อาลี ซาร์ราฟี ซีอีโอและผู้ก่อตั้ง Kovant – บทสัมภาษณ์พิเศษ

อาลี ซาร์ราฟี ซีอีโอและผู้ก่อตั้ง Kovant เป็นผู้บริหารด้านเทคโนโลยีและ AI ที่มีประสบการณ์สูง ซึ่งประจำอยู่ที่สตอกโฮล์ม และมีประวัติการสร้างและขยายบริษัท AI ที่เติบโตอย่างรวดเร็ว นับตั้งแต่ก่อตั้ง Kovant ในปลายปี 2024 เขาได้ใช้ประสบการณ์มากมายในด้านกลยุทธ์ AI ระดับองค์กร การดำเนินการทางการตลาด และการขยายขนาดการดำเนินงาน ก่อนหน้านี้ เขาเคยดำรงตำแหน่งรองประธานฝ่ายกลยุทธ์ที่ Silo AI หลังจากที่ AMD เข้าซื้อกิจการ ซึ่งเขารับผิดชอบในการกำหนดกลยุทธ์ AI ระดับองค์กรและผลักดันการนำไปใช้ในวงกว้าง ก่อนหน้านั้น เขาได้ร่วมก่อตั้ง Combient Mix และนำพาบริษัทผ่านการเติบโตอย่างรวดเร็วและการเข้าซื้อกิจการที่ประสบความสำเร็จโดย Silo AI และหลังจากนั้นได้ดำรงตำแหน่งที่ปรึกษาและกรรมการในบริษัทสตาร์ทอัพด้านการศึกษาและ AI ซึ่งสะท้อนให้เห็นถึงการมุ่งเน้นอย่างต่อเนื่องในการเปลี่ยน AI ขั้นสูงให้เกิดผลกระทบทางธุรกิจในโลกแห่งความเป็นจริง

โคแวนท์ Kovant เป็นบริษัท AI ระดับองค์กรที่มุ่งเน้นการช่วยให้องค์กรต่างๆ ก้าวจากการใช้ AI ในเชิงทดลองไปสู่กระบวนการทางธุรกิจอัตโนมัติที่ใช้งานได้อย่างเต็มรูปแบบ บริษัทพัฒนาแพลตฟอร์มแบบเอเจนต์ที่ออกแบบมาเพื่อจัดการทีมเอเจนต์ AI ในโดเมนการดำเนินงานที่ซับซ้อน เช่น การจัดซื้อ การจัดการห่วงโซ่อุปทาน การปฏิบัติตามกฎระเบียบ และการดำเนินงานด้านลูกค้า โดยเน้นการใช้งานที่ปลอดภัยในระดับองค์กรและผลลัพธ์ที่รวดเร็ว Kovant จึงวางตำแหน่งตัวเองเป็นสะพานเชื่อมระหว่างความทะเยอทะยานเชิงกลยุทธ์ของ AI กับการดำเนินงานประจำวัน ช่วยให้องค์กรขนาดใหญ่สามารถฝัง AI เข้าไปในเวิร์กโฟลว์หลักได้โดยตรง แทนที่จะมองว่าเป็นเพียงเครื่องมือแบบสแตนด์อโลนหรือโครงการนำร่อง

คุณเคยเป็นผู้นำโครงการ AI สำคัญๆ ที่ Spotify ขยายธุรกิจและขาย Combient Mix และต่อมาได้กำหนดกลยุทธ์ AI ระดับองค์กรที่ Silo AI ก่อนที่จะก่อตั้ง Kovant คุณพบเจอปัญหาหรือความไม่พอใจอะไรบ้างในบทบาทเหล่านั้นที่ทำให้คุณเชื่อว่าถึงเวลาแล้วที่จะสร้างแพลตฟอร์มองค์กรแบบอัตโนมัติ และประวัติเหล่านั้นหล่อหลอมปรัชญาการออกแบบหลักของ Kovant อย่างไร?

