Agen AI Anda Gagal Karena Mereka Tidak Mengenal Bisnis Anda

Tahun lalu, Absa, salah satu bank terbesar di Afrika, membutuhkan 120 hari untuk memindahkan model deteksi kejahatan keuangan baru dari pembangunan ke produksi. Sementara itu, bank tersebut sekarang dapat memasang model baru dalam 15 hari, bahkan dengan lingkungan regulasi, volume transaksi, dan persyaratan kepatuhan yang sama.

Dan yet, survei PwC menemukan bahwa 56% CEO perusahaan memegang saham tidak melihat manfaat keuangan yang signifikan dari investasi AI mereka. Setiap pemimpin perusahaan yang saya ajak bicara telah mendengar presentasi: jika Anda memasang agen AI dan mengotomatisasi alur kerja Anda, Anda akan segera melihat ROI. Sebaliknya, 18 bulan dan beberapa juta dolar kemudian, dampak bisnisnya tidak ada. Bahan yang hilang adalah konteks domain, pemahaman yang beroperasi yang memberikan agen apa yang dibutuhkan untuk membuat keputusan bisnis internal, dan apa yang harus dilakukan ketika agen salah.

Ketika Agen Berhenti Memberi Nasihat dan Mulai Bertindak

Gartner memperkirakan bahwa pada tahun 2027, 50% keputusan bisnis akan ditingkatkan atau diotomatisasi oleh agen AI untuk kecerdasan keputusan. Sampai sangat baru-baru ini, peran AI di perusahaan adalah untuk memberi nasihat, meninggalkan karyawan untuk membuat keputusan. Skenario terburuk adalah wawasan yang terlewat, keputusan yang tertunda, atau tidak ada tindakan sebagai respons terhadap peringatan. Dengan agen, konsekuensinya jauh lebih besar.

Di pabrik biologis sebuah perusahaan farmasi global, ketika seorang inspektor memindai pintu laboratorium, alur kerja inspeksi yang tepat diluncurkan secara otomatis, disesuaikan dengan peralatan dan spesifikasi ruangan tersebut. Agen mengurutkan inspeksi, menampilkan materi referensi, dan membiarkan inspektor mengkonfirmasi. Di pabrik yang diatur oleh GxP, setiap inspeksi harus siap audit, yang berarti agen mengambil bagian dari beban operasional di lingkungan dengan konsekuensi nyata jika agen salah.

Sebagian besar kerangka tata kelola yang ada saat ini dibangun untuk dunia penasihat sebelumnya: tinjauan model berkala dengan manusia yang memeriksa output sistem tunggal. Sekarang kita memiliki agen yang menyerahkan tugas kepada agen lain, mengkoordinasikan alur kerja, dan menggabungkan panggilan awal yang buruk di seluruh rantai proses sebelum seseorang menyadari.

Mengapa Agen Generik Mengenai Tembok

Agen umum dapat terlihat sangat mengesankan dalam kondisi yang terkendali. Namun, agen tersebut mulai bergelut di operasi perusahaan, yang memiliki keterbatasan, ketergantungan, dan keputusan yang jelas bagi siapa pun yang pernah bekerja di lantai dan tidak terlihat oleh model yang tidak pernah diajarkan untuk melihatnya.

Seorang manajer kategori di perusahaan makanan dan minuman terbesar kelima di dunia menghadapi versi masalah yang sama dalam skala yang berbeda: 96% penetrasi pasar, tanpa tuas tradisional yang tersisa. Manajer kategori mendefinisikan logika keputusan secara langsung dengan menggabungkan lebih dari 100 sumber data di lebih dari 1.000 atribut per toko dan membiarkan model AI mengumpulkan toko-toko menjadi profil perilaku pembeli yang dapat ditindaklanjuti oleh tim kategori. Hasilnya? Tiga klaster pembeli, sprint mingguan dengan mitra ritel, kenaikan penjualan 8% secara incremental, dan pengaturan ulang rak 35% lebih cepat.

Ini berhasil karena agen sudah tahu apa itu planogram, apa itu klaster pembeli, dan bagaimana perubahan promosi mempengaruhi kategori yang berdekatan. Model generik harus diajarkan kosakata spesifik industri, yang membutuhkan waktu 12 hingga 18 bulan yang tidak dimiliki oleh sebagian besar perusahaan.

