Ali Sarrafi, CEO και Ιδρυτής της Kovant – Σειρά Συνεντεύξεων

Ali Sarrafi, CEO και Ιδρυτής της Kovant, είναι ένας έμπειρος τεχνολόγος και εκτελεστικός της AI με έδρα τη Στοκχόλμη, με ένα ιστορικό κατασκευής και κλιμάκωσης εταιρειών AI υψηλής ανάπτυξης. Από την ίδρυση της Kovant στα τέλη του 2024, έχει αξιοποιήσει την sâuιά του εμπειρία στην στρατηγική επιχειρηματικής AI, την εκτέλεση go-to-market και την κλιμάκωση λειτουργιών. Προηγουμένως, υπηρέτησε ως Αντιπρόεδρος Στρατηγικής στη Silo AI μετά την απόκτηση από την AMD, όπου ήταν υπεύθυνος για τη διαμόρφωση της στρατηγικής επιχειρηματικής AI και την οδήγηση της μεγάλης κλίμακας υιοθέτησης. Νωρίτερα στην καριέρα του, συνίδρυσε την Combient Mix, οδηγώντας την εταιρεία μέσω ταχείας ανάπτυξης και επιτυχημένης απόκτησης από τη Silo AI, και από τότε έχει διατελέσει σε συμβουλευτικές και διοικητικές θέσεις σε εκπαιδευτικά ιδρύματα και εταιρείες AI, αντανακλώντας μια συνεχή εστίαση στην μετάφραση προηγμένης AI σε πραγματική επιχειρηματική επίδραση.

Kovant είναι μια εταιρεία επιχειρηματικής AI που επικεντρώνεται στην ενεργοποίηση των οργανισμών να μεταβούν από πειραματική χρήση AI σε πλήρως αυτονομικές επιχειρηματικές διαδικασίες. Η εταιρεία αναπτύσσει μια πλατφόρμα βασισμένη σε πράκτορες που σχεδιάζεται για την ορχήστρα ομάδων πρακτόρων σε σύνθετα λειτουργικά πεδία όπως η προμήθεια, οι αλυσίδες εφοδιασμού, η συμμόρφωση και οι επιχειρησιακές λειτουργίες πελατών. Τονίζοντας την ασφαλή, επιχειρηματική υλοποίηση και τη γρήγορη χρονική απόδοση, η Kovant θέτει τον εαυτό της ως γέφυρα μεταξύ της στρατηγικής φιλοδοξίας AI και της ημερήσιας εκτέλεσης, βοηθώντας τις μεγάλες οργανώσεις να ενσωματώνουν την AI απευθείας στις πυρήνες εργοτικές διαδικασίες αντί να την αντιμετωπίζουν ως ένα αυτόνομο εργαλείο ή πιλοτικό έργο.

Έχετε ηγηθεί σημαντικών πρωτοβουλιών AI στη Spotify, κλιμάκωσης και εξόδου της Combient Mix και αργότερα διαμόρφωσης της στρατηγικής επιχειρηματικής AI στη Silo AI πριν από την ίδρυση της Kovant. Ποια συγκεκριμένα κενά ή ενοχλήσεις συνάντησες σε αυτούς τους ρόλους που σας έκαναν να πιστεύετε ότι ήταν η σωστή στιγμή να κατασκευάσετε μια αυτονομική επιχειρηματική πλατφόρμα, και πώς αυτή η ιστορία σχήμασε τη βασική φιλοσοφία σχεδιασμού της Kovant;

Κατά τη διάρκεια των προηγουμένων ρόλων μου, κάποια συνεχής κενά συνέχισαν να εμφανίζονται. Πρώτον, τα περισσότερα “κατακόρυφα” εργαλεία AI είναι αποτελεσματικά αιχμάλωτα σε ένα單ο λογισμικό stack: κάνουν ένα πράγμα ελαφρώς καλύτερα μέσα σε αυτό το όριο, αλλά παλεύουν τη στιγμή που μια ροή εργασιών χρειάζεται να διασχίσει πολλαπλά συστήματα. Ταυτόχρονα, τα δεδομένα της επιχείρησης είναι σκεδασμένα σε πολλά εργαλεία, και πολλές λύσεις αυτοματοποίησης απλώς δεν μπορούν να φθάσουν. Προσθέστε χρόνια σημειακών ολοκληρώσεων και παίρνετε την κλασική αρχιτεκτονική σπαγγέτι: η复잡ότητα αυξάνεται, η αλλαγή γίνεται πιο αργή, και οι ομάδες τελικά αυτοματοποιούν μεμονωμένα βήματα αντί να ξανασχεδιάζουν την ροή εργασιών από άκρη σε άκρη. Το αποτέλεσμα είναι ότι το ROI συχνά φτάνει αργότερα – και μικρότερο – από ό,τι οι οργανώσεις περιμένουν.

