Andrej Jonovic, διευθύνων σύμβουλος της XBP Global — Σειρά συνεντεύξεων

Ο Andrej Jonovic είναι διευθύνων σύμβουλος της XBP Global, μιας πολυεθνικής εταιρείας τεχνολογίας και υπηρεσιών που εστιάζει σε επιχειρησιακές ροές εργασιών κρίσιμης σημασίας. Η XBP Global εφαρμόζει τεχνητή νοημοσύνη με πράκτορες σε ρυθμιζόμενους τομείς, όπως η υγειονομική περίθαλψη, ο δημόσιος τομέας και οι χρηματοοικονομικές υπηρεσίες, όπου η ακρίβεια, η ασφάλεια, η κυριαρχία των δεδομένων και η δυνατότητα ελέγχου είναι απαραίτητες. Σε αυτή τη συνέντευξη, ο Jonovic μιλά για την προσαρμοστική ενορχήστρωση διαδικασιών, τα μοντέλα ανοικτών βαρών, την έξυπνη επεξεργασία εγγράφων, την ανθρώπινη αξιολόγηση και όσα απαιτούνται για να μετατραπεί η τεχνητή νοημοσύνη από τεχνική δυνατότητα σε μετρήσιμα επιχειρησιακά αποτελέσματα.

Ξεκινήσατε την καριέρα σας ως δικηγόρος με ειδίκευση στις συναλλαγές και στη συνέχεια στραφήκατε στις συγχωνεύσεις και εξαγορές, στον εταιρικό μετασχηματισμό και, τελικά, αναλάβατε την ηγεσία της XBP Global. Πώς έχει επηρεάσει αυτό το υπόβαθρο τον τρόπο με τον οποίο αξιολογείτε τη διακυβέρνηση, τον εμπορικό κίνδυνο και τον οργανωσιακό αντίκτυπο της ανάπτυξης τεχνητής νοημοσύνης σε ροές εργασιών κρίσιμης σημασίας;

Συνήθως εξετάζω πρώτα το λειτουργικό μοντέλο όταν αξιολογώ την τεχνητή νοημοσύνη. Όταν προέρχεσαι από τον χώρο των συναλλαγών και του μετασχηματισμού, συνηθίζεις να αναρωτιέσαι αν η δομή αντέχει στην πράξη, όταν αφήνεις πίσω τις παρουσιάσεις και περνάς στην υλοποίηση.

Αυτό έχει ιδιαίτερη σημασία στην τεχνητή νοημοσύνη, επειδή ένα μοντέλο μπορεί να αποδίδει εξαιρετικά καλά από μόνο του και παρ’ όλα αυτά να οδηγεί σε κακό λειτουργικό αποτέλεσμα. Στην υγειονομική περίθαλψη, στον δημόσιο τομέα και στον τραπεζικό κλάδο, η ακρίβεια της επεξεργασίας, η κανονιστική συμμόρφωση και η δυνατότητα ελέγχου είναι αδιαπραγμάτευτες. Πρέπει να γνωρίζεις πού βρίσκονται τα δεδομένα, τι επιτρέπεται να κάνει το σύστημα, πώς ελέγχονται οι αποφάσεις και ποια είναι η βάση του κόστους όταν εκτελείς τη ροή εργασιών σε μεγάλη κλίμακα.

Η διακυβέρνηση πρέπει να ενσωματώνεται εξαρχής σε αυτή την αρχιτεκτονική. Θέλω να γνωρίζω πού λειτουργεί το μοντέλο, ποιες πληροφορίες περνούν τα όρια της επιχείρησης, τι καταγράφεται στο ίχνος ελέγχου και τι συμβαίνει όταν η ροή εργασιών φτάνει σε μια απόφαση που απαιτεί διαφορετικό επίπεδο ελέγχου.

