อาลี ซาร์ราฟฟี ซีอีโอและผู้ก่อตั้ง Kovant – ชุดบทสัมภาษณ์

อาลี ซาร์ราฟฟี ซีอีโอและผู้ก่อตั้ง Kovant เป็นนักบริหารเทคโนโลยีและ AI ที่มีประสบการณ์ ที่ทำงานอยู่ในสตอกโฮล์ม โดยมีประวัติการสร้างและขยายธุรกิจ AI ที่เติบโตอย่างรวดเร็ว ตั้งแต่ก่อตั้ง Kovant ในปลายปี 2024 เขาได้นำประสบการณ์เชิงลึกในด้านกลยุทธ์ AI ขององค์กร การดำเนินการตลาด และการขยายการดำเนินงานมาใช้ ก่อนหน้านี้เขาเคยดำรงตำแหน่งรองประธานฝ่ายกลยุทธ์ที่ Silo AI หลังจากที่ AMD เข้าซื้อกิจการ โดยที่เขารับผิดชอบในการกำหนดกลยุทธ์ AI ขององค์กรและการขยายการใช้งาน AI ในระดับใหญ่ ในช่วงต้นอาชีพของเขา เขาได้ร่วมก่อตั้ง Combient Mix และนำบริษัทผ่านการเติบโตอย่างรวดเร็วและการเข้าซื้อกิจการโดย Silo AI และต่อมาได้ดำรงตำแหน่งที่ปรึกษาและคณะกรรมการในด้านการศึกษาและสตาร์ทอัพ AI โดยสะท้อนถึงการมุ่งเน้นอย่างต่อเนื่องในการนำ AI ที่ซับซ้อนมาใช้ในการดำเนินธุรกิจจริง

Kovant เป็นบริษัท AI ระดับองค์กรที่มุ่งเน้นในการช่วยให้องค์กรเปลี่ยนจากการใช้ AI ในการทดลองไปสู่กระบวนการธุรกิจที่เป็นอิสระและทำงานได้โดยสมบูรณ์ บริษัทพัฒนาแพลตฟอร์มที่ใช้ตัวแทน AI เพื่อจัดการทีมของตัวแทน AI ข้ามโดเมนการดำเนินงานที่ซับซ้อน เช่น การจัดซื้อจัดจ้าง สายโซ่อุปทาน การปฏิบัติตามกฎระเบียบ และการดำเนินงานของลูกค้า โดยเน้นการนำไปใช้งานที่ปลอดภัยในระดับองค์กรและการสร้างคุณค่าได้อย่างรวดเร็ว Kovant จัดตำแหน่งตัวเองเป็นสะพานเชื่อมระหว่างความตั้งใจเชิงกลยุทธ์ของ AI และการดำเนินงานประจำวัน โดยช่วยให้องค์กรขนาดใหญ่สามารถฝัง AI ลงในกระบวนการหลักได้ ไม่ใช่เพียงใช้เป็นเครื่องมือหรือโครงการนำร่อง

คุณได้นำโครงการ AI ใหญ่ๆ ที่ Spotify ขยายและออกจาก Combient Mix และต่อมาได้กำหนดกลยุทธ์ AI ระดับองค์กรที่ Silo AI ก่อนที่จะก่อตั้ง Kovant ช่องว่างหรือความคับข้องใจใดที่คุณพบในบทบาทเหล่านั้นที่ทำให้คุณเชื่อว่าถึงเวลาที่จะสร้างแพลตฟอร์มองค์กรอิสระ และประวัตินั้นได้กำหนดปรัชญาการออกแบบหลักของ Kovant อย่างไร?