Η Kovant σχεδιάζεται ως απάντηση σε αυτήν την πραγματικότητα. Η βασική μας φιλοσοφία είναι ότι οι πράκτορες πρέπει να συμπεριφέρονται περισσότερο σαν υπάλληλοι: εργάζονται σε πολλαπλά εργαλεία, “雇用” για να κάνουν δουλειές, όχι για να αυτοματοποιήσουν μια seule σεναριογραφημένη ακολουθία. Αυτός είναι ο λόγος για τον οποίο οι ολοκληρώσεις και η ορχήστρα είναι ενσωματωμένες, και γιατί υποθέτουμε ότι τα δεδομένα της επιχείρησης είναι συχνά ακατάστατα και μη δομημένα – χρειάζονται μια πιο ανθρώπινη προσέγγιση για να χειριστούν εξαιρέσεις και αμφιβολίες.

Χρησιμοποιούμε θεμελιώδεις πράκτορες για να επιτύχουμε ταχύτητα και κλίμακα, ενώ διατηρούμε την κυριότητα δεδομένων στο επίκεντρο: οι επιχειρήσεις μπορούν να προσεγγίσουν και να χρησιμοποιήσουν τα δικά τους δεδομένα οριζόντια χωρίς να τα αφήσουν να φύγουν από τις εγκαταστάσεις τους.

Η Kovant θέτει τον εαυτό της ως μια αυτονομική επιχειρηματική πλατφόρμα ικανή να εκτελεί ολόκληρες λειτουργίες και τμήματα με πράκτορες AI. Πώς ορίζετε “αυτονομία” σε ένα επιχειρηματικό контекスト, και πώς αυτό διαφέρει από την αυτοματοποίηση και τα εργαλεία πρακτόρων που οι εταιρείες πειραματίζονται ήδη σήμερα;

Σε ένα επιχειρηματικό контекスト, όταν λέμε “αυτονομία” δεν εννοούμε “απαρατήρητη”. Εννοούμε ότι οι πράκτορες AI μπορούν να λάβουν πραγματικές ενέργειες από άκρη σε άκρη μιας λειτουργίας με σαφείς στόχους και φράγμους, και θα αναβαθμίσουν στους ανθρώπους όταν η εποπτεία είναι απαραίτητη.

Αυτό που κάνει την Kovant διαφορετική είναι οι θεμελιώδεις πράκτορες μας. Αντί να αυτοματοποιούν μια seule σεναριογραφημένη διαδικασία ή να ακολουθούν μια προκατασκευασμένη ακολουθία, οι πράκτορες της Kovant μπορούν να εργαστούν ως μια ομάδα (ή σμήνος) σε μια λειτουργία χρησιμοποιώντας μόνο οδηγίες και μια επισκόπηση λειτουργιών που ονομάζουμε σχέδιο. Δεν σχεδιάζονται για μια seule στενή εργασία· συνεργάζονται για να λύσουν σύνθετες ροές εργασιών, να προσαρμοστούν καθώς οι συνθήκες αλλάζουν, και να παραδώσουν στους ανθρώπους όταν η κατάσταση απαιτεί εποπτεία.

Για παράδειγμα, μια ομάδα πρακτόρων διαχείρισης αποθέματος μπορεί να εκτελέσει όλες τις ακόλουθες εργασίες χωρίς να τις ξαναχτίσουν από την αρχή, συμπεριλαμβανομένων: επικοινωνίας με προμηθευτές μέσω email, παρακολούθησης των επιπέδων αποθέματος και σημάτων έξω από το απόθεμα, παρακολούθησης παραδόσεων και εντολών αγοράς, ενημέρωσης καταστάσεων σε διάφορα συστήματα, δημιουργίας εισιτηρίων για διαταραχές για τους διαχειριστές αποθέματος να εγκρίνουν, ανακατανομής αποθέματος μεταξύ αποθηκών και συνόλου των εκθέσεων αποθέματος.

