Amanpal Dhupar, επικεφαλής λιανικής στην Tredence – Σειρά συνεντεύξεων

Amanpal Dhupar, επικεφαλής λιανικής στην Tredence είναι ένας έμπειρος ηγέτης αναλυτικών λύσεων λιανικής και τεχνητής νοημοσύνης με πάνω από μια δεκαετία εμπειρίας στη σχεδίαση και ανάπτυξη λύσεων που βασίζονται σε δεδομένα και παρέχουν αξιοποιήσιμες γνώσεις για τους υπεύθυνους λήψης αποφάσεων στις επιχειρήσεις. καθ’ όλη τη διάρκεια της καριέρας του, έχει ηγηθεί στρατηγικών μετασχηματισμών αναλυτικών για υψηλόβαθμους στελέχη σε μεγάλους λιανοπωλητές, έχει δημιουργήσει οδικούς χάρτες προϊόντων AI για να οδηγήσει μετρήσιμους επιχειρηματικούς δείκτες και έχει αυξήσει τις ομάδες αναλυτικών από τα πρώτα τους βήματα σε μεγάλης κλίμακας επιχειρήσεις—αποδεικνύοντας τόσο την τεχνική εμβάθυνση όσο και την ηγετική ευελιξία.

Tredence είναι μια εταιρεία λύσεων επιστημών δεδομένων και τεχνητής νοημοσύνης που επικεντρώνεται στην βοήθεια των επιχειρήσεων να ξεκλειδώνουν την επιχειρηματική αξία μέσω προηγμένων αναλυτικών, μηχανικής μάθησης και λήψης αποφάσεων που βασίζονται στην τεχνητή νοημοσύνη. Η εταιρεία συνεργάζεται μεπαγκόσμιες μάρκες—ειδικά στη λιανική και τα καταναλωτικά αγαθά—για να λύσει σύνθετα προβλήματα σε εμπορευματολογία, αλυσίδα εφοδιασμού, τιμολόγηση, εμπειρία πελάτη και επιχειρήσεις go-to-market, μετατρέποντας τις ενημερώσεις σε πραγματική επίδραση και βοηθώντας τους πελάτες να μοντερνοποιήσουν τις αναλυτικές και νοητικές ικανότητές τους.

Οι λιανοπωλητές συχνά εκτελούν δεκάδες πιλότους AI, αλλά πολύ λίγοι περνούν στην πλήρη ανάπτυξη. Ποια είναι τα πιο κοινά οργανωτικά λάθη που εμποδίζουν την τεχνητή νοημοσύνη από το να γίνει μετρήσιμα επιχειρηματικά αποτελέσματα;

Μια πρόσφατη μελέτη του MIT Solan βρήκε ότι το 95% των πιλότων AI δεν επιτύχει την πλήρη ανάπτυξη. Η πραγματικότητα; Οι πιλότοι είναι εύκολοι, αλλά η παραγωγή είναι δύσκολη. Στο Tredence, έχουμε αναγνωρίσει τέσσερις συγκεκριμένες οργανωτικές αιτίες που οδηγούν σε αυτό το χάσμα.

Πρώτον, η αποτυχία να κατανοήσουμε τη ροή εργασίας του τελικού χρήστη. Οι λιανοπωλητές συχνά εισάγουν την τεχνητή νοημοσύνη σε υπάρχουσες κατεστραμμένες διαδικασίες αντί να ρωτούν πώς η ροή εργασίας πρέπει να ξανασχεδιαστεί με την τεχνητή νοημοσύνη στο κέντρο.

Δεύτερον, η έλλειψη μιας προσέγγισης βασισμένης σε πλατφόρμα στην Agentic AI. Αντί να αντιμετωπίζουν τους πράκτορες ως μοναδικά πειράματα, οι οργανώσεις πρέπει να εξορθολογίσουν ολόκληρο τον κύκλο ζωής—από το σχεδιασμό και την ανάπτυξη μέχρι την ανάπτυξη, παρακολούθηση και διακυβέρνηση—σε όλη την επιχείρηση.

