Jalur dari RPA ke Agen Otonom

Seorang penyelidik kejahatan keuangan yang dulunya menerima volume besar peringatan aktivitas mencurigakan yang memerlukan penyelidikan manual yang membosankan untuk mengumpulkan data di seluruh sistem untuk memisahkan positif palsu dan menyusun Laporan Aktivitas Mencurigakan (SARs) dalam beberapa menit.

Seorang perencana kategori ritel yang sebelumnya melakukan analisis berjam-jam terhadap laporan minggu sebelumnya untuk mencoba mengungkap wawasan tentang produk mana yang underperforming dan mengapa, sekarang menggunakan AI untuk memberikan wawasan yang mendalam yang mengungkapkan area masalah dan menyarankan tindakan korektif, diprioritaskan untuk dampak bisnis maksimal. Seorang insinyur pemeliharaan industri menggunakan copilot yang melakukan pemantauan kesehatan aset 24/7 dan memprediksi masalah serta menghasilkan peringatan pada tahap awal masalah mekanis atau kinerja.

Transformasi ini terjadi di seluruh perusahaan hari ini, menandakan pergeseran mendasar: aplikasi vertikal yang menggabungkan AI prediktif, generatif, dan agenik yang muncul untuk meningkatkan dan mengubah otomatisasi alur kerja, memberikan kemampuan yang ditargetkan dan canggih yang menangani tantangan yang jauh lebih kompleks dan kontekstual daripada solusi sebelumnya.

Gartner’s 2024 Hype Cycle for Emerging Technologies menyoroti agen AI otonom sebagai salah satu dari empat tren teknologi muncul teratas tahun ini – dan dengan alasan yang baik. Dengan agen non-AI, pengguna harus mendefinisikan apa yang mereka harus otomatisasi dan bagaimana melakukannya dengan rincian yang sangat baik. Namun, aplikasi yang menggabungkan AI prediktif, generatif, dan agenik dengan sumber pengetahuan vertikal dan alur kerja khusus dapat menarik informasi dari sumber yang berbeda di seluruh perusahaan, mempercepat dan mengotomatisasi tugas berulang, serta membuat rekomendasi untuk tindakan yang berdampak tinggi. Perusahaan yang menggunakan aplikasi ini memahami pengambilan keputusan yang lebih cepat dan akurat, identifikasi dan perbaikan masalah yang cepat, serta bahkan tindakan pencegahan untuk mencegah masalah terjadi di tempat pertama.

Agen AI mewakili gelombang berikutnya dalam AI perusahaan. Mereka membangun fondasi AI prediktif dan generatif, tetapi melompat maju secara signifikan dalam hal otonomi dan adaptabilitas. Agen AI bukan hanya alat untuk analisis atau pembuatan konten – mereka adalah sistem cerdas yang mampu membuat keputusan independen, memecahkan masalah, dan terus belajar. Perkembangan ini menandai pergeseran dari AI sebagai alat pendukung ke AI sebagai peserta aktif dalam proses bisnis, yang mampu memulai tindakan dan menyesuaikan strategi dalam waktu nyata.

Evolusi dari RPA ke Agen Otonom

Secara tradisional, RPA digunakan untuk proses berulang, berbasis heuristik, dan tugas kompleksitas rendah dengan input data terstruktur. RPA menggunakan input terstruktur dan logika yang ditentukan untuk mengotomatisasi proses yang sangat berulang seperti entri data, transfer file, dan mengisi formulir. Ketersediaan luas AI prediktif dan generatif yang terjangkau dan efektif telah menangani level berikutnya dari masalah bisnis yang lebih kompleks yang memerlukan keahlian domain khusus, keamanan kelas perusahaan, dan kemampuan untuk mengintegrasikan sumber data yang beragam.