ตลอดบทบาทก่อนหน้าของฉัน มีช่องว่างที่เกิดขึ้นซ้ำๆ บ่อยครั้ง อันดับแรก เครื่องมือ AI “แนวตั้ง” ส่วนใหญ่ถูกจับอยู่ในซอฟต์แวร์สแต็กเดียว พวกมันทำสิ่งหนึ่งได้ดีขึ้นเล็กน้อยภายในขอบเขตนั้น แต่ดูเหมือนจะล้มเหลวเมื่อกระบวนการทำงานต้องครอบคลุมระบบหลายระบบ ในเวลาเดียวกัน ข้อมูลขององค์กรกระจายอยู่ทั่วทั้งเครื่องมือต่างๆ และโซลูชันระบบอัตโนมัติ ส่วนใหญ่ไม่สามารถเข้าถึงข้อมูลได้ เมื่อบวกกับการรวมระบบเป็นเวลาหลายปี คุณจะได้รับสถาปัตยกรรม “สปาเกตตี” ที่ซับซ้อน: ความซับซ้อนเพิ่มขึ้น การเปลี่ยนแปลงช้าลง และทีมงานมักจะทำให้แต่ละขั้นตอนเป็นอัตโนมัติ แทนที่จะคิดใหม่เกี่ยวกับกระบวนการทำงานทั้งหมด ผลลัพธ์คือ ROI มักจะมาถึงช้ากว่าและน้อยกว่าที่องค์กรคาดหวัง

Kovant ได้รับการออกแบบมาเพื่อตอบสนองความเป็นจริงนั้น ปรัชญาหลักของเราคือตัวแทนควรทำงานเหมือนพนักงาน: พวกเขาทำงานข้ามเครื่องมือหลายตัว พวกเขามี “งาน” ที่ต้องทำ ไม่ใช่เพียงการทำงานอัตโนมัติ ซีเควนซ์เดียว นั่นเป็นเหตุผลที่การรวมระบบและจัดการถูกสร้างขึ้นในตัว และเหตุผลที่เราถือว่าข้อมูลขององค์กรมักจะไม่เรียบร้อยและไม่มีโครงสร้าง – มันต้องการแนวทางที่เหมือนมนุษย์มากขึ้นในการจัดการกับข้อยกเว้นและความไม่แน่นอน

เราใช้ตัวแทนพื้นฐานเพื่อให้ได้ความเร็วและขนาด ในขณะเดียวกันก็รักษาอธิปไตยเหนือข้อมูลไว้เป็นหัวใจสำคัญ: องค์กรสามารถเข้าถึงและใช้ข้อมูลของตนเองข้ามระบบได้โดยที่ข้อมูลไม่ออกนอกสถานที่ขององค์กร

Kovant วางตำแหน่งตัวเองเป็นแพลตฟอร์มองค์กรอิสระที่สามารถดำเนินการและแผนกทั้งหมดด้วยตัวแทน AI ได้ คุณกำหนด “อิสระ” ในบริบทขององค์กรอย่างไร และสิ่งนี้แตกต่างจากเครื่องมือระบบอัตโนมัติ และตัวแทน AI ที่บริษัทต่างๆ กำลังทดลองอยู่ในปัจจุบันอย่างไร?

ในบริบทขององค์กร เมื่อเราพูดถึง “อิสระ” เราไม่ได้หมายถึง “ไม่มีการกำกับ” เราหมายถึงตัวแทน AI สามารถดำเนินการจริงๆ ทั้งกระบวนการด้วยเป้าหมายและขอบเขตที่ชัดเจน และจะส่งต่อให้มนุษย์เมื่อต้องการการกำกับ

สิ่งที่ทำให้ Kovant แตกต่างคือตัวแทนพื้นฐานของเรา ไม่ใช่การทำงานอัตโนมัติ กระบวนการหรือการทำตามลำดับที่สร้างไว้ล่วงหน้า ตัวแทนของ Kovant สามารถทำงานเป็นทีม (หรือฝูง) ในการดำเนินงานโดยใช้เพียงคำแนะนำและภาพรวมการดำเนินงานที่เรียกว่า “บลูปริ้น” พวกเขาจะไม่ได้รับการออกแบบสำหรับงานแคบๆ พวกเขาร่วมมือเพื่อแก้ปัญหากระบวนการทำงานที่ซับซ้อน ปรับเปลี่ยนตามเงื่อนไขที่เปลี่ยนแปลง และส่งต่อให้กับมนุษย์เมื่อต้องการการกำกับ

