Agentic AI’s Opkomst: En Strategisk Tretrins Tilgang Til Intelligent Automatisering

Ligesom mange andre elsker jeg god råd. Men nogle gange har jeg brug for hjælp til at få noget gjort.

Næste version af AI — agentic AI — vil flytte os fra råd til at få ting gjort. Det vil enable virksomheder, der udnytter det, til at tage et transformativt skridt fremad.

Men hvortil? Og transformere hvordan?

Agentic AI kan reducere omkostningerne ved kundesupport med 25-50% samtidig med, at det dramatisk forbedrer kvalitet og kundetilfredshed, fordi det går ud over simpel opgaveeksekvering. Det kan også selvstændigt løse komplekse arbejdsgange og kundeinteraktioner. Når det anvendes på kundesupport, for eksempel, responderer agenterne ikke bare på forespørgsler, men løser også omfattende forespørgsler fra start til slut, reducerer menneskelig indgriben og øger effektiviteten.

Som med alle nye teknologier stiller overtagelse af agentic AI udfordringer. Et selskab skal have sine arbejdsgange godt dokumenterede og dybt forstået og besidde en robust videnbas, som agentic AI kan trække på. Og ligesom med generativ AI kræver dataprivacy- og sikkerhedsproblemer, at selskaber forstår de store sprogmodeller (LLM’er), de trækker på, og hvordan information gemmes og overføres af dem.

Men den rigtige overtagelsesstrategi for intelligent automatisering kan sikre succes. For at høste de fleste fordele skal selskaber gøre følgende tre ting:

• Start i det rigtige sted
• Balance agentic AI med menneskelig ekspertise
• Tap ind i et netværk af agentic ekspertise

Selv om det stadig er tidlige dage, her er, hvad vi lærer, mens vi arbejder med kunder i forskellige brancher for at integrere agentic AI i deres arbejdsgange og operationer.

Start ikke småt — start smart

Måske modsat intuitivt er det bedste sted at starte med jeres højvolumenbrugs tilfælde. Er det ikke risikabelt? Nej, hvis det gøres korrekt. I virkeligheden øger starten med lavvolumenbrugs tilfælde faktisk risikoen for ikke at se tilstrækkelig indvirkning til at retfærdiggøre investeringen.

At starte med højvolumenbrugs tilfælde tilbyder den største mulige afkast på investeringen (ROI), hvilket ermöglicer et selskab at hurtigt realisere betydelig indvirkning, maksimere effektivitetsgevinster og demonstrere den klare værdi af at bruge AI-agenter.

Hvordan reducerer man risikoen for at starte for stort? Ved at implementere agenterne med kun 1% af de største brugstilfælde fra starten. Denne tilgang ermöglicer, at man kan identificere og løse potentielle problemer, mens man forbereder sig på en bredere automatisering.

For et detailhandelsselskab kan det betyde at automatisere “hvor er min ordre?” eller returneringsbehandlingsarbejdsgange. Ud over at overvåge forsendelser på hele selskabets distributionsnetværk kan en AI-agent verificere en kundes identitet, kontrollere realtidsstatus og opdatere kunden — endda tilbyde muligheder, hvis ordren er uventet forsinket.

For returneringer kan en agent kontrollere selskabets returneringspolitik, indsamle kundeinformation om returneringen, foreslå næste skridt og udføre passende associerede opgaver, som f.eks. at udskrive en returneringsetiket, planlægge en afhentning, udstede en refusion osv. Returneringsagenten kan også overvåge mønstre af misbrug og, hvis berettiget, justere sine beslutninger og næste skridt herefter.

Efter, at et selskab har implementeret en AI-agent på en prøveportion af en højvolumenarbejdsgang, skal det overvåge arbejdsgangsaktiviteten for at identificere, hvor det måske skal justeres. Når agenten fungerer jævnt, kan selskabet udvide dets brug i foruddefinerede mængder, indtil det til sidst håndterer hele arbejdsgangs-volumenet.

