Andreea Pleşea, PhD, COO ja Druid AI:n yhteisperustaja – Haastattelusarja

Andreea Pleşea, PhD, COO ja Druid AI:n yhteisperustaja, on teknologiatoimitusjohtaja ja yrittäjä, jolla on lähes kaksi vuosikymmentä kokemusta ohjelmistokehityksestä, yritysteknologiasta, tekoälystä, operaatioista ja asiakassuhteiden menestyksestä. Druid AI:n perustamisen jälkeen hän on toiminut useissa ylimmän johdon tehtävissä organisaatiossa, kuten operatiivinen johtaja, tulosvastuullinen johtaja ja asiakassuhteiden menestyksestä vastaava johtaja, mikä on antanut hänelle kokemusta sekä teknisestä että kaupallisesta puolesta yritysohjelmistoyrityksen skaalaamisessa. Ennen Druid AI:ta Pleşea työskenteli lähes vuosikymmenen TotalSoftilla, etenemällä .NET-ohjelmoijasta ohjelmistokehitysjohtajaksi ja lopulta Charisma Business Applications -johtajaksi, jossa hän johti tuotekehitystä, käyttöönottoa, teknistä tukea, ratkaisun arkkitehtuuria ja P&L‑vastuuta. Hänellä on myös akateeminen tausta, joka sisältää tekoälytutkimuksen Rooman Tor Vergata -yliopistossa, missä hän työskenteli yliopiston tekoälytutkimusryhmässä teknologian parissa, jonka tarkoituksena on poimia ja jäsentää tietoa jäsentämättömästä datasta. Hän toimii myös Women in Tech Romania -neuvonantajaryhmässä.

Druid AI on yritystason tekoälyyritys, joka keskittyy AI-agenttien rakentamiseen ja orkestrointiin, joilla voidaan automatisoida monimutkaisia liiketoimintaprosesseja organisaatioissa. Sen alusta yhdistää luonnollisen kielen ymmärtämisen, generatiivisen tekoälyn, haun tukeman generoinnin (RAG), yritysintegratiot, työnkulkuautomaatio, analytiikka ja hallinnointi, ja Druid Conductor koordinoi useita erikoistuneita agenteja ja järjestelmiä kohti liiketoimintatuloksia. Organisaatiot voivat liittää Druid‑agentit järjestelmiin kuten toiminnanohjaus (ERP), asiakkuudenhallinta (CRM), IT‑palvelunhallinta (ITSM) ja henkilöstöhallinnon alustoihin, ja ottaa teknologian käyttöön pilvi-, hybridi-, paikallis- tai ilmatiivisissa ympäristöissä. Yritys kertoo, että sen teknologiaa käyttää yli 300 yritysasiakasta ja sitä tukee yli 200 globaalia kumppania, sovelluksineen työntekijä‑tukipalvelut, asiakaspalvelu, terveydenhuolto, korkeakoulutus ja yhteispalvelut.

Perustit Druid AI:n Bukarestissa vuonna 2018 lähes vuosikymmenen TotalSoftilla työskentelyn jälkeen, jolloin etenit .NET-kehityksestä senior-tekniikka- ja liiketoimintajohtoon. Mikä sinut siihen aikaan vakuutti, että keskusteleva tekoäly voisi tulla yritysteknologian keskeiseksi kerrokseksi, ja miten tuo alkuperäinen visio on kehittynyt Druidin siirtyessä agenttipohjaiseen tekoälyyn? 

Kahden erillisen polun – akateemisen tiukan ja yritysten eturivin kipujen – yhtymä muovasi ajatteluni tohtorinväitteeni aikana. Kuitenkin vasta kun Liviu Dragan, poikkeuksellisen visionäärinen johtaja, keksi Druid AI:n perustamisen, tajusin miten tekemäni tutkimus voisi vihdoin löytää käytännön sovelluksen.

Vuosina 2008–2011 tohtoritutkimukseni keskittyi autonomisiin tekoälyagentteihin, jotka kommunikoivat semanttisen webin teknologioiden ja ontologioiden avulla, tutkien miten älykkäät järjestelmät voisivat korvata tai asettua perinteisen yritysohjelmiston päälle. Pian tämän jälkeen yritysteknologian johtotehtävissä työskenteleminen paljasti karun todellisuuden: pyysimme työntekijöitä hallitsemaan kestämätöntä monimutkaisuutta.