ตัวอย่างเช่น ทีมตัวแทนจัดการคลังสามารถทำงานต่อไปนี้ได้โดยไม่ต้องสร้างใหม่จากศูนย์: สื่อสารกับซัพพลายเออร์ทางอีเมล ตรวจสอบระดับคลังและสัญญาณคลังว่าง การติดตามการจัดส่งและคำสั่งซื้อ การอัปเดตสถานะข้ามระบบ การสร้างรายการแจ้งความคลาดเคลื่อนให้ผู้วางแผนสินค้าคงคลังอนุมัติ การกระจายสินค้าคงคลังระหว่างคลังสินค้า และการรวมรายงานคลัง

ดังนั้น การเปลี่ยนแปลงคือการเปลี่ยนจาก “แชทบวกเครื่องมือ” หรือการทำงานอัตโนมัติ ที่เปราะบางที่แตกหักในระดับใหญ่ องค์กรจะเปลี่ยนจากการสร้างตัวแทนไปสู่การดำเนินการตัวแทนในระดับใหญ่

แม้จะมีความสนใจอย่างมากใน AI ที่เป็นตัวแทน แต่หลายองค์กรยังคงติดอยู่ในโหมดทดลอง จากการนำไปใช้งานจริงที่คุณเห็น สิ่งใดคือสาเหตุหลักที่ทำให้บริษัทต่างๆ ต้องดิ้นรนในการเปลี่ยนจากการทดลองไปสู่การผลิตที่ขยายใหญ่?

สิ่งที่เราพบคือ องค์กรส่วนใหญ่ไม่ติดอยู่ในโหมดทดลองเพราะความคิดนั้นไม่ถูกต้อง แต่พวกเขาถูกขัดขวางโดยสภาพแวดล้อมที่ไม่เป็นมิตรต่อการขยาย

สิ่งกีดขวางแรกคือภูมิทัศน์ทางเทคนิคขององค์กรที่กระจัดกระจาย กระบวนการทำงานครอบคลุมระบบหลายระบบ ข้อมูลอยู่ในหลายๆ ที่ และการเชื่อมต่อที่เชื่อถือได้เป็นเรื่องที่ยาก และ agentic AI มักถูกนำไปใช้เป็นส่วนเสริมของเครื่องมือที่มีอยู่แล้ว แทนที่จะคิดใหม่ว่ากระบวนการทำงานควรดำเนินไปอย่างไร

ยังมีปัญหาเกี่ยวกับสถาปัตยกรรมและข้อมูลด้วย ผู้ให้บริการ SaaS หลายรายยังคงพยายามล็อกข้อมูล ซึ่งสร้างความไม่เข้ากันและจำกัดสิ่งที่ตัวแทนสามารถทำได้จริงๆ ข้ามระบบ และหลายทีมมองข้ามข้อเท็จจริงที่ว่าข้อมูลขององค์กรส่วนใหญ่ไม่มีโครงสร้าง (อีเมล เอกสาร รายการแจ้งปัญหา ไฟล์ PDF บันทึกการแชท) หากแนวทางของคุณถือว่าข้อมูลเป็นแบบสะอาดและมีโครงสร้าง เวลาในการให้คุณค่าจะยาวนาน ยาก และยากที่จะทำซ้ำนอกเหนือจากการทดลอง

โดยสรุป การกระจัดกระจาย การล็อกข้อมูล และข้อมูลที่ไม่มีโครงสร้างสร้างแรงเสียดทาน – และการทดลองไม่เคยกลายเป็นการผลิตจนกว่าจะนำข้อเท็จจริงเหล่านั้นมาคำนึงถึงในการออกแบบ

ความน่าเชื่อถือมักถูกอ้างถึงว่าเป็นตัวขัดขวางที่ใหญ่ที่สุดในการนำตัวแทน AI ไปใช้ในโลกแห่งความเป็นจริง ทำไมระบบตัวแทน AI จึงล้มเหลวเมื่อออกจากสภาพแวดล้อมที่ควบคุมได้ และวิธีการของ Kovant ลดปัญหาเช่นการเห็นภาพหลอกลวงและพฤติกรรมที่ไม่คาดคิดได้อย่างไร?

