Где начать с агентским ИИ:_framework для бизнес-лидеров

За последнее десятилетие две параллельные пути эволюционировали и сформировали трансформацию предприятий: процессный путь и путь данных.

Процессный путь, или как выполняется работа, эволюционировал от Lean Sigma Six до роботизированной автоматизации процессов (RPA) и цифровых рабочих процессов, все это в поисках эффективности, структуры и масштаба. С другой стороны, путь данных, или как принимаются решения, эволюционировал от традиционного бизнес-анализа к машинному обучению, основанному на прогностической интеллекте, и теперь, генеративному ИИ (ген ИИ). Оба пути мощные, но真正щий прорыв происходит, когда они оба сходятся. Добро пожаловать, агентский ИИ.

Агентский ИИ – это точка перегиба, где агенты не только понимают данные, но также знают, как действовать внутри систем и рабочих процессов для большей автоматизации, основанной на данных. Исследования показывают, что 96% лидеров предприятий планируют увеличить использование агентов в течение следующих 12 месяцев. Однако, когда организации пытаются масштабировать инициативы агентского ИИ, они часто сталкиваются с трудностями в определении того, где и как начать.

Для технических лидеров, которые хотят использовать агентский ИИ, они должны думать об агентских рабочих процессах как о слиянии принятия решений и выполнения, встраивая аналитическую интеллект напрямую в рабочие процессы для большей эффективности. Только когда эта корпоративная интеллект будет достигнута, автономные агенты смогут закрыть цикл между знанием и действием.

Определение агентского ИИ: что значит быть агентским предприятием

Многие организации начинают свое путешествие агентского ИИ, прежде чем они понимают, что такое агентский ИИ. Представьте себе агентское предприятие как оживленный международный аэропорт. Самолеты – это ИИ-агенты, каждый из которых имеет свое задание. Они знают свою цель и действуют на нее самостоятельно, взлетая и летя в пункт назначения – все это происходит, пока аэропорт остается полностью функциональным. Но это высшая цель аэропорта, а не отдельное движение самолетов, что делает его агентским. Диспетчеры – это оркестраторы, которые делают работу аэропорта гладкой – выбирая, какие самолеты развертывать, когда и где, направляя наземный контроль для технического обслуживания и заправки, и согласовывая все это самым эффективным образом для всей системы. Каждый самолет существует самостоятельно, но это координация всех взлетов и посадок, что делает аэропорт успешным в плане безопасности и эффективности.

Агентское предприятие – это не то, которое реализует простые рефлексивные агенты или базовые боты, которые были улучшены для выполнения задачи. Скорее, агентское предприятие оркестрирует сеть интеллектуальных агентов, предназначенных для обработки сложных, многоступенчатых задач самостоятельно. Они далеко выходят за рамки предопределенных правил, где агенты могут принимать решения, соответствующие стратегическим целям, и адаптироваться и улучшаться со временем, выводя обучение предприятия на новый уровень.

Это также то, что отличает агентский ИИ от ген ИИ. Ген ИИ реагирует на запросы, в то время как агентский ИИ принимает автономные действия для достижения целей, обучаясь и адаптируясь по мере продвижения. Эти многоагентные системы подключаются к различным корпоративным приложениям и работают с стратегическим предвидением, чтобы помочь в принятии решений, автоматизации процессов и доставке ценности во всей организации.

Важно помнить, что это путешествие. Каждый агент будет иметь свою собственную зрелость и сложность, которую он может обработать. Становление агентским предприятием требует целостного дизайна, координации и непрерывной эволюции экосистемы агентов, с четкими целями, интеллектуальными обратными связями и экспертными людьми, встроенными там и так, как это имеет смысл для целевого результата.

Определение агентских ИИ-случаев: почему имеет значение создание ценности

Слишком часто агентские ИИ-случаи терпят неудачу из-за плохого выбора случая. Фактически, Gartner предсказывает более 40% агентских ИИ-проектов будут отменены к концу 2027 года. Эти неудачи не будут вызваны технологическими неудачами, а скорее тем, что предприятия не выбирают подходящие случаи для развертывания агентов.

Чтобы избежать такой участи, организации должны определить, где агентский ИИ может иметь наибольшее влияние, оценивая как ценность, так и скорость достижения результата.

С точки зрения ценности, предприятия должны сначала спросить, какие области имеют наибольшие болевые точки клиентов – внутренние и внешние – и, следовательно, имеют наибольший потенциал для влияния. Затем они должны рассмотреть, какой процессный объем и спрос. Намек? Агентский ИИ доставляет более осязаемые выгоды для областей, которые имеют высоко сложные процессы, большие рабочие потоки и необходимость в стратегическом, динамическом принятии решений. Это не стоит преуменьшать, что агентский ИИ должен быть реализован в областях, которые имеют высокий потенциал роста, учитывая его масштабируемость и адаптивность к меняющемуся спросу и объему со временем.

Не менее важно оценить скорость достижения ценности, что можно сделать, анализируя данные для доступности, качества и управления. Просто говоря, лучшие данные приводят к лучшей производительности ИИ. Независимо от того, где активируется агентский ИИ, обеспечение безопасности имеет решающее значение, особенно когда речь идет о конфиденциальных данных. Чтобы сделать это эффективно, предприятия должны учитывать потенциальные нормативные ограничения, которые могут повлиять на сроки внедрения. Это не область, где можно сократить углы. Начало с человека в цикле систем помогает обеспечить ответственное и этическое внедрение, что может позже дать предприятиям больше уверенности в автономии ИИ-агентов.

Строительство технологического стека агентского ИИ: как достичь желаемых результатов

Организации, готовые принять агентский ИИ, должны построить правильную технологическую инфраструктуру, которая позволяет масштабироваться, интегрироваться и защищаться.

Чтобы начать, лидеры предприятий должны обеспечить, чтобы как структурированные, так и неструктурированные данные были интегрированы в одну и ту же систему для построения прочного фундамента данных, который имеет решающее значение для эффективного и устойчивого внедрения. Доступность и управление данными являются фундаментальными для агентского ИИ. Этот шаг также важен для построения задач- и домен-специфических языковых моделей.

Как только фундамент данных установлен и языковые модели созданы, предприятия должны использовать платформы, инструменты и услуги ИИ, чтобы ускорить принятие и модульность ИИ-агентов. Начиная с пилотного проекта в контролируемой среде, организации могут обучать и развертывать агентов, которые выполняют конкретные задачи и доставляют бизнес-результаты, обеспечивая человеческий надзор и непрерывно контролируя производительность через контрольный слой, соответствующий бизнес-КПИ.

Лидерство

Агентский ИИ представляет собой фундаментальный сдвиг в том, как работают предприятия. Предприятия, которые выйдут победителями, будут теми, кто использует эту возможность, чтобы переосмыслить свои операционные модели и бизнес-практики с нуля. Ключом является экспериментирование с мудростью и итерация, построение и партнерство с намерением, а затем масштабирование с уверенностью. Агентский ИИ представляет собой фундаментальный сдвиг в том, как работают предприятия. Предприятия, которые выйдут победителями, будут теми, кто использует эту возможность, чтобы переосмыслить свои операционные модели и бизнес-практики с нуля. Ключом является экспериментирование с мудростью и итерация, построение и партнерство с намерением, а затем масштабирование с уверенностью.