Τρίτον, ένα αδύνατο θεμέλιο δεδομένων. Είναι εύκολο να χτιστεί ένα πιλότος σε ένα καθαρό επίπεδο αρχείο, αλλά η κλίμακα απαιτεί ένα ισχυρό θεμέλιο δεδομένων σε πραγματικό χρόνο όπου τα ακριβή δεδομένα είναι συνεχώς προσβάσιμα στα μοντέλα AI.

Τέλος, βλέπουμε μια τριβή μεταξύ της προώθησης της τεχνητής νοημοσύνης από την IT και της ζήτησης από την επιχειρηματική πλευρά. Η επιτυχία συμβαίνει μόνο όταν οι ηγέτες της επιχείρησης βλέπουν την τεχνητή νοημοσύνη ως μια προστιθέμενη αξία που συνδέεται με μετρήσιμη επίδραση, αντί για μια απόσπαση που προωθείται από την IT. Στο Tredence, ο στόχος μας έχει πάντα ήταν το ‘τελευταίο μίλι’, όπου γεφυρώνουμε αυτό το χάσμα μεταξύ της παραγωγής ενημερώσεων και της πραγματοποίησης αξίας.

Το Tredence συνεργάζεται με πολλούς από τους μεγαλύτερους λιανοπωλητές του κόσμου, υποστηρίζοντας τρισεκατομμύρια σε έσοδα. Βασισμένοι στο τι βλέπουμε σε όλη την βιομηχανία, τι διακρίνει τους λιανοπωλητές που κλιμακώνουν με επιτυχία την τεχνητή νοημοσύνη από εκείνους που παραμένουν στα πειράματα;

Στο Tredence, η υποστήριξη τρισεκατομμυρίων σε έσοδα λιανικής έχει δώσει μια πρώτη σειρά θέσεων για μια σαφή βιομηχανική διαίρεση: λιανοπωλητές που αντιμετωπίζουν την τεχνητή νοημοσύνη ως μια σειρά από διάσπαρτα πειράματα έναντι εκείνων που χτίζουν ένα βιομηχανοποιημένο ‘εργοστάσιο AI’. Η βασική διαφορά βρίσκεται σε μια δέσμευση για θεμέλια πλατφόρμας Agentic AI. Οι πιο επιτυχημένες οργανώσεις σταματούν να χτίζουν από το μηδέν και αντίθετα επενδύουν σε ένα ισχυρό οικοσύστημα που χαρακτηρίζεται από βιβλιοθήκες επαναχρησιμοποιήσιμων στοιχείων, πρότυπα σχεδιασμού και προ-χτισμένα μοτίβα πρακτόρων που ευθυγραμμίζονται με συγκεκριμένες περιπτώσεις λιανικής. Όταν στρώσετε ώριμους LLMOps, πλήρη στακ observability και ενσωματωμένα φράγματα RAI (υπεύθυνης τεχνητής νοημοσύνης) πάνω σε αυτό το θεμέλιο, η επίδραση είναι μετασχηματιστική—συνήθως βλέπουμε βελτίωση της ταχύτητας προς αξία για νέες περιπτώσεις χρήσης κατά 80% γιατί η βαριά αρχιτεκτονική ανύψωση έχει ήδη γίνει.

Ωστόσο, μια πλατφόρμα είναι τόσο καλή όσο το πλαίσιο που καταναλώνει, που μας οδηγεί στο θεμέλιο δεδομένων. Η κλίμακα απαιτεί περισσότερα από το απλό πρόσβαση σε δεδομένα· απαιτεί ένα πλούσιο σεμαντικό στρώμα όπου ισχυρά μετα-δεδομένα και ενοποιημένα μοντέλα δεδομένων επιτρέπουν στην τεχνητή νοημοσύνη να ‘σκέφτεται’ για την επιχείρηση αντί να επεξεργάζεται μόνο εισαγωγές. Τέλος, οι πραγματικοί ηγέτες αναγνωρίζουν ότι αυτό δεν είναι μόνο μια τεχνολογική ανακαίνιση αλλά και μια πολιτισμική. Γεφυρώνουν το ‘τελευταίο μίλι’ μετακινώντας πέρα από την απλή αυτοματοποίηση στην ανθρώπινη-πράκτορα συνεργασία, ανασχεδιάζοντας τις ροές εργασίας ώστε οι συνεργάτες και οι έμποροι να εμπιστεύονται και να συνεργάζονται με τους ψηφιακούς ομόλογούς τους, μετατρέποντας την αλγοριθμική δυνατότητα σε μετρήσιμη επιχειρηματική πραγματικότητα.