จากประสบการณ์การทำงานในบทบาทต่างๆ ที่ผ่านมา ผมพบช่องว่างที่เกิดขึ้นซ้ำๆ อยู่ไม่กี่อย่าง ประการแรก เครื่องมือ AI เฉพาะทางส่วนใหญ่ถูกจำกัดอยู่แค่ซอฟต์แวร์ชุดเดียว กล่าวคือ พวกมันทำงานได้ดีกว่าในด้านใดด้านหนึ่งภายในขอบเขตนั้น แต่จะประสบปัญหาเมื่อเวิร์กโฟลว์จำเป็นต้องครอบคลุมหลายระบบ ในขณะเดียวกัน ข้อมูลขององค์กรก็กระจัดกระจายอยู่ตามเครื่องมือต่างๆ มากมาย และโซลูชันการทำงานอัตโนมัติหลายอย่างก็ไม่สามารถเข้าถึงข้อมูลเหล่านั้นได้ เมื่อรวมกับการเชื่อมต่อแบบเฉพาะจุดมานานหลายปี ก็จะได้สถาปัตยกรรมแบบสปาเก็ตตี้คลาสสิก: ความซับซ้อนเพิ่มขึ้น การเปลี่ยนแปลงช้าลง และทีมงานก็ลงเอยด้วยการทำงานอัตโนมัติทีละขั้นตอนแทนที่จะคิดใหม่ทั้งหมดตั้งแต่ต้นจนจบ ผลที่ได้คือ ผลตอบแทนจากการลงทุนมักจะมาถึงช้ากว่าและน้อยกว่าที่องค์กรคาดหวัง

Kovant ถูกออกแบบมาเพื่อตอบสนองต่อความเป็นจริงนั้น ปรัชญาหลักของเราคือ เอเจนต์ควรประพฤติตัวเหมือนพนักงานมากกว่า: พวกเขาทำงานร่วมกับเครื่องมือหลายอย่าง พวกเขา "ถูกจ้าง" ให้ทำงาน ไม่ใช่เพื่อทำให้ลำดับขั้นตอนที่กำหนดไว้เป็นไปโดยอัตโนมัติ นั่นคือเหตุผลที่การผสานรวมและการจัดการระบบถูกสร้างขึ้นมา และเป็นเหตุผลที่เราสันนิษฐานว่าข้อมูลขององค์กรมักจะยุ่งเหยิงและไม่มีโครงสร้าง – มันต้องการวิธีการที่เหมือนมนุษย์มากขึ้นในการจัดการกับข้อยกเว้นและความคลุมเครือ

เราใช้เอเจนต์พื้นฐานเพื่อให้ได้ความเร็วและขนาดที่เหมาะสม ในขณะเดียวกันก็ให้ความสำคัญกับอธิปไตยของข้อมูลเป็นอันดับแรก: องค์กรต่างๆ สามารถเข้าถึงและใช้ข้อมูลของตนเองได้ในแนวนอนโดยไม่ต้องส่งข้อมูลออกจากสถานที่ของตนเอง

Kovant วางตำแหน่งตัวเองเป็นแพลตฟอร์มองค์กรแบบอัตโนมัติที่สามารถบริหารจัดการการดำเนินงานและแผนกต่างๆ ทั้งหมดด้วยเอเจนต์ AI คุณนิยามคำว่า “อัตโนมัติ” ในบริบทขององค์กรอย่างไร และสิ่งนี้แตกต่างจากเครื่องมืออัตโนมัติและเอเจนต์ที่บริษัทต่างๆ กำลังทดลองใช้ในปัจจุบันอย่างไร?

ในบริบทขององค์กร เมื่อเราพูดว่า “อัตโนมัติ” เราไม่ได้หมายความว่า “ไม่มีการควบคุมดูแล” เราหมายถึงว่าตัวแทน AI สามารถดำเนินการจริงได้ตั้งแต่ต้นจนจบในกระบวนการทำงาน โดยมีเป้าหมายและขอบเขตที่ชัดเจน และจะแจ้งไปยังมนุษย์เมื่อต้องการการควบคุมดูแล

สิ่งที่ทำให้ Kovant แตกต่างออกไปคือเอเจนต์พื้นฐานของเรา แทนที่จะทำการอัตโนมัติกระบวนการคงที่เพียงกระบวนการเดียวหรือทำตามลำดับที่สร้างไว้ล่วงหน้า เอเจนต์ของ Kovant สามารถทำงานเป็นทีม (หรือเป็นกลุ่ม) ในการปฏิบัติงานโดยใช้เพียงคำสั่งและภาพรวมการปฏิบัติงานที่เราเรียกว่าพิมพ์เขียว พวกมันไม่ได้ถูกออกแบบมาเพื่อทำงานแคบๆ เพียงอย่างเดียว แต่พวกมันทำงานร่วมกันเพื่อแก้ปัญหาเวิร์กโฟลว์ที่ซับซ้อน ปรับตัวเมื่อเงื่อนไขเปลี่ยนแปลง และส่งต่อให้บุคคลเมื่อสถานการณ์ต้องการการกำกับดูแล