Yhden rutiinitehtävän suorittaminen edellytti tietoa siitä, mikä sovellus avataan, missä data sijaitsee, mikä käytäntö on sovellettavissa ja kuka omistaa seuraavan vaiheen. Samaan aikaan toimiston ulkopuolella viestintä tuli hallitsevaksi käyttöliittymäksi ihmisten välisessä vuorovaikutuksessa.

Kun perustimme Druid AI:n vuonna 2018, visiomme oli selkeä mutta kunnianhimoinen: tarjota jokaiselle työntekijälle ja asiakkaalle virtuaalinen avustaja, joka kykenee orkestroimaan työtä koko organisaatiossa.

Lähes vuosikymmenen kuluttua tämä keskeinen visio ei ole muuttunut – teknologia on vain saavuttanut sen. Keskusteleva tekoäly keskittyi pitkälti tarkoituksen tunnistamiseen, tiedonhakuun ja staattisten skriptien käynnistämiseen. Agenttipohjainen tekoäly siirtää delegoinnin rajoja. Nykyaikaiset agentit arvioivat tavoitteita, tekevät yhteistyötä erikoistuneiden aloitteentekijöiden kanssa, navigoivat erilaisissa järjestelmissä ja suorittavat monimutkaisia, monivaiheisia työnkulkuja itsenäisesti.

Meille nykyinen agenttipohjainen vallankumous ei ole strateginen käännös pois keskustelevasta tekoälystä. Se on luonnollinen toteutuminen perustelulausekkeestamme: yritysteknologian on oltava yksinkertaisempaa ihmisille, jotta se auttaa heitä saamaan työn valmiiksi, vaikka kulissien takana oleva orkestrointi kehittyy äärettömän monimutkaiseksi.

Suuri osa tekoälyteollisuudesta on keskittynyt yhä voimakkaampien perustamallien rakentamiseen, kun taas Druid AI on keskittynyt yhdistämään eri malleja yritysdataan, -järjestelmiin ja -työnkulkuihin. Kun mallit muuttuvat yhä vaihdettaviksi, uskotko, että orkestrointi nousee tärkeämmäksi kilpailueduksi kuin itse perusmalli?

Druid AI:ssa ydintehtävämme on yksinkertainen: poimia poikkeuksellista jokaisesta ihmisen vuorovaikutuksesta toteuttamalla työ tehokkaasti. Mutta kun markkinat kypsyvät, avain arvon tuottamiseen on siirtyä pois perus‑teknologiapinosta.

Havaitsemme klassisen kaavan yritysteknologiassa: kyvyt, jotka olivat aiemmin varhaisia erottajia, käyvät nopeasti tavaroiksi. Nykyään perustamallit ovat kaikkien käytettävissä. Yritykset ottavat väistämättä käyttöön hybridi‑matriisin malleja, jotka on valittu tiettyjen suorituskyky‑, kustannus‑, turvallisuus‑ tai sääntelytarpeiden perusteella. Kun älykkyys muuttuu tavaraksi, strateginen taistelualue siirtyy pinon yläosaan.

Nykyään vaikeimpia ongelmia yritys‑tekoälyssä koskevat toteutuskontekstia: hallintaa ja pääsyä (mitä dataa tekoäly voi käsitellä ja millä säännöillä), agenttipohjaista reititystä (mikä erikoistunut agentti tulisi käsittelemään tietyn tehtävän), järjestelmäintegraatiota (kuinka useat transaktiojärjestelmät koordinoidaan turvallisesti), autonomisuutta vs. kontrollia (milloin agentti voi toimia itsenäisesti ja milloin vaaditaan ihmisen hyväksyntä), auditointia (jos työnkulku epäonnistuu, voidaanko päätöspolku rekonstruoida vaihe vaiheelta).

Tämän takia orkestrointi on noussut viimeiseksi strategiseksi vipuksi. Mallit tuottavat älykkyyttä, mutta yritykset tarvitsevat luotettavaa toteutusta.

Druid AI on rakennettu toimimaan juuri tällaisena hallinta‑ ja orkestrointikerroksena. Se yhdistää eri mallit turvallisesti yritysdataan, työnkulkuihin ja ihmisiin. Olennaista on, että se tarjoaa viitekehyksen toteutustehokkuuden mittaamiseen ja todellisten liiketoimintatulosten arviointiin.

Pitkällä aikavälillä voittava kysymys ei ole “Mitä mallia käytät?” vaan “Kuinka tehokkaasti voit muuttaa raakaa älykkyyttä valmiiksi työksi työntekijöillesi ja asiakkaille?”