Περισσότερο από το 70% των προωθητικών ενεργειών λιανικής εξακολουθεί να μην καλύπτει το κόστος του. Πώς μπορεί η τεχνητή νοημοσύνη να βελτιώσει ουσιαστικά τον σχεδιασμό προωθητικών ενεργειών, τη μέτρηση και τη βελτιστοποίηση σε πραγματικό χρόνο;

Το ποσοστό αποτυχίας του 70% παραμένει επειδή οι λιανοπωλητές συχνά βασίζονται σε ‘πίσω-προς-τα-πίσω’ αναλυτικά που συγχέουν τις συνολικές πωλήσεις με την πρόσθετη αύξηση πωλήσεων λόγω της προώθησης—ουσιαστικά επιδοτώντας πιστούς αγοραστές που θα είχαν αγοράσει σε κάθε περίπτωση. Για να σπάσουμε αυτό το κύκλο, πρέπει να μετακινηθούμε από περιγραφική αναφορά σε μια πιο προβλεπτική προσέγγιση. Στη φάση του σχεδιασμού, χρησιμοποιούμε Causal AI για να προσομοιώσουμε αποτελέσματα και να καθορίσουμε ‘αληθινά βάση’ , αναγνωρίζοντας ακριβώς τι θα είχε πουλήσει χωρίς την προώθηση. Αυτό επιτρέπει στους λιανοπωλητές να σταματήσουν να πληρώνουν για οργανική ζήτηση και να στοχεύσουν μόνο τον πραγματικά νέο όγκο πωλήσεων.

Για τη μέτρηση, η τεχνητή νοημοσύνη λύνει το ‘πρόβλημα του πορτοφολίου’ ποσοτικοποιώντας τη θετική επίδραση σε άλλα προϊόντα και τον κανιβαλισμό πωλήσεων. Οι ανθρώπινοι έμποροι συχνά σχεδιάζουν σε θύλακες, αλλά η τεχνητή νοημοσύνη παρέχει μια κατηγορία-πανω-θεώρηση, εξασφαλίζοντας ότι μια προώθηση σε ένα SKU δεν κλέβει μόνο το περιθώριο από ένα άλλο. Αυτή η ολιστική μέτρηση βοηθά τους λιανοπωλητές να κατανοήσουν αν αυξάνουν τις συνολικές πωλήσεις της κατηγορίας ή απλώς τις ανακατανέμουν.

Τέλος, για τη βελτιστοποίηση σε πραγματικό χρόνο, η βιομηχανία μετακινείται προς τους πράκτορες AI που παρακολουθούν τις εκστρατείες κατά τη διάρκειά τους. Αντί να περιμένουμε μια μετα-θάνατο ανάλυση εβδομάδες μετά το γεγονός, αυτοί οι πράκτορες προτείνουν αυτόνομα διορθώσεις—όπως την προσαρμογή της ψηφιακής διαφήμισης ή την ανταλλαγή προσφορών—για να σώσουν το P&L πριν τελειώσει η προώθηση. Αυτή η προσέγγιση μετακινείται από το να καθαρίσει το απόθεμα στο να μηχανήσει το κέρδος.