Di level berikutnya, agen AI melampaui algoritma AI prediktif dan perangkat lunak dengan kemampuan mereka untuk beroperasi secara otonom, beradaptasi dengan lingkungan yang berubah, dan membuat keputusan berdasarkan aturan yang diprogram sebelumnya dan perilaku yang dipelajari. Sementara alat AI tradisional mungkin unggul dalam tugas tertentu atau analisis data, agen AI dapat mengintegrasikan beberapa kemampuan untuk menavigasi lingkungan yang kompleks dan dinamis serta memecahkan masalah yang multifaset. Agen AI dapat membantu organisasi menjadi lebih efektif, lebih produktif, dan meningkatkan pengalaman pelanggan dan karyawan, semuanya sambil mengurangi biaya.

Ketika dibangun dengan model AI yang tepat sebagai alat dan dengan sumber data vertikal dan pembelajaran mesin untuk mendukung aktivitas kontekstual khusus, agen AI menjadi kuda kerja produktivitas tinggi dalam hal memecahkan masalah, mengambil langkah yang tepat, pulih dari kesalahan, dan meningkatkan diri seiring waktu pada tugas yang diberikan.

Mengarahkan Implementasi: Aspek Kunci untuk Perusahaan Pertimbangkan

Mengimplementasikan AI prediktif, generatif, dan akhirnya agenik dalam pengaturan perusahaan dapat sangat bermanfaat, tetapi mengambil langkah yang tepat sebelum penerapan untuk memastikan keberhasilan sangat penting. Berikut beberapa pertimbangan utama untuk perusahaan saat mempertimbangkan dan mulai menggelindingkan agen AI.

• Pemeliharaan dengan Tujuan Bisnis: Untuk adopsi AI perusahaan yang sukses, harus menangani kasus penggunaan khusus dalam industri khusus dan memberikan produktivitas dan akurasi yang meningkat. Libatkan pemangku kepentingan bisnis secara teratur dalam proses penilaian/pemilihan AI untuk memastikan keselarasan dan memberikan ROI yang jelas. Produk harus disesuaikan dengan proses dan alur kerja yang memperbaiki hasil untuk kasus penggunaan dan domain vertikal yang ditentukan.
• Kualitas, Kuantitas, dan Integrasi Data: Karena model AI memerlukan sejumlah besar data berkualitas tinggi untuk berfungsi secara efektif, perusahaan harus mengimplementasikan pipa pengumpulan dan pengolahan data yang kuat untuk memastikan AI menerima data yang mutakhir, akurat, dan relevan. Mengkurasi sumber data sangat mengurangi risiko halusinasi dan memungkinkan AI untuk membuat analisis, rekomendasi, dan keputusan yang optimal.
• Keamanan dan Privasi: Menangani data sensitif dalam model AI menimbulkan risiko privasi dan kerentanan keamanan potensial. Pertimbangan yang cermat tentang apa data yang diperlukan untuk AI melakukan tugasnya, dan tidak memberikan data yang tidak relevan, dapat membantu meminimalkan paparan. Aplikasi juga harus memberikan kontrol akses berbasis peran dan pengguna dengan perlindungan autentikasi yang dibangun di lapisan data dan API dan memastikan data tidak mencapai SLM atau LLM tanpa verifikasi dan perlindungan.
• Infrastruktur dan Skalabilitas: Menjalankan model AI besar memerlukan sumber daya komputasi yang signifikan, dan skalabilitas juga dapat menjadi masalah. Desain yang baik akan mencegah konsumsi sumber daya yang berlebihan – misalnya, SLM khusus dapat sama efektifnya dengan LLM yang lebih umum dan secara signifikan mengurangi kebutuhan komputasi dan latensi.
• Interpretasi Model dan Keterjelasan: Banyak model AI, terutama model pembelajaran dalam, sering dianggap sebagai “black box.” Produk AI perusahaan yang baik membuktikan transparansi penuh, termasuk sumber yang diakses model dan kapan, serta mengapa setiap rekomendasi dibuat. Memiliki konteks ini sangat penting untuk menciptakan kepercayaan pengguna dan mengarahkan adopsi.