Druid Conductor voi koordinoida useita erikoistuneita agenteja tiedonhakuun, päätöslogiikkaan ja järjestelmätoimintoihin. Mikä on teknisesti haastavaa, kun yritys siirtyy yhdestä AI‑avustajasta, joka vastaa kysymyksiin, useisiin agenteihin, jotka voivat itsenäisesti toteuttaa monivaiheisia liiketoimintaprosesseja?

Siirtyminen yksinkertaisista keskustelukäyttöliittymistä monen agentin arkkitehtuureihin muuttaa perusluonteisesti insinöörin haasteen. Lopetat lineaarisen keskustelun hallinnan ja aloitat hajautetun päätös‑ ja toteutusjärjestelmän hallinnan.

Yhden Q&A‑avustajan kanssa keskeiset esteet ovat tarkoituksen tunnistaminen, tiedonhaku ja vastauksen generointi korkealla tarkkuustasolla. Monen agentin ekosysteemit tuovat mukanaan täysin erilaisen hajautettujen järjestelmien luokan ja kysymyksiä:

1. Minkä agentin on valtuus toimia, ja miten estät toimialueen poikkeamisen?
2. Miten tila säilytetään, kun vastuunsiirrot tapahtuvat agenttien välillä?
3. Miten ristiriitaiset päätökset erikoistuneiden agenttien välillä sovitetaan yhteen?
4. Miten alagentit perivät käyttöoikeudet dynaamisesti ja turvallisesti?

Nämä haasteet monistuvat, kun niitä sovelletaan todelliseen yritysinfrastruktuuriin. Yksi työnkulku voi kattaa CRM:n, ERP:n, identiteetinhallinta-alustan, tukijärjestelmän ja vanhojen tietokantojen yli. Jokainen toimii omien liiketoimintalogiikoidensa ja vikamallien mukaisesti, mutta lopulta conductor‑agentin on suoritettava tehtävä oikein.

Jos kuuden askeleen prosessin neljäs vaihe epäonnistuu sen jälkeen, kun kolme järjestelmää ovat jo toteuttaneet transaktio­muutoksia, perusagenttiputki hajoaa. Orkestrointikerros ei voi vain heittää geneeristä virhettä. Sen on hallittava tila, suoritettava tarvittaessa takaisinkierrot, päätettävä onko vaihtoehtoista reititystä olemassa tai kohotettava tilanne sujuvasti ihmisen mukana olevaan interventioon.

Todellinen yritys‑orkestrointi on tilanhallintaa, transaktio­yhtenäisyyttä, havaittavuutta, politiikan täytäntöönpanoa ja vikasietoa. Tämän taustalla olevan monimutkaisuuden tavoite on yksinkertaisuus: tarjota yksi saumaton vuorovaikutus, jossa monimutkaiset monijärjestelmätyöt toteutuvat helposti.

Druid AI on nyt mahdollistanut yli miljardin keskustelun tuhansien käyttöönotettujen agenttien kautta. Tuossa mittakaavassa, mitä olet oppinut yritys‑tekoälystä, mikä olisi ollut mahdotonta oppia piloteista tai hallituista demonstraatioista?

Tuotanto opettaa sinulle nöyryyttä nopeasti.

Pilotti on yleensä melko hallittu ympäristö. Käyttötapaus on määritelty, data on kohtuullisen puhdasta, käyttäjät ovat tunnettuja ja yleensä projektitiimi seuraa tarkasti.

Tuotanto ei käyttäydy lainkaan näin. Ihmiset esittävät saman kysymyksen kaksikymmentä eri tavalla. He muuttavat mielensä keskustelun puolivälissä. He antavat puutteellista tietoa. He vaihtavat kieltä tai aihetta. He ovat vuorovaikutuksessa odottamattomina aikoina. Politiikat muuttuvat. API:t epäonnistuvat. Taustajärjestelmät hidastuvat. Uusia reunatapauksia ilmenee, joita kukaan ei ollut sisällyttänyt alkuperäiseen suunnitteluun. Yksi asia on varma: käyttäjien odotus on, että työ saadaan tehtyä tehokkaasti, saumattomasti ja luonnollisella tavalla. Olipa kyse tekstistä, mutta erityisesti äänestä, keskustelun tulee virrata luonnollisesti ilman viivettä; sen tulee kuulostaa jossain määrin empaattiselta ja suorittaa tehtävän ehdottaen parhaat vaihtoehdot ja seuraavat askeleet, tai käsitellä poikkeuksia ja silmukoita ihmisen toimesta tarpeen mukaan.