ตัวอย่างเช่น ทีมตัวแทนบริหารจัดการสินค้าคงคลังสามารถปฏิบัติงานทั้งหมดต่อไปนี้ได้โดยไม่ต้องสร้างใหม่ตั้งแต่เริ่มต้น ซึ่งรวมถึง: การติดต่อสื่อสารกับซัพพลายเออร์ผ่านทางอีเมล การตรวจสอบระดับสินค้าคงคลังและสัญญาณสินค้าหมด การติดตามการจัดส่งและใบสั่งซื้อ การอัปเดตสถานะในระบบต่างๆ การสร้างตั๋วแจ้งความคลาดเคลื่อนเพื่อให้ผู้จัดการสินค้าคงคลังอนุมัติ การกระจายสินค้าคงคลังระหว่างคลังสินค้า และการรวบรวมรายงานสินค้าคงคลัง

ดังนั้น การเปลี่ยนแปลงจึงเกิดขึ้นจากการใช้ "แชทพร้อมเครื่องมือ" หรือระบบอัตโนมัติที่ไม่เสถียรและใช้งานไม่ได้เมื่อใช้งานในวงกว้าง องค์กรต่างๆ จึงเปลี่ยนจากการสร้างเอเจนต์ไปเป็นการใช้งานเอเจนต์ในวงกว้างแทน

แม้ว่าจะมีผู้สนใจ AI เชิงตัวแทนเป็นจำนวนมาก แต่หลายองค์กรยังคงอยู่ในขั้นตอนการทดลองใช้งาน จากสิ่งที่คุณเห็นในการใช้งานจริง อะไรคือสาเหตุหลักที่ทำให้บริษัทต่างๆ ประสบปัญหาในการเปลี่ยนจากขั้นตอนการทดลองไปสู่การใช้งานจริงในวงกว้าง?

สิ่งที่เราเห็นคือ องค์กรส่วนใหญ่ไม่ได้ติดอยู่ในโหมดนำร่องเพราะแนวคิดผิดพลาด แต่ติดอยู่เพราะสภาพแวดล้อมไม่เอื้อต่อการขยายขนาด

อุปสรรคประการแรกคือภูมิทัศน์เทคโนโลยีขององค์กรที่กระจัดกระจาย กระบวนการทำงานครอบคลุมระบบจำนวนมาก ข้อมูลกระจัดกระจายอยู่หลายที่ และการเชื่อมโยงทุกอย่างเข้าด้วยกันอย่างน่าเชื่อถือนั้นทำได้ยาก และ AI ที่ทำหน้าที่เสมือนตัวแทนมักถูกนำมาใช้เป็นส่วนเสริมของเครื่องมือที่มีอยู่แล้ว แทนที่จะเป็นวิธีคิดใหม่เกี่ยวกับวิธีการทำงานของกระบวนการทำงานตั้งแต่ต้นจนจบ

นอกจากนี้ยังมีปัญหาด้านสถาปัตยกรรมและข้อมูลที่แท้จริงอีกด้วย ผู้ให้บริการ SaaS หลายรายยังคงพยายามล็อกข้อมูลไว้ ซึ่งก่อให้เกิดความไม่เข้ากันและจำกัดสิ่งที่เจ้าหน้าที่สามารถทำได้ในระบบต่างๆ และหลายทีมประเมินต่ำเกินไปว่าข้อมูลส่วนใหญ่ในองค์กรนั้นไม่มีโครงสร้าง (อีเมล เอกสาร ตั๋ว PDF บันทึกการแชท) หากวิธีการของคุณตั้งอยู่บนสมมติฐานว่าข้อมูลนั้นสะอาดและมีโครงสร้าง เวลาในการสร้างมูลค่าจะยาวนาน ยุ่งยาก และยากที่จะทำซ้ำได้นอกเหนือจากโครงการนำร่อง