บางระบบตัวแทน AI ดูเหมือนดีในตัวอย่าง แต่ล้มเหลวในโลกแห่งความเป็นจริงเพราะสภาพแวดล้อมนั้นซับซ้อนและไม่คาดคิด ข้อมูลไม่สมบูรณ์หรือไม่สอดคล้องกัน กรณีชายขอบเกิดขึ้นอย่างต่อเนื่อง (การคืนเงิน การโต้แย้ง การอนุมัติพิเศษ) กระบวนการทำงานครอบคลุมเครื่องมือหลายตัว แพลตฟอร์ม และการรวมระบบที่เปลี่ยนแปลงไป และสิทธิ์การเข้าถึงแตกต่างกัน เมื่อตัวแทน AI ถูกขอให้จัดการงานขนาดใหญ่และได้รับบริบทมากเกินไป ความเสี่ยงของการเห็นภาพหลอกลวงและพฤติกรรมที่ไม่คาดคิดจะเพิ่มขึ้น

Kovant ลดปัญหานี้ด้วยการออกแบบ สถาปัตยกรรมที่เป็นเอกลักษณ์ของเราลดพื้นที่ปัญหา พื้นที่การตัดสินใจ และบริบทที่แบบจำลองทำงานด้วย เพื่อลดการเห็นภาพหลอกลวง เรายังแบ่งการดำเนินงานออกเป็นงานและขั้นตอนที่แคบและเน้นย้ำ ซึ่งทำให้พฤติกรรมคาดการณ์ได้มากขึ้น และเพิ่มความสามารถในการติดตามและควบคุมเข้าไปในระบบ และสามารถจัดการการเห็นภาพหลอกลวงได้ดีขึ้น เราสามารถเห็นได้ว่าตัวแทนแต่ละตัวทำอะไร จุดที่ความล้มเหลวเริ่มต้น และสามารถแทรกแซงหรือส่งต่อเมื่อจำเป็น

การเห็นภาพหลอกลวงไม่หายไปโดยอัตโนมัติ แต่ด้วยการจำกัดสิ่งที่ตัวแทนแต่ละตัวรับผิดชอบและจำกัดบริบทที่สามารถดำเนินการได้ เราสามารถลดความถี่และจำกัดผลกระทบได้ แนวทาง “งาน/บริบทที่แคบ” นี้ได้รับการสนับสนุนจากงานวิจัยล่าสุดของทีมวิจัย Nvidia (NVDA ) ซึ่งพบประโยชน์คล้ายกันจากการจำกัดการตัดสินใจของตัวแทน

ความรับผิดชอบเป็นข้อกังวลหลักเมื่อตัวแทน AI เริ่มดำเนินการจริงๆ ในระบบธุรกิจ การบันทึกการดำเนินการที่มีรายละเอียดเปลี่ยนการอภิปรายเกี่ยวกับความไว้วางใจ การปฏิบัติตามกฎระเบียบ และความเสี่ยงในการดำเนินงานอย่างไร?