Jotkut arvokkaimmista automaatioista syntyvät suhteellisen tavallisten asioiden poikkeuksellisen hyvin tekemisestä ja niiden suorittamisesta satojatuhansia kertoja: työntekijän kysymykseen vastaaminen, tilin tarkistaminen, tapaamisen uudelleenaikatauluttaminen, IT‑pyynnön ratkaiseminen tai oikean tiedon hakeminen yritysjärjestelmästä. Tämä muutti käsitystämme tekoälyn arvosta.

Toinen oppi on, että käyttöönotto on vasta oppimissyklin alku. Sinun on tarkkailtava, mitä käyttäjät pyytävät, mitkä tarkoitukset kasvavat, missä keskustelut epäonnistuvat, missä ihmiset eskaloivat, ja joskus missä itse perusliiketoimintaprosessi tarvitsee muutosta.

Ja ehkä tärkein oppi on, että luottamus on operatiivista: yritykset luottavat tekoälyyn, koska se ajan myötä käyttäytyy ennustettavasti, poikkeamat käsitellään oikein, päätökset ovat näkyviä ja organisaatio pysyy hallinnassa.

Druidin tuotantodata viittaa siihen, että suhteellisen pieni määrä työnkulkuja selittää suurimman osan todellisesta yritys‑tekoälyn käytöstä. Osoittaako tämä, että yritysten tulisi aluksi kohdistaa AI‑investoinnit muutamaan korkean volyymin työnkulkuun sen sijaan, että pyrkisivät laajaan yritys‑tasoon ulottuvaan transformaatioon?

Yksi selkeimmistä malleista tuotantodatassamme on, että kysyntä keskittyy. Esimerkiksi rahoituspalveluissa kolme työnkulukategoriaa selittävät noin 90 % tuotannon käytöstä. Korkeakoulutuksessa keskittyminen on vieläkin suurempaa. Tämä kertoo tärkeästä näkökulmasta siihen, miten yritysten tulisi ajatella AI‑transformaatiota. Olemme analysoineet nämä havainnot ja laatineet vertailuraportit korkeakoulutukselle, terveydenhuollolle ja pankkialalle, jotka auttavat kumppaneitamme ja asiakkaitamme tunnistamaan prosessit, jotka lisäävät tehokkuutta ja auttavat ennustamaan, miten ihmiset tulevat vuorovaikuttamaan agenttien kanssa.

On houkutus, erityisesti hallituksen tasolla, aloittaa erittäin laajalla vaatimuksella: “Teidän TÄYTYY käyttää tekoälyä tai jäämme jälkeen.” Operatiivisen tiimin on sitten vaikea löytää oikeita tehtäviä, joita agentit voisivat hoitaa, samalla peläten omia työpaikkojaan. Mikä siis olisi oikea tasapaino ja miten he voisivat palkata oikean AI‑agentin tekemään työn YHDESSÄ heidän kanssaan maksimoiden hallituksen odottaman KPI:n?

Aloita siellä, missä on potentiaalia kasvattaa liikevaihtoa ja/tai vähentää kustannuksia – asioissa, joita ihmiset yleensä toistavat. Jos tuhannet asiakkaat, työntekijät, opiskelijat tai potilaat yrittävät toistuvasti saavuttaa saman lopputuloksen, sinulla on mitattavissa oleva perusta ja vahva mahdollisuus osoittaa arvo.

Mutta on tärkeä ero: aloita kapeasti, suunnittele laajasti.

Ensimmäiset käyttötapaukset voivat olla keskittyneitä. Niiden alla oleva alusta tulisi pystyä laajentumaan koko organisaatioon. Todistat taloudellisuuden, hallintamallin, integraatiot ja ihmisen eskalointimekanismit muutamalla merkittävällä työnkululla. Sen jälkeen laajennat viereisiin prosesseihin hyödyntäen oppimaasi.

Volyymi ei saa olla ainoa kriteeri. Harvoin toistuva työnkulku voi silti olla erittäin arvokas, jos jokainen onnistunut ratkaisu tuo merkittävän taloudellisen tai operatiivisen vaikutuksen.

Kun yritykset yhä enemmän keskittyvät onnistuneeseen ratkaisuun sen sijaan, että pyrkisivät maksimoimaan ihmisiä käyttämättömien vuorovaikutusten prosenttiosuuden, miten organisaatioiden tulisi määrittää, mitkä päätökset AI‑agentti voi tehdä itsenäisesti ja missä ihmisen eskalointi on pakollista?

