Vejen fra RPA til Autonome Agenter

En finansiel kriminalitetsefterforsker, der tidligere modtog store mængder af mistænkelige aktivitetsalarmer, der krævede trættende efterforskning ved manuelt at samle data fra forskellige systemer for at afvise falske positiver og udarbejde mistænkelige aktivitetsrapporter (SAR’er) på de andre. I dag modtager hun prioriterede alarmer med automatiseret forskning og foreslået indhold, der kan generere SAR’er på få minutter.

En retail-kategoriplanlægger, der tidligere brugte timer på at analysere tidligere ugers rapporter for at forsøge at afsløre indsigt i, hvilke produkter havde lav præstation, og hvorfor, bruger i dag AI til at give dybdegående indsigt, der afslører problemområder og foreslår korrektive handlinger, prioriteret for maksimal forretningsvirkning. En industriel vedligeholdelsesingeniør bruger en copilot, der udfører 24/7-aktivitetsovervågning og forudser problemer og genererer advarsler i de tidlige faser af mekaniske eller ydelsesproblemer, hvilket reducerer uventet nedtid.

Disse transformationer sker overalt i virksomheder i dag, og det signalerer en grundlæggende ændring: vertikale applikationer, der kombinerer prædictiv, generativ og fremvoksende agens AI, udvider og transformerer arbejdsgangsautomatisering, og giver målrettede, sofistikerede funktioner, der løser langt mere komplekse og kontekstuelle udfordringer end tidligere løsninger.

Gartners 2024 Hype Cycle for Emerging Technologies fremhævede autonome AI som en af årets fire mest fremherskende teknologitrends – og med god grund. Med ikke-AI-agenter skulle brugerne definere, hvad de skulle automatisere, og hvordan de skulle gøre det i stor detalje. Men applikationer, der kombinerer prædictiv, generativ og snart agens AI med specialiseret vertikal viden og arbejdsgange, kan trække information fra forskellige kilder på tværs af virksomheden, accelerere og automatisere gentagne opgaver og give anbefalinger for højvirkningshandling. Virksomheder, der bruger disse applikationer, opnår hurtigere og mere præcise beslutninger, hurtig problemdetektering og -løsning og endda forebyggende foranstaltninger for at forhindre problemer i at opstå fra starten.

AI-agenter repræsenterer den næste bølge i virksomheds-AI. De bygger på grundlaget af prædictiv og generativ AI, men tager et betydeligt skridt fremad i forhold til autonomi og tilpasning. AI-agenter er ikke kun værktøjer til analyse eller indholdsgenerering – de er intelligente systemer, der kan træffe uafhængige beslutninger, løse problemer og lære kontinuerligt. Denne udvikling markerer en ændring fra AI som et støtteværktøj til AI som en aktiv deltager i forretningsprocesser, der kan initiere handlinger og tilpasse strategier i realtid.

Udviklingen fra RPA til Autonome Agenter

Traditionelt blev RPA brugt til gentagne, heuristiske processer og lavkompleksitetsopgaver med strukturerede dataindtastninger. RPA bruger strukturerede indtastninger og defineret logik til at automatisere højgentagne processer som dataindtastning, filoverførsel og udfyldning af skemaer. Den brede tilgængelighed af billige, højtydende prædictiv og generativ AI har løst det næste niveau af mere komplekse forretningsproblemer, der kræver specialiseret domæneekspertise, virksomhedsklasse-sikkerhed og evnen til at integrere forskellige datakilder.

Ved det næste niveau går AI-agenter ud over prædictiv AI-algoritmer og -software med deres evne til at fungere autonomt, tilpasse sig til ændrende miljøer og træffe beslutninger baseret på både foruddefinerede regler og lært adfærd. Mens traditionelle AI-værktøjer måske excellerer i bestemte opgaver eller dataanalyse, kan AI-agenter integrere multiple funktioner for at navigere i komplekse, dynamiske miljøer og løse multifacetterede problemer. AI-agenter kan hjælpe organisationer med at være mere effektive, produktive og forbedre kunde- og medarbejderoplevelsen, samtidig med at de reducerer omkostningerne.

Når de bygges med de rette AI-modeller som værktøjer og med vertikale datakilder og maskinlæring til at understøtte specialiseret kontekstuel aktivitet, bliver AI-agenterne højproduktive arbejdskræfter i forhold til at afkode problemet, tage de rette skridt, genoprette fejl og forbedre sig over tid på de givne opgaver.

Navigering af Implementering: Nøgleaspekter for Virksomheder at Overveje

Implementering af prædictiv, generativ og til sidst agens AI i en virksomhedssetting kan være meget fordelagtigt, men at tage de rette skridt før udrulning for at sikre succes er kritisk. Her er nogle af de vigtigste overvejelser for virksomheder, når de overvejer og starter at rulle AI-agenter ud.

