Andreea Pleşea, PhD, COO και Συνιδρυτής της Druid AI – Σειρά Συνεντεύξεων

Andreea Pleşea, PhD, COO και Συνιδρυτής της Druid AI, είναι εκτελεστική τεχνολογίας και επιχειρηματίας με σχεδόν δύο δεκαετίες εμπειρίας που καλύπτουν τη μηχανική λογισμικού, την τεχνολογία επιχειρήσεων, την τεχνητή νοημοσύνη, τις λειτουργίες και την επιτυχία πελατών. Από τη στιγμή που συνέδωσε τη Druid AI, κατείχε διάφορους ανώτερους ηγετικούς ρόλους στην οργάνωση, συμπεριλαμβανομένου του Διευθυντή Λειτουργιών (COO), Διευθυντή Εσόδων (CRO) και Διευθυντή Επιτυχίας Πελατών (CSO), αποκτώντας εμπειρία τόσο στην τεχνική όσο και στην εμπορική πλευρά της κλιμάκωσης μιας εταιρείας λογισμικού για επιχειρήσεις. Πριν από τη Druid AI, η Pleşea πέρασε σχεδόν μια δεκαετία στη TotalSoft, προχωρώντας από προγραμματιστής .NET σε Διευθυντή Ανάπτυξης Λογισμικού και τελικά σε Διευθύντρια Εφαρμογών Charisma Business, όπου επέβλεψε την ανάπτυξη προϊόντων, την υλοποίηση, την τεχνική υποστήριξη, την αρχιτεκτονική λύσεων και τις ευθύνες P&L. Το ακαδημαϊκό της υπόβαθρο περιλαμβάνει επίσης έρευνα AI στο Πανεπιστήμιο Ρώμης Tor Vergata, όπου συνεργάστηκε με την Ομάδα Έρευνας Τεχνητής Νοημοσύνης του πανεπιστημίου σε τεχνολογία εξαγωγής και δομής πληροφοριών από αδομημένα δεδομένα. Επίσης, υπηρετεί στο Διοικητικό Συμβούλιο του Women in Tech Romania.

Druid AI είναι μια εταιρεία τεχνητής νοημοσύνης για επιχειρήσεις που εστιάζει στην κατασκευή και ορχήστρωση AI πρακτόρων που μπορούν να αυτοματοποιήσουν σύνθετες επιχειρησιακές διαδικασίες σε οργανισμούς. Η πλατφόρμα της συνδυάζει κατανόηση φυσικής γλώσσας, γεννητική AI, δημιουργία με ενίσχυση ανάκτησης (RAG), ενσωματώσεις επιχειρήσεων, αυτοματοποίηση ροών εργασίας, αναλύσεις και διακυβέρνηση, με το Druid Conductor να συντονίζει πολλαπλούς εξειδικευμένους πράκτορες και συστήματα προς επιχειρηματικά αποτελέσματα. Οι οργανισμοί μπορούν να συνδέσουν τους πράκτορες της Druid με συστήματα όπως ERP, CRM, ITSM και πλατφόρμες ανθρώπινου δυναμικού, ενώ η τεχνολογία μπορεί να αναπτυχθεί σε σύννεφο, υβριδικό, on‑premises ή air‑gapped περιβάλλον. Η εταιρεία δηλώνει ότι η τεχνολογία της χρησιμοποιείται από περισσότερους από 300 πελάτες επιχειρήσεων και υποστηρίζεται από πάνω από 200 παγκόσμιους συνεργάτες, με εφαρμογές που καλύπτουν το πεδίο της υποστήριξης υπαλλήλων, εξυπηρέτησης πελατών, υγειονομικής περίθαλψης, τριτοβάθμιας εκπαίδευσης και κοινών υπηρεσιών.

Συνιδρύσατε τη Druid AI στη Βουκουρέστι το 2018 μετά από σχεδόν μια δεκαετία στη TotalSoft, όπου προχωρήσατε από ανάπτυξη .NET σε ανώτερη τεχνολογική και επιχειρηματική ηγεσία. Τι σας έπεισε τότε ότι η συνομιλιακή AI θα μπορούσε να γίνει βασικό στρώμα τεχνολογίας επιχειρήσεων, και πώς έχει εξελιχθεί αυτή η αρχική όραση καθώς η Druid προχώρησε στην πράξη AI; 

Η σύγκλιση δύο διαφορετικών μονοπατιών — ακαδημαϊκής αυστηρότητας και πραγματικού επιχειρησιακού πόνου — διαμόρφωσε τη σκέψη μου ενώ έκανα το διδακτορικό μου. Ωστόσο, δεν συνειδητοποίησα πλήρως τη δυνατότητα εφαρμογής της έρευνάς μου στην πράξη μέχρι που ο Liviu Dragan, ένας εξαιρετικά οραματιστής ηγέτης, προέβαλε την ιδέα της ίδρυσης της Druid AI.

Από το 2008 έως το 2011, η έρευνα του διδακτορικού μου εστιάστηκε σε αυτόνομους AI πράκτορες που επικοινωνούν μέσω τεχνολογιών του σημασιολογικού ιστού και οντολογιών, διερευνώντας πώς τα έξυπνα συστήματα θα μπορούσαν να αντικαταστήσουν ή να επικάλυψαν το παραδοσιακό λογισμικό επιχειρήσεων. Λίγο αργότερα, η ηγεσία σε τεχνολογία επιχειρήσεων με έθεσε αντιμέτωπη με μια σκληρή πραγματικότητα: ζητούσαμε από τους υπαλλήλους να διαχειριστούν ακατανόητη πολυπλοκότητα.