Τα σφάλματα πρόβλεψης και οι ελλείψεις αποθεμάτων συνεχίζουν να προκαλούν σημαντικές απώλειες εσόδων. Τι κάνει τα συστήματα εμπορευματολογίας και αλυσίδας εφοδιασμού που οδηγούνται από την τεχνητή νοημοσύνη πιο αποτελεσματικά από τις παραδοσιακές προσεγγίσεις προβλέψεων;

Η πρώτη μετατόπιση είναι στην πρόβλεψη, όπου η τεχνητή νοημοσύνη μας μετακινεί από την εξάρτηση μόνο από την εσωτερική ιστορία στην κατανάλωση εξωτερικών δεδομένων—όπως τοπικό καιρό, κοινωνικές εκδηλώσεις και οικονομικοί δείκτες. Όταν η πρόβλεψη καταλαμβάνει αυτό το εξωτερικό πλαίσιο, οι κέρδη ακρίβειας δεν βελτιώνουν μόνο τους αριθμούς πωλήσεων· κασκαντίζουν κάτω, βελτιώνοντας τη διαχείριση αποθεμάτων, τον προγραμματισμό δυναμικότητας, τα ωράρια εργασίας και τις λειτουργίες αποθήκης για να ευθυγραμμιστούν με την πραγματική ζήτηση.

Η δεύτερη μετατόπιση είναι στις ελλείψεις αποθεμάτων (OOS), τα οποία οι περισσότεροι λιανοπωλητές ακόμη δεν μετρούν ακριβώς. Η τεχνητή νοημοσύνη διορθώνει αυτό αναγνωρίζοντας ανωμαλίες στα μοτίβα πωλήσεων—ταυτοποιώντας ‘Φανταστικό Απόθεμα’ όπου το σύστημα πιστεύει ότι ένα αντικείμενο είναι στο απόθεμα, αλλά οι πωλήσεις έχουν σταματήσει—και αυτόματα ενεργοποιώντας κυκλικές απογραφές για να διορθώσουν την εγγραφή αποθέματος. Πέρα από τα δεδομένα, βλέπουμε την άνοδο της υπολογιστικής όρασης για να σηματοδοτήσει φυσικά κενά ραφιών σε πραγματικό χρόνο και να παρακολουθήσει το απόθεμα στις πίσω αίθουσες, εξασφαλίζοντας ότι το προϊόν δεν είναι μόνο ‘στο κτίριο’ αλλά διαθέσιμο για τον πελάτη να αγοράσει.

Το εμπόριο μέσω πρακτόρων γίνεται ένα σημαντικό θέμα στην καινοτομία λιανικής. Πώς οι πράκτορες της τεχνητής νοημοσύνης που βασίζονται στη λογική αλλάζουν τη ανακάλυψη προϊόντων και τη μετατροπή σε σύγκριση με την σημερινή εμπειρία ψώνιας που οδηγείται από την αναζήτηση;

Στη σημερινή αναζήτηση-οδηγούμενη ψώνια, οι καταναλωτές ακόμη κάνουν το μεγαλύτερο μέρος της δουλειάς. Πρέπει να ξέρουν τι να ψάξουν, να συγκρίνουν επιλογές και να κατανοήσουν τα απεριόριστα αποτελέσματα. Οι πράκτορες που βασίζονται στη λογική διαταράσσουν αυτό δυναμικά δημιουργώντας ‘συνθετικά ράφια’—συνθετικές συλλογές που συναθροίζουν πολυ-κατηγορίας προϊόντα με βάση μια συγκεκριμένη πρόθεση. Για παράδειγμα, αντί να ψάχνουν ξεχωριστά για πέντε αντικείμενα, ένας αγοραστής με μια ‘υγιή πρωινή’ αποστολή παρουσιάζεται με μια συνοχή, προσωρινή αίθουσα που περιλαμβάνει όλα, από υψηλής πρωτεΐνης δημητριακά σε μπλέντερ, συρρίκνοντας την διαδικασία ανακάλυψης από λεπτά σε δευτερόλεπτα.