กล่าวโดยสรุป: การแตกแยก การผูกขาด และข้อมูลที่ไม่เป็นระเบียบ สร้างอุปสรรค และโครงการนำร่องจะไม่สามารถพัฒนาไปสู่การใช้งานจริงได้ จนกว่าจะมีการออกแบบที่รองรับความเป็นจริงเหล่านี้

ความน่าเชื่อถือมักถูกยกมาเป็นอุปสรรคสำคัญที่สุดในการนำระบบ AI ไปใช้ในโลกแห่งความเป็นจริง ทำไมระบบ AI จำนวนมากจึงล้มเหลวเมื่อออกจากสภาพแวดล้อมที่ควบคุมได้ และวิธีการของ Kovant ช่วยลดปัญหาต่างๆ เช่น ภาพหลอนและพฤติกรรมที่คาดเดาไม่ได้ได้อย่างไร

ระบบเอเจนต์บางระบบอาจดูดีในเดโม แต่กลับล้มเหลวในโลกแห่งความเป็นจริง เพราะสภาพแวดล้อมนั้นยุ่งเหยิงและคาดเดาไม่ได้ ข้อมูลไม่สมบูรณ์หรือไม่สอดคล้องกัน กรณีพิเศษเกิดขึ้นตลอดเวลา (เช่น การคืนเงิน ข้อพิพาท การอนุมัติพิเศษ) เวิร์กโฟลว์ครอบคลุมเครื่องมือ แพลตฟอร์ม และการบูรณาการหลายอย่างที่เปลี่ยนแปลงไปตามเวลา และสิทธิ์การเข้าถึงก็แตกต่างกันไป เมื่อเอเจนต์ AI ถูกขอให้จัดการงานขนาดใหญ่และได้รับบริบทมากเกินไปในคราวเดียว ความเสี่ยงที่จะเกิดภาพหลอนและพฤติกรรมแปลกๆ ก็เพิ่มขึ้น

Kovant ออกแบบระบบนี้เพื่อลดปัญหาดังกล่าว สถาปัตยกรรมที่เป็นเอกลักษณ์ของเราช่วยจำกัดขอบเขตของปัญหา ขอบเขตการตัดสินใจ และบริบทที่โมเดลใช้ในการทำงาน เพื่อลดความคลาดเคลื่อน นอกจากนี้ เรายังแบ่งการดำเนินงานออกเป็นงานย่อยๆ ที่เน้นเฉพาะเจาะจงสำหรับแต่ละเอเจนต์และแต่ละขั้นตอน ซึ่งทำให้พฤติกรรมคาดเดาได้ง่ายขึ้น และเพิ่มความสามารถในการตรวจสอบย้อนกลับและการควบคุมในระบบ รวมถึงจัดการกับความคลาดเคลื่อนได้ดีขึ้น เราสามารถเห็นได้ว่าแต่ละเอเจนต์ทำอะไร จุดเริ่มต้นของความล้มเหลวอยู่ที่ใด และสามารถเข้าไปแทรกแซงหรือแจ้งปัญหาเมื่อจำเป็น

อาการประสาทหลอนไม่ได้หายไปอย่างน่าอัศจรรย์ แต่ด้วยการจำกัดขอบเขตความรับผิดชอบของแต่ละเอเจนต์และจำกัดบริบทที่พวกเขาสามารถกระทำได้ เราสามารถลดความถี่และจำกัดผลกระทบของอาการประสาทหลอนได้ แนวทาง "การจำกัดงาน/บริบท" นี้ได้รับการสนับสนุนจากงานวิจัยล่าสุดของทีมวิจัย Nvidia ซึ่งพบว่าการจำกัดการตัดสินใจของเอเจนต์ให้ประโยชน์ที่คล้ายคลึงกัน

ความรับผิดชอบเป็นข้อกังวลหลักเมื่อตัวแทน AI เริ่มดำเนินการจริงในระบบธุรกิจ บันทึกการดำเนินการโดยละเอียดจะเปลี่ยนมุมมองเกี่ยวกับการไว้วางใจ การปฏิบัติตามกฎระเบียบ และความเสี่ยงในการดำเนินงานได้อย่างไร?