Η ολοκλήρωση μιας απλής εργασίας σήμαινε να γνωρίζεις ποια εφαρμογή να ανοίξεις, πού βρίσκονται τα δεδομένα, ποια πολιτική ισχύει και ποιος είναι υπεύθυνος για το επόμενο βήμα. Παράλληλα, εκτός γραφείου, η ανταλλαγή μηνυμάτων γινόταν η κυρίαρχη διεπαφή ανθρώπινης αλληλεπίδρασης.

Όταν ιδρύσαμε τη Druid AI το 2018, το όραμά μας ήταν απλό αλλά φιλόδοξο: να δώσουμε σε κάθε υπάλληλο και πελάτη έναν εικονικό βοηθό ικανό να συντονίζει τη δουλειά σε όλη την επιχείρηση.

Σχεδόν μια δεκαετία αργότερα, αυτή η βασική όραση δεν έχει αλλάξει — η τεχνολογία μόλις έφτασε στο σημείο. Η συνομιλιακή AI αφορούσε κυρίως την αναγνώριση προθέσεων, την ανάκτηση και την ενεργοποίηση στατικών σεναρίων. Η πράξη AI αλλάζει το όριο της ανάθεσης. Οι σύγχρονοι πράκτορες αξιολογούν στόχους, συνεργάζονται με εξειδικευμένους υπο‑πράκτορες, πλοηγούνται σε διαφορετικά συστήματα και εκτελούν σύνθετες, πολυβήματες ροές εργασίας αυτόνομα.

Για εμάς, η τρέχουσα επανάσταση της πράξης AI δεν αποτελεί στρατηγική στροφή μακριά από τη συνομιλιακή AI. Είναι η φυσική υλοποίηση της αρχικής μας υπόθεσης: η τεχνολογία επιχειρήσεων πρέπει να γίνει πιο απλή για τους ανθρώπους ώστε να ολοκληρώνουν τη δουλειά τους, ενώ το παρασκήνιο ορχήστρωσης γίνεται απεριόριστα πιο εξελιγμένο.

Το μεγαλύτερο μέρος της βιομηχανίας AI έχει επικεντρωθεί στην κατασκευή ολοένα και πιο ισχυρών βασικών μοντέλων, ενώ η Druid AI έχει εστιάσει στη σύνδεση διαφορετικών μοντέλων με δεδομένα, συστήματα και ροές εργασίας των επιχειρήσεων. Καθώς τα μοντέλα γίνονται όλο και πιο εναλλάξιμα, πιστεύετε ότι η ορχήστρωση θα γίνει πιο σημαντικό ανταγωνιστικό πλεονέκτημα από το ίδιο το μοντέλο;

Στη Druid AI, η κεντρική μας αποστολή είναι απλή: να εξάγουμε το εξαιρετικό από κάθε ανθρώπινη αλληλεπίδραση εξασφαλίζοντας την ολοκλήρωση της εργασίας. Αλλά καθώς η αγορά ωριμάζει, το κλειδί για την παροχή αυτής της αξίας μετατοπίζεται μακριά από το υποκείμενο τεχνολογικό στοίβα.

Παρατηρούμε ένα κλασικό μοτίβο στην τεχνολογία επιχειρήσεων: δυνατότητες που κάποτε ήταν πρώιμοι διαφοροποιητές γίνονται γρήγορα εμπορευματοποιημένες. Σήμερα, τα βασικά μοντέλα είναι προσβάσιμα σε κάθε παίκτη. Οι επιχειρήσεις θα υλοποιήσουν ακαριαία ένα υβριδικό μίγμα μοντέλων επιλεγμένων για συγκεκριμένη απόδοση, κόστος, ασφάλεια ή ρυθμιστικές ανάγκες. Καθώς η νοημοσύνη γίνεται εμπορευματοποιημένη, η στρατηγική μάχη μετατοπίζεται προς τα πάνω στο στοίβα.

Σήμερα, τα πιο δύσκολα προβλήματα στην AI επιχειρήσεων αφορούν το πλαίσιο εκτέλεσης: διακυβέρνηση και πρόσβαση (ποια δεδομένα μπορεί να αγγίξει η AI και υπό ποιες πολιτικές), οδική ανάθεση πράκτορα (ποιος εξειδικευμένος πράκτορας πρέπει να χειριστεί μια δεδομένη εργασία), ενσωμάτωση συστημάτων (πώς συντονίζονται πολλαπλά συναλλακτικά συστήματα με ασφάλεια), αυτονομία vs. έλεγχος (πότε μπορεί ένας πράκτορας να ενεργήσει αυτόνομα και πότε απαιτείται ανθρώπινη έγκριση), και δυνατότητα ελέγχου (αν μια ροή εργασίας αποτύχει, μπορεί να ανασυντεθεί η αλυσίδα αποφάσεων βήμα‑βήμα).

Γι’ αυτό η ορχήστρωση έχει γίνει το απόλυτο στρατηγικό μοχλό. Τα μοντέλα παράγουν νοημοσύνη, αλλά οι επιχειρήσεις χρειάζονται αξιόπιστη εκτέλεση.