Selvfølgelig læner ikke alle opgaver og arbejdsgange sig til total automatisering med agentic AI. Faktisk vil vedligeholdelsen af menneskelige eksperter i forbindelse med AI-agenterne give de bedste resultater.

Balance AI med menneskelig ekspertise

Når et selskab undersøger sine arbejdsgange og processer for automatiseringskandidater, vil det finde eksempler, der bedst egner sig til menneskelig oversigt eller direkte handling. Agentic AI er en utrolig, højtydende innovation, men den har begrænsninger.

Tre i særdeleshed:

AI-agenter, ligesom LLM’erne, der understøtter dem, besidder ikke generel intelligens. De fungerer bedst i snævre, veldefinerede områder. Så, mens mennesker kan lære, hvordan de kan udføre en bestemt opgave, og abstrahere fra den viden principper, de derefter kan anvende på forskellige, ikke-relaterede opgaver, kan AI ikke.

Så er der arbejdsgange med ekstremt komplekse beslutningsmatricer, der kræver betydelig erfaring og erfaringbaseret dømmekraft. For eksempel kan et detailhandelsselskab have brug for indhold til en direkte markedsføringskampagne. En agent kan håndtere det — og udføre kampagnen.

Men hvis man vil se på en mærkes udtryk og løfte over flere markeder? En agent ville ikke være opgaven. Det ville kræve indsigt i markeds tendenser, mærkeopfattelse, kulturelle forskelle på tværs af markeder og indsigt i, hvordan mærker vækker følelser.

Til sidst er der arbejdsgange, der afhænger af typisk “rod” menneskelig kommunikation og emotionel nuance, der kræver klart menneskelige elementer som f.eks. medfølelse, og disse bør forblive hos mennesker. Tænk på kundeserviceproblemer, der involverer vrede kunder eller sundhedsinteraktioner, hvor en patients emotionelle eller mentale tilstand måske er i fare.

Men jeg beskriver ikke en binær beslutningsproces: give dette til AI-agenterne; alt andet går til mennesker. I praksis fungerer en hybridmodel bedst.

Mens der skal være en klar afgrænsning mellem AI- og menneskelige roller, selv når opgaver skal håndteres af menneskelige eksperter, skal AI stadig være til stede for at udvide deres evner og gøre det bedste af deres ekspertise.

Generelt set bør selskaber bruge agentic AI til transaktions-, gentagne opgaver og udnytte menneskelig ekspertise til højrisiko-interaktioner, emotionelt komplekse scenarier og situationer, der kræver nuanceret dømmekraft. En $50-garantikrav kan være fuldstændigt automatiseret, mens en $5.000-krav sandsynligvis vil have gavn af menneskelig emotionel intelligens og mærkesensitive håndtering.

Tap ind i et agentic netværk

Måske det vigtigste er, at man ikke forsøger at dykke ind i agentic AI alene. Etabler et netværk af ekspertpartnere. Fremvoksende agentic AI-platforme kan levere teknologien på tværs af digitale og talekanaler. En systemintegrator og rådgiver, der forstår kundernes driftsmiljøer, kan træne agentic modeller til bestemte kundebehov og derefter integrere dem i et selskabs operationer.

Integrering af disse modeller i virksomhedssystemer kræver dyb ekspertise i komplekse arbejdsgange og branchspecifikke udfordringer. Det kræver også en intrikat forståelse af arbejdsgangsbeslutningspunkter og hvor menneskelig interaktion er mest nødvendig — eller gavnlig, så agentic AI er en velsignelse for arbejdere og teamproduktivitet.

Agentic AI tilbyder virksomheder en kraftfuld måde at forbedre effektivitet, forbedre kundeoplevelser og drive innovation. Men succes handler ikke om at skynde sig ind. Det handler om at træffe smarte, informerede valg: Start i det rigtige sted, anvend en hybrid menneske/AI-model og tap ind i det rigtige netværk.

Fordi verden af AI ændrer sig så hurtigt, kan man ikke tillade sig at gå alene.