De la automatizare la cogniție: Evoluția AI-ului agentic

De-a lungul decadelor, automatizarea în întreprinderi a urmat o logică familiară: definirea procesului, codificarea pașilor și lăsarea software-ului să îi execute în mod constant. Scripturile automatizau comenzile, cărțile de rulare înregistrau procedurile, orchestrarea conecta sarcinile între sisteme, iar AIOps a adus învățarea automată la volumul tot mai mare de date operaționale. Fiecare progres a făcut automatizarea mai capabilă, dar oamenii încă luau majoritatea deciziilor. Ei stabileau procesul; software-ul îl ducea la îndeplinire.

Agentic AI schimbă această relație. În loc să înceapă cu un set fix de instrucțiuni, un agent poate porni de la un obiectiv și să stabilească cum să îl urmărească în limitele definite. Aceasta necesită mai mult decât generarea unui răspuns. Sistemul trebuie să interpreteze scopul, să adune contextul relevant, să evalueze dovezile, să folosească memoria, să aleagă între instrumente sau automatizări și să se ajusteze pe măsură ce condițiile se schimbă. Anthropic face o distincție similară între fluxurile de lucru, unde modelele și instrumentele urmează căi de cod predefinite, și agenți, unde modelul poate direcționa dinamic propriul proces și utilizarea instrumentelor.

De la execuție deterministă la decizii adaptive

Nimic din acestea nu face ca automatizarea tradițională să devină învechită. De fapt, automatizarea deterministă rămâne soluția potrivită atunci când calea de la o condiție cunoscută la o acțiune este bine înțeleasă. Dacă un serviciu eșuează la verificarea de sănătate, repornește-l. Dacă o cerere îndeplinește criterii specifice, direcționeaz-o către coada corespunzătoare. Dacă o interfață depășește un prag, deschide un tichet și rulează un diagnostic. Acestea sunt exact tipurile de acțiuni repetitive pe care automatizarea le gestionează bine.

AIOps a extins acest model ajutând organizațiile să interpreteze ce se întâmpla înainte ca o automatizare să se declanșeze: corelarea evenimentelor, identificarea anomaliilor, reducerea zgomotului și adăugarea de context. AI-ul agentic face pasul următor introducând judecata între semnal și acțiune. Întrebarea nu mai este doar „Ce flux de lucru declanșează această condiție?” Ci devine „Având în vedere obiectivul și dovezile pe care le avem acum, care este următorul pas cel mai bun?”

Luați în considerare un serviciu în declin. Un agent poate avea nevoie să examineze telemetria, topologia, modificările recente, tichetele, datele de configurare, incidentele istorice și impactul asupra afacerii înainte de a decide ce să facă. Într-o situație, dovezile pot indica o remediere familiară, iar în alta, agentul poate trebui să adune mai multe informații sau să ruleze un diagnostic în modul numai citire. Și când impactul potențial este mare sau dovezile sunt neconcludente, decizia corectă poate fi să se implice un om. Această capacitate de a adapta calea pe baza a ceea ce descoperă sistemul reprezintă schimbarea semnificativă.

Contextul și memoria schimbă calitatea deciziei

Acțiunea fără context nu este foarte utilă. Același simptom poate însemna ceva complet diferit în funcție de topologie, activitatea de mentenanță, modificările recente, dependențe sau impactul asupra clientului. Operatorii cu experiență înțeleg acest lucru instinctiv; rar iau decizii semnificative bazate pe un singur semnal izolat. Ei construiesc o imagine, separă observația de inferență și decid câtă încredere merită dovezile.

Memoria adaugă o altă dimensiune. Google Cloud identifică memoria ca un component esențial al arhitecturilor agentice deoarece ajută agenții să mențină contextul și să folosească informații din interacțiuni anterioare. În operațiuni, oportunitatea este mai largă decât simpla recuperare a unui tichet vechi. O memorie operațională utilă poate păstra ce s-a întâmplat când au apărut condiții similare, ce ipoteză s-a dovedit corectă, ce remediere a fost încercată, dacă a funcționat sau a fost anulată și ce au învățat operatorii ulterior. Când acea experiență a fost validată, poate deveni dovadă pentru următoarea decizie, în loc de cunoștință care dispare într-un post-mortem sau rămâne în mintea unui expert.

Există o paralelă interesantă în știința cognitivă. Cercetarea privind externalizarea cognitivă examinează cum oamenii folosesc instrumente și acțiuni externe pentru a reduce cerințele mentale ale unei sarcini, în timp ce cercetarea privind utilizarea instrumentelor a arătat că interacțiunea repetată cu instrumentele poate modifica modul în care oamenii își reprezintă capacitatea practică și abilitatea de a acționa. Analogia cu AI-ul în întreprinderi nu trebuie luată literal, dar ideea de bază este utilă: instrumentele fac mai mult decât să economisească timp. În timp, ele pot schimba modul în care abordăm o problemă. Cunoscută cercetarea asupra șoferilor de taxi din Londra și expertiza în navigație oferă un alt reminder că experiența susținută poate modela însăși cogniția. Pentru întreprinderi, întrebarea de design nu este doar cât de multă muncă poate prelua un agent, ci dacă sistemul om-agent devine mai bun în înțelegerea și acționarea asupra complexității.