Στην πλευρά της μετατροπής, αυτοί οι πράκτορες ενεργούν λιγότερο σαν μηχανές αναζήτησης και περισσότερο σαν ‘ψωνιακοί συνεργάτες’. Δεν παραθέτουν απλώς επιλογές· αυτοί χτίζουν ενεργά καλάθι με βάση ανοιχτές ανάγκες. Αν ένας πελάτης ζητήσει μια ‘δείπνο για τέσσερις κάτω από $50’, ο πράκτορας σκέφτεται μέσα από αποθέματα, τιμές και διατροφικές περιορισμούς για να προτείνει μια ολοκληρωμένη συλλογή. Αυτή η ικανότητα λογικής κλείνει το ‘χάσμα εμπιστοσύνης’—εξηγώντας γιατί ένα συγκεκριμένο προϊόν ταιριάζει στο στυλ ζωής ή στο στόχο του χρήστη, ο πράκτορας μειώνει την αναστολή απόφασης και οδηγεί υψηλότερους ρυθμούς μετατροπής σε σύγκριση με ένα πλέγμα μικρογραφιών προϊόντων χωρίς εξηγήσεις.

Τέλος, βλέπουμε αυτήν την επέκταση σε υπερ-προσωποποιημένο περιεχόμενο. Αντί να δείχνουν σε όλους το ίδιο διαφημιστικό πλαίσιο στην αρχική σελίδα, η Agentic AI μπορεί να δημιουργήσει δυναμικές σελίδες και οπτικά που αντανακλούν την τρέχουσα αποστολή ψώνιας του πελάτη. Ωστόσο, για να κλιμακωθεί αυτό, οι λιανοπωλητές βρίσκουν ότι χρειάζονται να εδραιώσουν αυτούς τους πράκτορες σε ένα ενοποιημένο Μοντέλο Δεδομένων με αυστηρή διακυβέρνηση μάρκας και ασφάλειας, εξασφαλίζοντας ότι η ‘δημιουργικότητα’ της τεχνητής νοημοσύνης δεν θα φαντασιωθεί ποτέ προϊόντα ή θα παραβιάσει τη φωνή της μάρκας.

Πολλοί λιανοπωλητές αγωνίζονται με παλαιούς αρχιτεκτονικούς τομείς δεδομένων. Πώς πρέπει οι επιχειρήσεις να μοντερνοποιήσουν τα θεμέλια δεδομένων τους ώστε τα μοντέλα AI να παρέχουν αξιόπιστες και εξηγημένες συστάσεις;

Το μεγαλύτερο εμπόδιο στην επιτυχία της τεχνητής νοημοσύνης δεν είναι τα μοντέλα αλλά το ‘βούρκο δεδομένων’ κάτω από αυτά. Για να μοντερνοποιήσουν, οι λιανοπωλητές πρέπει να περάσουν από την απλή συλλογή δεδομένων στην οικοδόμηση ένα ενοποιημένο σεμαντικό στρώμα. Αυτό σημαίνει την εφαρμογή ενός τυποποιημένου ‘Μοντέλου Δεδομένων’ όπου η επιχειρηματική λογική (όπως ακριβώς πώς υπολογίζεται το ‘Καθαρό Περιθώριο’ ή η ‘απώλεια πελατών’) ορίζεται μια φορά και είναι καθολικά προσβάσιμο, αντί να είναι κρυφό σε θραύσματα SQL scripts σε όλη την οργάνωση.

Δεύτερον, οι επιχειρήσεις πρέπει να μετακινηθούν σε μια ‘προϊόντος δεδομένων’ νοοτροπία. Αντί να αντιμετωπίζουν τα δεδομένα ως ένα παραπροϊόν της πληροφορικής, οι επιτυχημένοι λιανοπωλητές αντιμετωπίζουν τα δεδομένα ως ένα προϊόν με καθορισμένη ιδιοκτησία, SLAs και αυστηρή ποιότητα παρακολούθησης (παρατηρησιμότητα δεδομένων). Όταν συνδυάσετε αυτό το καθαρό, διακυβερνημένο ‘χρυσό ρεκόρ’ με πλούσια μετα-δεδομένα, ξεκλειδώνετε την εξηγησιμότητα. Η τεχνητή νοημοσύνη δεν απλά βγάζει μια μαύρη-κουτί σύσταση· μπορεί να ανατρέξει τη λογική της πίσω από το σεμαντικό στρώμα.

