Agentic AI:s uppgång: En strategisk tre-stegs-approach till intelligent automatisering

Som många andra gillar jag bra råd. Men ibland behöver jag hjälp för att få något gjort.

Nästa version av AI — agentic AI — kommer att ta oss från råd till att faktiskt få saker gjorda. Det kommer att möjliggöra för företag som använder det att ta ett transformerande steg framåt.

Men till vad? Och hur?

Agentic AI kan minska kostnaderna för kundsupport med 25-50% samtidigt som kvaliteten och kundnöjdheten förbättras, eftersom det går utöver enkel uppgiftsutförande. Det kan också autonomt lösa komplexa arbetsflöden och kundinteraktioner. När det tillämpas på kundsupport, till exempel, svarar inte bara agenter på frågor utan löser också omfattande förfrågningar från början till slut, vilket minskar mänskligt ingripande och ökar effektiviteten.

Som med alla nya teknologier presenterar antagandet av agentic AI utmaningar. Ett företag måste ha väl dokumenterade arbetsflöden och en djup förståelse för dem och besitta en robust kunskapsbas som agentic AI kan dra nytta av. Och precis som med generativ AI, dataintegritets- och säkerhetsproblem kräver att företag förstår de stora språkmodellerna (LLM) de använder och hur information lagras och överförs av dem.

Men den rätta antagningsstrategin för intelligent automatisering kan säkerställa framgång. För att få ut det mesta av fördelarna måste företag göra tre saker:

• Börja på rätt plats
• Balansera agentic AI med mänsklig expertis
• Anslut till ett nätverk av agentic expertis

Medan det fortfarande är tidiga dagar, så är detta vad vi lär oss när vi arbetar med kunder i olika branscher för att integrera agentic AI i deras arbetsflöden och verksamhet.

Börja inte smått — börja smart

Kanske motsägelsefullt, men den bästa platsen att börja är med era högvolym-ärenden. Är det inte riskabelt? Inte om det görs på rätt sätt. I själva verket, även om att börja med lågvolym-ärenden kan tyckas minska risken, ökar det faktiskt risken för att inte se tillräcklig påverkan för att motivera investeringen.

Att börja med högvolym-ärenden erbjuder den största potentialen för avkastning på investeringen (ROI), vilket möjliggör för ett företag att snabbt förverkliga en betydande påverkan, maximera effektivitetsvinster och demonstrera det tydliga värdet av att använda AI-agenter.

Hur minskar man risken för att börja för stort? Genom att initialt implementera agenter med bara 1% av de största ärendevolymerna. Detta tillvägagångssätt möjliggör för att identifiera och åtgärda potentiella problem medan man förbereder sig för en bredare automatisering.

För ett detaljhandelsföretag kan detta innebära att automatisera “var är min beställning?” eller returbehandlingsarbetsflöden. Utöver att övervaka leveranser över hela företagets leveransnätverk, kan en AI-agent verifiera en kunds identitet, kontrollera realtidsstatus och uppdatera kunden — till och med erbjuda alternativ om beställningen har oväntat försenats.

För returer kan en agent kontrollera företagets returpolicy, samla in kundinformation om returen, föreslå nästa steg och slutföra lämpliga associerade uppgifter, som att skriva ut en returetikett, schemalägga en hämtning, utfärda en återbetalning etc. Returagenten kan också övervaka mönster av missbruk och, om motiverat, anpassa sina beslut och nästa steg.

Efter att ett företag har distribuerat en AI-agent på en provdel av ett högvolym-arbetsflöde, måste det övervaka arbetsflödesaktivitet för att identifiera var det kan behöva justeringar. När agenten fungerar smidigt kan företaget expandera dess användning i fördefinierade mängder tills det slutligen hanterar hela arbetsflödesvolymen.

Naturligtvis lämpar sig inte alla uppgifter och arbetsflöden för total automatisering med agentic AI. I själva verket kommer att behålla mänskliga experter anslutna till AI-agenter att ge de bästa resultaten.

Balansera AI med mänsklig expertis

När ett företag undersöker sina arbetsflöden och processer för automatiseringskandidater, kommer det att hitta instanser som är bäst lämpade för mänsklig tillsyn eller direkt handling. Agentic AI är en otrolig, högt kapabel innovation, men den har begränsningar.

Tre i synnerhet:

AI-agenter, liksom de stora språkmodellerna som stöder dem, besitter inte för närvarande allmän intelligens. De fungerar bäst i smala, väldefinierade områden. Så, medan människor kan lära sig att utföra en specifik uppgift och abstrahera från den kunskapen principer som de sedan tillämpar på olika, orelaterade uppgifter, kan AI för närvarande inte.

Sedan finns det arbetsflöden med extremt komplexa beslutsmatriser som kräver betydande erfarenhet och erfarenhetsbaserad bedömning. Till exempel kan ett detaljhandelsföretag behöva innehåll för en enkel marknadsföringskampanj. En agent kan hantera det — och utföra kampanjen.

Men vill du ompröva ett varumärkes uttryck och löfte över flera marknader? En agent skulle inte vara uppgiften. Det skulle kräva insikt i marknadstrender, varumärkesuppfattning, kulturella skillnader över marknader och insikt i hur varumärken väcker känslor.

Slutligen, arbetsflöden som är beroende av “smutsig” mänsklig kommunikation och emotionell nyans som kräver tydligt mänskliga element som medkänsla, bör förbli hos människor. Tänk på kundtjänstproblem som involverar arga kunder eller hälso- och sjukvårdsinteraktioner där en patients emotionella eller mentala tillstånd kan vara i fara.

Men jag beskriver inte en binär beslutsprocess: ge detta till AI-agenter; allt annat går till människor. I praktiken fungerar en hybridmodell bäst.

Medan det behöver finnas en tydlig gränsdragning mellan AI- och mänskliga roller, även när uppgifter behöver hanteras av mänskliga experter, bör AI fortfarande finnas till hands för att utöka deras förmågor och göra det mesta av deras expertis.

Generellt sett bör företag använda agentic AI för transaktionella, upprepningsbara uppgifter och utnyttja mänsklig expertis för högriskinteraktioner, emotionellt komplexa scenarier och situationer som kräver nyanserad bedömning. En $50-garantianspråk kan vara helt automatiserat, medan ett $5 000-garantianspråk sannolikt skulle dra nytta av mänsklig emotionell intelligens och varumärkeskänslig hantering.

Anslut till ett agentic nätverk

Kanske viktigast, försök inte dyka in i agentic AI ensam. Etablera ett nätverk av expertpartners. Framväxande agentic AI-plattformar kan tillhandahålla tekniken över digitala och röstkanaler. En systemintegrator och rådgivare som förstår kundens driftsmiljöer kan utbilda agentic modeller för specifika kundbehov och sedan integrera dem i företagets verksamhet.

Att integrera dessa modeller i företagssystem kräver djup expertis i komplexa arbetsflöden och branschspecifika utmaningar. Det kräver också en invecklad förståelse av arbetsflödesbeslutsfattande och var mänsklig interaktion är mest behövd — eller fördelaktig, så att agentic AI är en välsignelse för arbetare och teamproduktivitet.

Agentic AI erbjuder företag ett kraftfullt sätt att förbättra effektivitet, förbättra kundupplevelser och driva innovation. Men framgång handlar inte om att ruska in. Det handlar om att fatta smarta, informerade beslut: Börja på rätt plats, tillämpa en hybrid mänsklig/AI-modell och anslut till rätt nätverk.

Eftersom AI-världen förändras så snabbt, kan du inte försöka göra det ensam.