Έτσι, η αλλαγή είναι αντί να “chat plus tools” ή αυτοματοποίηση που σπάει σε κλίμακα, οι επιχειρήσεις μετακινούνται από την κατασκευή πρακτόρων στο να τους τρέχουν σε κλίμακα.

Παρά το τεράστιο ενδιαφέρον για την αιγική AI, πολλές οργανώσεις παραμένουν κολλημένες στη φάση πιλότου. Από ό,τι βλέπετε σε πραγματικές αναπτύξεις, ποια είναι τα κύρια λόγια που οι εταιρείες δυσκολεύονται να μεταβούν από την πειραματική χρήση σε κλιμακωμένη παραγωγή;

Αυτό που βλέπουμε είναι ότι οι περισσότερες οργανώσεις δεν κολλάνε στη φάση πιλότου επειδή η ιδέα είναι λάθος· κολλάνε επειδή το περιβάλλον είναι εχθρικό στην κλιμάκωση.

Ο πρώτος εμποδιστής είναι το κατακερματισμένο επιχειρηματικό τεχνολογικό τοπίο. Οι ροές εργασιών διασχίζουν πολλά συστήματα, τα δεδομένα ζουν σε πολλά μέρη, και το ράψιμο mọiTHING μαζί με αξιόπιστο τρόπο είναι δύσκολο. Και η αιγική AI συχνά αναπτύσσεται ως πρόσθετο σε υπάρχοντα εργαλεία, αντί να είναι ένας τρόπος να ξανασχεδιάσετε πώς η ροή εργασιών πρέπει να τρέξει από άκρη σε άκρη.

Υπάρχει επίσης ένα πραγματικό αρχιτεκτονικό και προβλήμα δεδομένων. Πολλοί προμηθευτές SaaS ακόμα προσπαθούν να κλείσουν τα δεδομένα, το οποίο δημιουργεί ασυμβατότητες και περιορίζει τι μπορούν να κάνουν οι πράκτορες σε διάφορα συστήματα. Και πολλές ομάδες υποτιμούν το γεγονός ότι τα περισσότερα επιχειρηματικά δεδομένα είναι μη δομημένα (emails, έγγραφα, εισιτήρια, PDF, καταγραφές chat). Αν η προσέγγισή σας υποθέτει καθαρά, δομημένα δεδομένα, ο χρόνος απόδοσης γίνεται μακρύς, οδυνηρός και δύσκολος να αναπαραχθεί πέρα από το πιλότο.

Σύντομα: η κατακερματισμένη αρχιτεκτονική, η κλειδωμένη και τα μη δομημένα δεδομένα δημιουργούν έλξη – και τα πιλοτικά δεν γίνονται παραγωγή μέχρι που αυτές οι πραγματικότητες σχεδιάζονται.

Η αξιοπιστία συχνά αναφέρεται ως ο μεγαλύτερος εμποδιστής για την ανάπτυξη πρακτόρων AI στον πραγματικό κόσμο. Γιατί πολλά συστήματα πρακτόρων αποτυγχάνουν μια φορά που βγαίνουν από ελεγχόμενα περιβάλλοντα, και πώς η προσέγγιση της Kovant μειώνει προβλήματα όπως οι ψευδαισθήσεις και η απρόβλεπτη συμπεριφορά;

Κάποια συστήματα πρακτόρων φαίνονται καλά στις διαδηλώσεις, τότε αποτυγχάνουν στον πραγματικό κόσμο επειδή το περιβάλλον είναι ακατάστατο και απρόβλεπτο. Τα δεδομένα είναι непλήρη ή ασυνεπή, περιπτώσεις άκρων εμφανίζονται συνεχώς (επιστροφές, διαμαρτυρίες, ειδικές έγκρισεις). Οι ροές εργασιών διασχίζουν πολλαπλά εργαλεία, πλατφόρμες και ολοκληρώσεις που αλλάζουν με τον καιρό, και τα δικαιώματα ποικίλλουν. Όταν ένας πράκτορας AI ζητείται να χειριστεί μια μεγάλη εργασία και του δίνεται πολύ контекστ στην mesma φορά, ο κίνδυνος ψευδαισθήσεων και περίεργης συμπεριφοράς αυξάνεται.

