Il Percorso da RPA ad Agenti Autonomi

Un investigatore di crimini finanziari che una volta riceveva grandi volumi di allarmi di attività sospette che richiedevano un lavoro di indagine tedioso e manuale per raccogliere dati tra i sistemi al fine di eliminare i falsi positivi e redigere rapporti di attività sospetta (SAR) sugli altri. Oggi, riceve allarmi prioritari con ricerche automatizzate e contenuto suggerito che possono generare SAR in pochi minuti.

Un pianificatore di categorie di vendita al dettaglio che in precedenza faceva analisi di ore sui rapporti delle settimane precedenti per cercare di scoprire informazioni su quali prodotti erano sottovalutati e perché, ora utilizza l’AI per fornire approfondimenti approfonditi che evidenziano le aree problematiche e suggeriscono azioni correttive, priorizzate per il massimo impatto aziendale. Un ingegnere di manutenzione industriale utilizza un copilota che esegue il monitoraggio della salute degli asset 24 ore su 24 e prevede problemi e genera avvertimenti alle prime fasi di problemi meccanici o di prestazioni, riducendo il tempo di fermo imprevisto.

Queste trasformazioni stanno avvenendo in tutte le imprese oggi, segnalando un cambiamento fondamentale: le applicazioni verticali che combinano AI predittiva, generativa e agente emergente stanno aumentando e trasformando l’automazione del flusso di lavoro, fornendo capacità mirate e sofisticate che affrontano sfide molto più complesse e contestuali rispetto alle soluzioni precedenti.

Il ciclo di iper-attività di Gartner del 2024 Hype Cycle for Emerging Technologies ha evidenziato l’AI autonoma come una delle quattro principali tendenze tecnologiche emergenti dell’anno – e con buone ragioni. Con gli agenti non-AI, gli utenti dovevano definire cosa dovevano automatizzare e come farlo in grande dettaglio. Ma le applicazioni che combinano AI predittiva, generativa e presto agente con fonti di conoscenza verticali specializzate e flussi di lavoro possono estrarre informazioni da fonti disparate in tutta l’impresa, velocizzare e automatizzare i compiti ripetitivi e fornire raccomandazioni per azioni ad alto impatto. Le imprese che utilizzano queste applicazioni realizzano una presa di decisione più rapida e precisa, un’identificazione e risoluzione dei problemi rapide e anche misure preventive per evitare che i problemi si verifichino in primo luogo.

Gli agenti AI rappresentano la prossima ondata nell’AI aziendale. Si basano sui fondamenti dell’AI predittiva e generativa, ma fanno un grande balzo in avanti in termini di autonomia e adattabilità. Gli agenti AI non sono solo strumenti per l’analisi o la generazione di contenuti – sono sistemi intelligenti in grado di prendere decisioni indipendenti, risolvere problemi e imparare continuamente. Questa progressione segna un passaggio dall’AI come strumento di supporto all’AI come partecipante attivo nei processi aziendali, in grado di avviare azioni e adattare strategie in tempo reale.

L’Evolutzione da RPA ad Agenti Autonomi

Tradizionalmente, il RPA veniva utilizzato per processi ripetitivi, basati su euristica e compiti a bassa complessità con input di dati strutturati. Il RPA utilizza input strutturati e logica definita per automatizzare processi altamente ripetitivi come l’inserimento di dati, il trasferimento di file e la compilazione di moduli. La vasta disponibilità di AI predittiva e generativa economica e altamente efficace ha affrontato il prossimo livello di problemi aziendali più complessi che richiedono competenze di dominio specializzate, sicurezza di classe aziendale e la capacità di integrare diverse fonti di dati.

Al livello successivo, gli agenti AI vanno oltre gli algoritmi AI predittivi e il software con la loro capacità di operare in modo autonomo, adattarsi a ambienti in evoluzione e prendere decisioni basate su regole preprogrammate e comportamenti appresi. Mentre gli strumenti AI tradizionali potrebbero eccellere in compiti specifici o analisi dei dati, gli agenti AI possono integrare più capacità per navigare ambienti complessi e dinamici e risolvere problemi multifaceti. Gli agenti AI possono aiutare le organizzazioni a essere più efficaci, più produttive e migliorare l’esperienza del cliente e del dipendente, riducendo i costi.

Quando costruiti con i modelli AI giusti come strumenti e con fonti di dati verticali e apprendimento automatico per supportare attività contestuale specializzata, gli agenti AI diventano cavalli da tiro ad alta produttività nel decifrare il problema, eseguire i passaggi giusti, recuperare dagli errori e migliorare nel tempo i compiti assegnati.

Navigare l’Implementazione: Aspetti Chiave per le Imprese da Considerare

Implementare AI predittiva, generativa e agente emergente in un ambiente aziendale può essere molto benefico, ma seguire i passaggi giusti prima del deployment per assicurare il successo è critico. Ecco alcuni dei principali aspetti da considerare per le imprese che considerano e iniziano a distribuire gli agenti AI.