Η συνεργασία μεταξύ λιανοπωλητών και εταιρειών CPG έχει ιστορικά βασιστεί σε θραύσματα δεδομένων και ασυνεπείς μετρήσεις. Πώς οι ενοποιημένα μοντέλα δεδομένων και οι κοινές πλατφόρμες AI ξεκλειδώνουν ισχυρότερη απόδοση κατηγορίας για cả τις δύο πλευρές;

Μέχρι τώρα, οι λιανοπωλητές και οι εταιρείες CPG έχουν κοιτάξει τον ίδιο πελάτη μέσα από διαφορετικά φακό· κάθε ένας χρησιμοποιώντας τα δικά του δεδομένα και κίνητρα. Τα ενοποιημένα μοντέλα δεδομένων αλλάζουν αυτό δημιουργώντας μια μοναδική εκδοχή της αλήθειας σε όλη την αλυσίδα αξίας, είτε πρόκειται για απόδοση ραφιών είτε για συμπεριφορά πελάτη. Όταν και οι δύο πλευρές εργάζονται από την ίδια πλατφόρμα AI, μπορούν να αναγνωρίσουν από κοινού τι οδηγεί την αύξηση ή την απώλεια σε επίπεδο κατηγορίας. Μπορεί να είναι οτιδήποτε—τιμολόγηση, προώθηση, επιλογή, ή κενά αποθεμάτων. Αυτή η αλλαγή των συνομιλιών από ‘τα δεδομένα μου εναντίον των δεδομένων σας’ σε ‘η κοινή μας ευκαιρία’.

Το αποτέλεσμα είναι έξυπνες αποφάσεις, ταχύτερη πειραματισμός και τελικά, υψηλότερη αύξηση κατηγορίας που ωφελεί και τους λιανοπωλητές και τις μάρκες.

Καθώς ωριμάζουν τα δίκτυα λιανικών μέσων, ποιο ρόλο θα παίξει η τεχνητή νοημοσύνη στη βελτίωση της στόχευσης, της μέτρησης και της απόδοσης αποτελεσμάτων σε κλειστό βρόχο ενώ διατηρεί την εμπιστοσύνη του καταναλωτή;

Η τεχνητή νοημοσύνη θα μεταμορφώσει τέσσερις κρίσιμους τομείς καθώς ωριμάζουν τα δίκτυα λιανικών μέσων.

Πρώτον, στη στόχευση, η βιομηχανία εξελίσσεται από στατικές ομάδες κοινού σε προβλεπτική πρόθεση. Αναλύοντας πραγματικούς χρόνους σήματα—όπως την ταχύτητα περιήγησης ή τη σύνθεση καλαθιού—για να αναγνωρίσουν την ακριβή στιγμή της ανάγκης του αγοραστή, η τεχνητή νοημοσύνη βεβαιώνει ότι δείχνουμε τις σωστές διαφημίσεις όταν έχει σημασία περισσότερο παρά να στοχεύουμε ένα ευρεία δημογραφική κατηγορία.

Δεύτερον, για τη μέτρηση, ο χρυσός κανόνας μετακινείται από την απλή Απόδοση Διαφημιστικής Δαπάνης (ROAS) στην πρόσθετη απόδοση διαφημιστικής δαπάνης (iROAS). Χρησιμοποιώντας Causal AI, μπορούμε να μετρήσουμε την πραγματική επίδραση της διαφημιστικής δαπάνης αναγνωρίζοντας τους πελάτες που μετατράπηκαν μόνο λόγω της διαφήμισης έναντι εκείνων που θα είχαν αγοράσει και χωρίς τη διαφήμιση.

