AI-modeller og plattformer

ConnectWise lanserer RMM Agent for å undersøke IT-saker med rettelser som teknikere må godkjenne

mm
Legg til Unite.AI blant dine foretrukne kilder på Google
AI-led IT ticket diagnosis with human approval for endpoint changes — AI-generated illustration

ConnectWise har lansert RMM Agent, som bringer AI-basert undersøkelse av endepunkter inn i supportsaken der teknikerne allerede jobber. Produktet ble kunngjort 29. oktober og undersøker en tilknyttet enhet, tester mulige årsaker og klargjør et tiltak fra en kvalitetssikret katalog. Alle endringer på enheten krever uttrykkelig godkjenning fra en tekniker.

Lanseringskunngjøringen presenterer også Voice, Teams og Email Agents, som samler inn kundeinformasjon før det tekniske arbeidet begynner. Alle fire produktene er allment tilgjengelige. Samlet retter de seg mot to årsaker til forsinkelser i servicedesken: ufullstendige forespørsler og gjentatt feilsøking.

Undersøkelse av endepunkter flyttes inn i supportsaken

RMM står for «remote monitoring and management» (fjernovervåking og -administrasjon), mens PSA viser til automatisering av profesjonelle tjenester. Ved å koble de to sammen får man serviceforespørselen og den administrerte enheten inn i samme arbeidskontekst.

På ConnectWises produktside for AI Agents presenteres en koordinert arbeidsflyt. Mottaksagentene registrerer brukeren, enheten, konsekvensene og hvor mye det haster. Service Desk Agents klassifiserer og prioriterer forespørselen, går gjennom historikken og fordeler arbeidet. Deretter undersøker RMM Agent endepunktet, bidrar til å gjennomføre en godkjent rettelse og registrerer resultatet.

Denne arbeidsflyten er viktig fordi beskrivelsen i en supportsak kan avvike fra enhetens faktiske tilstand. En agent med tilgang til begge deler kan bidra til å knytte det rapporterte symptomet til informasjon fra miljøet. For teknikerne bør en nyttig overlevering inneholde hva som er undersøkt, og begrunnelsen for det foreslåtte neste trinnet.

Produktsiden beskriver en felles serviceregistrering som knytter sammen konteksten fra mottaket, servicearbeidsflyten og informasjon om enheten. Når alt dette samles, får teknikeren et bedre grunnlag for å vurdere det foreslåtte tiltaket.

Menneskelig godkjenning skiller diagnose fra endringer på enheten

Ifølge lanseringskunngjøringen bruker den nye agenten diagnostikk med skrivebeskyttet tilgang under undersøkelsen og krever godkjenning før den endrer et endepunkt. Dermed tas godkjenningsbeslutningen på et avgjørende tidspunkt i arbeidsflyten: etter at informasjon er samlet inn, men før et tiltak påvirker kundens system.

De tidlige resultatene er fortsatt rapportert av partnere. RealBytes rapporterte nyttige diagnoser i 91 % av mer enn 500 aktive supportsaker, vanligvis på omtrent ett minutt. Den bredere utrullingen av ConnectWise Agentic reduserte tiden til første kontakt fra én time til fem minutter. Disse målene beskriver ulike faser av tjenesteleveransen og bør vurderes hver for seg.

Den eksisterende RMM-løsningen leverer de operative verktøyene

Selskapets RMM-plattform kombinerer allerede overvåking, oppdateringshåndtering, skripting og fjerntilgang. De dokumenterte funksjonene omfatter håndtering av oppdateringer for operativsystemer og tredjepartsapper, overvåking av forhold som er tilpasset selskapets nettverksdriftssenter, og ekstern feilsøking via ScreenConnect.

Den omfatter også AI-assistert generering av skript, nettverksoppdagelse og -analyse samt sentralisert rapportering. Disse funksjonene setter den nye agentens rolle i sammenheng: undersøkelse kommer i tillegg til etablerte verktøy som teknikerne bruker til å vedlikeholde og reparere endepunkter.

Den praktiske nytten avhenger av hvor godt undersøkelsen velger et passende tiltak ut fra den aktuelle enheten og servicesituasjonen. En generert forklaring er nyttig, men en operativ arbeidsflyt trenger også en tydelig foreslått endring og en registrering som en annen tekniker kan gå gjennom senere.

En bredere strategi for en agentbasert plattform

ConnectWises plattformarkitektur beskriver et enhetlig datagrunnlag omgitt av et agentbasert lag. Felles arbeidsflyter og tjenester knytter sammen applikasjoner, mens åpne API-er legger til rette for arbeid på tvers av systemer. Målet med utformingen er å gi agentene relevant operativ kontekst, i stedet for at hver applikasjon skal fungere isolert.

Denne retningen følger selskapets kunngjøring i januar om oppkjøpet av zofiQ, som dreide seg om å automatisere store mengder arbeid i servicedesken. ConnectWise beskrev hvordan telemetridata, supportsaker og overvåkingsinformasjon skulle kobles sammen via API-er, koblinger og hendelsesbaserte integrasjoner, før AI skulle brukes til klassifisering, prioritering, avviksdeteksjon og forslag til grunnleggende årsaker.

Den nyeste lanseringen viderefører denne utviklingen mot undersøkelse av endepunkter. Hovedideen er å forkorte veien fra en kundeforespørsel til en beslutning om utbedring som bygger på dokumenterte funn, samtidig som teknikeren beholder kontrollen over endringene. For leverandører av administrerte tjenester blir testen hvor konsekvent denne prosessen reduserer arbeidet med undersøkelser på tvers av de varierte miljøene de støtter.

Aiden Cross er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-produktstrategi, gjennomføring og de praktiske utfordringene ved å omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbeid fokuserer på hvordan startups og bedrifter går fra prototyper og demonstrasjoner til pålitelige systemer som brukes av ekte kunder.
Med et pragmatisk og detaljorientert perspektiv, analyserer Aiden produktveikart, strategier for markedslansering, plattformbeslutninger og organisatoriske kompromisser som avgjør om AI-initiativer lykkes eller stopper. Han legger særlig vekt på deployeringsrealiteter, brukeradopsjon, infrastrukturbegrensninger og samsvaret mellom teknisk evne og forretningsverdi.
Artikler skrevet av Aiden Cross er AI-generert og gjennomgått av Unite.AIs redaksjonsteam for å sikre klarhet, nøyaktighet og ansvarlig dekning av hvordan AI-produkter bygges, gjøres tilgjengelige og skaleres i den virkelige verden.