Vägen från RPA till Autonoma Agenter

En finansiell brottsutredare som tidigare fick ta emot stora mängder misstänkta aktivitetslarm som krävde tråkigt utredningsarbete för att manuellt samla in data från olika system för att kunna filtrera bort falska positiva och skriva ut misstänkta aktivitetsrapporter (SAR) på de andra. Idag får hon prioriterade larm med automatiserad forskning och föreslagen innehåll som kan generera SAR på några minuter.

En detaljhandelsplanerare som tidigare gjorde timslånga analyser av föregående veckors rapporter för att försöka avslöja insikter om vilka produkter som presterade dåligt och varför, använder nu AI för att ge djupgående insikter som kan identifiera problemområden och föreslå korrigerande åtgärder, prioriterade för maximal affärspåverkan. En industriell underhållsingenjör använder en medhjälpare som utför 24/7-tillgänglighetsövervakning och förutsäger problem och genererar varningar i de tidiga stadierna av mekaniska eller prestandaproblem, vilket minskar oplanerad nedtid.

Dessa transformationer sker över hela företag idag, vilket signalerar en grundläggande förändring: vertikala applikationer som kombinerar prediktiv, generativ och framväxande agensbaserad AI förstärker och omvandlar arbetsflödesautomatisering, vilket ger riktade, sofistikerade funktioner som hanterar betydligt mer komplexa och kontextuella utmaningar än tidigare lösningar.

Gartners Hype Cycle för Emerging Technologies 2024 betonade autonoma AI som en av årets fyra främsta framväxande tekniktrender – och med goda skäl. Med icke-AI-agenter var användarna tvungna att definiera vad de hade för avsikt att automatisera och hur de skulle göra det i stor detalj. Men applikationer som kombinerar prediktiv, generativ och snart agensbaserad AI med specialiserad vertikal kunskap och arbetsflöden kan hämta information från olika källor inom hela företaget, påskynda och automatisera repetitiva uppgifter och ge rekommendationer för högpresterande åtgärder. Företag som använder dessa applikationer uppnår snabbare och mer exakt beslutsfattande, snabb problemidentifiering och åtgärd, samt till och med förebyggande åtgärder för att förhindra att problem uppstår från början.

AI-agenter representerar den nästa vågen inom företags-AI. De bygger på grunderna av prediktiv och generativ AI men tar ett betydande steg framåt i termer av autonomi och anpassningsförmåga. AI-agenter är inte bara verktyg för analys eller innehållsgenerering – de är intelligenta system som kan fatta oberoende beslut, lösa problem och kontinuerligt lära sig. Denna utveckling markerar en övergång från AI som ett stödverktyg till AI som en aktiv deltagare i affärsprocesser, som kan initiera åtgärder och anpassa strategier i realtid.

Utvecklingen från RPA till Autonoma Agenter

Traditionellt användes RPA för repetitiva, heuristiska processer och lågkomplexa uppgifter med strukturerade datainmatningar. RPA använder strukturerade inmatningar och definierad logik för att automatisera högt repetitiva processer som datainmatning, filöverföring och ifyllning av formulär. Den breda tillgängligheten av prisvärd, högeffektiv prediktiv och generativ AI har hanterat nästa nivå av mer komplexa affärsproblem som kräver specialiserad domänexpertis, företagsklassad säkerhet och förmåga att integrera olika datakällor.

På nästa nivå går AI-agenter utöver prediktiva AI-algoritmer och programvara med deras förmåga att fungera autonomt, anpassa sig till föränderliga miljöer och fatta beslut baserat på både förprogrammerade regler och inlärda beteenden. Medan traditionella AI-verktyg kan utmärka sig inom specifika uppgifter eller dataanalys, kan AI-agenter integrera flera funktioner för att navigera i komplexa, dynamiska miljöer och lösa multifacetterade problem. AI-agenter kan hjälpa organisationer att bli mer effektiva, mer produktiva och förbättra kund- och anställdupplevelsen, samtidigt som de minskar kostnaderna.

När de byggs med rätt AI-modeller som verktyg och med vertikala datakällor och maskinlärande för att stödja specialiserad kontextuell aktivitet, blir AI-agenter högproduktiva arbetsdjur när det gäller att tolka problem, vidta rätt åtgärder, återhämta sig från misstag och förbättra sig över tid på de angivna uppgifterna.

Att Navigera Implementering: Nyckelaspekter för Företag att Överväga

Att implementera prediktiv, generativ och slutligen agensbaserad AI i en företagsmiljö kan vara mycket fördelaktigt, men att ta rätt steg innan distributionen för att säkerställa framgång är avgörande. Här är några av de viktigaste övervägandena för företag när de överväger och börjar rulla ut AI-agenter.