Η Druid AI έχει σχεδιαστεί για να λειτουργεί ως αυτό το οριστικό επίπεδο ελέγχου και ορχήστρωσης. Γεφυρώνει διαφορετικά μοντέλα με ασφάλεια μέσα από τα δεδομένα, τις ροές εργασίας και τους ανθρώπους της επιχείρησης. Καίριας σημασίας, παρέχει το πλαίσιο αναφοράς για τη μέτρηση της αποτελεσματικότητας εκτέλεσης, αξιολογώντας πραγματικά επιχειρηματικά αποτελέσματα.

Σε μακροπρόθεσμο ορίζοντα, η νικήτρια ερώτηση δεν θα είναι «Ποιο μοντέλο χρησιμοποιείτε;». Θα είναι «Πόσο αποτελεσματικά μπορείτε να μετατρέψετε τη ακατέργαστη νοημοσύνη σε ολοκληρωμένη δουλειά για τους υπαλλήλους και τους πελάτες σας;»

Το Druid Conductor μπορεί να συντονίσει πολλαπλούς εξειδικευμένους πράκτορες σε ανάκτηση γνώσης, λογική αποφάσεων και ενέργειες συστήματος. Τι γίνεται τεχνικά δύσκολο όταν μια επιχείρηση περνά από έναν ενιαίο AI βοηθό που απαντά σε ερωτήσεις σε πολλούς πράκτορες που μπορούν ανεξάρτητα να εκτελούν πολυβήματες επιχειρησιακές διαδικασίες;

Η μετάβαση από απλές συνομιλιακές διεπαφές σε αρχιτεκτονικές πολλαπλών πρακτόρων αλλάζει θεμελιωδώς την προκλητική μηχανική. Σταματάτε να διαχειρίζεστε μια γραμμική συνομιλία και αρχίζετε να διαχειρίζεστε ένα κατανεμημένο σύστημα απόφασης‑εκτέλεσης.

Με έναν ενιαίο βοηθό Q&A, τα κύρια εμπόδια είναι η αναγνώριση προθέσεων, η ανάκτηση και η δημιουργία απαντήσεων με υψηλή ακρίβεια. Τα οικοσυστήματα πολλαπλών πρακτόρων εισάγουν μια εντελώς διαφορετική κατηγορία κατανεμημένων συστημάτων και ερωτήσεων:

1. Ποιος πράκτορας έχει την εξουσία να ενεργήσει και πώς αποτρέπεται η απόκλιση του τομέα;
2. Πώς διατηρείται η κατάσταση καθώς οι ευθύνες μεταβιβάζονται μεταξύ πρακτόρων;
3. Πώς εξισορροπούνται αντιφατικές αποφάσεις μεταξύ εξειδικευμένων πρακτόρων;
4. Πώς οι υπο‑πράκτορες κληρονομούν δικαιώματα πρόσβασης δυναμικά και με ασφάλεια;

Αυτές οι προκλήσεις εντείνονται όταν εφαρμόζονται σε πραγματική υποδομή επιχειρήσεων. Μια ενιαία ροή εργασίας μπορεί να διασχίσει CRM, ERP, πλατφόρμα διαχείρισης ταυτοτήτων, σύστημα εισιτηρίων και κληρονομικές βάσεις δεδομένων. Κάθε ένα λειτουργεί με διαφορετική επιχειρηματική λογική και τρόπους αποτυχίας, αλλά στο τέλος ο πράκτορας conductor πρέπει να ολοκληρώσει τη δουλειά σωστά.

Αν το τέταρτο βήμα μιας διαδικασίας έξι βημάτων αποτύχει μετά από τρία συστήματα που έχουν ήδη εκτελέσει συναλλακτικές αλλαγές, μια βασική πράξη pipeline καταρρέει. Το επίπεδο ορχήστρωσης δεν μπορεί απλώς να ρίξει ένα γενικό σφάλμα. Πρέπει να διαχειριστεί την κατάσταση, να εκτελέσει επαναφορά εάν χρειάζεται, να καθορίσει εάν υπάρχει εναλλακτική διαδρομή ή να κλιμακώσει με χάρη σε ανθρώπινη παρέμβαση.

Η αληθινή ορχήστρωση επιχειρήσεων είναι διαχείριση κατάστασης, συναλλακτική συνέπεια, παρατηρησιμότητα, επιβολή πολιτικών και ασφαλής αυτονομία. Ο σκοπός αυτής της υποκείμενης πολυπλοκότητας είναι η απλότητα: να παρασχεθεί μια ενιαία, χωρίς τριβές αλληλεπίδραση όπου οι σύνθετες εργασίες πολλαπλών συστημάτων ολοκληρώνονται απλώς.

Η Druid AI έχει πλέον ενεργοποιήσει περισσότε από ένα δισεκατομμύριο συνομιλίες μέσω χιλιάδων εγκατεστημένων πρακτόρων. Σε αυτήν την κλίμακα, τι έχετε μάθει για την AI επιχειρήσεων που θα ήταν αδύνατο να μάθετε από πιλοτικά ή ελεγχόμενα demos;

Η παραγωγή σε διδάσκει ταπεινότητα γρήγορα.

Ένα πιλοτικό πρόγραμμα είναι συνήθως ένα σχετικά ελεγχόμενο περιβάλλον. Η περίπτωση χρήσης ορίζεται, τα δεδομένα είναι λογικά καθαρά, οι χρήστες είναι γνωστοί και συνήθως υπάρχει μια ομάδα έργου που παρακολουθεί στενά.

