อาลี ซาร์ราฟฟี, ซีอีโอและผู้ก่อตั้ง Kovant – ซีรีส์สัมภาษณ์

อาลี ซาร์ราฟฟี ซีอีโอและผู้ก่อตั้ง Kovant เป็นนักบริหารด้านเทคโนโลยีและ AI ที่มีประสบการณ์อย่างลึกซึ้งและมีฐานการทำงานอยู่ที่สตอกโฮล์ม โดยมีประวัติการสร้างและขยายธุรกิจ AI ที่เติบโตอย่างรวดเร็ว นับตั้งแต่ก่อตั้ง Kovant ในปลายปี 2024 เขาได้นำประสบการณ์ที่ลึกซึ้งในการวางกลยุทธ์ AI ขององค์กร การดำเนินการตลาด และการขยายการดำเนินงานมาใช้ ก่อนหน้านี้เขา曾ดำรงตำแหน่งรองประธานฝ่ายกลยุทธ์ที่ Silo AI หลังจากที่ AMD เข้าซื้อกิจการ โดยที่เขารับผิดชอบในการกำหนดกลยุทธ์ AI ขององค์กรและการขยายการนำ AI ไปใช้ในระดับใหญ่ ในช่วงต้นอาชีพของเขา เขาได้ร่วมก่อตั้ง Combient Mix และนำบริษัทผ่านการเติบโตอย่างรวดเร็วและการซื้อกิจการโดย Silo AI และต่อมาได้รับหน้าที่เป็นที่ปรึกษาและคณะกรรมการในด้านการศึกษาและสตาร์ทอัพ AI ซึ่งสะท้อนถึงการมุ่งเน้นอย่างต่อเนื่องในการนำ AI ที่ซับซ้อนมาใช้ในการดำเนินธุรกิจจริง

Kovant เป็นบริษัท AI ระดับองค์กรที่มุ่งเน้นในการช่วยให้องค์กรสามารถเปลี่ยนจากการใช้ AI ในการทดลองไปสู่การดำเนินธุรกิจที่เป็นอิสระและเป็นแบบอัตโนมัติ บริษัทพัฒนาแพลตฟอร์มที่ใช้ตัวแทน AI เพื่อจัดการทีมของตัวแทน AI ข้ามโดเมินการดำเนินงานที่ซับซ้อน เช่น การจัดซื้อจัดจ้าง ห่วงโซ่อุปทาน การปฏิบัติตามกฎระเบียบ และการดำเนินงานของลูกค้า โดยการเน้นย้ำถึงการนำไปใช้งานที่ปลอดภัยและรวดเร็ว Kovant จึงเป็นสะพานเชื่อมระหว่างความ雄心壮ใหญ่ของ AI และการดำเนินงานประจำวัน ช่วยให้องค์กรขนาดใหญ่สามารถฝัง AI ลงในกระบวนการทำงานหลักได้แทนที่จะถือเป็นเครื่องมือหรือโครงการทดลองที่แยกออกมา

คุณได้นำโครงการ AI ที่สำคัญที่ Spotify มาใช้ ขยายและออกจาก Combient Mix และต่อมาได้กำหนดกลยุทธ์ AI ระดับองค์กรที่ Silo AI ก่อนที่จะก่อตั้ง Kovant สิ่งใดหรือความไม่พอใจที่คุณพบในบทบาทเหล่านั้นที่ทำให้คุณเชื่อว่าถึงเวลาที่จะสร้างแพลตฟอร์มอัตโนมัติระดับองค์กร และประวัติศาสตร์นั้นได้รูปทรงหลักการออกแบบของ Kovant อย่างไร?