Τρίτον, η λειτουργική αποτελεσματικότητα γίνεται κρίσιμη, ιδιαίτερα στις δημιουργικές επιχειρήσεις. Για να υποστηρίξουν την υπερ-προσωποποίηση, οι λιανοπωλητές χρησιμοποιούν τη Παραγωγική AI όχι μόνο για την ιδέα αλλά και για να κλιμακώσουν την παραγωγή. Αυτό επιτρέπει στις ομάδες να δημιουργήσουν αυτόματα χιλιάδες δυναμικές, καναλιζόμενες παραλλαγές σε λεπτά αντί για εβδομάδες, λύνοντας το μποτλνεκ της ‘ταχύτητας περιεχομένου’.

Τέλος, η διατήρηση της εμπιστοσύνης εξαρτάται από την ευρεία υιοθέτηση των καθαρών δωματίων δεδομένων. Αυτά τα περιβάλλοντα επιτρέπουν στους λιανοπωλητές και τις μάρκες να ταιριάξουν ασφαλώς τα datasets τους για απόδοση αποτελεσμάτων σε κλειστό βρόχο, εγγυώμενοι ότι ευαίσθητες Προσωπικές Πληροφορίες (PII) δεν θα φύγουν ποτέ από τα αντίστοιχα τείχη προστασίας.

Κοιτάζοντας μπροστά, ποίες ικανότητες θα ορίσουν την επόμενη γενιά λιανοπωλητών που οδηγούνται από την τεχνητή νοημοσύνη, και τι πρέπει οι ηγέτες να αρχίσουν να χτίζουν σήμερα για να παραμείνουν ανταγωνιστικοί τα επόμενα πέντε χρόνια;

Η επόμενη εποχή της λιανικής θα οριστεί από τη μετατόπιση από ‘ψηφιακή μεταμόρφωση’ σε ‘αγεντική μεταμόρφωση’. Μετακινούμαστε σε ένα μέλλον ‘αυτόνομου συντονισμού’, όπου δίκτυα πρακτόρων AI συνεργάζονται για να τρέξουν σύνθετες διαδικασίες—όπως ένας πράκτορας αλυσίδας εφοδιασμού που λέει αυτόματα σε έναν πράκτορα μάρκετινγκ να παύσει μια προώθηση επειδή μια αποστολή είναι καθυστερημένη.

Για να προετοιμαστούν για αυτό, οι ηγέτες πρέπει να αρχίσουν να χτίζουν τρία πράγματα σήμερα.

Πρώτον, ένα ενοποιημένο μοντέλο δεδομένων. Οι πράκτορες δεν μπορούν να συνεργαστούν αν δεν μιλάνε την ίδια γλώσσα· το θεμέλιο δεδομένων σας πρέπει να εξελιχθεί από ένα αποθετήριο αποθήκευσης σε ένα σεμαντικό ‘νευρικό σύστημα’.

Δεύτερον, ένα πλαίσιο διακυβέρνησης για τους πράκτορες. Πρέπει να ορίσετε τους ‘κανόνες εμπλοκής’—τι επιτρέπεται στην τεχνητή νοημοσύνη να κάνει αυτόνομα και τι απαιτεί ανθρώπινη έγκριση—πριν να κλιμακώσετε.

Τέλος, οι ημέρες των στατικών πινάκων που παρέχουν ‘πίσω-προς-τα-πίσω’ αναλυτικά είναι αριθμημένες. Μετακινούμαστε προς τις συνομιλίες αναλυτικών που παρέχουν στιγμιαίες, προσωποποιημένες ενημερώσεις. Αυτά τα διεπαφές πηγαίνουν πολύ πέρα από την αναφορά ‘τι συνέβη’· χρησιμοποιούν την αγεντική τεχνητή νοημοσύνη για να σκεφτούν μέσα από σύνθετα ‘γιατί’ ερωτήματα και να παρέχουν κατευθυντήριες συστάσεις για το ακριβώς ‘τι να κάνετε επόμενο’, αποτελεσματικά κλείνοντας το χάσμα μεταξύ ενημέρωσης και δράσης.

Ευχαριστούμε για την εξαιρετική συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Tredence.