Агенты помогают оптимизировать потоки работы ИИ, но человеческий фактор остается критически важным для ROI

Ландшафт ИИ претерпел фундаментальный сдвиг. Организации, которые боролись за извлечение максимальной ценности из ИИ, становятся более активными в своих подходах и присоединяются к агентам. Ранее доминирующей моделью взаимодействия была в основном реактивная – ориентированная на облако и полагающаяся на пользователей для запуска моделей. Однако, поскольку машины становятся умнее, появились агентные модели, в которых требуется меньше взаимодействия человека для того, чтобы интеллектуальные системы могли проактивно выполнять сложные задачи.

Однако, хотя агентный ИИ является отходом от традиционных, узко сфокусированных систем ИИ, оптимизация возможностей заключается в дополнении работников, а не в их замене.

Агенты были разработаны для понимания многоступенчатых целей; планирования и последовательности действий; и взаимодействия с несколькими ресурсами для достижения целей автономно. Например, агент ИИ, который может выучить ваши предпочтения, финансовые ограничения и приоритеты, может использовать эту информацию для независимого проведения покупки. Этот сценарий разыгрывается сейчас, поскольку эта эволюционирующая возможность меняет то, как мы думаем об ИИ для предприятий и потребителей.

Однако, чтобы он был действительно практичным, безопасным и полезным, потоки работы, лежащие в основе агентов, должны быть проинформированы реальной интеллектуальностью. Этот тип информации требует основы гибридной архитектуры ИИ – экосистемы, которая стратегически распределяет рабочие нагрузки среди устройства, края и облака – все управляемые командами работников знаний.

Почему гибридный ИИ является обязательным

Агентный ИИ процветает на контексте, который часто включает чувствительную личную или организационную информацию, что означает, что облако вводит законные риски конфиденциальности. Однако гибридный ИИ сохраняет обработку данных и принятие решений на местных доверенных устройствах или в безопасных средах. ИИ работает там, где находятся данные, снижая экспозицию и соответствуя правилам суверенитета данных.

Другим важным требованием является персонализация, которая тесно связана с проблемой конфиденциальности данных. В ранее приведенном примере агента покупки предпочтения и ограничения пользователя также часто включают личную идентифицирующую информацию (PII), которая должна быть сохранена в секрете, поэтому хранение и использование этого контекста локально гарантирует конфиденциальность пользователя.

Успех агентного ИИ также требует немедленного принятия решений, что означает, что нет времени для передачи данных через сети. Переговоры о сделках, реагирование на данные реального времени с датчиков и управление динамическими потоками работы все требуют немедленности. Задержка или, что еще хуже, сбои могут иметь значительные последствия. Гибридный ИИ позволяет выполнять вычисления на устройстве с низкой задержкой, сохраняя опыт гладким и реальным.

Гибридный ИИ также исключает необходимость постоянной обработки в облаке, которая является ресурсоемкой и дорогой. Вместо этого он поддерживает оркестровку рабочих нагрузок, используя локальный вычислитель для рутинных задач и сохраняя облако для более тяжелых извлечений или вычислений данных.

Наконец, он позволяет выполнять частичное выполнение задач, позволяя агентам оставаться функциональными даже в автономном или низкосвязном сценарии до тех пор, пока доступ к облаку не будет возобновлен. Комбинация локального интеллекта и масштабирующей мощности облака – это то, что делает опыт агентного ИИ возможным.

Решение проблем реализации

Даже до появления агентного ИИ организации часто боролись с получением четкого ROI от своих инвестиций в ИИ. Хотя агенты не являются немедленным панацеей, они предлагают убедительный путь вперед, когда они применяются к целостным потокам работы, а не к фрагментированным задачам. Агенты, управляющие конечными операциями, доставляют гораздо более видимые и значимые доходы.

Однако, значимый ROI возможен только в том случае, если несколько ключевых барьеров на пути к принятию будут устранены:

• Предсказуемость и этика имеют первостепенное значение для агентов ИИ, что стимулирует значительный рост принятия платформ и методов управления, таких как Конституционный ИИ. Эти меры помогают обеспечить соответствие человеческим ценностям и предоставляют надзор.
• Снижение сложности и повышение надежности также являются ключом к успешной развертыванию, поскольку управление многоступенчатыми задачами с помощью агентов является сложным. Однако с появлением достижений и передового опыта в обучении моделей производительность становится более последовательной. Эти типы фреймворков разработки также позволяют командам создавать предсказуемые и прочные агентные системы, которые легче развертывать.
• Безопасная интеграция с инструментами и API является еще одним критически важным фактором, поскольку агентам необходимо доступ к различным источникам данных и приложениям. Промышленность строит протоколы и стандарты для безопасного взаимодействия, и технологии конфиденциального вычисления еще больше защищают чувствительные данные во время выполнения.

Не только инструменты должны быть безопасными, но они также должны быть надежными, поскольку агентный ИИ зависит от реального взаимодействия с внешним программным обеспечением. Расширенные возможности вызова функций в базовых моделях и фреймворках интероперабельности упрощают эту интеграцию. Например, Протокол контекста модели (MCP) поддерживает безопасные и многоступенчатые потоки работы, делая агентов более способными и предсказуемыми – и, следовательно, эффективными.

Сделать это реальным

Агентный ИИ сияет там, где цели динамичны, распределены и ресурсоемки – способны масштабироваться за пределы возможностей команд, но нуждаются в их интеллекте, чтобы быть наиболее эффективными.

Автономные агенты могут управлять цепочками поставок, помогая избежать логистических сбоев путем анализа данных реального времени о запасах и отправках. Они могут работать на устройствах края, координируя с центральными планировочными системами в облаке и обновляя стратегии маршрутизации, чтобы проактивно поддерживать данные в актуальном и безопасном состоянии.

Агенты также могут быть встроены в промышленные рабочие станции для мониторинга данных с датчиков, запуска протоколов технического обслуживания или координации заказа запасных частей – все это улучшает операционную устойчивость и снижает дорогостоящие простои.

Компьютеры, оснащенные агентами на устройстве, могут управлять индивидуальными потоками работы, суммировать встречи, создавать контент и взаимодействовать с корпоративными системами без компрометации личной идентичности или подвергания частных данных риску.

Во всех этих случаях критически важной нитью является надзор работника знаний, гарантирующий, что данные, поступающие в агент, точны и чисты.

Строительство более автономного будущего

Бизнесы, которые реализуют агентов сегодня и инвестируют в обучение своей рабочей силы управлению ими, ставят себя в позицию лидеров среди своих конкурентов. Агентный ИИ является фундаментальным для будущего с достижениями, такими как двойники ИИ, но его собственным основанием является гибридный ИИ. Это является значительным шагом вперед в доставке真正 автономных, полезных и безопасных систем ИИ, которые могут работать в реальных условиях.