ในบทบาทก่อนหน้าของฉัน มีช่องว่างที่เกิดขึ้นซ้ำๆ เช่น เครื่องมือ AI “แนวตั้ง” ส่วนใหญ่ถูกจำกัดอยู่ในซอฟต์แวร์สแต็กเดียว: พวกมันทำสิ่งหนึ่งได้ดีขึ้นเล็กน้อยภายในขอบเขตนั้น แต่จะดูยากเมื่อกระบวนการทำงานต้องข้ามระบบหลายระบบ ในเวลาเดียวกัน ข้อมูลขององค์กรมีการกระจายอยู่ทั่วทุกที่ และวิธีแก้ปัญหาอัตโนมัติหลายวิธีไม่สามารถเข้าถึงข้อมูลนั้นได้ เมื่อบวกกับการรวมระบบอย่างไม่มีระเบียบ คุณจะได้รับสถาปัตยกรรม “สปาเกตตี” ที่ซับซ้อน: ความซับซ้อนเพิ่มขึ้น การเปลี่ยนแปลงช้าลง และทีมงานจะจบลงด้วยการอัตโนมัติขั้นตอนเดียวแทนการคิดใหม่เกี่ยวกับกระบวนการทำงานจากจุดเริ่มต้นจนจบ ผลลัพธ์คือ ROI มักจะมาถึงช้ากว่า – และน้อยกว่า – ที่องค์กรคาดหวัง

Kovant ได้รับการออกแบบมาเพื่อตอบสนองต่อความเป็นจริงนั้น หลักการออกแบบหลักของเราคือตัวแทนควรทำงานเหมือนพนักงาน: พวกมันทำงานข้ามเครื่องมือหลายเครื่อง “ได้รับการว่าจ้าง” เพื่อทำงาน ไม่ใช่เพื่อทำให้ลำดับแบบสคริปต์เดียวอัตโนมัติ นั่นคือเหตุผลที่การรวมและจัดการถูกสร้างไว้ และเหตุผลที่เราถือว่าข้อมูลขององค์กรมักจะไม่เรียบร้อยและไม่มีโครงสร้าง – มันต้องการแนวทางที่เหมือนมนุษย์ในการจัดการกับข้อยกเว้นและความไม่แน่นอน

เราใช้ตัวแทนพื้นฐานเพื่อให้ได้ความเร็วและขนาด ในขณะเดียวกันก็ให้ความสำคัญกับการควบคุมข้อมูล: องค์กรสามารถเข้าถึงและใช้ข้อมูลของตนเองได้อย่างไม่ต้องออกนอกสถานที่

Kovant ตั้งตนเป็นแพลตฟอร์มอัตโนมัติระดับองค์กรที่สามารถดำเนินธุรกิจและแผนกทั้งหมดด้วยตัวแทน AI ได้ คุณกำหนด “อัตโนมัติ” ในบริบทขององค์กรอย่างไร และสิ่งนี้แตกต่างจากการอัตโนมัติและเครื่องมือตัวแทนซึ่งบริษัทต่างๆ đangทดลองอยู่ในปัจจุบันอย่างไร?

ในบริบทขององค์กร เมื่อเราพูดว่า “อัตโนมัติ” เราไม่ได้หมายถึง “ไม่มีการกำกับดูแล” เราหมายถึงตัวแทน AI สามารถดำเนินการจริงๆ ที่สิ้นสุดกระบวนการทำงานด้วยเป้าหมายและรั้วที่ชัดเจน และพวกเขาจะยกเลิกไปยังมนุษย์เมื่อต้องการการกำกับดูแล

สิ่งที่ทำให้ Kovant แตกต่างคือตัวแทนพื้นฐานของเรา ไม่ใช่การทำให้กระบวนการหรือลำดับแบบสคริปต์เดียวอัตโนมัติ แต่ตัวแทนของ Kovant สามารถทำงานเป็นทีม (หรือฝูง) ในการดำเนินงานโดยใช้เพียงคำแนะนำและภาพรวมการดำเนินงานที่เรียกว่า “แผนภาพ” พวกมันไม่ได้รับการออกแบบสำหรับงานแคบๆ เดียว; พวกมันร่วมมือกันเพื่อแก้ไขกระบวนการทำงานที่ซับซ้อน ปรับเปลี่ยนเมื่อสภาพแวดล้อมเปลี่ยนแปลง และส่งต่อให้กับมนุษย์เมื่อต้องการการกำกับดูแล

ตัวอย่างเช่น ทีมตัวแทนจัดการคลังสามารถทำงานได้โดยไม่ต้องสร้างใหม่จากศูนย์ รวมถึง: สื่อสารกับซัพพลายเออร์ผ่านอีเมล ติดตามระดับคลังและสัญญาณคลังหมด ส่งติดตามการขนส่งและคำสั่งซื้อ อัปเดตสถานะข้ามระบบ สร้างตั๋วความไม่ถูกต้องสำหรับผู้วางแผนคลังที่จะต้องอนุมัติ การกระจายคลังระหว่างคลัง และการรวมรายงานคลัง

