Yhteistyön on oltava valmistuksen monialustaisen tekoälyn lähestymistavan ytimessä. Tässä on miten.

Useimmilla, ellei kaikilla, suurilla valmistajilla on kädessään lukuisia järjestelmiä digitaalisessa selkärangassaan. Usein nämä kaikki toimivat samanaikaisesti tuotantotilassa: ennakoiva kunnossapito‑agentti tarkkailee värinäantureita turvallisuusmallien varalta, näköperusteinen laadunvalvonta‑agentti merkitsee tuotepuutteita ja aikataulutus‑agentti hoitaa vaihdot, kun varastonhallinta‑agentti pitää kirjaa hankinnoista. Jokaisella on selkeä operatiivinen tehtävä, mutta useammin kuin ei, nämä järjestelmät eivät puhu keskenään.

Juuri tämä yhteistyön puute heikentää agenttipohjaista tekoälyä suurissa valmistuksissa. Se, toimiiko agentti vai ei, on yksi asia, mutta toinen merkittävä ongelma suurten valmistusyritysten kohdalla on se, että ne toimivat lähes täydellisessä eristyksessä.

Ja vaikka suurten organisaatioiden, jotka skaalauttavat AI-agenseja vähintään yhdessä toiminnossa, osuus on noussut 27 %:sta 40 % vuodesta toiseen, ne keskittyvät tiettyihin toimintoihin, kuten IT- ja ohjelmistokehitykseen, sen sijaan että jakaisivat agentit tasaisesti koko toiminnan koordinoituun järjestelmään. Samaan aikaan, vaikka suurin osa organisaatioista aikoo ottaa käyttöön autonomisia agenteja, vain noin kolmasosa uskoo, että niiden infrastruktuuri on valmis tukemaan niitä. Lisäksi tutkimus vuodelta 2025 havaitsi, että 79 % monen agentin LLM-järjestelmävirheistä johtuu koordinaatio- ja määrittelyongelmista.

Valmistajat lisäävät autonomisia päätöksentekijöitä tuotantolinjalle nopeammin kuin he rakentavat niiden välistä yhteyksiä. Tämä pahentaa koordinaatio- ja yhteistyöongelmaa, joka heikentää mallien suorituskykyä. Lopulta tämä ilmenee kolmessa erillisessä AI‑pinon osassa. Tässä on, missä ja mitä valmistajien tulisi tehdä varmistaakseen yhteistyöhön perustuvat, hyvin yhdistetyt agenttipohjaiset järjestelmät.

Yhteistyön suurimmat kitkakohdat

Ensimmäinen ja ehkä suurin este on data, joka on edelleen merkittävä haaste monille suurille organisaatioille, jotka haluavat skaalata tekoälyä. Useimmat valmistajat toimivat vuosikymmenten kertyneen infrastruktuurin (ja siihen sidotun datan) varassa MES‑ ja ERP‑järjestelmissä, jotka eivät jaa yhteistä skeemaa muiden datavirtojen, kuten viestinnän ja henkilöstöhallinnon, kanssa. Tämän vuoksi agentit kamppailevat kommunikoidakseen keskenään, jos ne pystyvät lainkaan; eristetty tai huonosti muotoiltu data muodostaa lähes läpäisemättömän esteen useiden agenttien välillä.

Tämä ilmenee tehtaan tilassa siten, että koneiden kuntoa ja suorituskykyä valvova agentti yhdellä linjalla ei pysty luotettavasti tietämään, mitä kahden järjestelmän päässä oleva aikataulutus‑agentti suunnittelee tulevaa vaihdosta, vaikka nämä kaksi päätöstä ja työnkulkua vaikuttavat suoraan toisiinsa.

Seuraava kitkakohta on protokolla. Se on yksi elementti, jolle ei kiinnitetä riittävästi huomiota AI‑yhteistyötä lähestyttäessä. Agenttipohjainen tekoäly on hyvin uusi, eikä siihen menneisyydessä ole ollut todellista standardoitua tapaa, jolla eri kehyksillä, alustoilla tai toimittajilla rakennettuja agentteja voidaan kommunikoida ja tehdä yhteistyötä.

