Επίλυση του Χάσματος Εκτέλεσης στην Αυτοματοποίηση του AI

Η αρχική υπόσχεση των LLM ως ολικής λύσης για την αυτοματοποίηση των επιχειρήσεων έχει σταματήσει. Έχουμε λύσει το πρόβλημα του λόγου σε κλίμακα, αλλά η μετατροπή αυτού του λόγου σε πραγματικά αποτελέσματα είναι μια διαφορετική ιστορία. Όλοι έχουμε δει τα νούμερα: 95% των πιλότων γενετικών AI δεν φτάνουν στην παραγωγή, και 80% των παραδοσιακών έργων AI αποτυγχάνουν να εκκινήσουν.

Το πρόβλημα δεν είναι η έλλειψη κατανόησης. Τα LLM είναι εξαιρετικά στην ανάλυση ακατέργαστων, υποκειμενικών αιτημάτων, αλλά η κατανόηση είναι μόνο η μισή μάχη. Τα περισσότερα έργα αποτυγχάνουν επειδή τα συστήματα που απαιτούνται για να ενεργήσουν σε αυτή την κατανόηση δεν ήταν ποτέ συνδεδεμένα ή αυτοματοποιημένα από την αρχή. Το AI μπορεί να αποφασίσει ακριβώς τι πρέπει να γίνει, αλλά είναι άχρηστο αν δεν μπορεί να αποκτήσει πρόσβαση στα εργαλεία ή να εκτελέσει τις συναλλαγές που απαιτούνται για να κάνει πραγματικά τη δουλειά.

Οι Τρεις Φάσεις της Αυτοματοποίησης της Διαδικασίας

Η πραγματική εργασία συμβαίνει σε τρεις φάσεις, αλλά τα σημερινά συστήματα καταγράφουν μόνο ένα μέρος αυτών. Η αυτοματοποίηση αποτυγχάνει επειδή επικεντρώνεται σχεδόν αποκλειστικά στο πρώτο βήμα ενώ αγνοεί τους μηχανισμούς των δύο επόμενων.

1. Αναγνώριση Προθέσεων (Τριаж)

Το πρώτο βήμα είναι να κατανοήσουμε τι θέλει ο χρήστης. Αυτή είναι η φάση του λόγου όπου το AI έχει κάνει την μεγαλύτερη πρόοδο. Για παράδειγμα, ένας ειδικός συνεργάτης διαβάζει ένα εισιτήριο, ταξινομεί την πρόθεση και αποφασίζει για einen δρόμο προς τα εμπρός με βάση την πολιτική της εταιρείας. Σήμερα, τα LLM χειρίζονται αυτή την τριáž με ευκολία. Ενώ είναι εντυπωσιακό, αυτό αντιμετωπίζει μόνο το γνωστικό μέτωπο της εργασίας.

2. Χαρτογράφηση Διαδικασίας (Λογική)

Το δεύτερο βήμα είναι η χαρτογράφηση του μονοπατιού εκτέλεσης, ή της λογικής του ακατέργαστου μεσαίου. Αυτό απαιτεί την πλοήγηση ιδιόκτητων επιχειρηματικών κανόνων και εξαιρέσεων που δεν είναι δημόσια γνώση. Για μια απλή επιστροφή, ένα μέλος της ομάδας πρέπει να γνωρίζει σε ποιο σύστημα βρίσκεται η συναλλαγή, πώς χειρίζεται ο φόρος και αν απαιτείται έγκριση διαχειριστή.

Αυτή είναι η περιοχή όπου ζει το ανταγωνιστικό πλεονέκτημα μιας οργάνωσης, αλλά είναι επίσης όπου η αυτοματοποίηση καταρρέει. Ακόμη και όταν υπάρχουν API, συχνά είναι ανεπαρκή ή απομονωμένα. Χωρίς einen κεντρικό χάρτη για να πλοηγήσει τα 5-7 διαφορετικά συστήματα που απαιτούνται για την ολοκλήρωση μιας εργασίας, το AI λείπει των οδηγιών που απαιτούνται για να μεταφράσει μια απόφαση σε μια σειρά τεχνικών ενεργειών.