• Allineamento con gli Obiettivi Aziendali: Per l’adozione di AI aziendale di successo, dovrebbe affrontare casi d’uso specifici in settori specifici e fornire una produttività e precisione aumentate. Coinvolgere regolarmente gli stakeholder aziendali nel processo di valutazione/selezione AI per assicurare l’allineamento e fornire un chiaro ROI. I prodotti dovrebbero essere adattati ai processi e flussi di lavoro che migliorano misurabilmente i risultati per i casi d’uso e i domini verticali definiti.
• Qualità, Quantità e Integrazione dei Dati: Poiché i modelli AI richiedono grandi quantità di dati di alta qualità per funzionare efficacemente, le imprese devono implementare pipeline di raccolta e elaborazione dei dati robuste per assicurare che l’AI riceva dati attuali, precisi e rilevanti. La cura delle fonti di dati riduce notevolmente il rischio di allucinazioni e consente all’AI di effettuare analisi, raccomandazioni e decisioni ottimali.
• Sicurezza e Privacy: La gestione di dati sensibili nei modelli AI comporta rischi per la privacy e vulnerabilità di sicurezza potenziali. Una attenta considerazione su quali dati sono necessari per l’AI per svolgere il suo lavoro e non fornire dati che non sarebbero direttamente rilevanti può aiutare a minimizzare l’esposizione. Le applicazioni dovrebbero anche fornire controllo di accesso basato su ruolo e utente con protezioni di autenticazione integrate a livello di dati e API e confermare che i dati non raggiungano SLM o LLM senza verifica e protezione.
• Infrastruttura e Scalabilità: Eseguire grandi modelli AI richiede risorse computazionali significative e la scalabilità può anche essere un problema. Una buona progettazione può prevenire il consumo eccessivo di risorse – ad esempio, un SLM specializzato può essere altrettanto efficace di un LLM più generale e ridurre notevolmente i requisiti computazionali e le latenze.
• Interpretazione e Spiegabilità del Modello: Molti modelli AI, in particolare i modelli di apprendimento profondo, sono spesso considerati “scatole nere”. I buoni prodotti AI aziendali forniscono piena trasparenza, comprese le fonti che i modelli hanno accesso e quando, e perché ogni raccomandazione è stata fatta. Avere questo contesto è critico per creare la fiducia degli utenti e guidare l’adozione.

Potenziali Svantaggi degli Agenti AI

Come per ogni nuova tecnologia, gli agenti AI hanno alcuni potenziali svantaggi. Le migliori applicazioni di agenti AI si basano su processi human-in-the-loop – comprese tutte le applicazioni e le capacità di agentic AI di SymphonyAI. Questo approccio consente la supervisione umana, l’intervento e la collaborazione, assicurando che le azioni dell’agente siano allineate con gli obiettivi aziendali e le considerazioni etiche. I sistemi human-in-the-loop possono fornire feedback in tempo reale, approvare decisioni critiche o intervenire quando l’AI incontra situazioni sconosciute, creando una potente collaborazione tra intelligenza artificiale e umana.

L’AI responsabile fornisce anche una forte interfaccia utente, tracciabilità e la capacità di verificare i passaggi dell’esecuzione scelta dall’agente. Ci atteniamo ai principi di AI responsabile di responsabilità, trasparenza, sicurezza, affidabilità/sicurezza e privacy.

Il Percorso verso Agenti Autonomi Completi

È difficile prevedere quanto realistico sia lo scenario di agenti completamente autonomi perché non abbiamo stabilito una misura a livello di settore per il livello di autonomia. Ad esempio, l’area della guida autonoma è stata stabilita riguardo ai Livelli 1-5 di capacità di guida autonoma, con zero come livello di automazione in cui il conducente esegue tutte le attività di guida, al livello cinque come automazione completa in cui il veicolo esegue tutte le attività di guida.

Siamo ben avanti nella terza fase del percorso verso il valore aziendale con l’AI – dove le applicazioni di AI generativa e predittiva combinate forniscono raccomandazioni sofisticate e supportano l’analisi “what-if” fluida. In SymphonyAI vediamo la prossima fase evolversi verso agenti AI autonomi, che lavorano con AI predittiva e generativa per velocizzare le indagini di frode finanziaria, aumentare la gestione delle categorie di vendita al dettaglio e la previsione della domanda, e consentire ai produttori di prevedere e prevenire guasti alle macchine.

Stiamo attualmente migliorando la complessità e l’autonomia degli agenti AI all’interno delle nostre applicazioni e il feedback dei clienti è molto positivo. L’AI predittiva e generativa sono avanzate a un livello in cui possono automatizzare i flussi di lavoro che una volta erano considerati troppo complessi per il software tradizionale. L’AI autonoma o agente eccelle nel gestire questi compiti senza supervisione, portando a guadagni di produttività trasformativi e consentendo alle risorse umane di concentrarsi su attività più strategiche.

Ad esempio, una banca europea multinazionale che utilizza SymphonyAI Sensa Investigation Hub con agenti AI e un copilota ha aiutato gli investigatori di crimini finanziari a risparmiare tempo sulle loro indagini, migliorando contemporaneamente la qualità delle indagini. Nel giro di settimane, la banca ha visto un risparmio medio di sforzo del 20% nelle indagini di livello 1 e 2. La banca prevede inoltre risparmi di costi con SymphonyAI su Microsoft Azure di 3,5 milioni di euro all’anno, compresa una riduzione dell’80% della spesa con un importante fornitore di tecnologia da 1,5 milioni di euro all’anno a 300.000 euro all’anno.

Con un design aziendale pensato e responsabile, utilizzando i principi di AI responsabile, gli agenti AI forniscono produttività, precisione e eccellenza trasformazionali per una varietà crescente di casi d’uso comprovati. In SymphonyAI, la nostra missione è fornire alle imprese agenti AI che forniscono eccellenza operativa. Unendo prontezza e pensiero strategico a lungo termine, l’AI agente è pronta a rivoluzionare processi critici in molti settori.