Πιθανότατα εκεί είναι που το υπόβαθρό μου έχει τη μεγαλύτερη επίδραση. Γενικά, με ενδιαφέρει λιγότερο τι μπορεί να κάνει η τεχνολογία σε μια ελεγχόμενη επίδειξη. Θέλω να ξέρω αν μπορείς να την εντάξεις σε μια διαδικασία κρίσιμης σημασίας και να βασιστείς σε αυτήν.

Η XBP Global περιγράφει την τεχνητή νοημοσύνη με πράκτορες ως εξέλιξη πέρα από τον συμβατικό αυτοματισμό που βασίζεται σε κανόνες και τη ρομποτική αυτοματοποίηση διαδικασιών. Τι αλλάζει τεχνικά όταν μια ροή εργασιών περνά από την τήρηση προκαθορισμένων οδηγιών στη χρήση πρακτόρων τεχνητής νοημοσύνης, ικανών να συνάγουν συμπεράσματα, να λαμβάνουν αποφάσεις και να συντονίζουν πολλαπλές εργασίες;

Η αρχιτεκτονική γίνεται πολύ πιο προσαρμοστική.

Ο παραδοσιακός αυτοματισμός ροών εργασιών είναι ντετερμινιστικός. Υπάρχουν κανόνες, γνωρίζεις τι συμβαίνει στο επόμενο βήμα και ενσωματώνεις με άκαμπτο τρόπο περισσότερη λογική καθώς η διαδικασία γίνεται πιο σύνθετη. Αυτό λειτουργεί πολύ καλά για προβλέψιμες εργασίες. Η δυσκολία προκύπτει όταν ο αριθμός των κανόνων γίνεται τεράστιος ή όταν η διαδικασία αλλάζει ταχύτερα απ’ όσο μπορεί να ανακατασκευαστεί το σύστημα.

Αυτό που κάνουμε τώρα είναι προσαρμοστική ενορχήστρωση διαδικασιών. Μπορείς να διατηρήσεις μηχανές κανόνων ντετερμινιστικού χαρακτήρα όπου το απαιτούν η ακρίβεια και η συμμόρφωση και, στη συνέχεια, να εντάξεις έξυπνα μοντέλα στα μέρη της ροής εργασιών όπου η εξαγωγή συμπερασμάτων προσθέτει αξία. Οι πράκτορες μπορούν να συντονίζουν εργασίες, να έχουν πρόσβαση σε πληροφορίες και να επιλέγουν την επόμενη ενέργεια, χωρίς να χρειάζεται κάποιος να έχει κωδικοποιήσει εκ των προτέρων κάθε πιθανή διαδρομή της διαδικασίας.

Μια ακόμη αλλαγή είναι ότι το υποκείμενο μοντέλο μπορεί πλέον να αντικαθίσταται ευκολότερα. Βλέπουμε μοντέλα ανοικτών βαρών, κατάλληλα για επιχειρησιακή χρήση, να βελτιώνονται πολύ γρήγορα. Αν η σχετική υποδομή έχει σχεδιαστεί σωστά, μπορείς να ενσωματώσεις ένα ισχυρότερο μοντέλο καθώς εξελίσσεται το οικοσύστημα, χωρίς να χρειάζεται να ανακατασκευάσεις ολόκληρη τη λειτουργική διαδικασία γύρω του.

Επομένως, πιστεύω ότι το ίδιο το workflow γίνεται ολοένα και περισσότερο το σημαντικότερο τεχνικό περιουσιακό στοιχείο: η ενορχήστρωση, η γνώση του τομέα, οι έλεγχοι και τα δεδομένα γύρω από το μοντέλο.

Πολλές εταιρείες πειραματίζονται με την τεχνητή νοημοσύνη, αλλά δυσκολεύονται να περάσουν από τα πιλοτικά προγράμματα στην παραγωγική λειτουργία. Ποια είναι τα συνηθέστερα αρχιτεκτονικά ή οργανωσιακά εμπόδια που δεν επιτρέπουν στις επιχειρήσεις να αναπτύξουν ροές εργασιών με πράκτορες σε μεγάλη κλίμακα; 

Οι πελάτες έχουν ξεπεράσει πλέον το στάδιο του πειραματισμού. Έχουν δει τις επιδείξεις και έχουν ακούσει πολύ επιθετικές υποσχέσεις για την απόδοση της επένδυσης. Κάποια στιγμή, κάποιος πρέπει να εντάξει την τεχνολογία σε μια πραγματική διαδικασία και να την κάνει να λειτουργήσει.

