AI-modeller og platforme

AWS Quick tilføjer chatbaserede arbejdsgange og koordinering af flere agenter

Aiden Cross
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterChat-beskrevne flows lader teams standardisere tilbagevendende arbejde uden at være…
Vis mere
  • Chat-beskrevne flows lader teams standardisere tilbagevendende arbejde uden at være afhængige af én medarbejders private tjekliste.
  • Multi-agent-orkestrering samler specialiserede agenter, så domæneeksperter vedligeholder deres egne instruktioner og viden.
  • Administratorer får gruppetilladelser og skrivegodkendelser, der definerer, hvad agenter må gøre på tværs af teams.

Amazon Web Services udgav en omfattende opdatering af AWS Quick den 20. november 2026 med chatbaserede arbejdsgange til virksomheder og koordinering, der samler resultater fra flere specialiserede agenter. En redesignet webapp, nye forbindelser og udvidede administrationsmuligheder understøtter en satsning på at gøre AI-assisterede processer gentagelige på tværs af teams.

Samtalebaserede arbejdsgange standardiserer tilbagevendende opgaver

Brugerne kan beskrive en proces i en chat og få Quick til at opbygge en arbejdsgang, som de kan køre, teste og finjustere i den samme samtale. Et diagram over trinnene ved siden af chatten gør det lettere at gennemgå arbejdsgangen, og arbejdsgange kan koordinere agenter, færdigheder, værktøjer, strukturerede data, viden og applikationer. De kan startes fra web, computer eller mobil. Nye deterministiske trin håndterer faste beregninger og kontroller side om side med agentbaseret udarbejdelse og analyse. AWS siger, at disse trin gør tilbagevendende arbejdsgange ensartede og efterprøvelige, og at de understøtter længerevarende processer og større datamængder.

AWS’ udtrykkeligt fiktive finansekssempel viser, hvordan delene fungerer sammen. En månedlig rapporteringsarbejdsgang analyserer regioner parallelt, sammenligner resultaterne med planen ved hjælp af faste regnearksformler, anvender tærskelværdier fastsat af ledere til at markere væsentlige afvigelser og udarbejder kommentarer. Derefter forbereder den en Excel-oversigt og en e-mail til gennemgang. En person undersøger, hvorfor regioner blev markeret, anmoder om ændringer i chatten og godkender rapporten, inden den distribueres. Kollegaer kan efterfølgende køre den samme arbejdsgang, så afhængigheden af den oprindelige medarbejders private tjekliste mindskes.

Pomelo, en latinamerikansk fintech-udbyder, bidrog med et kundecase. Dataansvarlig Rodrigo Marini sagde, at næsten fire gange så mange personer nu arbejder med data hver måned uden at udvide datateamet, at én anvendelse sparer 80 timers arbejde om måneden, og at medarbejdere på tværs af virksomheden kan opbygge agenter og arbejdsgange under fælles styring. Resultatet illustrerer opdateringens centrale forretningsargument: bredere deltagelse i dataarbejdet uden en tilsvarende vækst i antallet af specialister.

Webapp, agenter og forbindelser

Den opdaterede startside i browseren samler en prioriteret oversigt over e-mails og beskeder med en daglig briefing. Brugerne kan spørge ind til et element eller få Quick til at udarbejde et svar til gennemgang. Planlagte og længerevarende opgaver fortsætter, efter at browseren er lukket, mens Mission Control viser færdige resultater og agenter, der afventer input, når brugerne vender tilbage.

Bibliotek samler nyligt arbejde, favoritter, fastgjorte elementer og filer oprettet med Quick, mens samtaler, agenter og filer synkroniseres på tværs af web, computer og mobil. Afsnittet Tilpas samler agenter, arbejdsgange, færdigheder, viden og forbindelser, herunder agenter og færdigheder, der er oprettet på computeren eller delt. Eksisterende dashboards, emner og rum fungerer fortsat uden aktiveringstrin.

Koordinering af flere agenter gør det muligt for den agent, der modtager en anmodning, at tilkalde flere specialiserede agenter samtidig. Hver agent bevarer sine egne instruktioner, sin viden og sin kontekst, så fageksperter kan vedligeholde deres egne agenter. Quick præsenterer derefter et samlet svar, der viser hvert enkelt bidrag. I AWS’ eksempel om forsendelsesomkostninger behandler en prognoseagent, der bruger planlægningsdata, og en indkøbsagent, der bruger leverandørkontrakter, forskellige dele af det samme spørgsmål, hvorefter brugeren beslutter, hvad næste skridt skal være.

Meta Ads-forbindelsen bruger Metas Model Context Protocol-server til at oprette, administrere og analysere kampagner ved hjælp af naturligt sprog. Amplitudes MCP-server understøtter spørgsmål om produktbrug, kundeadfærd og konvertering. På tværs af forbindelser gælder eksisterende adgangstilladelser fortsat, administratorer bestemmer, hvilke integrationer teams kan tilføje, og Quick kræver tilladelse til skrivehandlinger som at oprette en Meta-kampagne eller ændre et budget.

Styringskontroller sætter rammerne for udrulningen

Genanvendelige færdigheder, som tidligere blev administreret på computeren, kan nu findes, installeres, oprettes og administreres i webappen. Disse instruktioner beskriver fremgangsmåder som at kontrollere en kontrakt op mod et teams tjekliste eller formatere en projektopdatering.

Sikkerhedsregler for prompts er tilgængelige som forhåndsvisning. Administratorer kan filtrere indhold, blokere forbudte emner og bestemte ord, registrere promptangreb og beskytte udvalgte typer personoplysninger. De kan afprøve en politik i en tilstand, der kun registrerer hændelser, før den håndhæves for enkelte brugere, grupper hos identitetsudbyderen eller hele kontoen.

Sikkerhedsregler, profiler for gruppebaserede tilladelser og forbrugsgrænser samt kontroller over, hvilke typer datakilder brugerne kan oprette, opdatere eller dele, er tilgængelige for abonnenter på Professional og Enterprise. Administratorer kan for eksempel sætte en grænse for agenttimer pr. gruppe eller tillade forbindelser til Amazon Redshift, samtidig med at filoverførsler blokeres.

Quick tilføjer japansk, tysk, forenklet og traditionelt kinesisk samt vietnamesisk. AWS siger, at funktionerne straks er tilgængelige i alle regioner, hvor Quick tilbydes, og at kundedata forbliver i kundens miljø og ikke bruges til at træne andres modeller.

Bredere automatisering ledsages derfor af tydelige driftsmæssige rammer: gruppetilladelser, begrænsninger for forbindelser, godkendelse af skrivehandlinger og menneskelig gennemgang fastlægger, hvad agenter og arbejdsgange må gøre, når organisationer udbreder Quick på tværs af teams.

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.