, byly postaveny kolem vysvětlení výstupu modelu a jeho periodické kontroly. Nebyly postaveny pro to, co se stane, když agent spustí nezvratnou akci uvnitř pracovního postupu.

Pracoval jsem s pojišťovnou, která operuje na trzích ve střední a východní Evropě a musí zohledňovat regulační požadavky každého trhu při rozhodování o dodržování předpisů. Každé rozhodnutí o due diligence zákazníka je stopovatelné jako živý záznam, který zahrnuje vstup, model, výstup a osobu, která podepisuje. AI systém společnosti může směrovat transakci, která je v souladu s jednou trhem a ne s druhým, bez ruční rozhodovací pravomoci analytika compliance.

To je stejná architektura, která umožňuje Absa nasadit produkční systém AML za 15 dní místo 120. Rychlost je vestavěná, takže banka může okamžitě předat verzi politiky pro každé rozhodnutí regulátorovi.

Podniky, které vidíme investovat do těchto vrstev governance brzy, stále běží agenty v měřítku 18 měsíců později. Ty, které tuto činnost považují za dodatečnou kompenzaci po nasazení, jsou ty, které musí neustále přestavovat.

Domain Intelligence není jemné ladění

Schopné základní modely nedodávají spolehlivě podnikové výsledky samy o sobě, protože jsou postaveny tak, aby byly široce užitečné. Podnikové operace vyžadují hlubokou, úzkou specializaci. Spojující tyto dva aspekty již stálo odvětví čas a zdroje, ale stále je to nejčastější chyba, kterou vidím.

Domain Intelligence není aplikací retrieval-augmented generace (RAG) nebo jemným laděním obecného modelu. Je to rozdíl mezi agentem, který může zpracovat informace o obchodě s potravinami, a tím, který rozumí, jak podnik vytvořil a nasadil 5 000 individuálně přizpůsobených planogramů přes více než 750 obchodů bez centrálního týmu, který by se dotkl každé lokace.

Tento druh operační plynulosti pochází z let doménově specifických trénovacích dat, logiky rozhodnutí postavené kolem skutečných operačních omezení a znalostní vrstvy, která zahrnuje, jak změna ceny ovlivňuje marži, jak změna sortimentu ovlivňuje dostupnost regálů a jak to ovlivňuje loajalitu zákazníků. Pro jednu velkou americkou řetězec potravin toto propojené uvažování vyprodukovalo 200 milionů dolarů v.incrementálním zisku.

Vytvoření této základny nebo získání jí od partnera, který již tuto práci udělal, je skutečná předchozí náklad v datech, doménové odbornosti a disciplíně pro kódování institucionálního úsudku místo přímého přechodu k pilotnímu projektu. Pokud je tato základna spěchána, agent, který vypadá doménově vědomý v proof of concept, se může stále rozpadnout s prvním produkčním hraničním případem.

Co skutečně znamená mít podnikové agenty správně

Podniky, které budou nadále nasazovat schopné modely do stávajících pracovních postupů, budou muset neustále přiznávat svým radám, že se návratnost investic neobjevuje. MIT dospělo minulý rok k závěru, že navzdory podnikovým investicím do generativní AI 95 % organizací nezískalo žádnou návratnost. Pokud nechcete být v této skupině, umístěte domain intelligence na místo před dnem jeden, vložte governance do architektury a držte agenty odpovědné za konkrétní výsledky.

Model za jakýmkoliv agentem je ironicky nejméně trvanlivou částí této rovnice. Lépe bude dodán příští čtvrtletí, od společnosti, která postavila ten, který používáte dnes, nebo od jednoho z jejích konkurentů. Co se nezmění s novým vydáním modelu, je, zda vaši agenti rozumí vašemu podnikání. Musíte to postavit úmyslně. Agenti, kteří uspějí ve vašem prostředí, nebudou nejvíce schopní, obecní agenti na trhu, ale budou si získávat vaši důvěru, aby dělali více a více pro váš podnik.