Mengapa Tata Kelola Harus Dibangun

Kerangka akuntabilitas yang sebagian besar perusahaan miliki saat ini dibangun di sekitar menjelaskan output model setelah itu dan meninjau secara berkala. Mereka tidak dibangun untuk apa yang terjadi ketika agen memicu tindakan yang tidak dapat diubah di dalam alur kerja.

Saya telah bekerja dengan sebuah perusahaan asuransi yang beroperasi di pasar Eropa Tengah dan Timur yang harus mempertimbangkan persyaratan regulasi setiap pasar ketika membuat keputusan kepatuhan. Setiap keputusan due diligence pelanggan dapat dilacak sebagai catatan langsung yang mencakup input, model, output, dan orang yang menandatangani. Sistem AI perusahaan dapat mengarahkan transaksi yang sesuai dengan satu pasar dan tidak sesuai dengan pasar lain tanpa penilaian manual analis kepatuhan.

Ini adalah arsitektur yang sama yang memungkinkan Absa memasang sistem AML produksi dalam 15 hari bukan 120. Kecepatan ini dibangun, sehingga bank dapat segera menyerahkan versi kebijakan untuk setiap keputusan kepada regulator.

Perusahaan yang kami lihat berinvestasi di lapisan tata kelola ini lebih awal masih menjalankan agen pada skala 18 bulan kemudian. Mereka yang memperlakukan ini sebagai latihan kepatuhan yang dipasang setelah pemasangan adalah mereka yang harus terus merancang ulang.

Inteligensi Domain Bukan Hanya Fine-Tuning

Model dasar yang mampu tidak secara andal memberikan hasil perusahaan karena mereka dibangun untuk berguna secara luas. Operasi perusahaan membutuhkan spesialisasi yang dalam dan sempit. Menggabungkan keduanya telah membuang waktu dan sumber daya industri, tetapi ini masih kesalahan paling umum yang saya lihat.

Inteligensi domain bukanlah menerapkan generasi yang ditingkatkan dengan pengambilan (RAG) atau fine-tuning model umum. Ini adalah perbedaan antara agen yang dapat memproses informasi tentang toko kelontong dan agen yang memahami bagaimana bisnis membangun dan memasang 5.000 planogram yang disesuaikan secara individual di lebih dari 750 toko tanpa tim pusat menyentuh setiap lokasi.

Jenis kelancaran operasional ini berasal dari tahun-tahun data pelatihan spesifik domain, logika keputusan yang dibangun di sekitar keterbatasan operasional nyata, dan lapisan pengetahuan yang mencakup bagaimana perubahan harga mempengaruhi margin, bagaimana perubahan asortimen mempengaruhi ketersediaan rak, dan bagaimana itu mempengaruhi loyalitas pembeli. Untuk satu rantai makanan besar di AS, penalaran terhubung ini menghasilkan $200M dalam keuntungan incremental.

Membangun landasan ini atau mendapatkannya dari mitra yang sudah melakukan pekerjaan itu adalah biaya nyata di awal dalam data, keahlian domain, dan disiplin untuk mengkodekan penilaian lembaga bukan langsung ke pilot. Jika landasan ini dipercepat, agen yang terlihat sadar domain dalam konsep bukti dapat masih runtuh dengan kasus tepi produksi pertama.

Apa yang Dimaksud dengan Menggunakan Agen Perusahaan dengan Benar

Perusahaan yang terus memasang model yang mampu ke dalam alur kerja yang ada akan harus mengakui kepada dewan bahwa ROI tidak muncul. MIT menyimpulkan tahun lalu bahwa meskipun investasi perusahaan dalam AI generatif, 95% organisasi tidak mendapatkan pengembalian. Jika Anda tidak ingin berada di kamp tersebut, pasang inteligensi domain sebelum hari pertama, tanamkan tata kelola dalam arsitektur, dan pegang agen bertanggung jawab atas hasil spesifik.

Model di balik agen apa pun adalah, ironisnya, bagian yang paling tidak tahan lama dari persamaan tersebut. Model yang lebih baik akan dikirimkan kuartal depan, dari perusahaan yang membangun model yang Anda gunakan hari ini atau salah satu pesaingnya. Apa yang tidak berubah dengan rilis model berikutnya adalah apakah agen Anda memahami bisnis Anda. Anda harus membangunnya dengan sengaja. Agen yang berhasil di lingkungan Anda tidak akan menjadi agen umum yang paling mampu di pasar, tetapi mereka akan mendapatkan kepercayaan Anda untuk melakukan lebih dan lebih untuk bisnis Anda.