AI-modeller og platforme

Appian udvider styringen af AI-agenter og lancerer Ask Appian

Aiden Cross
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterAppian placerer agenter inde i deterministiske processer, så regler håndterer…
Vis mere
  • Appian placerer agenter inde i deterministiske processer, så regler håndterer forudsigeligt arbejde, og agenter håndterer vurdering.
  • Raiffeisen rapporterede, at en hybrid tilgang med agenter og regler reducerede tokenforbrug og behandlingstid med 80 % i test.
  • Appians kontrolplan mangler stadig sporing og måling på tværs af platforme for agenter, der er bygget uden for deres platform.

Appian udvidede sin kontrolplan for AI-agenter og lancerede Ask Appian på Appian Europe i London den 17. november 2026 med værktøjer til tilsyn på procesniveau og måling af resultater. I meddelelsen oplyste Raiffeisen Bank International, at en hybrid tilgang med agenter og regler reducerede tokenforbruget og behandlingstiden med 80 % i test.

Kontrolplanen er udviklet til at registrere Appian-agenter og tredjepartsagenter i én samlet administrationsvisning, overvåge aktivitet og omkostninger, begrænse, hvilke modeller der kan bruges, følge overholdelsen af politikker og udsende advarsler. Optimeringslaget bruger evalueringer til at følge nøjagtigheden og knytter agenter til de sager og procestrin, de har håndteret. Forretningsmæssige nøgletal (KPI’er), såsom omkostning pr. sag og gennemløbstid, giver den driftsmæssige kontekst.

Ask Appian er en separat grænseflade, hvor man kan anmode om arbejde i et almindeligt sprog. Den er udviklet til at hente relevant kontekst fra systemer, der er forbundet via Appians data fabric, og sætte agenter til at udføre opgaven. Målet er at spare medarbejderne for at skifte mellem de underliggende applikationer for at samle oplysninger og gennemføre en anmodning.

Agenter som trin i deterministiske processer

Appians tilgang placerer agenter i deterministiske forretningsprocesser, hvor processen styrer rækkefølgen, og hvert trin tildeles en agent, en person, et system eller en regel. Regler håndterer forudsigelige opgaver, mens agenter får sikkerhedsrammer og fælles kontekst til trin, der kræver dømmekraft. Hvis en agent fejler eller stoppes, kan opgaven overdrages til en person, en regel eller en anden agent, så sagen kan fortsætte.

Sanat Joshi, Appians koncerndirektør for produktledelse, sagde, at tilladelser, sikkerhedsrammer og adgang til modeller ikke kan fastslå, om en agent udfører nyttigt arbejde. »Appian sætter forretningsprocessen i centrum,« sagde han og beskrev virksomhedens fokus på, hvordan hver agent påvirker forretningsresultaterne.

Et blogindlæg fra Appian fra den 16. november 2026 forklarer afvejningen. Processtyrede trin er ensartede, gentagelige og kan auditeres; agentstyrede trin kan håndtere åbne opgaver, men øger omkostningerne og forsinkelsen, og resultaterne kan variere fra sag til sag. I ét eksempel overlader en agent, der vurderer et lån, gældsberegningerne til deterministiske formler, mens en lånerådgiver træffer den endelige beslutning.

Aktuelle integrationer og planlagt måling

Appians dokumentation for kontrolplanen skelner mellem nuværende funktioner og senere tilføjelser. Tredjepartsagenter kan allerede indgå som trin i Appian-processer via MCP eller direkte integration, uden at blive flyttet ind i Appian. Understøttelse af A2A-protokollen, et register over tredjepartsagenter og sporing af agenter, der kører uden for Appian, kommer senere.

Målingen har en tilsvarende afgrænsning. Appian-agenter måles allerede i forhold til proces-KPI’er. Dokumentationen angiver, at estimater af omkostningen pr. sag og pr. trin for Appian-agenter og tredjepartsagenter, sammenligninger af arbejdet før og efter med manuelt arbejde samt anbefalinger til forbedring af agenter kommer senere.

Mange af kontrolplanens funktioner er tilgængelige, herunder styring, orkestrering og procesintelligens, og kunder kan deltage i et program for tidlige brugere for at få adgang inden den generelle lancering. Appian sagde, at yderligere funktioner ville begynde at blive lanceret i løbet af 2026, men planlagte funktioner og tidsplaner kan ændre sig, og købsbeslutninger bør baseres på funktionalitet, der er generelt tilgængelig.

Raiffeisens test af agenter og regler

Raiffeisen Bank International har til hensigt at automatisere forespørgsler om betalinger med Appian. Claus Mitterlehner, virksomhedens chef for intelligent automatisering, sagde, at teamet i første omgang gav de fleste opgaver til AI-agenter. »Efter at have testet det ændrede teamet kurs og flyttede de forudsigelige trin over til deterministisk automatisering, mens agenterne blev beholdt til de trin, der kræver dømmekraft,« sagde han.

Det er kontrolplanens bredere optimeringssløjfe: Evalueringer og proces-KPI’er viser, hvordan agenterne klarer sig, og gentagne agenttrin kan blive til deterministiske arbejdsgange eller forretningsregler. Det tilsigtede resultat er en proces, hvor udgifterne til agenter koncentreres om arbejde, der kræver dømmekraft, frem for forudsigelig udførelse.

Landingssiden for en undersøgelse foretaget af Appian og Harvard Business Review Analytic Services oplyser, at 92 % af de adspurgte sagde, at agenter har brug for regelbaserede sikkerhedsrammer for at være sikre og effektive, mens 48 % havde indført sådanne regler. Undersøgelsen omfattede beslutningstagere inden for AI og undersøgte modernisering og integration af arbejdsgange.

Den forretningsmæssige begrundelse for kontrolplanen afhænger derfor af mere end blot at sikre, at agenterne overholder politikkerne. Den afgørende prøve er, om dokumentation fra processerne kan vise, hvor agenter forbedrer omkostninger, hastighed eller nøjagtighed, og hvor gentaget arbejde bør erstattes af regler. Raiffeisens rapporterede test er det konkrete eksempel; de planlagte funktioner til et register på tværs af platforme, sporing og måling vil afgøre, hvor konsekvent Appian kan udvide denne analyse til agenter, der er udviklet andre steder.

Aiden Cross er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI-produktstrategi, udførelse og de praktiske udfordringer ved at omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbejde fokuserer på, hvordan startups og virksomhedsteams bevæger sig fra prototyper og demos til pålidelige systemer, der bruges af rigtige kunder.
Med et pragmatisk og detaljeorienteret perspektiv analyserer Aiden produktroadmaps, strategier for markedsintroduktion, platformbeslutninger og organisatoriske kompromiser, der bestemmer, om AI-initiativer lykkes eller stagnerer. Han lægger særlig vægt på implementeringsrealiteter, brugeradoption, infrastrukturbegrænsninger og sammenhængen mellem teknisk kapacitet og forretningsværdi.
Artikler skrevet af Aiden Cross er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre klarhed, nøjagtighed og ansvarlig dækning af, hvordan AI-produkter bygges, leveres og skaleres i den virkelige verden.