Oppgangen av Agentic AI: En Strategisk Tre-Stegs Tilnærming til Intelligent Automatisering

Liksom mange andre, elsker jeg god råd. Men noen ganger trenger jeg hjelp til å få noe gjort.

Neste versjon av AI — agentic AI — vil flytte oss fra råd til å få ting gjort. Det vil enable bedrifter som utnytter det til å ta et transformasjonelt sprang fremover.

Men hvilket sprang? Og hvordan transformere?

Agentic AI kan redusere kostnadene for kundesupport med 25-50% samtidig som det dramatisk forbedrer kvalitet og kundetilfredshet fordi det går utover enkle oppgaveutførelser. Det kan også selvstendig løse komplekse arbeidsflyter og kundeinteraksjoner. Når det anvendes på kundesupport, for eksempel, svarer agentene ikke bare på spørsmål, men løser også utførlig spørsmål fra start til slutt, reduserer menneskelig inngripen og øker effisiensen.

Som med alle nye teknologier, presenterer adopsjon av agentic AI utfordringer. Et selskap må ha sine arbeidsflyter godt dokumentert og dypt forstått og besitte en robust kunnskapsbase som agentic AI kan trekke på. Og like med generativ AI, dataintegritet og -sikkerhet krever at selskaper forstår de store språkmodellene (LLM) de trekker på og hvordan informasjon lagres og overføres av dem.

Men den riktige adopsjonsstrategien for intelligent automatisering kan sikre suksess. For å høste de største fordelene, må selskaper gjøre tre ting:

• Start i riktig sted
• Balanse agentic AI med menneskelig ekspertise
• Trekke på et nettverk av agentic ekspertise

Selv om det fortsatt er tidlige dager, her er hva vi lærer mens vi arbeider med kunder i ulike bransjer for å integrere agentic AI i deres arbeidsflyter og operasjoner.

Ikke start smått — start smart

Kanskje mot alle odds, er det beste stedet å starte med dine høy-volum-arbeidsflyter. Er det ikke risikabelt? Ikke hvis det gjøres riktig. I virkeligheten kan starten med lav-volum-arbeidsflyter faktisk øke risikoen for å ikke se tilstrekkelig effekt til å rettferdiggjøre investeringen.

Starten med høy-volum-arbeidsflyter tilbyr det største potensialet for avkastning på investering (ROI), og gjør det mulig for et selskap å raskt realisere betydelig effekt, maksimere effisiensgevinster og demonstrere den klare verdien av å bruke AI-agenter.

Hvordan kan man minimere risikoen for å starte for stort? Ved å initialt implementere agentene med bare 1% av de største arbeidsflyt-volumene. Denne tilnærmingen gjør det mulig å identifisere og fikse potensielle problemer samtidig som man forbereder seg på bredere automatisering.

For et detaljhandelselskap kan dette bety å automatisere “hvor er min bestilling?” eller returneringsarbeidsflyter. I tillegg til å overvåke forsendelser over hele selskapets leveringsnettverk, kan en AI-agent verifisere en kundes identitet, sjekke realtidsstatus og oppdatere kunden — til og med tilby alternativer hvis bestillingen har blitt uventet forsinket.

For returneringer kan en agent sjekke selskapets returneringspolitikk, samle inn kundeinformasjon om returneringen, foreslå neste skritt og fullføre tilhørende oppgaver, som å trykke ut en returnerings-etikett, planlegge en henting, utstede en refusjon, osv. Returneringsagenten kan også overvåke mønster av misbruk og, hvis nødvendig, justere sine beslutninger og neste skritt.

Etter at et selskap har deployert en AI-agent på en prøve-del av en høy-volum-arbeidsflyt, må det overvåke arbeidsflyt-aktiviteten for å identifisere hvor det måtte trenge justeringer. Når agenten fungerer smidig, kan selskapet utvide dens bruk i forhåndsdefinerte mengder til det til slutt håndterer hele arbeidsflyt-volumet.