3. Συστημική Ενέργεια (Εκτέλεση)

Το τελικό βήμα είναι η συστημική εκτέλεση: η υποβολή δεδομένων στο ERP, η ενημέρωση του CRM ή η ενεργοποίηση eines πυλώνου πληρωμών.

Στις χειροκίνητες διαδικασίες, ο συνεργάτης εκτελεί αυτή την εκτέλεση ενεργώντας ως η ανθρώπινη ενοποίηση μεταξύ αυτών των συστημάτων. Σε ένα αυτοματοποιημένο κόσμο, το AI δεν μπορεί απλώς να αποφασίσει αν μια αλλαγή είναι απαραίτητη· απαιτεί μια πλατφόρμα ικανή να χειρίζεται τη συναλλαγή με τον ίδιο βαθμό ασφαλείας και συμμόρφωσης με έναν ανθρώπινο χειριστή. Χωρίς αυτή την υποδομή εκτέλεσης, τα έργα AI παραμένουν διαρκείς προτύπους που αποτυγχάνουν όταν συναντούν πραγματική τυχαία.

Η μετάβαση από ένα ντεμο đến ένα σύστημα παραγωγής είναι một τεράστιο ανέβασμα επειδή απαιτεί την επίλυση αυτού του τελευταίου μιλίου της συστημικής ενέργειας. Αν αυτό το χάσμα δεν κλείσει, η αυτοματοποίηση παραμένει εύθραυστη και θα αγνοηθεί τελικά από τις λειτουργικές ομάδες.

Το Πρόβλημα Ενοποίησης: Παρατηρητής εναντίον Χειριστή

Αυτή η τεχνική τριβή είναι ο λόγος για τον οποίο οι εταιρείες εξακολουθούν να βασίζονται σε χειροκίνητες διαδικασίες για βασικές εργασίες. Σε meisten εταιρείες, ένας συνεργάτης περνά την ημέρα του μεταφέροντας δεδομένα μεταξύ εργαλείων, όπως η αντιγραφή πληροφοριών από μια βάση δεδομένων χρέωσης σε ένα CRM ή η ενημέρωση μιας πλατφόρμας logistik. Είναι ουσιαστικά η κόλλα που κρατά τα συστήματα μαζί.

Για να αυτοματοποιήσετε, μια εταιρεία θα έπρεπε παραδοσιακά να κατασκευάσει και να διατηρήσει προσαρμοσμένες συνδέσεις για κάθε εργαλείο στη διαδικασία. Το κόστος της κατασκευής αυτής της υποδομής συχνά υπερβαίνει την αξία της αυτοματοποίησης. Χωρίς αυτές τις συνδέσεις, ένας πράκτορας AI μπορεί να κατανοήσει έναν πελάτη αλλά δεν μπορεί να τον βοηθήσει – γίνεται ένας ακριβός παρατηρητής, όχι χειριστής. Μπορεί να δει την λύση, αλλά δεν έχει πρόσβαση για να εκτελέσει το fix. Αυτός είναι ο λόγος για τον οποίο τα περισσότερα έργα AI δεν περνούν ποτέ πέρα από την απάντηση σε ερωτήσεις ή την εκτέλεση στενών εργασιών.

Χρήση Ορχήστρας για Κλείσιμο του Χάσματος

Για να περάσετε πέρα από τα προτύπους, οι οργανώσεις χρειάζονται ορχήστρα. Σκεφτείτε αυτό ως το σασί που συνδέει το σκέψιμο (Βήμα 1) με το κάνε (Βήμα 3) διαχειρίζοντας τη σύνθετη λογική (Βήμα 2) στο μεταξύ.

