כיצד תהליכי עבודה ארגוניים נכתבים מחדש על ידי Agentic AI

יש סיפור מוכר בחוגי בינה מלאכותית ארגונית: בינה מלאכותית סוכנתית היא "הדבר הגדול הבא", משהו שעלינו לדון בו, לתכנן אותו או לבצע פיילוט לפני שהוא הופך למציאות. והעתיד הזה כבר כאן, מוטמע בשקט בעבודה היומיומית.

בארגונים רבים כיום, מערכות סוכנותיות אינן קיימות כפיילוטים ראוותניים. הן מבצעיות: נועדו להפחית חיכוכים, להאיץ את המסירה ולהחליף את עבודת התיאום שבני אדם נהגו לעשות באופן ידני.

לדוגמה, בחברה שלנו, בינה מלאכותית שזורה במספר תחומים פנימיים - החל מ קידוד והפקת תוכן ל זיכרון מוסדי ואנליטיקה של שיתוף פעולה בצוות – תמיכה בכוח אדם של למעלה מ-2,000 עובדים. מערכות אלו הן חלק מהפעילות היומיומית, ועוזרות לצוותים לעבוד מהר יותר ועקבי יותר במשימות טכניות, יצירתיות וארגוניות.

מציאות מתהווה זו משקפת שינוי גדול יותר באופן שבו עבודה מתבצעת בפועל.

מממשקי בינה מלאכותית לעבודה מוכוונת זרימה

רוב הבינה המלאכותית הארגונית עד כה עסקה אמרההוספת המלצות, סיכומים או יצירת טקסט לממשקי משתמש. אבל סוג כזה של אינטליגנציה, למרות היותה שימושית, לא משנה את אופן זרימת העבודה. היא רק הופכת את הצעדים הקיימים למהירים יותר.

בינה מלאכותית של סוכנים שונה: היא לא רק מגיבה לפקודות. קובע מטרות, מתכנן ומבצע משימות לקראת השגת תוצאות, ותזמור שלבים מרובים במערכות עם התערבות אנושית מינימלית. במילים אחרות, זה הופך את זה לאוטומטי זרימות עבודה, לא רק רכיבים שלהם.

כאשר סוכנים פועלים ברמת זרימת העבודה ולא ברמת הממשק, דפוס העבודה משתנה. מערכות מתחילות לצפות צרכים במקום פשוט להגיב להם.

בחברה שלנו, השינוי הזה נראה כך:

• יצירת קוד ותיעוד אוטומטיים שמאיץ את הפיתוח ומתאים את התפוקות לסטנדרטים ללא הנחיות אנושיות חוזרות ונשנות
• מערכות זיכרון מוסדיות מובנות שמאחדים ידע ארגוני ומאפשרים אחזורו בקנה מידה גדול
• הפקת תוכן הנתמכת על ידי בינה מלאכותית שמגדיל את רמת הכתיבה האיכותית עבור קהלים פנימיים וחיצוניים כאחד
• ניתוח קידוד Vibe שמציגים דינמיקות של שיתוף פעולה בין צוותים, ומאפשרים התערבויות מוקדמות יותר

אף אחד מאלה אינו ניסויים. הם משולבים בתהליכי אספקה, ומשחררים אנשים להתמקד באסטרטגיה וביצירתיות במקום בתיאום.

זרימות עבודה של סוכנים חושפות חיכוכים נסתרים

ברגע שמטמיעים סוכנים בזרימות עבודה, המציאות הארגונית הופכת לגלויה (לפעמים גלויה מדי).

תהליכים מדור קודם, בעלות לא מוגדרת וכללים לא כתובים שבעבר בני אדם פיצו עליהם הופכים למכשולים בולטים כאשר סוכן בינה מלאכותית מנסה לפעול במערכות שונות.