Η Kovant μειώνει αυτό με σχέδιο. Η μοναδική μας αρχιτεκτονική στενεύει τον χώρο προβλήματος, τον χώρο απόφασης και τον контекστ που τα μοντέλα εργάζονται για να μειώσουν τις ψευδαισθήσεις. Chúng tôi επίσης διασπάμε τις λειτουργίες σε στενές, εστιασμένες εργασίες για μεμονωμένους πράκτορες και βήματα. Αυτό κάνει τη συμπεριφορά πιο προβλέψιμη, και προσθέτει ιχνηλασιμότητα και ελέγχου στο σύστημα και μπορεί να διαχειριστεί τις ψευδαισθήσεις καλύτερα. Μπορούμε να δούμε τι έκανε κάθε πράκτορας, πού μια αποτυχία ξεκίνησε, και να παρέμβουμε ή να αναβαθμίσουμε όταν χρειάζεται.

Οι ψευδαισθήσεις δεν εξαφανίζονται μαγικά, αλλά με το να περιορίσουμε τι είναι υπεύθυνος κάθε πράκτορας και να περιορίσουμε τον контекστ που μπορεί να ενεργήσει, μπορούμε να μειώσουμε τη συχνότητά τους και να περιορίσουμε την επίδρασή τους. Αυτή η “στενή εργασία/κонтекστ” προσέγγιση έχει επίσης υποστηριχθεί σε πρόσφατο έργο από την ομάδα ερευνών της Nvidia, η οποία βρήκε παρόμοια οφέλη από την περιόριση της απόφασης του πράκτορα.

Η ευθύνη είναι ένα μεγάλο πρόβλημα καθώς οι πράκτορες AI αρχίζουν να λαμβάνουν πραγματικές ενέργειες σε επιχειρηματικά συστήματα. Πώς οι λεπτομερείς καταγραφές ενεργειών αλλάζουν τη συζήτηση γύρω από την εμπιστοσύνη, τη συμμόρφωση και τον επιχειρηματικό κίνδυνο;

Με τις λεπτομερείς καταγραφές ενεργειών, μπορούμε να δούμε τι συνέβη, γιατί συνέβη και τι συμβαίνει επόμενο.

Οι λεπτομερείς καταγραφές μετατρέπουν έναν πράκτορα από ένα μυστηριώδες bot που εργάζεται μακριά στο μηχάνημα σε ένα σύστημα που μπορείτε να επιθεωρήσετε.

Στην Kovant, με κάθε ανάπτυξη πράκτορα AI, θα υπάρξει ένας χάρτης κινδύνου που η οργάνωση μπορεί να ενεργήσει, έχουμε ενσωματωμένα φύλακα για τους ανθρώπους για рисκικές ενέργειες που σημαίνει ότι οι πράκτορες μπορούν να εκτελέσουν αυτές τις εργασίες μόνο αν ένας άνθρωπος τις επανεξετάσει και εγκρίνει την απόφαση. Όλα αυτά καταγράφονται με τον ίδιο τρόπο που καταγράφεται ένα σύστημα εγγραφών και είναι ιχνηλασιμότητα.

Πιστεύουμε ότι είναι σημαντικό να συνδυάσουμε τις καταγραφές ενεργειών με ανθρώπινη εποπτεία και παρατηρησιμότητα για να ελαττώσουμε τον κίνδυνο. Αυτό σημαίνει ότι ακόμα παίρνετε τα οφέλη ταχύτητας και κλίμακας των πρακτόρων που τρέχουν πραγματικές λειτουργίες.

Υπάρχει μια αυξανόμενη συζήτηση σχετικά με το αν οι πράκτορες AI μπορούν ακόμη να ασφαλιστούν λόγω της αδιαφάνειας της λήψης αποφάσεων. Πώς η καθιστάν των ροών εργασιών πρακτόρων ιχνηλασιμών και αναπαραγώγιμων βοηθά να αντιμετωπίσουν το “μαύρο κουτί” πρόβλημα και να ανοίξουν την πόρτα στην ασφαλιστική;

Το “μαύρο κουτί” πρόβλημα είναι αυτό που κάνει την ασφαλιστική δύσκολη. Αν δεν μπορείτε να δείξετε σαφώς τι έκανε ένας πράκτορας, γιατί το έκανε, και ποια ελέγχθηκαν, είναι δύσκολο για οποιονδήποτε, ιδιαίτερα για τους ασφαλιστές, να αξιολογήσουν τον κίνδυνο.