Ένας πράκτορας AI μπορεί να αναγνωρίσει τι πρέπει να γίνει, αλλά συνήθως λείπει των εξουσιοδοτήσεων και της δια-συστημικής μνήμης για να κατέχει μια διαδικασία από την αρχή μέχρι το τέλος. Για οτιδήποτε πέρα από μια απλή εργασία, ο πράκτορας χρειάζεται μια πλατφόρμα που χειρίζεται τις συνδέσεις, τις ακολουθίες βημάτων σε διαφορετικά εργαλεία και τη διατήρηση της πρόοδου. Χωρίς αυτό το επίπεδο, το AI είναι απλώς ένας ικανός αποφασιστής χωρίς τρόπο να εφαρμόσει τις αποφάσεις του.

Η ορχήστρα επίσης λύνει την τεχνική παγίδα των μοναδικών συνδέσεων API. Όταν κατασκευάσαμε την αρχιτεκτονική για MelodyArc, επικεντρωθήκαμε σε ένα κεντρικό επίπεδο όπου οι πράκτορες AI μπορούσαν να διατηρήσουν το контέκστ σε διαφορετικά συστήματα και να συντονίσουν ενέργειες μέσω API ή διαδικτυακών διεπαφών. Διαχειρίζοντας το τεχνικό βαρύ ανέβασμα, η ορχήστρα επιτρέπει στις λειτουργικές ομάδες να ορίζουν διαδικασίες χρησιμοποιώντας δομικά στοιχεία αντί για κώδικα. Αυτό μετατρέπει το AI από ένα έξοχο βοηθό σε έναν αξιόπιστο χειριστή που μπορεί να χειριστεί μια εργασία για ολόκληρο τον κύκλο ζωής της.

Υψηλή Πιστότητα με Ανθρώπινο-στο-Λοοπ

Αντιπαθείς αποτελέσματα είναι ο ταχύτερος τρόπος για τις λειτουργικές ομάδες να απορρίψουν नई τεχνολογία. Η ορχήστρα είναι πιο ανθεκτική όταν περιλαμβάνει ένα Ανθρώπινο-στο-Λοοπ (HITL) επίπεδο. Αν και συχνά παραβλέπεται ή απορρίπτεται ως αποτυχία της αυτοματοποίησης, η ανθρώπινη εμπειρία είναι ένα κρίσιμο αρχιτεκτονικό στοιχείο.

Για μια διαδικασία να είναι πραγματικά λειτουργική, το σύστημα πρέπει να αναγνωρίσει τα δικά του όρια κατά τις σύνθετες περιπτώσεις ή όταν η εμπιστοσύνη του AI είναι χαμηλή. Παρέχοντας einen σαφή δρόμο για την εκτόξευση σε einen συνεργάτη και πίσω, διασφαλίζει ότι η αυτοματοποίηση παραμένει ροβούστα.

Επιπλέον, με την κατανόηση αυτών των παρεμβάσεων, οι εταιρείες επίσης δημιουργούν einen αρχείο αποφάσεων. Αυτό επιτρέπει στους διαχειριστές να αναθεωρήσουν πώς οι εμπειρογνώμονες λύνουν προβλήματα και να χρησιμοποιήσουν αυτά τα παραδείγματα για να βελτιώσουν την αυτοματοποίηση χωρίς να συμβιβαστούν την ποιότητα της υπηρεσίας.

Περίληψη: Κατασκευή Συστημάτων που Λειτουργούν

Η μετάβαση από πιλότο σε παραγωγή απαιτεί περισσότερο από ένα έξοχο μοντέλο, απαιτεί ένα σύστημα που έχει κατασκευαστεί για να κάνει τη δουλειά. Το AI έχει αφαιρέσει το εμπόδιο του γνωστικού λόγου, αλλά δεν μπορεί να λύσει για τα θραυσμένα συστήματα από μόνο του.

Για να επιτύχουν, οι εταιρείες πρέπει να περάσουν πέρα από το “AI για το sake του AI” και να επικεντρωθούν στην ανασχεδιασμό των ροών εργασιών τους για ολοκλήρωση εκτέλεσης με τη βοήθεια της ορχήστρας.