Εκεί είναι που η αρχιτεκτονική γίνεται δύσκολη. Μια ροή εργασιών παραγωγικής λειτουργίας πρέπει να συνδέεται με το υπάρχον περιβάλλον της εταιρείας. Ενδέχεται να χρειάζεται τα ευαίσθητα δεδομένα να παραμείνουν σε ιδιωτικό νέφος ή στις εγκαταστάσεις της εταιρείας. Πρέπει επίσης να είναι δυνατή η πρόσβαση στα υπάρχοντα συστήματα. Οι κανονιστικές απαιτήσεις πρέπει να τηρούνται. Παράλληλα, το οικονομικό μοντέλο πρέπει να παραμένει βιώσιμο σε επιχειρησιακή κλίμακα.

Πρόσφατα αναλάβαμε ένα έργο γύρω από τον κύκλο συντήρησης ενός παγκόσμιου στόλου αεροσκαφών. Κάθε στοιχείο συντήρησης θα μετατραπεί σε διανυσματική αναπαράσταση και θα αποθηκευτεί σε ιδιωτική διανυσματική βάση δεδομένων, μέσα στο ιδιωτικό νέφος του πελάτη. Η υποδομή τεχνητής νοημοσύνης με πράκτορες διαχειρίζεται την πρόσβαση σε αυτές τις πληροφορίες και υποστηρίζει την ανασύσταση των αρχείων όταν τα αεροσκάφη επιστρέφονται μετά τη λήξη της μίσθωσης ή πωλούνται.

Αυτό είναι ένα εντελώς διαφορετικό πρόβλημα από το να αποδείξεις ότι ένα μοντέλο μπορεί να απαντήσει σε μια ερώτηση σχετικά με το αρχείο ενός αεροσκάφους. Εδώ έχεις να διαχειριστείς ένα ολόκληρο λειτουργικό περιβάλλον, με ελέγχους δεδομένων και μια διαδικασία που πρέπει να λειτουργεί επανειλημμένα.

Σε οργανωτικό επίπεδο, το κενό συνήθως αφορά την ανάληψη ευθύνης. Κάποιος πρέπει να κατανοεί τη διαδικασία σε βάθος, ώστε να ορίσει τι σημαίνει στην πράξη η λειτουργία σε παραγωγικό περιβάλλον. Χωρίς αυτή την επιχειρησιακή πειθαρχία, το πιλοτικό πρόγραμμα μπορεί να παραμένει εντυπωσιακό για πολύ καιρό, χωρίς ποτέ να γίνει χρήσιμο.

Η XBP Global συνδυάζει την αυτοματοποίηση με την ανθρώπινη εποπτεία, ιδιαίτερα όταν πρόκειται για αποφάσεις με σοβαρές συνέπειες. Πώς καθορίζετε ποιες αποφάσεις μπορεί να εκτελεί αυτόνομα ένα σύστημα τεχνητής νοημοσύνης και σε ποιες περιπτώσεις πρέπει να παραμένει ο άνθρωπος μέρος της διαδικασίας; 

Σχεδιάζουμε τον ανθρώπινο ρόλο με γνώμονα την αξιολόγηση και επίλυση των υποθέσεων.

Σε μια ροή εργασίας όπου οι συνέπειες είναι σοβαρές, συνήθως υπάρχει μεγάλος όγκος εργασιών που μπορεί να διεκπεραιωθεί με υψηλό βαθμό βεβαιότητας. Υπάρχουν όμως και οριακές περιπτώσεις, όπου οι πληροφορίες είναι ελλιπείς, οι περιστάσεις ασυνήθιστες ή το κόστος ενός λάθους υπερβολικά υψηλό.