ดังนั้น การเปลี่ยนแปลงคือแทนที่จะสร้าง “แชทบวกเครื่องมือ” หรือการอัตโนมัติที่หักเหเมื่อขยายขนาด องค์กรจะเปลี่ยนจากการสร้างตัวแทนไปสู่การดำเนินการตัวแทนในระดับใหญ่

尽管对智能AI代理的兴趣非常大，许多组织仍然停留在试验模式。根据您在实际部署中看到的情况，公司在尝试将AI代理从实验转移到大规模生产时遇到的主要原因是什么?

สิ่งที่เราพบคือส่วนใหญ่ไม่ได้หยุดอยู่ในโหมดทดลองเพราะความคิดนั้นไม่ถูกต้อง แต่พวกเขาหยุดเพราะสภาพแวดล้อมไม่เอื้ออำนวยต่อการขยายขนาด

อุปสรรคแรกคือภูมิทัศน์เทคโนโลยีขององค์กรที่กระจัดกระจาย กระบวนการทำงานข้ามระบบหลายระบบ ข้อมูลอยู่ในหลายที่ และการเชื่อมต่อทุกอย่างเข้าด้วยกันอย่างน่าเชื่อถือเป็นเรื่องที่ยาก และ AI 代理มักถูกนำไปใช้เป็นส่วนเสริมของเครื่องมือที่มีอยู่แล้ว แทนที่จะเป็นวิธีการคิดใหม่เกี่ยวกับวิธีการดำเนินกระบวนการทำงานจากจุดเริ่มต้นจนจบ

ยังมีปัญหาเกี่ยวกับสถาปัตยกรรมและข้อมูลด้วย ผู้ให้บริการ SaaS หลายรายยังคงพยายามล็อกข้อมูล ซึ่งสร้างความไม่เข้ากันและจำกัดสิ่งที่ตัวแทนสามารถทำได้ข้ามระบบ และหลายทีมก็ประเมินต่ำเกินไปว่าข้อมูลขององค์กรส่วนใหญ่เป็นข้อมูลที่ไม่มีโครงสร้าง (อีเมล ไฟล์เอกสาร ตั๋ว ไฟล์ PDF บันทึกแชท) หากวิธีการของคุณถือว่าข้อมูลที่สะอาดและมีโครงสร้าง การดำเนินการที่รวดเร็วและง่ายต่อการทำซ้ำนอกเหนือจากการทดลองจะยากและยากต่อการทำซ้ำ

โดยสรุป: การกระจัดกระจาย การล็อกข้อมูล และข้อมูลที่ไม่มีโครงสร้างสร้างความล่าช้า – และการทดลองไม่กลายเป็นการผลิตจนกว่าความเป็นจริงเหล่านั้นได้รับการออกแบบมา

ความน่าเชื่อถือมักถูกอ้างถึงว่าเป็นตัวขัดขวางที่ใหญ่ที่สุดในการนำ AI 代理ไปใช้ในโลกแห่งความเป็นจริง สิ่งใดที่ทำให้ระบบ AI 代理หลายระบบล้มเหลวเมื่อออกจากสภาพแวดล้อมที่ควบคุมได้ และวิธีการของ Kovant ลดปัญหา เช่น การหลอกลวงและพฤติกรรมที่ไม่คาดคิด?

บางระบบ AI 代理ดูดีในตัวอย่าง แต่ล้มเหลวในโลกแห่งความเป็นจริงเพราะสภาพแวดล้อมนั้นไม่เรียบร้อยและไม่คาดคิด ข้อมูลไม่สมบูรณ์หรือไม่สอดคล้องกัน กรณี ngoại lệเกิดขึ้นบ่อยๆ (การคืนเงิน การโต้แย้ง การอนุมัติพิเศษ) กระบวนการทำงานข้ามเครื่องมือหลายเครื่องและแพลตฟอร์มที่เปลี่ยนแปลงไปตามเวลา และสิทธิ์การเข้าถึงแตกต่างกัน เมื่อตัวแทน AI ถูกขอให้จัดการงานขนาดใหญ่และได้รับบริบทมากเกินไป ความเสี่ยงของการหลอกลวงและพฤติกรรมที่ไม่คาดคิดจะเพิ่มขึ้น