Selvfølgelig er ikke alle oppgaver og arbeidsflyter egnet for full automatisering med agentic AI. Faktisk vil å holde menneskelig ekspertise koblet til AI-agenter gi de beste resultater.

Balanse AI med menneskelig ekspertise

Når et selskap undersøker sine arbeidsflyter og prosesser for automatiseringskandidater, vil det finne eksempler som best passer for menneskelig tilsyn eller direkte handling. Agentic AI er en usedvanlig, høykapabel innovasjon, men den har begrensninger.

Tre spesielt:

AI-agenter, som de store språkmodellene som støtter dem, besitter ikke generell intelligens. De fungerer best i smale, godt definerte områder. Så, mens mennesker kan lære å utføre en bestemt oppgave og abstrahere fra den kunnskapen de deretter anvender på ulike, uavhengige oppgaver, kan AI ikke.

Så er det arbeidsflyter med ekstremt komplekse beslutningsmatriser som krever betydelig erfaring og erfaring-basert dømmekraft. For eksempel kan et detaljhandelselskap trenge innhold for en enkel markedsføringskampanje. En agent kan håndtere det — og utføre kampanjen.

Men ønsker å revidere en merkevarens uttrykk og løfte over flere markeder? En agent ville ikke være i stand til å håndtere det. Det ville kreve innsikt i markeds-trender, merkevare-persepsjon, kulturelle forskjeller over markeder og innsikt i hvordan merkevarer vekker følelser.

Til slutt, arbeidsflyter som er avhengige av typisk “urolig” menneskelig kommunikasjon og emosjonell nuanser som krever distinkt menneskelige elementer som medfølelse, bør forbli hos mennesker. Tenk på kundeservice-problemer som involverer irriterende kunder eller helseinteraksjoner hvor en pasients emosjonelle eller mentale tilstand kan være i fare.

Men jeg beskriver ikke en binær beslutningsprosess: gi dette til AI-agenter; alt annet går til mennesker. I praksis fungerer en hybrid-modell best.

Mens det må være en tydelig avgrensning mellom AI- og menneskelige roller, selv når oppgaver må håndteres av menneskelig ekspertise, bør AI fortsatt være til stede for å utvide deres evner og gjøre mest mulig av deres ekspertise.

Generelt sett bør selskaper bruke agentic AI for transaksjonelle, gjentakende oppgaver og trekke på menneskelig ekspertise for høyrisk-interaksjoner, emosjonelt komplekse scenarier og situasjoner som krever nuansert dømmekraft. En $50 garanti-krav kan være fullstendig automatisert, mens et $5,000 krav ville sannsynligvis dra nytte av menneskelig emosjonell intelligens og merkevare-følsom håndtering.

Trekke på et agentic nettverk

Kanskje viktigst, prøv ikke å dykke inn i agentic AI alene. Etablér et nettverk av ekspert-partnere. Fremvoksende agentic AI-plattformer kan levere teknologien over digitale og tale-kanaler. En system-integrator og rådgiver som forstår kundens driftsmiljø kan trene agentic modeller for spesifikke kundebehov og deretter integrere dem i et selskaps operasjoner.

Integrering av disse modellene i bedriftssystemer krever dypt ekspertise i komplekse arbeidsflyter og bransje-spesifikke utfordringer. Det krever også en intrikat forståelse av arbeidsflyt-beslutningspunkter og hvor menneskelig interaksjon er mest nødvendig — eller gunstig, så at agentic AI er en velsignelse for arbeidere og teamproduktivitet.

Agentic AI tilbyr bedrifter en kraftfull måte å forbedre effisiens, forbedre kundeopplevelser og drive innovasjon. Men suksess handler ikke om å rushe inn. Det handler om å gjøre smarte, informerte valg: Starte i riktig sted, anvende en hybrid menneskelig/AI-modell og trekke på riktig nettverk.

Fordi med AI-verden som endrer seg så raskt, kan du ikke gå alene.