ด้วยบันทึกการดำเนินการโดยละเอียด เราสามารถทราบได้ว่าเกิดอะไรขึ้น เกิดขึ้นเพราะอะไร และจะเกิดอะไรขึ้นต่อไป

บันทึกข้อมูลโดยละเอียดจะเปลี่ยนเอージェนต์จากบอทลึกลับที่ทำงานอยู่เบื้องหลังเครื่องจักร ให้กลายเป็นระบบที่คุณสามารถตรวจสอบได้

ที่ Kovant ในการใช้งานเอเจนต์ AI ทุกครั้ง จะมีแผนที่ความเสี่ยงที่องค์กรสามารถนำไปใช้ได้ เรามีระบบคัดกรองภายในที่ให้มนุษย์ตรวจสอบและอนุมัติการกระทำที่มีความเสี่ยง ซึ่งหมายความว่าเอเจนต์จะสามารถดำเนินการได้ก็ต่อเมื่อได้รับการตรวจสอบและอนุมัติจากมนุษย์แล้วเท่านั้น ข้อมูลทั้งหมดนี้จะถูกบันทึกไว้ในลักษณะเดียวกับการบันทึกข้อมูลในระบบ และสามารถตรวจสอบย้อนกลับได้

เราเชื่อว่าการผสมผสานบันทึกการปฏิบัติงานเข้ากับการกำกับดูแลและการตรวจสอบโดยมนุษย์เป็นสิ่งสำคัญในการลดความเสี่ยง ซึ่งหมายความว่าคุณยังคงได้รับประโยชน์จากความเร็วและขนาดของการทำงานของเอเจนต์ที่ดำเนินการจริง

มีการถกเถียงกันมากขึ้นว่าตัวแทน AI สามารถทำประกันได้หรือไม่ เนื่องจากกระบวนการตัดสินใจที่ไม่โปร่งใส การทำให้ขั้นตอนการทำงานของตัวแทนสามารถตรวจสอบและเล่นซ้ำได้ จะช่วยแก้ปัญหา "กล่องดำ" และเปิดประตูสู่การทำประกันได้อย่างไร

ปัญหา “กล่องดำ” คือสิ่งที่ทำให้การทำประกันเป็นเรื่องยาก หากคุณไม่สามารถแสดงให้เห็นได้อย่างชัดเจนว่าตัวแทนทำอะไร ทำไมจึงทำเช่นนั้น และมีการควบคุมอะไรบ้าง ก็เป็นเรื่องยากสำหรับทุกคน โดยเฉพาะบริษัทประกันภัย ในการประเมินความเสี่ยง

แนวทางของเราโดยพื้นฐานแล้วเป็นการต่อยอดจากระบบการตรวจสอบความรับผิดชอบในคำตอบก่อนหน้านี้ เราแบ่งขอบเขตการตัดสินใจและผลกระทบของการกระทำออกเป็นส่วนย่อยๆ เพื่อไม่ให้แบบจำลองทำการตัดสินใจครั้งใหญ่ที่ไม่โปร่งใสซึ่งอาจส่งผลกระทบต่อการดำเนินงานทั้งหมด แต่ละขั้นตอนจึงแคบลง คาดการณ์ได้ง่ายขึ้น และประเมินผลได้ง่ายขึ้น

จากนั้นเราจึงเพิ่มบันทึกรายละเอียด การตรวจสอบ และการกำกับดูแลโดยมนุษย์ สำหรับการตัดสินใจที่สำคัญและมีผลกระทบมากที่สุด เราจะใช้ผู้ตรวจสอบที่เป็นมนุษย์เพื่อให้ตัวแทนสามารถดำเนินการต่อได้หลังจากได้รับการตรวจสอบและอนุมัติแล้วเท่านั้น ซึ่งจะช่วยให้มองเห็นภาพรวมของกระบวนการทำงานในทางปฏิบัติได้ชัดเจนยิ่งขึ้น

การทำให้เวิร์กโฟลว์สามารถตรวจสอบและเล่นซ้ำได้คือส่วนสุดท้าย หากมีสิ่งผิดปกติเกิดขึ้น คุณสามารถจำลองสิ่งที่เกิดขึ้น ตรวจสอบได้อย่างรวดเร็ว ตรวจสอบความถูกต้องของการแก้ไข และแสดงให้เห็นว่าต้องได้รับการอนุมัติจากมนุษย์บ่อยแค่ไหน และมีมาตรการป้องกันอยู่ที่ใด ในแง่ของการพิจารณาอนุมัติสินเชื่อ นั่นจะเปลี่ยน... พฤติกรรม AI ที่ลึกลับ ให้ใกล้เคียงกับความเสี่ยงในการดำเนินงานมาตรฐานมากขึ้น