תופעה זו אינה ייחודית לנו. אנליסטים מציינים כי השגת ערך אמיתי מבינה מלאכותית סוכנתית דורשת חשיבה מחדש מהותית על תהליכי עבודה. ארגונים שפשוט משלבים סוכנים לתהליכים קיימים רואים לעתים קרובות השפעה מוגבלת משום שהם לא פתרו היכן עובדים למעשה קורה

ואכן, דו"ח של גרטנר מציין כי יותר מ 40% מפרויקטי הבינה המלאכותית הסוכנתית צפויים להיגנז עד 2027. — לא בגלל שהטכנולוגיה נכשלת, אלא בגלל שעסקים אינם יכולים להגדיר עבורם תוצאות ברורות וניתנות לפעולה

אין לקרוא זאת כפסק דין נגד בינה מלאכותית סוכנתית. אלא, זוהי ראיה לכך יש למדל את העבודה במפורש לפני שבינה מלאכותית תוכל להפוך אותה לאוטומטיתאם סוכנים מנוגדים ידגישו תהליכים מקולקלים.

איך נראית בינה מלאכותית אמיתית של סוכנים בפועל

בְּהַרְחָבָה, בינה מלאכותית סוכנתית מתייחסת למערכות המשלבות סוכנים אוטונומיים עם תזמור זרימת עבודה כדי לבצע רצפי משימות באופן עצמאי. תוך הסתגלות לתנאים ולמטרות משתנים

למען האמת, מערכות סוכנות לעיתים רחוקות מופיעות כ"סוכן" מונוליטי יחיד. במקום זאת, הן מתבטאות כ... מספר סוכנים מיוחדים המחוברים זה לזה באמצעות לוגיקת תזמורלכל סוכן יכול להיות תחום אחריות צר יחסית - אך יחד, הם יוצרים אוטומציה ברמת זרימת עבודה.

בפועל, זה אומר:

• סוכנים ש יצירה ואישור של קוד ותיעוד בהתאם למוסכמות הארגוניות, ולהתאים את עצמן לנהלי סקירת קוד, כולל סקירה על ידי אדם או אפילו סוכן אחר
• סוכני זיכרון אשר ללכוד וליצור אינדקס של ידע מוסדי, מה שהופך אותו לניתן לחיפוש וניתן לשימוש חוזר
• סוכני תוכן אשר לייצר טיוטות מלוטשות עבור תוצרים פנימיים ותוצרים של הלקוח
• ניתוח שיתוף פעולה ש צליל ו"וייב" של המוניטור בין צוותים שונים, תוך עלייה במגמות שאחרת היו עשויות לקחת חודשים עד שיבחינו בהן

סוכנים אלה אינם פועלים בבידוד. הם חולקים הקשר וסשנים, שלעתים קרובות מתווכים על ידי שכבות תזמור שמסדרות פעולות ברצף, פותרות קונפליקטים ומטפלות בחריגים - גישה הדומה יותר לאוטומציה של זרימת עבודה מאשר פלט גנרטיבי שטוח.

מדוע שינוי ארכיטקטורה הוא בלתי נמנע

יוזמות סוכניות מוקדמות המסתמכות על מודל שפה גדול יחיד עבור כל המשימות נתקלות לעיתים קרובות בצווארי בקבוק של עלות, ניהול ומורכבות. כדי שמערכות ארגוניות יוכלו להגדיל זרימות עבודה סוכניות בצורה אמינה, ארגונים מאמצים יותר ויותר... ארכיטקטורות מתוזמרות כאשר רכיבים שונים מטפלים בהיגיון, זיכרון, הקשר, אינטגרציה וביצוע.

מגמה זו משקפת לא רק את הפרקטיקה אלא גם את חוכמת העיצוב המתפתחת: זרימות עבודה דורשות תזמור, לא אינטליגנציה מונוליטית.

למעשה, מחקר אקדמי בתחום הבינה המלאכותית הארגונית מדגיש כיצד ארכיטקטורות של תוכניות עבור זרימות עבודה סוכניות מנסחות נתונים, מתכננים ופירוק משימות כדי לגשר בין יכולות תואר שני במשפטים (LLM) לבין היגיון עסקי אמיתי - סימן לכך שהתחום נע מ... "גימיק של בינה מלאכותית" ל תחום הנדסת מערכות.

המעבר לעבר מערכות מרובות סוכנים מתוזמרות משקף את מה שארגונים כמו Customertimes מיישמים באופן פנימי: סוכנים מודולריים שעובדים יחד, לא מודל אחד לכל מטרה שמנסה לעשות הכל.