Η παραγωγή δεν μοιάζει καθόλου με αυτό. Οι άνθρωποι κάνουν την ίδια ερώτηση με είκοσι διαφορετικούς τρόπους. Αλλάζουν γνώμη στη μέση μιας συνομιλίας. Παρέχουν ελλιπείς πληροφορίες. Αλλάζουν γλώσσα ή θέμα. Αλληλεπιδρούν σε απρόσμενους χρόνους. Οι πολιτικές αλλάζουν. Τα API αποτυγχάνουν. Τα back‑end συστήματα γίνονται αργά. Εμφανίζονται νέα edge cases που κανείς δεν είχε σκεφτεί στο αρχικό σχεδιασμό. Ένα πράγμα είναι σίγουρο: η προσδοκία των χρηστών είναι να ολοκληρωθεί η δουλειά αποτελεσματικά, απρόσκοπτα και με φυσικό τρόπο. Είτε σε κείμενο, είτε ειδικά σε φωνή, η συνομιλία πρέπει να ρέει φυσικά, χωρίς καθυστέρηση· πρέπει να ακούγεται εν μέρει εμπαθητική και να εκτελεί την εργασία προτείνοντας τις καλύτερες επιλογές και επόμενα βήματα, ή να αντιμετωπίζει εξαιρέσεις και βρόχους με ανθρώπινη παρέμβαση όταν χρειάζεται.

Μερική από τις πιο πολύτιμες αυτοματοποιήσεις προέρχεται από την εκτέλεση σχετικά συνηθισμένων εργασιών εξαιρετικά καλά και εκατοντάδες χιλιάδες φορές: απάντηση σε ερώτηση υπαλλήλου, έλεγχος λογαριασμού, επαναπρογραμματισμός ραντεβού, επίλυση αιτήματος IT ή ανάκτηση της σωστής πληροφορίας από σύστημα επιχείρησης. Αυτό άλλαξε τον τρόπο που αντιλαμβανόμαστε την αξία της AI.

Το δεύτερο μάθημα είναι ότι η έναρξη λειτουργίας είναι μόνο η αρχή ενός κύκλου μάθησης. Πρέπει να δείτε τι ζητούν οι χρήστες, ποιες προθέσεις αυξάνονται, πού αποτυγχάνουν οι συνομιλίες, πού οι χρήστες κλιμακώνονται και μερικές φορές πού η υποκείμενη επιχειρηματική διαδικασία χρειάζεται αλλαγή.

Και ίσως το πιο σημαντικό μάθημα είναι ότι η εμπιστοσύνη είναι λειτουργική, καθώς οι επιχειρήσεις εμπιστεύονται την AI επειδή, με το χρόνο, συμπεριφέρεται προβλέψιμα, οι εξαιρέσεις διαχειρίζονται σωστά, οι αποφάσεις είναι ορατές και η οργάνωση παραμένει υπό έλεγχο.

Τα δεδομένα παραγωγής της Druid δείχνουν ότι ένας σχετικά μικρός αριθμός ροών εργασίας μπορεί να εξηγήσει το μεγαλύτερο μέρος της πραγματικής χρήσης AI στις επιχειρήσεις. Υποδεικνύει αυτό ότι οι εταιρείες θα πρέπει αρχικά να εστιάσουν τις επενδύσεις AI σε λίγες υψηλού όγκου ροές εργασίας αντί να προσπαθήσουν για ευρεία μετασχηματισμό σε όλη την επιχείρηση;

Ένα από τα πιο σαφή μοτίβα στα δεδομένα παραγωγής μας είναι ότι η ζήτηση τείνει να συγκεντρώνεται. Στις χρηματοοικονομικές υπηρεσίες, για παράδειγμα, τρεις κατηγορίες ροών εργασίας αντιπροσωπεύουν περίπου το 90 % της χρήσης παραγωγής. Στην τριτοβάθμια εκπαίδευση η συγκέντρωση είναι ακόμη υψηλότερη. Αυτό μας λέει κάτι σημαντικό για το πώς οι εταιρείες πρέπει να σκέφτονται τον μετασχηματισμό AI. Έχουμε αναλύσει αυτές τις πληροφορίες και δημιουργήσει benchmark αναφορές για τριτοβάθμια εκπαίδευση, υγειονομική περίθαλψη και τραπεζικό τομέα, που επιτρέπουν στους συνεργάτες και πελάτες μας να εντοπίζουν τις διαδικασίες που θα αυξήσουν την αποδοτικότητα και να προβλέπουν πώς οι άνθρωποι θα αλληλεπιδράσουν με τους πράκτορες.

Υπάρχει μια παρόρμηση, ιδιαίτερα σε επίπεδο διοικητικού συμβουλίου, να ξεκινήσει κανείς με ένα πολύ ευρύ αίτημα: «Πρέπει να χρησιμοποιήσετε AI ή θα μείνετε πίσω». Η λειτουργική ομάδα τότε πρέπει να αγωνιστεί για να εντοπίσει τις σωστές εργασίες που μπορούν να εκτελέσουν οι πράκτορες, ενώ ταυτόχρονα φοβείται να μην χάσει τη δουλειά του. Ποια λοιπόν είναι η σωστή ισορροπία και πώς μπορούν να προσλάβουν τον κατάλληλο AI πράκτορα για να κάνει τη δουλειά ΜΑΖΙ μαζί τους, μεγιστοποιώντας το KPI που αναμένει το διοικητικό συμβούλιο;

Ξεκινήστε εκεί που υπάρχει δυνατότητα αύξησης εσόδων και/ή μείωσης κόστους, πράγματα που συνήθως οι άνθρωποι εκτελούν επανειλημμένα. Αν χιλιάδες πελάτες, υπάλληλοι, φοιτητές ή ασθενείς προσπαθούν επανειλημμένα να επιτύχουν το ίδιο αποτέλεσμα, έχετε μια μετρήσιμη βάση και μια ισχυρή ευκαιρία να αποδείξετε την αξία.