ด้วยการบันทึกการดำเนินการที่มีรายละเอียด เราสามารถเห็นได้ว่าเกิดอะไรขึ้น ทำไมจึงเกิดขึ้น และสิ่งใดจะเกิดขึ้นต่อไป

การบันทึกที่มีรายละเอียดเปลี่ยนตัวแทน AI จากตัวบอทที่ทำงานอยู่ในเครื่องจักรให้กลายเป็นระบบที่สามารถตรวจสอบได้

ที่ Kovant สำหรับการนำตัวแทน AI ไปใช้จะมีการทำแผนที่ความเสี่ยงซึ่งองค์กรสามารถดำเนินการตามได้ เรามีขั้นตอนให้มนุษย์ตรวจสอบก่อนดำเนินการที่มีความเสี่ยง ซึ่งหมายความว่าตัวแทนสามารถดำเนินการเหล่านั้นได้เฉพาะเมื่อมนุษย์ตรวจสอบและอนุมัติการตัดสินใจทั้งหมด ซึ่งถูกบันทึกในลักษณะเดียวกับระบบบันทึก และสามารถติดตามได้

เรามองว่ามันสำคัญที่จะรวมการบันทึกการดำเนินงานเข้ากับการกำกับดูแลของมนุษย์และความสามารถในการสังเกตเห็นเพื่อลดความเสี่ยงให้เหลือน้อยที่สุด ซึ่งหมายความว่าคุณยังคงได้รับประโยชน์ด้านความเร็วและขนาดจากการให้ตัวแทนดำเนินงานจริง

มีการอภิปรายที่เพิ่มขึ้นเกี่ยวกับว่าตัวแทน AI สามารถมีการประกันภัยได้หรือไม่เนื่องจากการตัดสินใจที่ไม่โปร่งใส การทำให้กระบวนการทำงานของตัวแทน AI สามารถตรวจสอบและเล่นซ้ำได้อย่างไรช่วยแก้ไขปัญหา “กล่องดำ” และเปิดโอกาสให้มีการประกันภัย?

ปัญหา “กล่องดำ” คือสิ่งที่ทำให้การประกันภัยยาก หากคุณไม่สามารถแสดงให้เห็นได้อย่างชัดเจนว่าตัวแทน AI ทำอะไร ทำไมจึงทำ และมีการควบคุมใดบ้างที่มีอยู่ ก็ยากสำหรับใครๆ รวมถึงบริษัทประกันภัยที่จะกำหนดราคาตามความเสี่ยง

แนวทางของเราคือการขยายการเตรียมการความรับผิดชอบในคำตอบก่อนหน้า เราแบ่งขอบเขตการตัดสินใจและผลกระทบของการดำเนินการออกเป็นส่วนย่อย เพื่อไม่ให้แบบจำลองตัดสินใจครั้งใหญ่ที่ไม่โปร่งใสและอาจกระทบการดำเนินงานทั้งหมด แต่ละขั้นตอนจึงมีขอบเขตแคบลง คาดการณ์ได้มากขึ้น และประเมินได้ง่ายขึ้น เราเพิ่มการบันทึกที่มีรายละเอียด ความสามารถในการสังเกตเห็น และการกำกับดูแลของมนุษย์ สำหรับการตัดสินใจที่สำคัญและมีผลกระทบมากที่สุด เราใช้ขั้นตอนให้มนุษย์ตรวจสอบและอนุมัติก่อนที่ตัวแทนจะดำเนินการต่อได้ ทำให้มองเห็นพฤติกรรมของกระบวนการทำงานในทางปฏิบัติได้ชัดเจนยิ่งขึ้น

การทำให้กระบวนการทำงานสามารถตรวจสอบและเล่นซ้ำได้เป็นชิ้นส่วนสุดท้าย หากเกิดอะไรผิดปกติ คุณสามารถทำซ้ำสิ่งที่เกิดขึ้น ตรวจสอบอย่างรวดเร็ว ตรวจสอบการแก้ไข และแสดงให้เห็นว่าต้องได้รับการอนุมัติจากมนุษย์บ่อยเพียงใดและมีมาตรการป้องกันอยู่ตรงไหน ในแง่ของการประกันภัย สิ่งนี้เปลี่ยนพฤติกรรม AI ที่ลึกลับให้กลายเป็นสิ่งที่ใกล้เคียงกับความเสี่ยงในการดำเนินงานทั่วไป

ด้วยความคิดริเริ่มเช่น Agentic AI Foundation ที่มุ่งสร้างมาตรฐานร่วมกันสำหรับระบบตัวแทน AI อะไรคือสิ่งที่น่าหวังที่สุดในความพยายามเหล่านี้ และที่ไหนที่พวกเขาไม่เพียงพอสำหรับการดำเนินงานองค์กรจริง?

