Gli agenti stanno aiutando a ottimizzare i flussi di lavoro dell’AI, ma l’elemento umano rimane fondamentale per il ROI

Il panorama dell’AI ha subito un cambiamento fondamentale. Le organizzazioni, che hanno lottato per estrarre il massimo valore dall’AI, stanno diventando più proattive nei loro approcci e stanno adottando gli agenti. In precedenza, il modello di interazione dominante era stato in larga misura reattivo – cloud-centric e basato sull’utente per attivare i modelli. Tuttavia, poiché le macchine diventano più intelligenti, sono emersi modelli agentic in cui è richiesta meno interazione umana per eseguire compiti complessi in modo proattivo.

Tuttavia, mentre l’AI agentic rappresenta una deviazione dai sistemi di AI tradizionali a scopo limitato, l’ottimizzazione dell’opportunità riguarda l’aumento dei lavoratori, non la loro sostituzione.

Gli agenti sono stati progettati per comprendere obiettivi multi-step; pianificare e sequenziare azioni; e interagire con molte risorse per raggiungere obiettivi in modo autonomo. Ad esempio, un agente AI che può imparare le tue preferenze, i vincoli finanziari e le priorità, può utilizzare queste informazioni per negoziare un acquisto in modo indipendente. Questo scenario si sta svolgendo ora poiché questa capacità in evoluzione sta ridisegnando il modo in cui pensiamo all’AI aziendale e consumer.

Tuttavia, affinché sia veramente pratico, sicuro e utile, i flussi di lavoro sottostanti agli agenti devono essere informati da intelligenza in tempo reale. Questo tipo di approfondimento richiede un fondamento di architettura di AI ibrida – un ecosistema che distribuisce strategicamente i carichi di lavoro tra dispositivi, edge e cloud – tutti gestiti da team di lavoratori della conoscenza.

Perché l’AI ibrida è una necessità

L’AI agentic prospera sul contesto, che spesso coinvolge dati personali o organizzativi sensibili, il che significa che il cloud introduce legittimi rischi per la privacy. Tuttavia, l’AI ibrida mantiene l’elaborazione dei dati e la presa di decisioni su dispositivi locali attendibili o all’interno di ambienti sicuri. L’AI funziona dove risiedono i dati, riducendo l’esposizione e allineandosi con le norme sulla sovranità dei dati.

Un altro requisito importante è la personalizzazione, che è strettamente legata al problema della privacy dei dati. Nell’esempio precedente dell’agente di acquisto, le preferenze e i vincoli dell’utente sono critici. Coinvolgono anche frequentemente informazioni personali identificabili (PII), che devono essere mantenute private, quindi l’archiviazione e l’utilizzo di questo contesto in locale salvaguardano la privacy dell’utente.

Il successo dell’AI agentic richiede anche una presa di decisione immediata, il che significa che non c’è tempo per far viaggiare i dati attraverso le reti. La negoziazione di accordi, la risposta ai dati dei sensori in tempo reale e la gestione di flussi di lavoro dinamici richiedono tutti immediatezza. Il tempo di latenza o, peggio, le interruzioni possono avere ramificazioni significative. L’AI ibrida consente calcoli on-device a bassa latenza che mantengono le esperienze lisce e in tempo reale.

L’AI ibrida elimina anche la necessità di un’elaborazione costante del cloud, che è intensiva in termini di risorse e costosa. Invece, supporta l’orchestrazione del carico di lavoro, utilizzando il calcolo locale per attività routine e riservando il cloud per pull di dati più pesanti o calcoli.

Infine, consente l’esecuzione parziale di attività, consentendo agli agenti di rimanere funzionali anche in scenari offline o a bassa connettività fino a quando l’accesso al cloud non riprende. La combinazione di intelligenza localizzata e potere di scalabilità del cloud è ciò che rende possibili le esperienze di AI agentic.