Αλλά υπάρχει μια σημαντική διάκριση: ξεκινήστε στενά, σχεδιάστε ευρέως.

Οι πρώτες περιπτώσεις χρήσης μπορούν να συγκεντρωθούν. Η πλατφόρμα που τις υποστηρίζει πρέπει να είναι ικανή να επεκταθεί σε όλη την επιχείρηση. Αποδεικνύετε την οικονομία, το μοντέλο διακυβέρνησης, τις ενσωματώσεις και τους μηχανισμούς ανθρώπινης κλιμάκωσης σε λίγες ουσιώδεις ροές εργασίας. Στη συνέχεια επεκτείνετε σε γειτονικές διαδικασίες χρησιμοποιώντας όσα έχετε μάθει.

Ο όγκος δεν πρέπει να είναι το μοναδικό κριτήριο. Μια ροή εργασίας χαμηλής συχνότητας μπορεί ακόμα να είναι εξαιρετικά πολύτιμη εάν κάθε επιτυχημένη επίλυση φέρνει σημαντικό οικονομικό ή λειτουργικό αντίκτυπο.

Καθώς οι επιχειρήσεις εστιάζουν όλο και περισσότερο στην επιτυχή επίλυση αντί στην απλή μεγιστοποίηση του ποσοστού αλληλεπιδράσεων χωρίς ανθρώπους, πώς πρέπει οι οργανισμοί να καθορίζουν ποιες αποφάσεις μπορεί ένας AI πράκτορας να πάρει αυτόνομα και πού η ανθρώπινη κλιμάκωση πρέπει να παραμείνει υποχρεωτική;

Η Druid AI έχει δημιουργήσει ένα πλαίσιο αξιολόγησης που καλύπτει 26 κριτήρια και εξασφαλίζει αντικειμενική αξιολόγηση της πράξης ορχήστρωσης από το πώς χτίστηκε μέχρι το πώς ολοκληρώνει τη δουλειά.

Αν μια ενέργεια είναι αναστρέψιμη, σχετικά χαμηλού κινδύνου, διέπεται από σαφείς κανόνες και υποστηρίζεται από αξιόπιστες πληροφορίες, τότε υπάρχει ισχυρό επιχείρημα για αυτονομία. Ο επαναπρογραμματισμός ενός ραντεβού με προκαθορισμένες παραμέτρους διαφέρει πολύ από τη λήψη κλινικής απόφασης και μπορεί να φαίνεται απλός. Αλλά θα πρέπει να ληφθούν πολλά στοιχεία υπόψη για να γίνει αποτελεσματικά: π.χ. αν ο γιατρός Β έχει κενή θέση, αλλά θέλει να την κλειδώσει, ο AI πράκτορας δεν πρέπει να επαναπρογραμματίσει ραντεβού ασθενούς σε αυτή τη θέση μόνο επειδή η εργασία είναι η μεγιστοποίηση της κάλυψης του ημερολογίου του γιατρού.

Υπάρχουν διάφορες διαστάσεις που θα εξέταζα: η οικονομική ή ανθρώπινη συνέπεια ενός σφάλματος, αν η ενέργεια είναι αναστρέψιμη, η πληρότητα και ποιότητα των διαθέσιμων πληροφοριών, οι κανονιστικές απαιτήσεις, και αν απαιτείται πραγματική ανθρώπινη κρίση ή ενσυναίσθηση. Στη συνέχεια σχεδιάζετε την κλιμάκωση σκόπιμα.

Αυτή είναι η στιγμή που πιστεύω ότι η αρχική σκέψη γύρω από την αυτοματοποίηση AI ήταν πολύ απλή. Ο στόχος έγινε «να περιοριστούν όσο το δυνατόν περισσότερες αλληλεπιδράσεις χωρίς την παρέμβαση ανθρώπου». Αλλά σε πολλές διαδικασίες, η κλιμάκωση είναι ακριβώς το σωστό αποτέλεσμα.

Γι’ αυτό προτιμώ να σκέφτομαι τη διακυβέρνηση επίλυσης αντί για την καθαρή περιοριστική προσέγγιση.

Ο στόχος είναι η AI να επιλύει αυτόνομα τη δουλειά που πρέπει να επιλύσει, να αναγνωρίζει τις καταστάσεις όπου δεν πρέπει να ενεργήσει και να φέρνει ένα άτομο στη διαδικασία με το σχετικό πλαίσιο ήδη συγκεντρωμένο.