• Uppstämning med Företagsmål: För att företags-AI-antagande ska vara framgångsrikt bör det hantera specifika användningsfall i specifika branscher och leverera ökad produktivitet och noggrannhet. Inkludera regelbundet affärsviktiga parter i AI-bedömnings-/urvalprocessen för att säkerställa uppsåt och ge tydlig avkastning. Produkterna bör anpassas till processer och arbetsflöden som mätbart förbättrar resultaten för de definierade användningsfallen och vertikala domänerna.
• Datakvalitet, Mängd och Integration: Eftersom AI-modeller kräver stora mängder högkvalitativa data för att fungera effektivt, måste företag implementera robusta datainsamlings- och bearbetningspipelines för att säkerställa att AI får aktuell, korrekt och relevant data. Att kurera datakällor minskar avsevärt risken för hallucinationer och möjliggör att AI kan göra den optimala analysen, rekommendationerna och besluten.
• Säkerhet och Sekretess: Hantering av känslig data i AI-modeller medför sekretessrisker och potentiella säkerhetsrisker. Att noggrant överväga vilken data som är nödvändig för AI för att göra sitt jobb, och inte tillhandahålla data som inte skulle vara direkt relevant, kan hjälpa till att minimera exponeringen. Applikationer bör också tillhandahålla rollbaserad och användarbaserad åtkomstkontroll med autentiseringskydd byggda in på datanivån och API-lagret och bekräfta att data inte når SLM eller LLM utan verifiering och skydd.
• Infrastruktur och Skalbarhet: Att köra stora AI-modeller kräver betydande beräkningsresurser, och skalbarhet kan också vara ett problem. God design kan förhindra överdriven resurskonsumtion – till exempel kan en specialiserad SLM vara lika effektiv som en mer generell LLM och avsevärt minska beräkningskraven och latenserna.
• Modelltolkning och Förklarbarhet: Många AI-modeller, särskilt djupinlärningsmodeller, ses ofta som “svarta lådor”. Bra företags-AI-produkter visar fullständig transparens, inklusive vilka källor modellerna åtkomst till och när, och varför varje rekommendation gjordes. Att ha denna kontext är avgörande för att skapa användarkonfidens och driva antagande.

Potentiella Baksidor av AI-Agenter

Som med all ny teknik har AI-agenter några potentiella baksidor. De bästa AI-agent-applikationerna förlitar sig på mänskliga-i-loopen-processer – inklusive alla SymphonyAI-agensbaserade AI-applikationer och funktioner. Detta tillvägagångssätt möjliggör mänsklig tillsyn, ingripande och samarbete, vilket säkerställer att agentens handlingar stämmer överens med affärsmål och etiska överväganden. Mänskliga-i-loopen-system kan ge realtidsåterkoppling, godkänna kritiska beslut eller ingripa när AI möter okända situationer, vilket skapar ett kraftfullt samarbete mellan artificiell och mänsklig intelligens.

Ansvarig AI levererar också en stark användargränssnitt, spårbarhet och möjlighet att granska de steg som AI-agenten valde en utförandesväg. Vi följer ansvariga AI-principer för ansvar, transparens, säkerhet, tillförlitlighet/säkerhet och sekretess.

Vägen till Fullt Autonoma Agenter

Det är svårt att förutsäga hur realistiskt det fullt autonoma agentscenariot är eftersom vi inte har etablerat en branschomfattande måttstock för autonomins nivå. Till exempel har den autonoma körningen etablerats med nivåer 1-5 för självkörande förmåga, med noll som ingen nivå av automation där föraren utför alla köruppgifter, till nivå fem som full automation där fordonet utför alla köruppgifter.

Vi är långt framme i vad jag ser som den tredje fasen av vägen till företagsvärde med AI – där kombinerad generativ och prediktiv AI-applikationer ger sofistikerade rekommendationer och stödjer flytande vad-om-analyser. På SymphonyAI ser vi den nästa fasen utvecklas mot autonoma AI-agenter som arbetar med prediktiv och generativ AI för att påskynda finansiella bedrägeriutredningar, turbocharga detaljhandelskategorihantering och efterfrågeprognoser, samt möjliggöra tillverkare att förutsäga och förhindra maskinfel.\

Vi förbättrar för närvarande komplexiteten och autonomiteten hos AI-agenter inom våra applikationer, och kundresponsen är mycket positiv. Prediktiv och generativ AI har utvecklats till en nivå där de kan automatisera arbetsflöden som tidigare ansågs för komplexa för traditionell programvara. Autonoma, eller agensbaserade, AI utmärker sig i hanteringen av dessa uppgifter utan tillsyn, vilket leder till transformerande produktivitetsvinster och möjliggör att mänskliga resurser fokuserar på mer strategiska aktiviteter.

Till exempel har en multinationell europeisk bank som använder SymphonyAI Sensa Investigation Hub med AI-agenter och en medhjälpare hjälpt finansiella brottsutredare att spara tid på sina utredningar samtidigt som de förbättrat utredningskvaliteten. Inom veckor såg banken en genomsnittlig ansträngningssparning på cirka 20% i nivå 1- och nivå 2-utredningar. Banken projekterar också kostnadsbesparingar med SymphonyAI på Microsoft Azure på 3,5 miljoner euro per år, inklusive en 80% minskning av utgifterna med en ledande teknikleverantör från 1,5 miljoner euro per år till 300 000 euro per år.

Med genomtänkt, företagsklassad design som använder ansvariga AI-principer levererar AI-agenter transformerande produktivitet, noggrannhet och excellens för en växande mängd beprövade användningsfall. På SymphonyAI är vår mission att tillhandahålla företag med AI-agenter som levererar operativ excellens. Genom att kombinera snabb respons med långsiktig strategiskt tänkande är agensbaserad AI på väg att revolutionera kritiska processer över flera branscher.