Affrontare le sfide di implementazione

Anche prima dell’emergere dell’AI agentic, le organizzazioni hanno spesso lottato per derivare un chiaro ROI dai loro investimenti in AI. Mentre gli agenti non sono una panacea immediata, offrono un percorso convincente in avanti quando vengono applicati a flussi di lavoro olistici piuttosto che a compiti frammentati. Gli agenti che gestiscono operazioni end-to-end forniscono ritorni molto più visibili e significativi.

Tuttavia, un ROI significativo è possibile solo se vengono affrontate alcune barriere di adozione chiave:

• Prevedibilità ed etica sono di importanza fondamentale per gli agenti AI, guidando una crescita significativa nell’adozione di piattaforme e tecniche di governance come AI costituzionale. Queste misure aiutano a garantire l’allineamento con i valori umani e forniscono una supervisione.
• Ridurre la complessità e aumentare l’affidabilità sono anche chiave per un’implementazione di successo, poiché la gestione di attività multi-step con gli agenti è complicata. Tuttavia, con l’emergere di avanzamenti e best practice nella formazione dei modelli, le prestazioni stanno diventando più coerenti. Questi tipi di framework di sviluppo consentono anche ai team di costruire sistemi agentic prevedibili e robusti che sono più facili da distribuire.
• Integrazione sicura con strumenti e API è un’altra considerazione critica, poiché gli agenti necessitano di accesso a varie fonti di dati e applicazioni. L’industria sta costruendo protocolli e standard per interazioni sicure e tecnologie di calcolo confidentiale stanno ulteriormente proteggendo i dati sensibili durante l’esecuzione.

Non solo gli strumenti devono essere sicuri, ma devono anche essere affidabili, poiché l’AI agentic dipende dall’interazione in tempo reale con software esterni. Le funzionalità di chiamata di funzioni migliorate nei modelli di base e i framework di interoperabilità stanno semplificando questa integrazione. Ad esempio, il protocollo di contesto del modello (MCP) supporta flussi di lavoro sicuri e multi-step, rendendo gli agenti più capaci e prevedibili – e quindi efficaci.

Realizzare

L’AI agentic brilla dove gli obiettivi sono dinamici, distribuiti e intensivi in termini di risorse – in grado di scalare oltre le capacità dei team, ma necessitando della loro intelligenza per essere più efficace.

Gli agenti autonomi possono gestire le catene di approvvigionamento, aiutando a evitare interruzioni logistici analizzando i dati di inventario e di spedizione in tempo reale. Possono operare su dispositivi edge, coordinandosi con sistemi di pianificazione centrali nel cloud e aggiornando le strategie di routing per mantenere proattivamente i dati aggiornati e sicuri.

Gli agenti possono anche essere incorporati in postazioni di lavoro industriali per monitorare i dati dei sensori, attivare protocolli di manutenzione o coordinare l’ordinazione di pezzi di ricambio – il che migliora la resilienza operativa e riduce il tempo di fermo costoso.

I PC AI dotati di agenti on-device possono gestire flussi di lavoro individuali, riassumere le riunioni, creare contenuti e interagire con sistemi aziendali senza compromettere l’identità personale o mettere a rischio i dati privati.

In ciascuno di questi casi d’uso, l’elemento critico è la supervisione di un lavoratore della conoscenza, garantendo che i dati che alimentano l’agente siano accurati e puliti.

Costruire un futuro più autonomo

Le aziende che implementano gli agenti oggi e investono nel miglioramento delle competenze della loro forza lavoro per gestirli si stanno preparando per essere più avanti rispetto ai loro concorrenti. L’AI agentic è fondamentale per il futuro con avanzamenti come i gemelli AI in arrivo, ma la sua stessa fondazione richiede l’AI ibrida. Questo è un grande passo avanti nel fornire sistemi di AI veramente autonomi, utili e sicuri che possano operare in condizioni del mondo reale. Gli agenti che li seguono sono impostati per essere più avanti rispetto ai loro concorrenti. L’AI agentic è fondamentale per il futuro con avanzamenti come i gemelli AI in arrivo, ma la sua stessa fondazione richiede l’AI ibrida. Questo è un grande passo avanti nel fornire sistemi di AI veramente autonomi, utili e sicuri che possano operare in condizioni del mondo reale.