Μόλις οι AI πράκτορες μπορούν να ανακτήσουν ευαίσθητες πληροφορίες, να ενημερώσουν συστήματα επιχείρησης και να εκκινήσουν πραγματικές ενέργειες, η παρατηρησιμότητα και η διακυβέρνηση γίνονται πολύ πιο σημαντικές. Τι πρέπει να μπορούν οι εταιρείες να ελέγχουν σχετικά με τη λογική, την πρόσβαση σε δεδομένα και τις ενέργειες ενός πράκτορα πριν τον εμπιστευτούν σε κρίσιμες ροές εργασίας;

Ακολουθώντας τις οδηγίες του Gartner, η DRUID διαθέτει ενσωματωμένο πλαίσιο αξιολόγησης που αναλύει τους πράκτορες από 5 οπτικές: ανοχή σφάλματος, κίνδυνος, συμμόρφωση, παρατηρησιμότητα και απόκλιση. Σε αυτές τις κατηγορίες, έχουμε συνολικά 26 στοιχεία. Κάθε ένα έχει ορισμό, ένα τεκμήριο που μπορείτε να ανοίξετε και μια μέτρηση.

Κατά την αξιολόγηση ενός πράκτορα, η πλατφόρμα πρέπει να μπορεί να ανασυνθέσει την πλήρη αλυσίδα από το αρχικό αίτημα του χρήστη μέχρι την τελική ενέργεια του συστήματος. Αυτό σημαίνει να γνωρίζει ποιος πράκτορας διεκπεραίωσε το αίτημα, ποιο μοντέλο χρησιμοποιήθηκε, ποιο πλαίσιο έλαβε το μοντέλο, ποιες επιχειρηματικές πληροφορίες ανακτήθηκαν, ποιες επιχειρηματικές κανόνες ή πολιτικές εφαρμόστηκαν, γιατί επιλέχθηκε συγκεκριμένη διαδρομή ή ενέργεια και ακριβώς τι άλλαξε στα υποκείμενα συστήματα. Δεκάδες αλληλεπιδράσεις ελέγχονται, αναλύονται και μετρώνται.

Η ταυτότητα είναι εξίσου σημαντική. Ένας AI πράκτορας δεν πρέπει ποτέ να παρακάμψει τον έλεγχο πρόσβασης της επιχείρησης. Πρέπει να γνωρίζετε ποιος ξεκίνησε το αίτημα, τι είχε εξουσιοδότηση να δει ή να κάνει και αν ο πράκτορας παρέμεινε εντός αυτών των ορίων.

Με αρχιτεκτονικές πολλαπλών πρακτόρων, η ανιχνευσιμότητα γίνεται ακόμη πιο κρίσιμη. Ποιος πράκτορας ανέθεσε σε άλλον πράκτορα; Ποια πληροφορία διέσχισε το όριο; Από πού προήλθε η απόφαση; Ποιο στοιχείο πραγματικά εκτέλεσε την ενέργεια; Και μετά υπάρχει η επιχειρησιακή απόδειξη: χρονικές σφραγίδες, σήματα εμπιστοσύνης, αποτελέσματα εκτέλεσης, εξαιρέσεις, γεγονότα κλιμάκωσης και η δυνατότητα κατανόησης ή επανάληψης του τι συνέβη.

Αυτή είναι μια από τις μεγαλύτερες αλλαγές καθώς περνάμε από τη συνομιλιακή στην πράξη AI.

Όταν η AI απλώς απαντά σε ερώτηση, η παρατηρησιμότητα είναι χρήσιμη. Όταν η AI μπορεί να αλλάξει ένα πελατειακό αρχείο, να ενεργοποιήσει πληρωμή, να ενημερώσει πολλαπλά συστήματα ή να εκκινήσει επιχειρησιακή διαδικασία, η παρατηρησιμότητα γίνεται μέρος της αρχιτεκτονικής ελέγχου.

Έχετε κατέχει ένα ασυνήθιστα ευρύ φάσμα ρόλων στη Druid AI, καλύπτοντας ανάπτυξη, λειτουργίες, έσοδα και επιτυχία πελατών. Πώς η άμεση συνεργασία με πελάτες διαμόρφωσε την άποψή σας για το γιατί ορισμένες υλοποιήσεις AI σε επιχειρήσεις δημιουργούν μετρήσιμη αξία ενώ άλλες παραμένουν κολλημένες σε φάση πιλοτικού;

Άρχισα την καριέρα μου ως προγραμματιστής και, όπως πολλοί μηχανικοί, αρχικά είχα έντονο ένστικτο ότι αν η τεχνολογία ήταν αρκετά καλή, η αξία της θα ήταν προφανής. Οι πελάτες σας διδάσκουν πολύ γρήγορα ότι αυτό δεν ισχύει στην τεχνολογία επιχειρήσεων.

Μια τεχνικά εξελιγμένη υλοποίηση μπορεί ακόμη να δημιουργήσει πολύ λίγη αξία αν το επιχειρηματικό πρόβλημα δεν είναι αρκετά σημαντικό, αν ο ιδιοκτήτης της διαδικασίας λείπει, αν η ενσωμάτωση θεωρείται δευτερεύουσα ή αν κανείς δεν έχει ορίσει τι σημαίνει επιτυχία. Οι πελάτες είναι εξαιρετικά καλοί στο να αφαιρούν την τεχνολογική αφήγηση. Δεν τους ενδιαφέρει πόσο κομψή είναι η αρχιτεκτονική αν η διαδικασία που ευθύνονται δεν έχει βελτιωθεί.