Kovant ลดปัญหานี้ด้วยการออกแบบ พื้นฐานของเราจำกัดพื้นที่ปัญหา พื้นที่การตัดสินใจ และบริบทที่โมเดลทำงานด้วยเพื่อลดการหลอกลวง เรายังแบ่งการดำเนินงานออกเป็นงานเล็กๆ ที่มุ่งเน้นสำหรับตัวแทนและขั้นตอนแต่ละขั้น ทำให้พฤติกรรมคาดการณ์ได้มากขึ้น และเพิ่มความสามารถในการติดตามและควบคุมลงในระบบ และสามารถจัดการการหลอกลวงได้ดีขึ้น เราสามารถเห็นได้ว่าตัวแทนแต่ละตัวทำอะไร ที่ไหนที่ความล้มเหลวเริ่มต้น และสามารถเข้าแทรกหรือยกเลิกเมื่อต้องการ

การหลอกลวงไม่หายไปโดยอัตโนมัติ แต่ด้วยการจำกัดสิ่งที่ตัวแทนแต่ละตัวรับผิดชอบและจำกัดบริบทที่สามารถดำเนินการได้ เราสามารถลดความถี่และจำกัดผลกระทบได้ วิธีการ “งาน/บริบทที่แคบ” นี้ได้รับการสนับสนุนจากงานวิจัยล่าสุดของทีมวิจัย Nvidia ซึ่งพบผลประโยชน์ที่คล้ายกันจากการจำกัดการตัดสินใจของตัวแทน

ความรับผิดชอบเป็นข้อกังวลหลักเมื่อ AI 代理เริ่มดำเนินการจริงในระบบธุรกิจ การบันทึกการดำเนินการที่มีรายละเอียดเปลี่ยนการอภิปรายเกี่ยวกับความไว้วางใจ การปฏิบัติตามกฎระเบียบ และความเสี่ยงในการดำเนินงานอย่างไร?

ด้วยการบันทึกการดำเนินการที่มีรายละเอียด เราสามารถเห็นได้ว่าเกิดอะไรขึ้น ทำไมจึงเกิดขึ้น และสิ่งใดที่เกิดขึ้นต่อไป

การบันทึกที่มีรายละเอียดเปลี่ยนตัวแทนจาก “บอทที่ทำงานอยู่ในเครื่อง” เป็นระบบที่สามารถตรวจสอบได้

ที่ Kovant สำหรับการใช้งาน AI 代理ใดๆ จะมีแผนที่ความเสี่ยงที่องค์กรสามารถดำเนินการได้ เรามีการรักษาความปลอดภัยสำหรับการดำเนินการเสี่ยงของมนุษย์ ซึ่งหมายความว่าตัวแทนสามารถดำเนินการเหล่านั้นได้เฉพาะเมื่อมนุษย์ตรวจสอบและอนุมัติการตัดสินใจ การบันทึกทั้งหมดนี้จะถูกบันทึกในลักษณะเดียวกับที่ระบบบันทึกถูกบันทึกและสามารถติดตามได้

เราเชื่อว่ามันสำคัญที่จะรวมการบันทึกการดำเนินงานเข้ากับการกำกับดูแลของมนุษย์และความสามารถในการสังเกตการณ์เพื่อลดความเสี่ยง

มีการอภิปรายที่เพิ่มขึ้นเกี่ยวกับว่า AI 代理สามารถประกันภัยได้หรือไม่เนื่องจากการตัดสินใจที่ไม่โปร่งใส วิธีการทำให้กระบวนการทำงานของ AI 代理สามารถตรวจสอบและเล่นซ้ำได้ช่วยแก้ไขปัญหา “กล่องดำ” และเปิดโอกาสให้ประกันภัยได้อย่างไร?