Όταν η ροή εργασίας φτάσει σε μία από αυτές τις περιπτώσεις, προωθεί τη συναλλαγή σε έναν ειδικό του αντικειμένου. Εκείνος την επιλύει και η κρίση του μπορεί κατόπιν να τροφοδοτήσει ξανά το σύστημα, ώστε το μοντέλο να συνεχίσει να βελτιώνεται.

Πιστεύω ότι αυτός ο κύκλος ανατροφοδότησης είναι σημαντικός. Η ανθρώπινη εποπτεία έχει μεγαλύτερη αξία όταν συμβάλλει στη βελτίωση της ροής εργασίας με την πάροδο του χρόνου. Ο ειδικός προσφέρει τη γνώση του αντικειμένου στις περιπτώσεις όπου το μοντέλο εξακολουθεί να τη χρειάζεται.

Το όριο αυτονομίας εξαρτάται σε μεγάλο βαθμό και από το περιβάλλον. Η αξιολόγηση υποθέσεων στον τομέα της υγείας, τα αρχεία του δημόσιου τομέα και οι ρυθμιζόμενες χρηματοοικονομικές διαδικασίες έχουν διαφορετικές απαιτήσεις από μια εσωτερική εργασία με περιορισμένες συνέπειες. Το αποδεκτό επίπεδο βεβαιότητας πρέπει να αντανακλά τις πραγματικές επιπτώσεις της απόφασης όταν το σύστημα ενεργήσει βάσει αυτής.

Οι πελάτες σας δραστηριοποιούνται σε ρυθμιζόμενους κλάδους και στον δημόσιο τομέα, όπου η κυριαρχία των δεδομένων, η ασφάλεια και η δυνατότητα ελέγχου είναι απαραίτητες. Πώς μπορούν οι οργανισμοί να αναπτύξουν μεγάλα γλωσσικά μοντέλα σε προστατευμένα περιβάλλοντα, χωρίς να υποβαθμίσουν τις δυνατότητες που καθιστούν αυτά τα συστήματα χρήσιμα; 

Τα μοντέλα ανοικτών βαρών αλλάζουν σημαντικά την απάντηση σε αυτό το ερώτημα.

Για μεγάλο χρονικό διάστημα, υπήρχε η αντίληψη ότι για να επιτευχθεί η καλύτερη απόδοση ενός μοντέλου, έπρεπε να σταλούν πληροφορίες στο περιβάλλον κάποιου άλλου. Αυτό δημιουργεί προφανές πρόβλημα όταν τα δεδομένα πρέπει να παραμένουν εντός των ορίων της επιχείρησης.

Πλέον μπορούμε να αξιοποιούμε μοντέλα ανοικτών βαρών επιχειρησιακού επιπέδου και να τα ενσωματώνουμε σε αναπτυγμένες ροές εργασίας με πράκτορες, διατηρώντας τα δεδομένα στο περιβάλλον του πελάτη. Ανάλογα με τις απαιτήσεις, αυτό μπορεί να σημαίνει υποδομή σε ιδιωτικό νέφος ή εντός των εγκαταστάσεων. Οι οργανισμοί εξακολουθούν να επωφελούνται από την πρόοδο στο ευρύτερο οικοσύστημα μοντέλων, διατηρώντας παράλληλα τους ελέγχους που χρειάζονται για την κυριαρχία των δεδομένων.

Η αρχιτεκτονική πρέπει επίσης να μπορεί να προσαρμόζεται. Δεν υπάρχει λόγος να θεωρούμε δεδομένο ότι το σημερινό μοντέλο θα παραμείνει το καλύτερο για μια συγκεκριμένη εργασία. Τα πρωτόκολλα εκπαίδευσής μας έχουν σχεδιαστεί έτσι ώστε να μπορούμε να ενσωματώνουμε γρήγορα νέα μοντέλα σε μια υφιστάμενη ροή εργασίας.