มาตรฐานโดยทั่วไปเป็นสิ่งที่ดี AAIF สามารถทำงานที่ไม่น่าดึงดูดแต่จำเป็นในการทำให้ระบบตัวแทน AI พูดภาษาเดียวกัน ซึ่งควรทำให้การรวมระบบง่ายขึ้นและลดการล็อกของซัพพลายเออร์ไปในระยะยาว

ที่ซึ่งฉันระมัดระวังคือมุมมองของใครที่กำหนดมาตรฐาน หากส่วนใหญ่ของงานถูกนำโดยผู้สร้างแบบจำลองและสตาร์ทอัพทางเทคนิค มีความเสี่ยงที่ “มาตรฐาน” จะได้รับการปรับให้เหมาะสมสำหรับสิ่งที่ง่ายที่สุดในการสร้างหรือแสดงผล ไม่ใช่สิ่งที่องค์กรขนาดใหญ่ต้องการจริงๆ เพื่อดำเนินการตัวแทน AI อย่างปลอดภัยทุกวัน

สำหรับการดำเนินงานองค์กรจริง ช่องว่างมักจะน้อยกว่าเรื่องการเชื่อมต่อและมากกว่าเรื่องการควบคุม: สิ่งที่ตัวแทน AI สามารถเข้าถึงและเปลี่ยนแปลงได้ การอนุมัติสำหรับการดำเนินการที่มีผลกระทบสูง การบันทึกการดำเนินงานที่สามารถตรวจสอบได้ และความสามารถในการสังเกตเห็นเพื่อให้ทีมสามารถตรวจสอบพฤติกรรม ตรวจสอบเหตุการณ์ และพิสูจน์การปฏิบัติตามกฎระเบียบได้ องค์กรต้องการมาตรฐานที่เป็นไปได้ในการดำเนินงานในความเป็นจริงที่ซับซ้อน: ทดสอบกรณีชายขอบ การจัดการระบบที่เปลี่ยนแปลง และสามารถหยุดชั่วคราว จำกัดขอบเขต หรือย้อนกลับการดำเนินการได้อย่างปลอดภัยข้ามเครื่องมือรุ่นเก่าและสภาพแวดล้อมข้อมูลที่มีการควบคุม

ดังนั้น มันจึงเป็นทิศทางที่น่าหวัง แต่ผลกระทบจะมีจำกัดหากไม่ได้คำนึงถึงข้อกำหนดขององค์กรและการควบคุมความเสี่ยงในการดำเนินงานตั้งแต่ต้น

Kovant ได้สร้างรายได้จำนวนมากจากองค์กรขนาดใหญ่ในนอร์ดิกในขณะที่ดำเนินงานอยู่ในโหมดลับ สิ่งใดคือฟังก์ชันทางธุรกิจหรือกระบวนการทำงานที่พร้อมสำหรับตัวแทน AI อิสระมากที่สุดในปัจจุบัน?

จากการที่เราเห็นในการนำไปใช้งานจริง กระบวนการทำงานที่พร้อมมากที่สุดคืองานสำนักงานที่ตอบสนองต่อเหตุการณ์: การเฝ้าติดตาม การติดตามเรื่องค้าง การตรวจสอบ การอัปเดตระบบ การจัดการข้อยกเว้น และการรักษาการดำเนินงานให้ดำเนินต่อไปข้ามเครื่องมือหลายตัว

ในห่วงโซ่อุปทานการผลิตและองค์กรขนาดใหญ่ สิ่งนี้ปรากฏขึ้นใน:

• การจัดซื้อ/จัดจ้าง: การมีอยู่ของวัสดุหลัก การจัดซื้ออย่างยั่งยืน การดำเนินงานด้านการปฏิบัติตามกฎระเบียบ การเลือกซัพพลายเออร์ (รวมถึงการซื้อจากหลายแหล่ง) การจัดการสัญญาซัพพลายเออร์ การจัดการความเสี่ยงของซัพพลายเออร์ และการบริหารจัดการการประมูล/การเสนอราคา
• การผลิต: การวางแผนความจุ การวางแผนการผลิต การจัดการการบำรุงรักษา การจัดการคุณภาพ การจัดการคอขวด และการป้องกันความสูญเสีย
• คลังสินค้า: การรับสินค้าและการตรวจสอบ การจัดการคลังสินค้า การหมุนเวียนคลังสินค้า (FIFO/FEFO) และการนับคลังสินค้า/การตรวจสอบ
• การขนส่ง/ลอจิสติกส์: การเลือกโหมดและผู้ให้บริการขนส่ง การเคลียร์ศุลกากร/เอกสาร การติดตามและการมองเห็น การติดตามการปล่อยก๊าซเรือนกระจก และการปฏิบัติตามกฎระเบียบทางการค้า
• การขายและการบริการ: การมีอยู่ของผลิตภัณฑ์ การป้องกันการขาดแคลน การจัดการการขาย/การคืน การวิเคราะห์พฤติกรรมผู้บริโภค และพื้นที่หลังการขาย เช่น การซ่อมแซม การติดตามสิ้นสุดอายุการใช้งาน การดำเนินงานของศูนย์ซ่อม และสัญญาบริการ

เมื่อองค์กรนำตัวแทน AI ไปใช้ในกระบวนการทำงานที่สำคัญ คุณแนะนำให้สมดุลระหว่างความเป็นอิสระของ AI และการกำกับดูแลของมนุษย์อย่างไรเพื่อให้แน่ใจว่ามีการควบคุมโดยไม่ทำให้ทุกอย่างช้าลง?

ความสมดุลถูกกำหนดโดยการกำกับดูแลที่มีการกำหนดขอบเขต คุณต้องปล่อยให้ตัวแทน AI ดำเนินการได้อย่างรวดเร็วในงานที่มีความเสี่ยงต่ำภายในขอบเขตที่ชัดเจน และส่งต่อให้มนุษย์เมื่อการดำเนินการข้ามขอบเขตความเสี่ยงที่กำหนดไว้

ความล้มเหลวจำนวนมากเกิดจากการที่ให้แบบจำลองมีขอบเขตและบริบทมากเกินไปในครั้งเดียว ฉันแนะนำให้แบ่งการดำเนินงานออกเป็นการตัดสินใจและขั้นตอนที่แคบและเน้นย้ำ โดยแต่ละขั้นตอนมีสิทธิ์การเข้าถึงที่ชัดเจนและขอบเขตผลกระทบที่จำกัด ซึ่งช่วยลดพฤติกรรมที่คาดเดาไม่ได้และทำให้ติดตามและปรับปรุงประสิทธิภาพได้ง่ายขึ้น

จากนั้น คุณรวมสามสิ่งนี้เข้าด้วยกัน: ความสามารถในการสังเกตเห็น การบันทึกการดำเนินงาน และการกำกับดูแลของมนุษย์ ทุกสิ่งที่ตัวแทน AI ทำควรเป็นไปได้ที่จะตรวจสอบ คุณสามารถตรวจสอบสิ่งที่เกิดขึ้นและตรวจสอบอย่างรวดเร็ว สำหรับการดำเนินการเสี่ยงหรือที่มีผลกระทบสูง คุณใส่ขั้นตอนการอนุมัติของมนุษย์เข้าไปในกระบวนการทำงาน เพื่อให้ตัวแทน AI สามารถเสนอและเตรียมการได้ แต่จะดำเนินการเฉพาะเมื่อมนุษย์อนุมัติ