ปัญหา “กล่องดำ” คือสิ่งที่ทำให้การประกันภัยยาก หากคุณไม่สามารถแสดงให้เห็นได้อย่างชัดเจนว่าตัวแทนได้ทำอะไร ทำไมจึงทำ และมีการควบคุมอะไรอยู่ นั่นเป็นสิ่งที่ยากสำหรับทุกคน โดยเฉพาะผู้ประกันภัย เพื่อประเมินความเสี่ยง

วิธีการของเราคือการขยายการเตรียมการความรับผิดชอบในคำตอบก่อนหน้า เราแบ่งพื้นที่การตัดสินใจและผลกระทบของการดำเนินงานออกเป็นชิ้นเล็กๆ ทำให้โมเดลไม่ต้องตัดสินใจที่ใหญ่และไม่โปร่งใส

เราบวกการบันทึกที่มีรายละเอียด การสังเกตการณ์ และการกำกับดูแลของมนุษย์ สำหรับการตัดสินใจที่สำคัญที่สุดและที่มีผลกระทบมากที่สุด เราใช้การกำกับดูแลของมนุษย์ เพื่อให้ตัวแทนสามารถดำเนินการได้เฉพาะหลังจากที่บุคคลตรวจสอบและอนุมัติแล้ว

สิ่งนี้ทำให้สามารถตรวจสอบการทำงานของกระบวนการได้ หากเกิดอะไรผิดปกติ คุณสามารถทำซ้ำสิ่งที่เกิดขึ้นได้ ตรวจสอบและแก้ไขปัญหาได้อย่างรวดเร็ว และแสดงให้เห็นถึงการเปลี่ยนแปลงและตำแหน่งของการรักษาความปลอดภัย ในแง่ของการประกันภัย สิ่งนี้เปลี่ยน “พฤติกรรม AI ที่ไม่โปร่งใส” เป็นความเสี่ยงที่เป็นมาตรฐานมากกว่า

ด้วยการเคลื่อนไหวเช่น Agentic AI Foundation ที่พยายามสร้างมาตรฐานร่วมกันสำหรับระบบ AI 代理 คุณเห็นด้วยว่าส่วนใดของความพยายามเหล่านี้ที่มีแนวโน้มมากที่สุด และที่ไหนที่ยังขาดไปสำหรับการดำเนินงานขององค์กรจริง?

มาตรฐานโดยทั่วไปเป็นสิ่งที่ดี AAIF สามารถทำงานที่ไม่น่าดึงดูดแต่จำเป็นในการทำให้ระบบ AI 代理พูดภาษาเดียวกัน ซึ่งควรทำให้การรวมระบบง่ายขึ้นและลดการล็อกของซัพพลายเออร์ตามเวลา

ที่ซึ่งฉันระมัดระวังคือมุมมองของใครที่กำหนดมาตรฐาน หากการทำงานส่วนใหญ่นำโดยผู้สร้างโมเดลและสตาร์ทอัพทางเทคนิค มีความเสี่ยงที่ “มาตรฐาน” จะได้รับการปรับให้เหมาะสมสำหรับสิ่งที่ง่ายที่สุดในการสร้างหรือแสดง ไม่ใช่สิ่งที่องค์กรขนาดใหญ่ต้องการจริงๆ ในการดำเนินงาน AI 代理อย่างปลอดภัยทุกวัน

สำหรับการดำเนินงานขององค์กรจริง ช่องว่างมักจะไม่ใช่เรื่องของการเชื่อมต่อ แต่เรื่องของการควบคุม: สิ่งที่ตัวแทนสามารถเข้าถึงและเปลี่ยนแปลงได้ การอนุมัติกระบวนการสำหรับการดำเนินการที่มีผลกระทบสูง การบันทึกที่สามารถตรวจสอบได้ และความสามารถในการสังเกตการณ์เพื่อให้ทีมสามารถตรวจสอบพฤติกรรม ตรวจสอบเหตุการณ์ และพิสูจน์การปฏิบัติตามกฎระเบียบได้ องค์กรยังต้องการมาตรฐานที่เป็นรูปธรรมสำหรับการดำเนินงานในความเป็นจริงที่ยุ่งเหยิง: การทดสอบกรณี ngoại lệ การจัดการระบบที่เปลี่ยนแปลง และความสามารถในการหยุด ปิดกั้น หรือกลับด้านการดำเนินงานได้อย่างปลอดภัยข้ามเครื่องมือและสภาพแวดล้อมข้อมูลที่มีการควบคุม