התנגדות אנושית היא אות עיצובי, לא פחד

תפיסה מוטעית נפוצה היא שעובדים מתנגדים לבינה מלאכותית סוכנתית מתוך פחד - שהם חוששים להיות מוחלפים. במציאות, התנגדות מתעוררת לעתים קרובות משום... מערכות פועלות ללא גבולות ברורים או היגיון מובן.

מחקר אימוץ ארגוני מראה כי בינה מלאכותית מצליחה כאשר היא מפחית חיכוך ו משתלב באופן צפוי עם עבודה קיימת, ולא כאשר הוא מציג תחכום גולמי

ב-Customertimes, יכולות סוכנותיות הושקו מתוך מחשבה זו. סוכנים מתחילים בסיוע, הם ממליצים על פעולות לפני ביצוען. הם חושפים נימוקים והקשר במקום להסתיר אותם. ופיקוח אנושי אינו אמצעי הגנה מפני כשל - הוא... ציפייה עיצובית.

מודל האמון ההדרגתי הזה אינו אלטרואיזם. הוא פרקטי. סוכנים שמפריעים, פועלים באופן בלתי צפוי או חושפים תוצאות אטומות לא מאומצים - בני אדם פשוט מכבים אותם.

היכן נמצאים רווחי הפריון האמיתיים

נרטיבים ציבוריים מתמקדים בכך שבינה מלאכותית מחליפה מקומות עבודה. אבל בזרימות עבודה ארגוניות אמיתיות, הרווחים הגדולים ביותר מבינה מלאכותית סוכנתית מגיעים מ... הסרת תקורות התיאום – משימות שמעולם לא נמדדו אך באופן עקבי מאטות את התוצאות.

אנליסטים מציינים כי מערכות סוכנות, על ידי תזמור תהליכים מרובי שלבים מתחילתם ועד סופן, יכולות להאיץ תהליכים עסקיים מרכזיים בפערים משמעותיים, לעיתים מעל 30% ל 50% בתחומים כמו רכש או תפעול לקוחות.

זו לא אוטומציה במובן הצר. זוהי מהירות זרימת עבודה: דחיסת העיכובים בין איסוף הקשר, תמיכה בקבלת החלטות וביצוע.

עבור ארגונים כמו שלנו התוצאה ברורה: צוותים משקיעים פחות זמן במרדף אחר קלט ויותר זמן בהשגת תוצאות.

UX היא הבעיה הקשה האחרונה

ככל שמערכות בינה מלאכותית של סוכנים הופכות ליותר מסוגלות, חוויית המשתמש הופכת לגורם המגביל.

חוויית משתמש ארגונית מסורתית מניחה דפוס סינכרוני, מונחה פקודות. בינה מלאכותית סוכנתית מציגה ביצוע אסינכרוני, החלטות רקע ושליטה משותפת בין בני אדם ומכונות. ללא תכנון קפדני, משתמשים מרגישים שדוחפים אותם.

כדי להימנע מכך, מערכות מצליחות מדגישות כוונה, חושפות אי ודאות ומבהירות מתי סוכן פועל ומדוע. אם משתמשים אינם יכולים לתפוס למה ננקטה פעולה, האמון נשחק והאימוץ נתקע.

זו לא ספקולציה - אפילו סיקור מרכזי של בינה מלאכותית סוכנתית מזהיר שההצלחה תלויה לא רק על אינטליגנציה, אלא על הסבר ובקרה.

בינה מלאכותית סוכנתית תהפוך לתשתית ארגונית - בין אם חברות מתכננות זאת ובין אם לא

הקשת של רוב טכנולוגיות הארגון עוקבת אחר דפוס: ניסויים, חיוניות, היעלמות. בינה מלאכותית סוכנתית כבר נמצאת באמצע המסע הזה.

ככל שהמערכות מתפצלות והעבודה מתפזרת על פני כלים וצוותים, סוכנים יפעלו כ רקמת חיבור – לא מחליף בני אדם, אלא הפיכת עבודה מורכבת לקוהרנטית.

מעבר זה אינו דורש תכנון אסטרטגי דרמטי. הוא דורש התמודדות ישירה עם חיכוכים ארגוניים וארגון מחדש של זרימות עבודה כך שיהיו מפורשות וניתנות לפירוק. כאשר זה קורה, המודיעין הופך לא לתוספת, אלא ל... בינוני שדרכו זורמת העבודה.