Για τους πελάτες που υπόκεινται σε ρυθμίσεις, αυτή η ευελιξία είναι εξαιρετικά πολύτιμη, επειδή η ροή εργασίας μπορεί να συνεχίσει να βελτιώνεται, ενώ τα όρια προστασίας των δεδομένων παραμένουν αμετάβλητα. Έτσι αρχίζετε επίσης να αντιμετωπίζετε απαιτήσεις όπως εκείνες της Πράξης της ΕΕ για την ΤΝ, χωρίς να αντιμετωπίζετε τη συμμόρφωση ως κάτι που προστίθεται αφού έχει ήδη αναπτυχθεί η τεχνολογία.

Ένα σημαντικό μέρος των επιχειρησιακών πληροφοριών παραμένει εγκλωβισμένο σε έγγραφα, εικόνες, παλαιά συστήματα και φυσικά αρχεία. Πώς εξελίσσεται η έξυπνη επεξεργασία εγγράφων και ποιος είναι ο ρόλος της στη μετατροπή κατακερματισμένων δεδομένων σε πληροφορίες που μπορούν να αξιοποιούν αξιόπιστα οι πράκτορες τεχνητής νοημοσύνης;

Πιστεύω ότι η έξυπνη επεξεργασία εγγράφων γίνεται μέρος της υποδομής για τις ροές εργασίας με πράκτορες τεχνητής νοημοσύνης.

Ιστορικά, μεγάλο μέρος της επεξεργασίας εγγράφων βασιζόταν σε πρότυπα. Γνωρίζατε πώς ήταν διαμορφωμένο το έγγραφο, γνωρίζατε ποιο πεδίο θέλατε και το σύστημα το εξήγαγε. Οι επιχειρησιακές πληροφορίες σπάνια είναι τόσο τακτοποιημένες. Μόνο στον τομέα της υγείας, μπορεί να υπάρχουν EOB, σύνθετη αλληλογραφία, πληροφορίες για απαιτήσεις αποζημίωσης και αρχεία που φτάνουν σε διαφορετικές μορφές.

Η νεότερη προσέγγιση λαμβάνει πολύ περισσότερο υπόψη το πλαίσιο. Μπορείτε να επεξεργαστείτε μη δομημένες πληροφορίες, να κατανοήσετε τι είναι σχετικό και να τις μετατρέψετε σε δομημένα αποτελέσματα που μπορούν πράγματι να χρησιμοποιήσουν τα επόμενα συστήματα. Αυτό είναι σημαντικό, επειδή ένας πράκτορας δεν μπορεί να συντονίσει αξιόπιστα την εργασία, αν οι πληροφορίες στις οποίες βασίζεται είναι ελλιπείς ή έχουν ερμηνευτεί λανθασμένα.

Η κλίμακα αλλάζει επίσης το πρόβλημα. Διαχειριζόμαστε περιβάλλοντα που επεξεργάζονται τεράστιους όγκους εικόνων, απαιτήσεων αποζημίωσης, συναλλαγών πληρωμών και άλλων εγγράφων. Σε αυτή την κλίμακα, ακόμη και μια μικρή διαφορά στην ποιότητα εξαγωγής δεδομένων γίνεται πολύ σοβαρό επιχειρησιακό ζήτημα.

Έτσι, η IDP βρίσκεται όλο και συχνότερα στην αρχή της έξυπνης ροής εργασίας. Μετατρέπει τις κατακερματισμένες πληροφορίες σε αξιοποιήσιμα δεδομένα, παρέχει στο επόμενο στάδιο της διαδικασίας αξιόπιστο υλικό για να ενεργήσει και δημιουργεί τις βάσεις για περισσότερη αυτοματοποίηση στα επόμενα στάδια.