ด้วยโครงการริเริ่มต่างๆ เช่น มูลนิธิ Agentic AI Foundation ที่มุ่งสร้างมาตรฐานร่วมกันสำหรับระบบเอเจนต์ คุณมองเห็นแง่มุมที่น่าสนใจที่สุดของความพยายามเหล่านี้อย่างไร และยังมีจุดใดที่ยังขาดอยู่สำหรับการดำเนินงานจริงในระดับองค์กร?

โดยทั่วไปแล้ว การกำหนดมาตรฐานเป็นสิ่งที่ดี AAIF สามารถทำงานที่ไม่น่าดึงดูดใจแต่จำเป็นอย่างยิ่ง นั่นคือการทำให้ระบบของเอเจนต์ใช้ภาษาเดียวกัน ซึ่งจะทำให้การบูรณาการง่ายขึ้นและลดการผูกขาดจากผู้จำหน่ายในระยะยาว

สิ่งที่ผมกังวลคือมุมมองของใครเป็นผู้กำหนดมาตรฐาน หากงานส่วนใหญ่มาจากผู้สร้างโมเดลและบริษัทเทคโนโลยีที่กำลังเติบโต ก็มีความเสี่ยงที่ "มาตรฐาน" จะเน้นสิ่งที่สร้างหรือสาธิตได้ง่ายที่สุด มากกว่าสิ่งที่องค์กรขนาดใหญ่ต้องการจริงๆ เพื่อใช้งานเอเจนต์ได้อย่างปลอดภัยในแต่ละวัน

สำหรับการดำเนินงานจริงในระดับองค์กร ช่องว่างมักจะไม่ใช่เรื่องของตัวเชื่อมต่อมากนัก แต่เป็นเรื่องของการควบคุมมากกว่า เช่น สิ่งที่เอเจนต์สามารถเข้าถึงและเปลี่ยนแปลงได้ เวิร์กโฟลว์การอนุมัติสำหรับการดำเนินการที่มีผลกระทบสูง บันทึกที่ตรวจสอบได้ และความสามารถในการสังเกตการณ์เพื่อให้ทีมสามารถตรวจสอบพฤติกรรม สืบสวนเหตุการณ์ และพิสูจน์การปฏิบัติตามข้อกำหนดได้ นอกจากนี้ องค์กรยังต้องการมาตรฐานที่ใช้งานได้จริงสำหรับการดำเนินงานในสภาพความเป็นจริงที่ซับซ้อน เช่น การทดสอบกับกรณีพิเศษ การจัดการกับระบบที่เปลี่ยนแปลง และความสามารถในการหยุดชั่วคราว ควบคุม หรือย้อนกลับการดำเนินการได้อย่างปลอดภัยในเครื่องมือเดิมและสภาพแวดล้อมข้อมูลที่มีการควบคุม

ดังนั้นจึงเป็นทิศทางที่น่าสนใจ แต่ผลกระทบจะจำกัดหากไม่คำนึงถึงข้อกำหนดขององค์กรและการควบคุมความเสี่ยงในการดำเนินงานเป็นเรื่องรอง

Kovant ได้สร้างรายได้จำนวนมากจากองค์กรขนาดใหญ่ในกลุ่มประเทศนอร์ดิกแล้ว โดยดำเนินงานอย่างเงียบๆ ปัจจุบันนี้ ฟังก์ชันทางธุรกิจหรือกระบวนการทำงานประเภทใดที่พร้อมที่สุดสำหรับตัวแทน AI อัตโนมัติ?