สิ่งนี้ทำให้ทุกอย่างดำเนินไปอย่างรวดเร็ว มันอาจจะชะลอเล็กน้อยที่ขั้นตอนการกำกับดูแลของมนุษย์ แต่นั่นเป็นส่วนสำคัญของกระบวนการ มนุษย์ไม่ต้องกำกับดูแลทุกคลิก แต่ยังคงอยู่ในการควบคุมของช่วงเวลาที่สำคัญ ผลลัพธ์คือความเร็วที่ที่ปลอดภัย และการกำกับดูแลที่จำเป็น

เมื่อมองไปข้างหน้า คุณคาดหวังว่าบทบาทของตัวแทน AI อิสระจะพัฒนาไปอย่างไรภายในองค์กรขนาดใหญ่ในอีกไม่กี่ปีข้างหน้า และอะไรที่จะทำให้บริษัทที่ประสบความสำเร็จด้วย AI ที่เป็นตัวแทนแตกต่างจากที่ดิ้นรน?

ในอีกไม่กี่ปีข้างหน้า ตัวแทน AI อิสระจะเปลี่ยนจากการเป็นการทดลองที่น่าสนใจไปสู่การเป็นชั้นการดำเนินงานจริงภายในองค์กรขนาดใหญ่ พวกมันจะถูกใช้สำหรับการดำเนินงาน การบริการลูกค้า การเงิน และทรัพยากรบุคคล เมื่อความน่าเชื่อถือ ธรรมาภิบาล และการควบคุมดูแลดีขึ้น เราจะเห็นองค์กรเปลี่ยนจากโครงการนำร่องที่แยกกันไปสู่การใช้งานทีมตัวแทนในกระบวนการทำงานตั้งแต่ต้นจนจบ

การเปลี่ยนแปลงที่ใหญ่ที่สุดคือความเร็ว ความคล่องตัว ขนาด การเพิ่มประสิทธิภาพ และต้นทุนจะกลายเป็นปัจจัยสร้างความได้เปรียบในการแข่งขันโดยตรงมากขึ้น ฉันคิดว่า “การเคลื่อนไหวของ Uber” กำลังจะเกิดขึ้นสำหรับองค์กร องค์กรที่แท้จริงที่จะครอบงำ AI ที่เป็นตัวแทนจะสามารถดำเนินงานได้ด้วยความเร็วพื้นฐานที่มากกว่าผู้ที่ช้ากว่า สามารถเข้าถึงตลาดได้เร็วขึ้น และตอบสนองต่อการเปลี่ยนแปลงโดยไม่มีการล่าช้าในการดำเนินงาน

สิ่งที่ทำให้ผู้ชนะแตกต่างออกไปไม่ใช่แค่การนำตัวแทน AI ไปใช้ แต่เป็นการนำไปใช้อย่างดี การกำกับดูแลที่มีการกำหนดขอบเขต ความสามารถในการสังเกตการณ์ที่ดี บันทึกการดำเนินการ และสถาปัตยกรรมที่จำกัดขอบเขตการตัดสินใจ จะเป็นกุญแจสำคัญ องค์กรที่รักษา AI ที่เป็นตัวแทนให้เป็นความสามารถหลักในการดำเนินงาน โดยมีการควบคุม การรวมระบบ และการเป็นเจ้าของที่เหมาะสม จะใช้มันเพื่อทำมากกว่า ไม่น้อยกว่า สิ่งนี้จะช่วยให้ทีมสามารถมุ่งเน้นไปที่การเติบโตและนวัตกรรม มากกว่าการใช้เวลาที่ฝังอยู่ในการจัดการที่ซับซ้อน ในระยะสั้น ความเร็วและประสิทธิภาพที่รุนแรงจะกลายเป็นข้อได้เปรียบที่แท้จริงในระดับองค์กร

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Kovant เพื่อเรียนรู้เพิ่มเติม