Kelemahan Potensial dari Agen AI

Seperti halnya teknologi baru, agen AI memiliki beberapa kelemahan potensial. Aplikasi agen AI terbaik bergantung pada proses human-in-the-loop – termasuk semua aplikasi dan kemampuan agen AI SymphonyAI. Pendekatan ini memungkinkan pengawasan manusia, intervensi, dan kolaborasi, memastikan bahwa tindakan agen sejalan dengan tujuan bisnis dan pertimbangan etika. Sistem human-in-the-loop dapat memberikan umpan balik waktu nyata, menyetujui keputusan kritis, atau mengambil alih ketika AI menghadapi situasi yang tidak biasa, menciptakan kolaborasi yang kuat antara kecerdasan buatan dan manusia.

AI yang bertanggung jawab juga memberikan antarmuka pengguna yang kuat, jejak, dan kemampuan untuk memeriksa langkah-langkah mengapa agen memilih jalur eksekusi. Kami mematuhi prinsip AI yang bertanggung jawab dari akuntabilitas, transparansi, keamanan, keandalan/keselamatan, dan privasi.

Jalur Menuju Agen Otonom Penuh

Sulit untuk memprediksi seberapa realistis skenario agen otonom penuh karena kita belum menetapkan ukuran industri yang luas untuk tingkat otonomi. Misalnya, area mengemudi otonom telah ditetapkan mengenai Tingkat 1-5 Kemampuan Mengemudi Mandiri, dengan nol menjadi tidak ada tingkat otomatisasi di mana pengemudi melakukan semua tugas mengemudi, hingga tingkat lima menjadi otomatisasi penuh di mana kendaraan melakukan semua tugas mengemudi.

Kita telah membuat kemajuan besar dalam apa yang saya lihat sebagai fase ketiga menuju nilai perusahaan dengan AI – di mana aplikasi AI prediktif dan generatif gabungan membuat rekomendasi yang canggih dan mendukung analisis “what-if” yang fluid. Di SymphonyAI, kita melihat fase berikutnya berkembang menuju agen AI otonom, bekerja dengan AI prediktif dan generatif untuk mempercepat penyelidikan penipuan keuangan, meningkatkan manajemen kategori ritel dan peramalan permintaan, serta memungkinkan produsen untuk memprediksi dan menghindari kegagalan mesin.\

Kita saat ini meningkatkan kompleksitas dan otonomi agen AI dalam aplikasi kita, dan umpan balik pelanggan sangat positif. AI prediktif dan generatif telah berkembang ke tingkat di mana mereka dapat mengotomatisasi alur kerja yang dulunya dianggap terlalu kompleks untuk perangkat lunak tradisional. AI otonom, atau agenik, unggul dalam menangani tugas-tugas ini tanpa pengawasan, mengarah pada peningkatan produktivitas yang transformatif dan memungkinkan sumber daya manusia untuk fokus pada kegiatan strategis yang lebih penting.

Sebagai contoh, sebuah bank Eropa multinasional yang menggunakan SymphonyAI Sensa Investigation Hub dengan agen AI dan copilot telah membantu penyelidik kejahatan keuangan menghemat waktu dalam penyelidikan mereka sambil secara bersamaan meningkatkan kualitas penyelidikan. Dalam beberapa minggu, bank tersebut melihat penghematan upaya rata-rata sekitar 20% dalam penyelidikan Tingkat 1 dan Tingkat 2. Bank tersebut juga memproyeksikan penghematan biaya dengan SymphonyAI di Microsoft Azure sebesar €3,5 juta per tahun, termasuk penurunan 80% dalam pengeluaran dengan penyedia teknologi terkemuka dari €1,5 juta per tahun menjadi €300.000 per tahun.

Dengan desain yang cermat dan bertanggung jawab menggunakan prinsip AI yang bertanggung jawab, agen AI memberikan produktivitas, akurasi, dan keunggulan yang transformatif untuk berbagai kasus penggunaan yang terbukti. Di SymphonyAI, misi kita adalah memberikan perusahaan dengan agen AI yang memberikan keunggulan operasional. Dengan menggabungkan responsivitas yang cepat dengan pemikiran strategis jangka panjang, AI agenik akan merevolusi proses kritis di berbagai industri.