จากสิ่งที่เราได้เห็นในการใช้งานจริง เวิร์กโฟลว์ที่ "พร้อมใช้งาน" มากที่สุดในปัจจุบันคือเวิร์กโฟลว์ที่ประกอบด้วยงานเชิงรับของพนักงานออฟฟิศ เช่น การติดตาม ตรวจสอบ อัปเดตระบบ การจัดการข้อผิดพลาด และการทำให้การดำเนินงานดำเนินต่อไปได้อย่างราบรื่นผ่านเครื่องมือหลายอย่าง

ในกระบวนการผลิตและห่วงโซ่อุปทานขององค์กรในวงกว้างนั้น สิ่งนี้ปรากฏให้เห็นได้ในหลายด้าน ได้แก่:

• การจัดหา/จัดซื้อ: ความพร้อมของวัตถุดิบ การจัดหาอย่างยั่งยืน การดำเนินงานตามกฎระเบียบ การคัดเลือกซัพพลายเออร์ (รวมถึงการจัดหาจากหลายแหล่ง/สองแหล่ง) การบริหารจัดการสัญญา การบริหารความเสี่ยงของซัพพลายเออร์ และการบริหารจัดการการประมูล/การเสนอราคา
• การผลิต: การวางแผนกำลังการผลิต, การจัดตารางการผลิต, การจัดการบำรุงรักษา, การจัดการคุณภาพ, การจัดการปัญหาคอขวด และการป้องกันการสูญเสีย
• การจัดเก็บสินค้า: การรับและการตรวจสอบสินค้า, การจัดการสินค้าคงคลัง, การหมุนเวียนสินค้า (FIFO/FEFO), และการนับสินค้าคงคลัง/การตรวจสอบสินค้าคงคลัง
• ยานพาหนะ / โลจิสติกส์: การเลือกรูปแบบการขนส่งและผู้ขนส่ง การผ่านพิธีการศุลกากร/เอกสาร การติดตามและตรวจสอบสถานะ การตรวจสอบการปล่อยมลพิษ และการปฏิบัติตามกฎระเบียบทางการค้า
• ฝ่ายขายและบริการ: การจัดหาผลิตภัณฑ์ การป้องกันสินค้าหมดสต็อก การจัดการการขาย/การคืนสินค้า การวิเคราะห์พฤติกรรมผู้บริโภค รวมถึงด้านบริการหลังการขาย เช่น การซ่อมแซม การติดตามผลิตภัณฑ์เมื่อสิ้นสุดอายุการใช้งาน การดำเนินงานในศูนย์บริการ และสัญญาบริการ

เมื่อองค์กรต่างๆ นำระบบ AI มาใช้ในกระบวนการทำงานที่สำคัญ คุณแนะนำอย่างไรในการสร้างสมดุลระหว่างระบบอัตโนมัติกับการกำกับดูแลโดยมนุษย์ เพื่อให้มั่นใจได้ว่าสามารถควบคุมได้โดยไม่ทำให้ทุกอย่างช้าลง?

ความสมดุลนี้ขึ้นอยู่กับความเป็นอิสระ คุณต้องปล่อยให้เจ้าหน้าที่ทำงานได้อย่างรวดเร็วในงานที่มีความเสี่ยงต่ำภายใต้กรอบที่ชัดเจน และส่งต่อให้มนุษย์ตรวจสอบเมื่อการกระทำนั้นเกินเกณฑ์ความเสี่ยงที่กำหนดไว้

ความล้มเหลวจำนวนมากเกิดจากการกำหนดขอบเขตและบริบทให้กับโมเดลมากเกินไปในคราวเดียว ผมขอแนะนำให้แบ่งการดำเนินงานออกเป็นส่วนย่อยๆ ที่มีขอบเขตแคบลง โดยแต่ละขั้นตอนมีสิทธิ์การใช้งานที่ชัดเจนและรัศมีผลกระทบที่จำกัด วิธีนี้จะช่วยลดพฤติกรรมที่ไม่สามารถคาดเดาได้และทำให้ตรวจสอบและปรับปรุงประสิทธิภาพได้ง่ายขึ้น

จากนั้นคุณนำสามสิ่งนี้มาผสานรวมกัน: การตรวจสอบได้ บันทึกการกระทำ และการอนุมัติโดยมนุษย์ ทุกสิ่งที่เอเจนต์ทำควรตรวจสอบย้อนกลับได้ เพื่อให้คุณสามารถตรวจสอบสิ่งที่เกิดขึ้นและสืบสวนได้อย่างรวดเร็ว สำหรับการกระทำที่มีผลกระทบสูงหรือมีความเสี่ยง คุณควรเพิ่มขั้นตอนการอนุมัติจากมนุษย์ในขั้นตอนการทำงาน เพื่อให้เอเจนต์สามารถเสนอและเตรียมการได้ แต่จะดำเนินการได้ก็ต่อเมื่อมีคนลงนามอนุมัติแล้วเท่านั้น