ดังนั้น มันจึงเป็นทิศทางที่น่าหวัง แต่ผลกระทบจะถูกจำกัดหากความต้องการขององค์กรและควบคุมความเสี่ยงในการดำเนินงานไม่ได้รับการปฏิบัติเหมือนเป็นเรื่องรองจากเรื่องอื่น

Kovant ได้สร้างรายได้จากองค์กรขนาดใหญ่ในนอร์ดิกที่มีประสิทธิภาพสูง ในขณะที่ดำเนินงานอยู่ในโหมดลับ มีหน้าที่หรือกระบวนการทำงานใดที่พิสูจน์แล้วว่าพร้อมสำหรับ AI 代理อัตโนมัติในปัจจุบัน?

จากที่เราเห็นในการใช้งานจริง กระบวนการทำงานที่พร้อมที่สุดคืองานที่ทำจากงานบริหารขาวที่ทำปฏิกิริยา: การตรวจสอบ การติดตาม การตรวจสอบ การอัปเดตระบบ การจัดการกับข้อยกเว้น และการรักษาการดำเนินงานให้ดำเนินต่อไปข้ามเครื่องมือหลายเครื่อง

ในห่วงโซ่อุปทานและการผลิตขององค์กร กระบวนการเหล่านี้ปรากฏขึ้นใน:

• การจัดซื้อจัดจ้าง: การมีอยู่ของวัตถุดิบ การจัดหาวัตถุดิบที่ยั่งยืน การดำเนินงานด้านการปฏิบัติตามกฎระเบียบ การเลือกซัพพลายเออร์ (รวมถึงการซื้อจากซัพพลายเออร์หลายราย) การจัดการสัญญา การจัดการความเสี่ยงของซัพพลายเออร์ และการประมูล/การจัดการการเสนอราคา
• การผลิต: การวางแผนความจุ การวางแผนการผลิต การจัดการการบำรุงรักษา การจัดการคุณภาพ การจัดการการขาดแคลน และการป้องกันการขาดทุน
• คลังสินค้า: การรับสินค้าและการตรวจสอบ การจัดการคลังสินค้า การหมุนเวียนคลังสินค้า (FIFO/FEFO) และการนับและตรวจสอบคลังสินค้า
• การขนส่ง / การจัดส่ง: การเลือกโหมดและผู้ขนส่ง การจัดการการเคลียร์ศุลกากร/เอกสาร การติดตามและการมองเห็น การติดตามการปล่อยก๊าซเรือนกระจก และการปฏิบัติตามกฎระเบียบการค้า
• การขายและการบริการ: การมีอยู่ของผลิตภัณฑ์ การป้องกันการขาดสินค้า การจัดการการขาย/การคืน การวิเคราะห์พฤติกรรมผู้บริโภค และพื้นที่หลังการขาย เช่น การซ่อมแซม การติดตามสิ้นสุดอายุการใช้งาน การดำเนินงานในโรงงาน และสัญญาการบริการ

เมื่อองค์กรใช้ AI 代理ข้ามการดำเนินงานที่สำคัญ คุณแนะนำวิธีการสมดุลระหว่างความเป็นอิสระของ AI 代理กับการกำกับดูแลของมนุษย์เพื่อให้แน่ใจว่ามีการควบคุมโดยไม่ชะลอการดำเนินงาน?

สมดุลถูกกำหนดโดยการกำกับดูแลที่มีการควบคุม คุณต้องปล่อยให้ตัวแทนสามารถเคลื่อนไหวได้อย่างรวดเร็วในงานที่มีความเสี่ยงต่ำภายในรั้วที่ชัดเจน และยกเลิกไปยังมนุษย์เมื่อการดำเนินงานข้ามขอบเขตความเสี่ยงที่กำหนด

การล้มเหลวหลายครั้งเกิดจากการที่ให้โมเดลมีขอบเขตกว้างเกินไปและบริบทมากเกินไปในครั้งเดียว ฉันแนะนำให้แบ่งการดำเนินงานออกเป็นการตัดสินใจที่แคบๆ ที่มีการอนุมัติและผลกระทบที่จำกัด ทำให้พฤติกรรมคาดการณ์ได้มากขึ้นและทำให้การตรวจสอบและปรับปรุงประสิทธิภาพง่ายขึ้น