Onneksi tämä alkaa muuttua. Esimerkiksi Googlein Agent2Agent (A2A) -protokolla, joka lanseerattiin viime vuonna, standardoi sen, miten itsenäiset agentit (mahdollisesti täysin eri alustoilla rakennettuina) löytävät toistensa kyvyt ja delegoivat tehtäviä. Keskeisesti tämä on erityisesti suunniteltu täydentämään Anthropicin Model Context Protocol (MCP) -protokollaa, joka standardoi sen, miten kukin agentti käyttää työkaluja ja tietolähteitä. Yhteinen tavoite on voittaa eristyneisyys ja varmistaa yhteistyö, jopa monen agentin ympäristöissä, mittakaavassa.

Lopuksi monet valmistajat kamppailevat edelleen ihmisen valvontakysymyksen kanssa. Jopa täydellisesti koordinoitu agenttiverkko epäonnistuu, jos sen valvovat ihmiset eivät luota sen päätöksiin tai heillä on epärealistisia odotuksia sen kyvykkyyksistä. MIT Sloanin analyytikot ovat antaneet varoituksia liiallisista odotuksista ja heikentyneestä luottamuksesta agenttipohjaiseen tekoälyyn, sekä mahdollisesta uhkasta, että ihmiset irtautuvat AI‑agenteista. Tehtaan tilassa nämä aukot ja kitkakohdat voivat olla katastrofaalisia: ihmisen yhteys agenttipohjaiseen ekosysteemiin on ehdottoman tärkeä turvallisten, luotettavien toimintojen kannalta.

Luottamuksellisen kuilun kaventaminen

On houkuttelevaa pitää ihmisen puolta pelkkänä kulttuurikysymyksenä, jonka voi ratkaista lisäämällä koulutustilaisuuksia. Nämä toimet kuitenkin jäävät vajaiksi, ellei niitä yhdistetä kestäviin arkkitehtonisiin korjauksiin. Valvonnan suunnittelun on otettava huomioon, milloin ihmisen harkinnan tulisi alistua järjestelmälle, eikä pelkästään oletusarvoisesti ohittaa agentin ehdotus, koska silmukassa oleva henkilö on eri mieltä.

Rakenna mukaan perustelujen läpinäkyvyys, mikä tarkoittaa, että päätökseen tai ehdotukseen liittyvä taustatieto on aina nähtävissä ja sen voi hajottaa, eikä pelkästään tarkkailla tulosta. Ja kun operaattorit ovat eri mieltä, varmista, että on selkeä ja tehokas eskalointipolku, joka vahvistaa läpinäkyvyyden ja jäljitettävyyden päätöksentekoprosesseissa.

Kokonaisuuden tunteen uudelleenrakentaminen

Agentit, aivan kuten ne tiimit, joita ne on rakennettu tukemaan, tarvitsevat enemmän kuin pääsyn kapeaan, tarkkaan tehtävään. Ne tarvitsevat jotain, mikä vastaa kokonaisuuden tunnetta; toimivan mallin siitä, miten niiden operaatio‑osuus kytkeytyy kaikkeen muuhun. Aikatauluagentti, joka optimoi vaihtoaikaa ilman näkyvyyttä siihen, mitä huoltoagentti näkee ikääntyvästä laitteistosta, tekee vain melko hyväksyttävän päätöksen, joka ei välttämättä ole oikea, kun sitä verrataan muihin työnkulkuvaatimuksiin.

Tässä kohtaa protokollakerros ja kokonaisuuden tunteen ongelma kohtaavat. Jaettu konteksti on käytännön keino, jolla agentin yksittäinen tehtävä ankkuroituu laajemman laitoksen todelliseen tilaan. Valmistuksessa tähän on olemassa osittainen vastaus standardien, kuten ISA-95, muodossa, jotka määrittelevät yhteiset keinot sille, miten yritys‑ ja ohjausjärjestelmät periaatteessa kommunikoivat laitoksen sisällä. Uutuus on kuitenkin nyt laajentaa tätä jaettua operatiivista sanastoa ihmisen luettavasta integraatiosta informaatioksi, jonka agentit voivat käsitellä.

Ilman tätä jaettua mallia jokainen lisäagentti lisää uuden eristetyn päättely‑ ja päätöspisteen, joka ei kuulu yhtenäiseen kokonaisuuteen. Tämä on juuri se tapa, jolla agenttien leviäminen pahenee sen sijaan, että se ratkeaisi, kun käyttöönotto kasvaa.