Η προσέγγισή μας είναι ουσιαστικά μια επέκταση του συστήματος ευθύνης στην προηγούμενη απάντηση. Chúng tôi σπάμε τον χώρο απόφασης και την επίδραση των ενεργειών σε μικρότερα κομμάτια, ώστε το μοντέλο δεν λαμβάνει μια巨ιαία, αδιαφανή απόφαση που μπορεί να κλίνει ολόκληρη μια λειτουργία. Κάθε βήμα είναι στενότερο, πιο προβλέψιμο, και πιο εύκολο να αξιολογηθεί.

Στη συνέχεια, προσθέτουμε λεπτομερείς καταγραφές, παρατηρησιμότητα και ανθρώπινη εποπτεία. Για τις πιο σημαντικές και επηρεαστικές αποφάσεις, χρησιμοποιούμε έναν ανθρώπινο φύλακα ώστε ο πράκτορας να μπορεί να προχωρήσει μόνο μετά από επανέλεγχο και έγκριση. Αυτό δημιουργεί πολύ μεγαλύτερη ορατότητα σε πώς η ροή εργασιών συμπεριφέρεται στην πράξη.

Η καθιστάν των ροών εργασιών ιχνηλασιμών και αναπαραγώγιμων είναι το τελικό κομμάτι. Αν κάτι πάει λάθος, μπορείτε να αναπαράγετε τι συνέβη, να ερευνήσετε γρήγορα, να επικυρώσετε διορθώσεις, και να δείξετε πόσο συχνά η ανθρώπινη έγκριση απαιτείται και πού βρίσκονται τα φράγματα. Σε όρους ασφαλιστή, αυτό μετατρέπει τη μυστηριώδη συμπεριφορά AI σε κάτι που μοιάζει περισσότερο με τυπικό επιχειρηματικό κίνδυνο.

Με πρωτοβουλίες όπως το Ίδρυμα Αιγικής AI που στοχεύουν να δημιουργήσουν κοινά πρότυπα για συστήματα πρακτόρων, τι βλέπετε ως τα πιο υποσχόμενα аспέκτα αυτών των προσπαθειών, και πού ακόμα δεν ανταποκρίνεται στις πραγματικές επιχειρηματικές λειτουργίες;

Η τυποποίηση είναι γενικά ένα καλό πράγμα. Το AAIF μπορεί να κάνει το μη γламούρο αλλά απαραίτητο έργο να κάνει τα συστήματα πρακτόρων να μιλήσουν την ίδια γλώσσα, το οποίο πρέπει να κάνει τις ολοκληρώσεις πιο εύκολες και να μειώσει τον κλειδωμό προμηθευτή με τον καιρό.

Πού είμαι προσεκτικός είναι ποιος προοπτική διαμορφώνει τα πρότυπα. Αν το περισσότερο έργο οδηγείται από δημιουργούς μοντέλων και τεχνολογικές εταιρείες, υπάρχει ο κίνδυνος ότι τα “πρότυπα” θα βελτιστοποιηθούν για το τι είναι πιο εύκολο να κατασκευαστεί ή να διαδηλωθεί, αντί για το τι οι μεγάλες οργανώσεις πραγματικά χρειάζονται για να τρέχουν πράκτορες με ασφάλεια καθημερινά.

Για τις πραγματικές επιχειρηματικές λειτουργίες, τα κενά τείνουν να είναι λιγότερα για τις ολοκληρώσεις και περισσότερο για τον έλεγχο: τι μπορεί να προσεγγίσει ένας πράκτορας και να αλλάξει, εργασίες έγκρισης για υψηλής επίδρασης ενέργειες, ιχνηλασιμότητα και παρατηρησιμότητα ώστε οι ομάδες να μπορούν να παρακολουθήσουν τη συμπεριφορά, να ερευνήσουν περιπτώσεις και να αποδείξουν τη συμμόρφωση. Οι επιχειρήσεις επίσης χρειάζονται πρακτικά πρότυπα για λειτουργία στην ακατάστατη πραγματικότητα: δοκιμή κατά των περιπτώσεων άκρων, χειρισμό αλλαγών συστημάτων, και την khảότητα να παύσουν, να περιορίσουν ή να αναστρέψουν ενέργειες με ασφάλεια σε legacy εργαλεία και ρυθμιζόμενες περιβαλλοντικές συνθήκες.