Druid AI on luonut arviointikehyksen, joka kattaa 26 kriteeriä ja varmistaa objektiivisen arvioinnin agenttipohjaisesta orkestroinnista sen rakentamisesta siihen, miten se suorittaa työn.

Jos toiminto on palautettavissa, melko vähäriskinen, selkeiden sääntöjen alainen ja luotettavan tiedon tukema, on vahva peruste autonomialle. Ajan uudelleenaikatauluttaminen ennalta määritetyillä parametreilla eroaa merkittävästi kliinisen päätöksen tekemisestä ja saattaa vaikuttaa yksinkertaiselta. Mutta sen on otettava huomioon monia tekijöitä, jotta se toteutetaan tehokkaasti: esim. jos tohtori B:llä on vapaa aikavara, mutta hän halusi varata sen, AI‑agentin ei tulisi siirtää potilaan tapaamista siihen aikaan vain siksi, että tehtävänä on maksimoida tohtorin kalenterin kattavuus.

Usean ulottuvuuden perusteella tarkastelisin: virheen taloudellista tai inhimillistä seurausta, onko toiminto palautettavissa, tiedon kattavuutta ja laatua, sääntelyvaatimuksia sekä onko aito ihmisen harkinta tai empatia tarpeen. Sen jälkeen suunnittelet eskaloinnin tarkoituksellisesti.

Tässä mielestäni varhaiset ajatukset AI‑automaatiosta olivat liian yksinkertaisia. Tavoitteeksi tuli “sisällyttää mahdollisimman monta vuorovaikutusta ilman ihmisen osallistumista.” Mutta monissa prosesseissa eskalointi on juuri oikea lopputulos.

Siksi pidän mieluummin hallitun ratkaisun ajattelutapaa puhtaaseen sisällyttämiseen verrattuna.

Tavoitteena on, että AI ratkaisee itsenäisesti työn, jonka sen tulisi ratkaista, tunnistaa tilanteet, joissa sen ei tulisi toimia, ja tuo henkilön prosessiin valmiiksi koottuna relevantilla kontekstilla.

Kun AI‑agentit voivat hakea arkaluonteista tietoa, päivittää yritysjärjestelmiä ja käynnistää todellisia toimia, havaittavuus ja hallinto nousevat merkittävästi tärkeiksi. Mitä yritysten tulisi pystyä auditoinnin avulla tarkistamaan agentin perusteluista, tietojen pääsystä ja toiminnoista ennen kuin he luottavat siihen kriittisissä työnkuluissa?

Gartnerin ohjeiden mukaisesti DRUID:lla on sisäänrakennettu arviointikehys, joka analysoi agentteja viidestä näkökulmasta: virhetoleranssi, riski, sääntöjen noudattaminen, havaittavuus ja poikkeama. Näiden kategorioiden alla meillä on yhteensä 26 komponenttia. Jokaisella on määritelmä, avattava artefakti ja mittari.

Arvioitaessa agenttia alustan tulisi pystyä rekonstruoimaan koko ketju alkuperäisestä käyttäjäpyynnöstä lopulliseen toimintosysteemiin. Tämä tarkoittaa, että tiedetään, mikä agentti käsitteli pyynnön, mitä mallia käytettiin, mitä kontekstia malli sai, mitä yritystietoa haettiin, mitä liiketoimintasääntöjä tai -politiikkoja sovellettiin, miksi tietty reitti tai toiminto valittiin ja tarkalleen mitä perusjärjestelmissä muuttui. Kymmeniä auditointikokemuksia seurataan, analysoidaan ja mitataan.

Identiteetti on yhtä tärkeä. AI‑agentin ei koskaan saa toimia kiertoteenä yrityksen pääsynhallintaa vastaan. Sinun on tiedettävä, kuka aloitti pyynnön, mihin henkilö on valtuutettu katsomaan tai tekemään, ja pysyikö agentti tarkasti näiden rajojen sisällä.

Monen agentin arkkitehtuureissa jäljitettävyys korostuu entisestään. Mikä agentti delegoi toiselle agentille? Mitä tietoa kulki rajan yli? Missä päätös syntyi? Mikä komponentti toteutti toiminnon? Lisäksi on operatiivista evidenssiä: aikaleimat, luottamusindikaattorit, toteutustulokset, poikkeamat, eskalointitapahtumat ja kyky ymmärtää tai toistaa tapahtunut.

Tämä