Η XBP Global έχει μιλήσει για τη μετάβαση από παλαιές διαδικασίες που βασίζονται σε κανόνες σε ροές εργασίας με πράκτορες τεχνητής νοημοσύνης, καθώς και για την επίτευξη υψηλότερων ποσοστών επίλυσης από την πρώτη προσπάθεια. Τι πρέπει να κατανοεί ένα σύστημα τεχνητής νοημοσύνης σχετικά με τις διαδικασίες, τις εξαιρέσεις και τη θεσμική γνώση ενός οργανισμού, προτού μπορέσει να προσφέρει αξιόπιστα αποτελέσματα;

Μεγάλο μέρος της θεσμικής γνώσης δεν αποτυπώθηκε ποτέ σε ένα σαφές έγγραφο διαδικασίας.

Βρίσκεται ενσωματωμένη σε παλαιά συστήματα, σύνολα κανόνων και στην κρίση ανθρώπων που διαχειρίζονται τη διαδικασία επί χρόνια. Γνωρίζουν ποιες πληροφορίες έχουν σημασία, ποιος κανόνας εφαρμόζεται σε κάθε περίσταση και τι συνέπειες έχει στη συνέχεια μια λανθασμένη απόφαση.

Όταν μεταφέρετε αυτή την εργασία, πρέπει να διατηρήσετε αυτή τη λειτουργική γνώση. Στον κλάδο μας, αυτό συχνά σημαίνει συνδυασμό ντετερμινιστικής λογικής με τεχνητή νοημοσύνη, αντί να θεωρούμε ότι όλοι οι κανόνες πρέπει να καταργηθούν αμέσως. Σε ορισμένα σημεία μιας ρυθμιζόμενης ροής εργασιών, μια μηχανή κανόνων είναι εξαιρετικά χρήσιμη, επειδή η απαίτηση είναι σαφής. Σε άλλα σημεία, ένα ευφυές μοντέλο μπορεί να διαχειριστεί τις αποκλίσεις πολύ πιο αποτελεσματικά.

Η εξειδίκευση στον συγκεκριμένο τομέα σάς δείχνει πού αρμόζει το καθένα.

Γι’ αυτό και η επίλυση με την πρώτη προσπάθεια δεν μπορεί να αξιολογείται με βάση μόνο τη βαθμολογία του μοντέλου. Η ροή εργασιών πρέπει να οδηγεί σε αποτέλεσμα που αντέχει στο επόμενο βήμα της διαδικασίας. Αν δημιουργεί νέα κλιμάκωση σε κάποιο επόμενο στάδιο, τότε απλώς μεταφέρατε το πρόβλημα αντί να το επιλύσετε.

Το σύστημα πρέπει να κατανοεί αρκετά καλά τη διαδικασία, ώστε να γνωρίζει πώς είναι μια επιτυχημένη συναλλαγή από την αρχή μέχρι το τέλος.

Η XBP Global εφαρμόζει αυτοματοποίηση όχι μόνο στις λειτουργίες των πελατών της, αλλά και στη δική της μετάβαση σε ένα λειτουργικό μοντέλο με επίκεντρο την τεχνητή νοημοσύνη. Τι μάθατε χρησιμοποιώντας την εταιρεία ως εσωτερικό πεδίο δοκιμών και πώς εξισορροπείτε τις βελτιώσεις στην παραγωγικότητα με την ανάπτυξη του ανθρώπινου δυναμικού και τη διαχείριση της αλλαγής;

Εφαρμόζουμε την τεχνητή νοημοσύνη εσωτερικά με αρκετά επιθετικό τρόπο, επειδή πιστεύω ότι μαθαίνεις πολύ γρήγορα όταν το οικονομικό αποτέλεσμα εξαρτάται από τις δικές σου ενέργειες.

Οι προσπάθειές μας για αυτοματοποίηση με επίκεντρο την τεχνητή νοημοσύνη αναμένεται πλέον να αποφέρουν ετησιοποιημένες λειτουργικές εξοικονομήσεις ύψους 65 έως 75 εκατομμυρίων δολαρίων, με όφελος περίπου 35 εκατομμυρίων δολαρίων να αναμένεται μέσα στο 2026. Τα έσοδα ανά εργαζόμενο έφτασαν περίπου τα 89.000 δολάρια το δεύτερο τρίμηνο, από περίπου 82.000 δολάρια το προηγούμενο τρίμηνο, και αναμένουμε να πλησιάσουν τα 100.000 δολάρια μέχρι το τέλος του έτους.