Oikeiden mittareiden seuraaminen menestyksen varmistamiseksi

Toinen ansa on mitata agenttipohjaista tekoälyä samalla tavalla kuin mitä tahansa muuta ohjelmistokehitystä: keskittyä tehokkuuslukuihin ja varmistaa, että ne jatkuvasti kasvavat. Koordinoiduille ja yhteistyöhön perustuville monen agentin järjestelmille tämä ei välttämättä ole hyödyllistä, ja se voi jopa kääntyä itseään vastaan, jos siitä tulee ainoa suorituskyvyn mittari.

Ensimmäinen varmistettava asia ei ole pelkästään, kuinka paljon rahaa agentti säästää, vaan onko sen toiminta turvallista ja varmaa suunnitellulla tavalla. Varmista, että se toimii määritellyissä rajoissa, että sen epäonnistumiset ovat ennakoitavissa, ja että se mahdollistaa ihmisen puuttumisen ja eskaloinnin tarpeen mukaan. Vasta kun tämä on varmistettu, laatu voi ottaa keskeisen roolin, esimerkiksi onko agentin tuotos todella oikea ja johdonmukainen eikä vain hetkellinen.

Tämä on prioriteettijärjestys, jota valmistajien tulisi noudattaa. Nopeus, läpimeno ja kustannussäästöt ovat alhaisimpia prioriteetteja. Tuottavuusparannus, joka perustuu turvattomaan tai epäluotettavaan agenttiin, on riski tiimeille, teknologialle, tuotantolinjoille, suhteille ja liiketoiminnan maineelle.

Testaa pienessä mittakaavassa ennen laajempaa käyttöönottoa. Yksi agentti, joka hoitaa yhden selkeästi määritellyn tehtävän, voi tuottaa puhtaan ennen‑ja‑jälkeen‑vertailun. Kun näkökenttä laajenee kattamaan kymmeniä vuorovaikutteisia agenteja koko laitoksessa ennen kuin yksikään on yksilöllisesti validoitu, on paljon vaikeampaa määrittää, mikä järjestelmän osa aiheuttaa tuloksen. Monimutkaisuutta tulisi lisätä mittausmenetelmään vain samassa tahdissa kuin se lisätään käyttöönottoon.

Tässä yhteistyö ja mittaus alkavat olla rinnakkain. Agentin tuotos on yhtä luotettava kuin konteksti, johon sillä oli pääsy toiminnassaan. Tämä tarkoittaa, että edellä mainittu jaettu‑kontekstiongelma on itse asiassa edellytys mittaukselle. Valmistajilla, jotka eivät ole ratkaisseet yhtenäistä operaatio­kuvaa järjestelmien välillä, ei ole luotettavaa tapaa tietää, heijastaako positiivinen tai negatiivinen tulos agentin arvion vai puutteen sen pääsyoikeuksissa. Mitkä mittarit ovat merkityksellisiä, käyvät ilmi, kun sekvensointi ja jaettu konteksti on lukittu.

Koordinointi ja yhteistyö kyvykkyyden ytimessä

Lopulta suurten valmistajien rakenteelliset edut (niiden valtavat tuotantomäärät, historialliset tietoaineistot, prosessien johdonmukaisuus sekä henkilöstö‑ ja teknologiavarannot) ovat kiistattomia. Nämä edut kuitenkin vain vahvistuvat, jos valmistajat ratkaisevat ensin yhteistyöongelman.

Katsottaessa tulevaisuuteen, kun tekoälyn kyvyt kehittyvät mahdollisesti täyteen autonomiaan, ja sekä järjestelmät että tuotantolinjat kasvavat, tämä yhteistyö ja koordinointi on ehdoton välttämättömyys. Interoperabiliteetin, protokollastandardien, jaetun kontekstin, kalibroidun ihmisen valvonnan ja kokonaisuuden tunteen käsitteleminen arkkitehtonisina edellytyksinä ennen mittakaavan kasvattamista ja käyttöönottoa on pakollista. Se on jakolinja valmistajien välillä, jotka skaalauttavat agenttipohjaista tekoälyä menestyksekkäästi ja turvallisesti, ja niiden, jotka ovat jumissa pilotteissa.