• Alignment med Forretningsmål: For virksomheds-AI-adopterings succes skal det løse bestemte brugsændelser i bestemte brancher og levere øget produktivitet og præcision. Inkluder jævnligt forretningsstakeholdere i AI-vurderings-/valgsprocessen for at sikre alignment og give klar ROI. Produktet skal være tilpasset processer og arbejdsgange, der målbart forbedrer resultater for de definerede brugsændelser og vertikale domæner.
• Datakvalitet, -mængde og -integration: Da AI-modeller kræver store mængder af højkvalitetsdata for at fungere effektivt, skal virksomheder implementere robuste dataindsamling- og -behandlingspipelines for at sikre, at AI’en modtager aktuelle, præcise og relevante data. Kuratering af datakilder reducerer betydeligt risikoen for hallucinationer og muliggør, at AI’en kan give den optimale analyse, anbefalinger og beslutninger.
• Sikkerhed og Beskyttelse: Håndtering af følsomme data i AI-modeller udgør beskyttelsesrisici og potentielle sikkerhedssvagheder. Omhyggelig overvejelse af, hvilke data der er nødvendige for AI’en for at udføre sit arbejde, og ikke at give data, der ikke ville være direkte relevante, kan hjælpe med at minimere eksponering. Applikationer skal også give rollebaseret og brugerbaseret adgangskontrol med autentificeringsbeskyttelse bygget ind på data- og API-lagene og bekræfte, at data ikke når SLM’er eller LLM’er uden verificering og beskyttelse.
• Infrastruktur og Skalerbarhed: Kørsel af store AI-modeller kræver betydelige beregningsressourcer, og skalerbarhed kan også være et problem. God design kan forhindre overforbrug af ressourcer – f.eks. kan en specialiseret SLM være lige så effektiv som en mere generel LLM og betydeligt reducere beregningskrav og forsinkelser.
• Modelfortolkning og Forklarbarhed: Mange AI-modeller, især dybtlæringsmodeller, ses ofte som “sorte kasser”. Gode virksomheds-AI-produkter giver fuld gennemsigtighed, herunder hvilke kilder modellerne har adgang til og hvornår, og hvorfor hver anbefaling blev gjort. At have denne kontekst er kritisk for at skabe bruger tillid og drive adoption.

Potentielle Ulemper ved AI-Agenter

Som med alle nye teknologier har AI-agenter nogle potentielle ulemper. De bedste AI-agentsapplikationer afhænger af menneske-i-løkke-processer – herunder alle SymphonyAI-agens AI-applikationer og funktioner. Denne tilgang muliggør menneskelig overvågning, intervention og samarbejde, hvilket sikrer, at agentens handlinger er i overensstemmelse med forretningsmål og etiske overvejelser. Menneske-i-løkke-systemer kan give realtidsfeedback, godkende kritiske beslutninger eller træde ind, når AI’en møder ukendte situationer, og skabe et kraftfuldt samarbejde mellem kunstig og menneskelig intelligens.

Ansvarlig AI leverer også en stærk brugergrænseflade, sporbarhed og evnen til at audite trinene for, hvorfor agenten valgte en udførelsesvej. Vi overholder ansvarlige AI-principper om ansvarlighed, gennemsigtighed, sikkerhed, pålidelighed/sikkerhed og beskyttelse.

Vejen til Fuldt Autonome Agenter

Det er svært at forudsige, hvor realistisk scenariet med fuldt autonome agenter er, fordi vi ikke har etableret en branchewide målestok for niveauet af autonomi. For eksempel er det autonome kørselsområde blevet etableret med hensyn til Niveauer 1-5 for selvstyrende køretøjer, med nul som intet niveau af automatisering, hvor chaufføren udfører alle kørselsopgaver, til niveau fem, hvor køretøjet udfører alle kørselsopgaver.

Vi er langt fremme i, hvad jeg ser som den tredje fase af vejen til virksomheds-værdi med AI – hvor kombineret generativ og prædictiv AI-applikationer giver sofistikerede anbefalinger og understøtter flydende hvad-hvis-analyse. Hos SymphonyAI ser vi den næste fase udvikle sig mod autonome AI-agenter, der arbejder med prædictiv og generativ AI for at accelerere finansielle svindelundersøgelser, turbocharge retail-kategoristyring og efterspørgselsprognose og muliggøre, at producenter kan forudsige og undgå maskinefejl.\

Vi er i gang med at forbedre kompleksiteten og autonomien af AI-agenter i vores applikationer, og kunde-tilbagemeldinger er meget positive. Prædictiv og generativ AI er avanceret til et niveau, hvor de kan automatisere arbejdsgange, der tidligere blev betragtet som for komplekse til traditionel software. Autonome eller agens AI excellerer i at håndtere disse opgaver uden overvågning, hvilket fører til transformative produktivitetsgevinster og muliggør, at menneskelige ressourcer kan fokusere på mere strategiske aktiviteter.

For eksempel har en multinationaleuropæisk bank, der bruger SymphonyAI Sensa Investigation Hub med AI-agenter og en copilot, hjulpet finansielle kriminalitetsefterforskere med at spare tid på deres efterforskninger, samtidig med at de forbedrede efterforskningens kvalitet. Inden for uger så banken en gennemsnitlig indsatsbesparelse på ca. 20 % i niveau 1- og niveau 2-efterforskninger. Banken projekterer også omkostningsbesparelser med SymphonyAI på Microsoft Azure på 3,5 mio. euro om året, herunder en 80 % nedgang i udgifter til en førende teknologileverandør fra 1,5 mio. euro om året til 300.000 euro om året.

Med omhyggelig, virksomhedsklasse-design, der bruger ansvarlige AI-principper, leverer AI-agenter transformationel produktivitet, præcision og excellence for en voksende række af beviselige brugsændelser. Hos SymphonyAI er vores mission at levere virksomheder med AI-agenter, der leverer operationel excellence. Ved at kombinere hurtig respons med langsigtedigt strategisk tænkning er agens AI klar til at revolutionere kritiske processer på tværs af multiple brancher.