Αυτοί οι δείκτες είναι χρήσιμοι, επειδή μας δείχνουν αν το λειτουργικό μοντέλο γίνεται πράγματι πιο παραγωγικό.

Οι επιπτώσεις στο ανθρώπινο δυναμικό είναι πραγματικές. Εκτιμούμε ότι το παγκόσμιο προσωπικό θα μειωθεί κατά περίπου 20% μέχρι το τέλος του 2026, καθώς προχωράμε προς ένα λειτουργικό μοντέλο υψηλότερης παραγωγικότητας. Η διαχείριση της αλλαγής πρέπει να λαμβάνει υπόψη ότι οι μεταβολές στην παραγωγικότητα επηρεάζουν τις ανάγκες σε προσωπικό.

Ταυτόχρονα, οι άνθρωποι που συνεχίζουν να εργάζονται σε αυτές τις ροές εργασιών πρέπει να αποκτήσουν περισσότερες ικανότητες. Χρειαζόμαστε ειδικούς στον τομέα, αρχιτέκτονες και στελέχη λειτουργιών που μπορούν να οργανώνουν την εργασία, να αξιολογούν τα αποτελέσματα και να αναλαμβάνουν την ευθύνη για αποφάσεις υψηλότερης αξίας.

Η υλοποίηση αυτού του μετασχηματισμού μέσα στην ίδια μας την εταιρεία έκανε τη συζήτηση πολύ πιο πρακτική. Βλέπεις πολύ γρήγορα ποια αυτοματοποίηση δημιουργεί διαρκή αποδοτικότητα και ποια δραστηριότητα περιορίζεται απλώς στο να χρησιμοποιεί κάποιος συχνότερα την τεχνητή νοημοσύνη.

Τα έργα εταιρικής τεχνητής νοημοσύνης προβάλλονται συχνά μέσω επιδείξεων και όχι με βάση μετρήσιμα επιχειρηματικά αποτελέσματα. Ποιους δείκτες πρέπει να χρησιμοποιούν τα στελέχη για να αξιολογούν μια ευφυή ροή εργασιών και πώς πρέπει να συνυπολογίζουν την ακρίβεια, τα ποσοστά εξαιρέσεων, τον χρόνο επεξεργασίας, το λειτουργικό κόστος και τη μείωση κινδύνου;

Θα αξιολογούσα τη ροή εργασιών σε δύο επίπεδα.

Σε λειτουργικό επίπεδο, θέλω να γνωρίζω την ακρίβεια, το ποσοστό επίλυσης με την πρώτη προσπάθεια, τον χρόνο επεξεργασίας, τον όγκο εξαιρέσεων και το κόστος διεκπεραίωσης της εργασίας. Σε ένα ρυθμιζόμενο περιβάλλον, με ενδιαφέρει επίσης αν η συναλλαγή μπορεί να ελεγχθεί και αν οι δικλίδες ελέγχου λειτουργούν σταθερά σε μεγάλη κλίμακα.

Στη συνέχεια, θέλω να διαπιστώσω αν αυτές οι βελτιώσεις αποτυπώνονται στα οικονομικά αποτελέσματα της επιχείρησης.

Στην XBP, το προσαρμοσμένο μικτό περιθώριό μας έφτασε το 24,9% το δεύτερο τρίμηνο, στο υψηλότερο επίπεδο μέχρι σήμερα, ενώ τα έσοδα ανά εργαζόμενο αυξήθηκαν σε περίπου 89.000 δολάρια. Αυξήθηκε επίσης ο ετήσιος στόχος μας για τη λειτουργική αποδοτικότητα, στα 65 έως 75 εκατομμύρια δολάρια, καθώς εντοπίσαμε πρόσθετες ευκαιρίες αυτοματοποίησης.