จากนั้น คุณรวมสิ่งต่อไปนี้เข้าด้วยกัน: การสังเกตการณ์ การบันทึกการดำเนินงาน และการกำกับดูแลของมนุษย์ สำหรับการดำเนินการที่มีผลกระทบสูงหรือมีความเสี่ยง การบันทึกที่มีรายละเอียดจะช่วยให้คุณสามารถตรวจสอบสิ่งที่เกิดขึ้นได้ และสำหรับการดำเนินการที่มีผลกระทบสูง คุณใส่ขั้นตอนการอนุมัติของมนุษย์ลงในกระบวนการทำงาน เพื่อให้ตัวแทนสามารถเสนอและเตรียมการได้ แต่จะดำเนินการเฉพาะเมื่อมนุษย์อนุมัติ

สิ่งนี้จะช่วยให้การดำเนินงานรวดเร็วขึ้น มันจะชะลอการดำเนินงานลงเพียงเล็กน้อยที่ขั้นตอนการกำกับดูแลของมนุษย์ แต่นั่นเป็นส่วนสำคัญของกระบวนการ มนุษย์ไม่ต้องดูแลการคลิกทุกครั้ง แต่ยังคงอยู่ในการควบคุมของช่วงเวลาที่สำคัญ ผลลัพธ์คือความเร็วที่ปลอดภัย และการกำกับดูแลที่จำเป็น

เมื่อมองไปข้างหน้า คุณคาดหวังว่าบทบาทของ AI 代理อัตโนมัติจะพัฒนาไปอย่างไรภายในองค์กรขนาดใหญ่ในอีกไม่กี่ปีข้างหน้า และอะไรที่จะทำให้บริษัทที่ประสบความสำเร็จด้วย AI 代理แตกต่างจากที่ต้องดิ้นรน?

ในอีกไม่กี่ปีข้างหน้า AI 代理อัตโนมัติจะเปลี่ยนจากการทดลองที่น่าสนใจไปสู่การเป็นชั้นการดำเนินงานจริงภายในองค์กรขนาดใหญ่ พวกมันจะถูกนำไปใช้ในการดำเนินงาน การบริการลูกค้า การเงิน และทรัพยากรบุคคล เมื่อความน่าเชื่อถือ การกำกับดูแล และการกำกับดูแลดีขึ้น เราจะเห็นองค์กรเปลี่ยนจากการสร้างตัวแทนไปสู่การดำเนินการตัวแทนข้ามกระบวนการทำงานตั้งแต่ต้นจนจบ

การเปลี่ยนแปลงที่ใหญ่ที่สุดคือความเร็ว ความคล่องตัว การขยายขนาด ประสิทธิภาพ และต้นทุนจะกลายเป็นคู่มือการแข่งขันที่ตรงไปตรงมา hơn ฉันคิดว่า “การเคลื่อนไหวของ Uber” กำลังจะมาถึงสำหรับองค์กร องค์กรที่แท้จริงที่จะครอบงำ AI 代理จะสามารถดำเนินงานได้เร็วกว่าผู้ที่ช้ากว่า จับตลาดได้เร็วกว่า และตอบสนองต่อการเปลี่ยนแปลงโดยไม่มีการล่าช้าในการดำเนินงาน

สิ่งที่ทำให้ผู้ชนะแตกต่างออกไปไม่ใช่แค่การนำ AI 代理ไปใช้ แต่เป็นการนำไปใช้อย่างดี การกำกับดูแลที่มีการควบคุม การสังเกตการณ์ที่ดี และสถาปัตยกรรมที่จำกัดขอบเขตการตัดสินใจจะเป็นกุญแจสำคัญในการทำเช่นนั้น บริษัทที่ปฏิบัติต่อ AI 代理ว่าเป็นความสามารถหลักในการดำเนินงาน โดยมีการควบคุม การรวมระบบ และการเป็นเจ้าของที่เหมาะสม จะใช้มันเพื่อทำมากกว่าไม่น้อยลง สิ่งนี้จะช่วยให้ทีมสามารถมุ่งเน้นไปที่การเติบโตและนวัตกรรมแทนการฝังตัวอยู่ในงานบริหาร

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Kovant เพื่อเรียนรู้เพิ่มเติม