Όταν μιλάμε για υλοποιήσεις σε αυτήν την κλίμακα, υπάρχει ένας ιδιοκτήτης επιχειρήσεων με πραγματικό πρόβλημα προς επίλυση. Υπάρχει μετρήσιμος όγκος, κόστος/έσοδα ή τριβή. Η AI είναι συνδεδεμένη με τα συστήματα όπου η δουλειά γίνεται πραγματικά. Και υπάρχει σχέδιο υιοθέτησης και συνεχούς βελτίωσης μετά την έναρξη λειτουργίας. Τα πιλοτικά παραμένουν πιλοτικά επειδή αποδεικνύουν ότι η τεχνολογία λειτουργεί χωρίς να αποδεικνύουν ότι το λειτουργικό μοντέλο λειτουργεί. Γι’ αυτό, κάθε φορά που σχεδιάζουμε ένα AI έργο, εκπαιδεύουμε το προσωπικό και τους συνεργάτες μας να κατανοούν πρώτα τη δουλειά, όχι τα κλικ που κάνουν οι χρήστες στα συστήματα. Η «δουλειά» σημαίνει όλη τη διαδικασία, πώς αντιμετωπίζουν τις εξαιρέσεις, ποιο είναι το αποτέλεσμα, πόσο συχνά εμφανίζονται εξαιρέσεις, τι τα εμποδίζει να αυξήσουν την παραγωγικότητα, πόσο χρόνο παίρνει και ποια προσπάθεια απαιτείται για να επιτευχθεί αύξηση παραγωγικότητας αν η δουλειά δεν αυτοματοποιηθεί.

Η δική μου καριέρα έχει περάσει από τεχνολογία, λειτουργίες, πωλήσεις, επιτυχία πελατών και οικοδόμηση εταιρείας, και τώρα βλέπω αυτή την ευρύτητα ως ένα από τα μεγαλύτερα μου πλεονεκτήματα. Η τεχνολογία σας διδάσκει πώς κάτι λειτουργεί. Οι πωλήσεις σας διδάσκουν γιατί κάποιος θα πληρώσει γι’ αυτό. Η επιτυχία πελατών σας διδάσκει αν λειτουργεί στον πραγματικό κόσμο. Οι λειτουργίες σας διδάσκουν αν η οργάνωση μπορεί να το παραδώσει επανειλημμένα και σε κλίμακα.

Με πολλούς τρόπους, η εξέλιξη της Druid AI ακολούθησε την ίδια πορεία: από την απόδειξη ότι η συνομιλιακή AI μπορεί να λειτουργήσει, στην απόδειξη ότι μπορεί να δημιουργήσει αξία, στην κατασκευή της υποδομής που απαιτείται για να γίνουν οι έξυπνοι πράκτορες αξιόπιστοι σε επιχειρηματική κλίμακα.

Έχετε επίσης συμμετάσχει στο Women in Tech Romania ενώ χτίζατε τη Druid σε μια διεθνή εταιρεία AI. Πού βλέπετε ακόμη τις μεγαλύτερες φραγές για τις γυναίκες που ιδρύουν και ηγούνται εταιρειών AI, και τι θα μπορούσε να αυξήσει ουσιαστικά την εκπροσώπησή τους σε εκτελεστικό και ιδρυτικό επίπεδο; 

Τα πρόσφατα δεδομένα αναδεικνύουν ένα εντυπωσιακό χάσμα στην ευρωπαϊκή τεχνολογία: μόνο το 5 % των AI startups ιδρύονται ή συνιδρύονται από γυναίκες, και μόλις το ήμισυ αυτών των ιδρυτών κατέχουν διδακτορικό. Ενώ τα στατιστικά είναι εντυπωσιακά, η αντιμετώπιση αυτής της ανισότητας απαιτεί να κοιτάξουμε πέρα από τις παραδοσιακές αφηγήσεις για διακρίσεις φύλου.

Στην ουσία, η επιχειρηματικότητα είναι μια ατομική προσπάθεια που διαμορφώνεται από προσωπικότητα, ανοχή κινδύνου, προσωπικές προτεραιότητες και επιλογές καριέρας. Αντί να το βλέπουμε μόνο ως κοινωνικό εμπόδιο, πρέπει να εξετάσουμε το πρακτικό κανάλι μέσω του οποίου διαμορφώνονται οι ιδρυτές.

Ενώ τα κορίτσια είναι στατιστικά λιγότερο ελκυσμένα προς τις τεχνικές ειδικότητες νωρίς, ένα πολύ πιο σημαντικό και λιγότερο συζητημένο εμπόδιο εμφανίζεται αργότερα στις εταιρικές καριέρες: η έκθεση σε πλήρη επιχειρηματική ιδιοκτησία.

Οι γυναίκες συχνά διαπρέπουν ως παγκόσμιας κλάσης τεχνικοί ειδικοί και λειτουργικοί ηγέτες. Ωστόσο, λιγότερες μεταβαίνουν σε ρόλους με άμεση ευθύνη εσόδων, διαχείριση P&L, εμπορική λήψη αποφάσεων και συνολική εταιρική στρατηγική. Αυτοί είναι ακριβώς οι λειτουργικοί μύες που απαιτούνται για την ίδρυση και κλιμάκωση μιας εταιρείας τεχνολογίας επιχειρήσεων.