Αυτοί οι δείκτες αποκαλύπτουν κάτι διαφορετικό από μια βαθμολογία συγκριτικής αξιολόγησης. Δείχνουν αν η τεχνολογία μεταβάλλει τη διάρθρωση του λειτουργικού κόστους.

Μια ροή εργασιών μπορεί να έχει εξαιρετική ακρίβεια μοντέλου και παρ’ όλα αυτά να αποτελεί κακή επιλογή υλοποίησης, αν είναι υπερβολικά δαπανηρή στη λειτουργία της ή δημιουργεί υπερβολικά πολλή χειροκίνητη επανεργασία. Πιστεύω ότι τα στελέχη πρέπει να παρακολουθούν το αποτέλεσμα σε όλη τη διαδρομή του. Η τεχνολογία πρέπει να αποφέρει λειτουργικό όφελος που να είναι μετρήσιμο.

Κοιτάζοντας προς το μέλλον, πιστεύετε ότι η πρακτορική τεχνητή νοημοσύνη θα παραμείνει ένα πρόσθετο επίπεδο πάνω από τα υφιστάμενα εταιρικά συστήματα ή θα γίνει το κύριο επίπεδο ενορχήστρωσης μέσω του οποίου αλληλεπιδρούν άνθρωποι, λογισμικό, δεδομένα και επιχειρηματικές διαδικασίες;

Πιστεύω ότι όλο και μεγαλύτερο μέρος των ροών εργασιών θα βασίζεται σε πράκτορες τεχνητής νοημοσύνης.

Οι επιχειρήσεις θα εξακολουθούν να διαθέτουν συστήματα, αποθετήρια δεδομένων και εφαρμογές που επιτελούν συγκεκριμένες λειτουργίες. Αυτό που αλλάζει είναι ο τρόπος με τον οποίο μετακινείται η εργασία μεταξύ τους. Μια ροή εργασιών με πράκτορες τεχνητής νοημοσύνης μπορεί να ανακτά πληροφορίες, να συντονίζει εργαλεία, να ενεργοποιεί ενέργειες και να καθορίζει πότε μια συναλλαγή χρειάζεται διαφορετικού τύπου παρέμβαση.

Αυτό είναι ήδη ορατό στο παράδειγμα της αεροπορικής εταιρείας. Τα αρχεία συντήρησης βρίσκονται σε μια ιδιωτική διανυσματική βάση δεδομένων στο περιβάλλον του πελάτη, ενώ το επίπεδο πρακτορικής τεχνητής νοημοσύνης διαχειρίζεται τον τρόπο με τον οποίο γίνεται η πρόσβαση και η χρήση αυτών των πληροφοριών σε όλο τον κύκλο συντήρησης.

Πιστεύω ότι αυτού του είδους η ενορχήστρωση θα γίνει πολύ πιο συνηθισμένη.

Τα υποκείμενα μοντέλα θα συνεχίσουν να αλλάζουν. Τα μοντέλα ανοιχτών βαρών βελτιώνονται ταχύτατα και θα ακολουθήσει μια νέα γενιά μετά από εκείνα που χρησιμοποιούμε σήμερα. Γι’ αυτό το επίπεδο ενορχήστρωσης γίνεται όλο και πιο σημαντικό, καθώς οι επιχειρήσεις χρειάζονται κάτι σταθερό γύρω από αυτά τα μοντέλα.

Αν σχεδιάσετε τη ροή εργασιών με βάση τη διαδικασία, τη γνώση του τομέα, τις απαιτήσεις ασφάλειας και τους εταιρικούς ελέγχους, μπορείτε να συνεχίσετε να αξιοποιείτε καλύτερα μοντέλα καθώς αυτά εμφανίζονται. Πιστεύω ότι εκεί θα βρίσκεται μεγάλο μέρος της μακροπρόθεσμης αξίας.

Σας ευχαριστώ για την εξαιρετική συνέντευξη. Οι αναγνώστες που θέλουν να μάθουν περισσότερα μπορούν να επισκεφθούν την XBP Global.