Έτσι, είναι μια υποσχόμενη κατεύθυνση, αλλά η επίδραση θα είναι περιορισμένη αν οι επιχειρηματικές απαιτήσεις και οι έλεγχοι επιχειρηματικού κινδύνου δεν αντιμετωπίζονται ως ένα μετάθεμα.

Η Kovant έχει ήδη παραγάγει σημαντικά έσοδα από μεγάλες βόρειες επιχειρήσεις ενώ λειτουργεί κυρίως σε απόκρυψη. Ποια είδη επιχειρηματικών λειτουργιών ή ροών εργασιών αποδεικνύονται πιο έτοιμα για αυτονομικούς πράκτορες AI σήμερα;

Από ό,τι abbiamo δει σε πραγματικές αναπτύξεις, οι ροές εργασιών που είναι πιο “έτοιμες” σήμερα είναι αυτές που αποτελούνται από αντιδραστική λευκή κολάρο εργασία: παρακολούθηση, διώξη, έλεγχος, ενημέρωση συστημάτων, χειρισμό εξαιρέσεων, και διατήρηση λειτουργιών σε πολλαπλά εργαλεία.

Στην παραγωγή και τις ευρύτερες επιχειρηματικές αλυσίδες εφοδιασμού, αυτό εμφανίζεται σε:

• Προμήθεια: διαθεσιμότητα πρώτων υλών, βιώσιμη προμήθεια, λειτουργίες συμμόρφωσης, επιλογή προμηθευτή (συμπεριλαμβανομένης της διπλής/πολλαπλής προμήθειας), διαχείριση συμβάσεων, διαχείριση κινδύνου προμηθευτή, και διαδικασία προσφοράς/δημοπρασίας.
• Παραγωγή: σχεδιασμός ικανότητας, προγραμματισμός παραγωγής, διαχείριση συντήρησης, διαχείριση ποιότητας, διαχείριση φραγμών, και αποφυγή απωλειών.
• Αποθήκη: λήψη & έλεγχος, διαχείριση αποθέματος, περιστροφή αποθέματος (FIFO/FEFO), και cycle counting/επεξεργασία.
• Μεταφορά / logistics: επιλογή τρόπου και μεταφορέα, τελωνειακή εκκαθάριση/τεκμηρίωση, παρακολούθηση & ορατότητα, παρακολούθηση εκπομπών, και συμμόρφωση με το εμπόριο.
• Πωλήσεις και υπηρεσία: διαθεσιμότητα προϊόντων, πρόληψη εξόδου αποθέματος, διαχείριση πωλήσεων/επιστροφών, ανάλυση συμπεριφοράς καταναλωτών, плюς μετά-πωλήσεις περιοχές όπως επισκευές, παρακολούθηση τελικού κύκλου ζωής, εργασίες εργαστηρίου, και συμβάσεις υπηρεσίας.

Όταν οι επιχειρήσεις αναπτύσσουν πράκτορες AI σε κρίσιμες λειτουργίες, πώς συνιστάτε να ισορροπήσετε την αυτονομία με την ανθρώπινη εποπτεία για να διασφαλίσετε τον έλεγχο χωρίς να επιβραδύνετε mọiTHING;

Η ισορροπία διέπεται από την κυβερνώμενη αυτονομία. Πρέπει να αφήσετε τους πράκτορες να κινούνται γρήγορα σε χαμηλού κινδύνου εργασία μέσα σε σαφείς φράγμους, και να αναβαθμίσουν στους ανθρώπους όταν η ενέργεια διασχίζει einen ορισμένο κίνδυνο.

Πολυάριθμες αποτυχίες προέρχονται από το να δώσετε στο μοντέλο πολύ ευρύ πεδίο και πολύ контекστ στην mesma φορά. Συνιστώ να σπάσετε τις λειτουργίες σε μικρότερες, στενές αποφάσεις, όπου κάθε βήμα έχει σαφείς εξουσιοδότησεις και einen περιορισμένο κίνδυνο ακτίνας. Αυτό μειώνει την απρόβλεπτη συμπεριφορά και κάνει την απόδοση πιο εύκολη να παρακολουθήσετε και να βελτιώσετε.