Agenții ar trebui să orchestreze automatizarea, nu să o înlocuiască

Acesta este și motivul pentru care nu consider AI-ul agentic ca o respingere a automatizării. La începutul carierei mele, am petrecut ani construind automatizarea operațiunilor, iar o lecție a rămas cu mine: execuția singură nu este suficientă. Automatizarea trebuie să câștige încrederea. Operatorii au nevoie de certitudinea că acțiunea corectă este utilizată pentru situația potrivită, cu autoritatea potrivită și suficiente dovezi pentru a înțelege de ce.

O arhitectură practică agentică se bazează pe această investiție. Scripturile existente, fluxurile de lucru, API-urile, platformele de orchestrare și instrumentele specifice domeniului devin capabilități pe care agentul le poate apela când este potrivit. Dacă dovezile susțin o remediere cunoscută, agentul poate folosi automatizarea dovedită în loc să improvizeze o acțiune nouă. Dacă dovezile sunt incomplete, poate investiga mai departe. Valoarea provine din combinarea execuției fiabile cu luarea de decizii mai adaptive privind când și cum ar trebui să aibă loc acea execuție.

Mai multă autonomie guvernanța mai importantă

În momentul în care software-ul poate alege între acțiuni, guvernanța nu mai poate fi ceva adăugat ulterior. Un agent de întreprindere trebuie să înțeleagă nu doar ce este tehnic capabil să facă, ci și ce este autorizat să facă într-un anumit mediu, la un anumit nivel de risc și sub o anumită identitate sau rol. Cadru de gestionare a riscurilor AI al NIST reflectă această viziune mai largă asupra guvernanței, organizând gestionarea riscurilor AI în jurul guvernării, cartografierii, măsurării și gestionării, cu guvernanța funcționând în celelalte funcții.

În practică, aceasta înseamnă că un agent ar trebui să poată arăta dovezile din spatele unei recomandări, să clarifice ce sisteme și date a folosit, să expună incertitudinea, să respecte cerințele de aprobare și să lase o urmă de audit a ceea ce s-a întâmplat. Reversibilitatea contează, de asemenea. Un diagnostic numai în citire și o modificare de configurare în producție nu ar trebui să aibă același prag de autonomie.

Supravegherea umană devine astfel mai precisă, în loc să dispară pur și simplu. Același agent poate aduna dovezi autonom, să recomande o remediere, să solicite aprobare înainte de o acțiune cu risc mai mare și apoi să verifice dacă acțiunea aprobată a funcționat cu adevărat. Scopul nu este să se declare că oamenii sunt universal „în” sau „în afara” buclei. Este să se plaseze judecata umană în punctele în care adaugă cea mai mare valoare.

Avantajul real este ce se întâmplă după acțiune

Poate cea mai semnificativă diferență apare după ce o acțiune a fost efectuată. Automatizarea tradițională întreabă de obicei dacă fluxul de lucru a fost executat cu succes. Un sistem cognitiv ar trebui să pună o întrebare mai dificilă: a produs acțiunea rezultatul dorit și ce ar trebui să învățăm din ceea ce s-a întâmplat?

Acest lucru schimbă valoarea buclei de feedback. O remediere reușită poate consolida dovezile pentru o situație similară în viitor. O ipoteză eșuată ar trebui să facă sistemul mai puțin predispus să repete aceeași raționare. O corecție a operatorului poate îmbunătăți următoarea recomandare, în timp ce o revenire (rollback) poate releva că încrederea a depășit ceea ce dovezile disponibile justificau. În timp, activul important nu este pur și simplu o bibliotecă mai mare de automatizări. Este relația acumulată dintre situații, dovezi, decizii, acțiuni și rezultate.

Văzut în acest fel, evoluția automatizării în întreprinderi este mai puțin despre înlocuirea unei generații de tehnologie cu alta decât despre adăugarea de noi capabilități în jurul a ceea ce funcționează deja. Scripturile codificau acțiuni, cărțile de rulare înregistrau proceduri, orchestrarea le conecta, iar AIOps a ajutat la interpretarea semnalelor operaționale din ce în ce mai complexe. AI-ul agentic adaugă capacitatea de a urmări obiective, de a raționa pe baza contextului și a dovezilor, de a apela la memorie, de a alege între capabilitățile disponibile, de a acționa în limite guvernate și de a învăța din rezultat.

Destinația nu ar trebui să fie o autonomie nelimitată. Ar trebui să fie o autonomie responsabilă: sisteme care pot recunoaște când să acționeze, când să investigheze, când să solicite permisiune și când să se oprească. Aceasta este tranziția de la automatizare la cogniție—nu mașini care înlocuiesc operațiunile umane, ci întreprinderi care dezvoltă o modalitate mai bună de a percepe, decide, acționa și învăța.