Η δική μου πορεία από την ανάπτυξη λογισμικού στη θέση του CEO δεν ήταν μια γραμμική γραμμή, αλλά μια σειρά μεταβάσεων μεταξύ ηγεσίας, λειτουργιών, εμπορικής εκτέλεσης και τελικά οικοδόμησης εταιρείας. Σε περιβάλλοντα όπως το ρουμανικό σύστημα εκπαίδευσης, όπου η πρακτική οικονομική εκπαίδευση και η επιχειρηματική εκπαίδευση έλειπαν για όλους ανεξαρτήτως φύλου, η εκμάθηση διαχείρισης επιχειρηματικού κινδύνου ήταν μια βήμα‑βήμα διαδικασία έκθεσης.

Η υπέρβαση αυτού του χάσματος απαιτεί επίσης την κατάρριψη ενός κοινότυπου μύθου: η ιδέα ότι η ηγεσία στην τεχνολογία απαιτεί απόλυτη κυριαρχία πριν προχωρήσει κανείς. Στην εποχή της ταχείας AI, κανείς δεν κατέχει όλες τις απαντήσεις. Τα καθοριστικά χαρακτηριστικά ηγεσίας σήμερα είναι η περιέργεια, η συνεχής μάθηση και η αυτοπεποίθηση να αντιμετωπίζει κανείς σύνθετα προβλήματα πριν εξασφαλιστεί το αποτέλεσμα.

Για να δούμε περισσότερες γυναίκες να ηγούνται τεχνολογικών εταιρειών, πρέπει να διευρύνουμε την πρόσβαση σε εμπορικά δίκτυα, να προωθήσουμε ορατά πρότυπα και να ενθαρρύνουμε ενεργά έμπειρα ταλέντα να βγουν από τις λειτουργικές σιλουέτες, να αναλάβουν ευθύνες P&L και να αγκαλιάσουν τους κινδύνους της επιχειρηματικής ιδιοκτησίας.

Κοιτάζοντας μπροστά, τι πιστεύετε ότι θα διαχωρίσει τις πλατφόρμες AI επιχειρήσεων που θα ενσωματωθούν βαθιά στις επιχειρησιακές λειτουργίες από τα πολλά AI προϊόντα που τελικά θα δυσκολευτούν να ξεπεράσουν το πείραμα;

Η διαχωριστική γραμμή θα είναι αν μπορούν να μεταβούν από τη νοημοσύνη στην αξιόπιστη εκτέλεση.

Η δημιουργία μιας εντυπωσιακής απόκρισης γίνεται ήδη σχετικά εύκολη. Η αξιόπιστη λειτουργία μέσα σε μια μεγάλη επιχείρηση είναι διαφορετική ιστορία.

Οι πλατφόρμες που θα ενσωματωθούν στις επιχειρησιακές λειτουργίες θα πρέπει να συνδέονται με ασφάλεια σε υπάρχοντα συστήματα αντί να ζητούν από τις εταιρείες να αντικαταστήσουν ό,τι ήδη χρησιμοποιούν. Θα πρέπει να λειτουργούν διασυνδεόμενες με διαφορετικά μοντέλα και τεχνολογίες.

Θα χρειαστούν ορχήστρωση ικανή να συντονίζει πράκτορες, ροές εργασίας και ανθρώπινες αποφάσεις. Και θα χρειαστούν ταυτότητα, διακυβέρνηση, παρατηρησιμότητα και έλεγχο ενσωματωμένα στην αρχιτεκτονική, όχι προστιθέμενα αργότερα.

Αλλά υπάρχει μια ακόμη απαίτηση που πιστεύω ότι θα διαχωρίσει όλο και περισσότερο τα πειράματα από την υποδομή: η αξιοπιστία υπό ατελείς συνθήκες. Μια επίδειξη σας δείχνει τι μπορεί να κάνει ένα σύστημα AI όταν όλα λειτουργούν, αλλά μια επιχείρηση θέλει να ξέρει τι συμβαίνει όταν κάτι δεν λειτουργεί.

Τι συμβαίνει όταν τα δεδομένα είναι ελλιπή; Όταν αποτύχει ένα API; Όταν δύο πολιτικές συγκρούονται; Όταν η εμπιστοσύνη είναι χαμηλή; Όταν ένας χρήστης ζητά κάτι για το οποίο δεν είναι εξουσιοδοτημένος;

Αν ένας πράκτορας λειτουργεί άψογα το 90 % του χρόνου αλλά συμπεριφέρεται απρόβλεπτα στα υπόλοιπα 10 %, δεν μπορείτε να του αναθέσετε την ευθύνη για μια κρίσιμη διαδικασία.

Τα τελευταία χρόνια, η κυρίαρχη ερώτηση ήταν: «Τι μπορεί να κάνει αυτό το μοντέλο;»

Η επιχειρηματική ερώτηση γίνεται: «Πώς μπορώ να ολοκληρώσω αυτή τη δουλειά αποτελεσματικά;»

Οι πλατφόρμες AI που θα ενσωματωθούν βαθιά στις οργανώσεις θα είναι εκείνες που θα μπορούν να απαντήσουν στο δεύτερο ερώτημα με πειστικότητα: τεχνικά, λειτουργικά και οικονομικά. Αυτή είναι τελικά η ευκαιρία που είδαμε όταν ξεκινήσαμε τη Druid AI: να κάνουμε τη νοημοσύνη μέρος του τρόπου με τον οποίο γίνεται η δουλειά. Ευχαριστούμε για τη σπουδαία συνέντευξη, αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν Druid AI.