นั่นทำให้ทุกอย่างดำเนินไปอย่างรวดเร็ว หากจะมีอะไรช้าลงบ้างก็คงมีแค่ขั้นตอนการตรวจสอบโดยมนุษย์เท่านั้น แต่ก็เป็นส่วนสำคัญของกระบวนการ มนุษย์ไม่ได้คอยควบคุมทุกการคลิก แต่พวกเขายังคงควบคุมช่วงเวลาที่สำคัญอยู่ ผลลัพธ์ที่ได้คือความเร็วในจุดที่ปลอดภัย และการตรวจสอบในจุดที่จำเป็น

เมื่อมองไปข้างหน้า คุณคาดหวังว่าบทบาทของเอเจนต์ AI อัตโนมัติจะพัฒนาไปอย่างไรภายในองค์กรขนาดใหญ่ในอีกไม่กี่ปีข้างหน้า และอะไรจะเป็นตัวแยกบริษัทที่ประสบความสำเร็จในการใช้ AI เอเจนต์ออกจากบริษัทที่ประสบปัญหา?

ในอีกไม่กี่ปีข้างหน้า ตัวแทน AI อัตโนมัติจะเปลี่ยนจากการทดลองที่น่าสนใจไปสู่การเป็นชั้นการทำงานจริงภายในองค์กรขนาดใหญ่ พวกมันจะถูกนำไปใช้ในด้านการดำเนินงาน บริการลูกค้า การเงิน และทรัพยากรบุคคล เมื่อความน่าเชื่อถือ การกำกับดูแล และการตรวจสอบดีขึ้น เราจะเห็นองค์กรต่างๆ เปลี่ยนจากการทดลองแบบแยกส่วนไปสู่การใช้งานทีมตัวแทน AI ในกระบวนการทำงานแบบครบวงจร

การเปลี่ยนแปลงที่สำคัญที่สุดคือ ความเร็ว ความคล่องตัว ขนาด ประสิทธิภาพ และต้นทุน จะกลายเป็นปัจจัยสำคัญในการแข่งขันโดยตรงมากขึ้น ผมคิดว่า "การเปลี่ยนแปลงแบบ Uber" กำลังจะเกิดขึ้นกับองค์กรต่างๆ องค์กรที่เชี่ยวชาญด้าน AI อย่างแท้จริงจะสามารถดำเนินงานได้เร็วกว่าองค์กรที่ตามหลัง สามารถครองตลาดได้เร็วขึ้น และตอบสนองต่อการเปลี่ยนแปลงได้โดยไม่มีอุปสรรคในการดำเนินงานเหมือนที่ผ่านมา

สิ่งที่แยกผู้ชนะออกจากกันไม่ใช่แค่การใช้งานเอเจนต์ แต่เป็นการใช้งานเอเจนต์อย่างมีประสิทธิภาพ การทำงานอัตโนมัติที่มีการกำกับดูแล การตรวจสอบและบันทึกการดำเนินการที่เข้มงวด และสถาปัตยกรรมที่จำกัดขอบเขตการตัดสินใจจะเป็นกุญแจสำคัญ บริษัทที่มองว่า AI แบบเอเจนต์เป็นความสามารถหลักในการดำเนินงาน โดยมีการควบคุม การบูรณาการ และความเป็นเจ้าของที่เหมาะสม จะใช้มันเพื่อทำสิ่งต่างๆ ได้มากขึ้น ไม่ใช่ลดลง นั่นจะช่วยให้ทีมมีเวลาไปมุ่งเน้นที่การเติบโตและนวัตกรรม แทนที่จะเสียเวลาไปกับการบริหารจัดการ กล่าวโดยสรุป ความเร็วและประสิทธิภาพที่เหนือกว่าจะกลายเป็นข้อได้เปรียบในการแข่งขันอย่างแท้จริงในระดับองค์กร

ขอบคุณสำหรับบทสัมภาษณ์ที่ดี ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม โคแวนท์.