Στη συνέχεια, συνδυάζουμε τρία πράγματα: παρατηρησιμότητα, καταγραφές ενεργειών, και ανθρώπινη εποπτεία. Όλα όσα κάνει ο πράκτορας πρέπει να είναι ιχνηλασιμότητα, ώστε να μπορείτε να επιθεωρήσετε τι συνέβη και να ερευνήσετε γρήγορα. Για υψηλής επίδρασης ή ρισκικές ενέργειες, βάζουμε ένα βήμα έγκρισης ανθρώπου στη ροή εργασιών, ώστε ο πράκτορας να μπορεί να προτείνει και να προετοιμάσει, αλλά να εκτελεί μόνο μετά από έγκριση ενός ανθρώπου.

Αυτό διατηρεί τα πάντα να κινούνται γρήγορα. Αν και αυτό μπορεί να επιβραδύνει ελαφρώς στο βήμα ανθρώπινης εποπτείας, αυτό είναι ένα σημαντικό μέρος της διαδικασίας. Οι άνθρωποι δεν είναι κολλημένοι στην εποπτεία κάθε κλικ, αλλά είναι ακόμα στο έλεγχο των στιγμών που έχουν σημασία. Το αποτέλεσμα είναι ταχύτητα όπου είναι ασφαλής, και εποπτεία όπου είναι απαραίτητη.

Κοιτάζοντας μπροστά, πώς περιμένετε ο ρόλος των αυτονομικών πρακτόρων AI να εξελιχθεί μέσα στις μεγάλες οργανώσεις τις επόμενες quelques χρόνια, και τι θα διακρίνει τις εταιρείες που θα επιτύχουν με την αιγική AI από αυτές που θα πασχίσουν;

Τις επόμενες quelques χρόνια, οι αυτονομικοί πράκτορες AI θα μεταβούν από ενδιαφέρουσες πειραματικές διαδικασίες σε ένα πραγματικό λειτουργικό στρώμα μέσα στις μεγάλες οργανώσεις. Θα χρησιμοποιηθούν για λειτουργίες, εξυπηρέτηση πελατών, χρηματοοικονομικά και ανθρώπινους πόρους. Όσο η αξιοπιστία, η διακυβέρνηση και η εποπτεία βελτιώνονται, θα δούμε τις επιχειρήσεις να μετακινούνται από απομονωμένα πιλοτικά σε τρέχοντες ομάδες πρακτόρων σε ολόκληρες ροές εργασιών.

Η μεγαλύτερη αλλαγή είναι ότι ταχύτητα, ευελιξία, κλίμακα, αποδοτικότητα και κόστος θα γίνουν ένα πολύ πιο άμεσο ανταγωνιστικό λεβιέ. Πιστεύω ότι ένα “κίνημα Uber” έρχεται για τις επιχειρήσεις. Αυτές που θα κυριαρχήσουν πραγματικά στην αιγική AI θα μπορέσουν να λειτουργήσουν σε ένα θεμελιωδώς υψηλότερο ρυθμό από τους υστέρηδες, να κατακτήσουν αγορές γρήγορα, και να ανταποκριθούν στην αλλαγή χωρίς τον συνήθη επιχειρηματικό φραγμό.

Αυτό που διακρίνει τους νικητές δεν είναι μόνο η ανάπτυξη πρακτόρων, αλλά η ανάπτυξή τους καλά. Κυβερνώμενη αυτονομία, ισχυρή παρατηρησιμότητα και καταγραφές ενεργειών, και αρχιτεκτονικές που στενεύουν τον χώρο απόφασης θα είναι κλειδιά σε αυτό. Οι εταιρείες που θα αντιμετωπίσουν την αιγική AI ως μια βασική λειτουργική ικανότητα, με τους σωστούς ελέγχους, ολοκλήρωση και ιδιοκτησία, θα τη χρησιμοποιήσουν για να κάνουν περισσότερα, όχι λιγότερα. Αυτό θα απελευθερώσει τις ομάδες να επικεντρωθούν στην ανάπτυξη και την καινοτομία αντί να ξοδεύουν τις μέρες τους θάμνοι στο διοικητικό.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Kovant.