Yoav Naveh ผู้ร่วมก่อตั้งและประธานเจ้าหน้าที่บริหารร่วมของ Reindeer – บทสัมภาษณ์

Yoav Naveh เป็นผู้ร่วมก่อตั้งและประธานเจ้าหน้าที่บริหารร่วมของ Reindeer โดยมีประสบการณ์ในการสร้างบริษัทเทคโนโลยี ขยายธุรกิจ และลงทุนในผู้ก่อตั้ง ก่อนมาร่วมงานกับ Reindeer เขาสร้าง ConvertMedia สานต่องานของตนที่ Taboola และลงทุนผ่าน INT3 ปัจจุบันเขามุ่งช่วยให้องค์กรเปลี่ยนจากการนำ AI ไปใช้แบบแยกส่วน ไปสู่การใช้เอเจนต์ที่รับมือกับงานปฏิบัติการซับซ้อนได้ เรียนรู้จากความเชี่ยวชาญของมนุษย์ และยังคงทำงานได้อย่างน่าเชื่อถือเมื่อกระบวนการทางธุรกิจเปลี่ยนแปลง

Reindeer พัฒนาเอเจนต์ AI สำหรับองค์กรเพื่อรองรับงานหลักในด้านต่าง ๆ เช่น การเงิน ห่วงโซ่อุปทาน โลจิสติกส์ และบริการส่วนกลาง แพลตฟอร์มของบริษัทผสานการดำเนินเวิร์กโฟลว์เข้ากับข้อเสนอแนะจากผู้เชี่ยวชาญ การประเมินผล และการอนุมัติจากมนุษย์ เพื่อให้เอเจนต์ปรับตัวต่อกรณียกเว้นและนโยบายที่เปลี่ยนแปลงได้ ในบทสัมภาษณ์นี้ Naveh กล่าวถึงข้อจำกัดของรูปแบบการนำระบบไปใช้ที่ต้องพึ่งพางานวิศวกรรมอย่างหนัก วิธีเปลี่ยนความรู้สะสมขององค์กรให้เป็นบริบทสำหรับเอเจนต์ ตลอดจนการกำกับดูแลและการวัดผลที่จำเป็นต่อการลดภาระงานของมนุษย์โดยรวมในระยะยาว

หลังจากสร้าง ConvertMedia ขยายธุรกิจภายใน Taboola และลงทุนในผู้ก่อตั้งรายอื่นผ่าน INT3 ปัญหาใดทำให้คุณหันกลับมาสร้างบริษัทอีกครั้ง และปัญหานั้นส่งผลต่อการตัดสินใจร่วมก่อตั้ง Reindeer อย่างไร

ตลาด AI น่าตื่นเต้นเกินกว่าที่เราจะยืนดูอยู่ข้างสนาม Yair ผู้ร่วมก่อตั้งของผมกับผมสนใจอย่างมากในช่องว่างระหว่างประโยชน์ที่เราได้รับจาก AI เมื่อใช้ด้วยตนเอง กับความยากที่องค์กรต้องเผชิญในการนำ AI มาใช้ในวงกว้าง เทคโนโลยีกำลังก้าวหน้าอย่างรวดเร็วเหลือเชื่อ แต่หลายองค์กรยังคงประสบปัญหาในการเปลี่ยนศักยภาพดังกล่าวให้เป็นการเปลี่ยนแปลงการดำเนินงานที่มีความหมาย

AI จะพลิกโฉมวิธีดำเนินงานของบริษัท แต่การจะไปถึงจุดนั้นได้ต้องอาศัยมากกว่าเทคโนโลยีที่ดีขึ้น จำเป็นต้องมีผู้นำที่พร้อมทบทวนวิธีทำงาน และแนวทางที่นำ AI เข้ามาใช้ในงานประจำวันได้จริงโดยไม่เพิ่มความซับซ้อนชั้นใหม่

ความท้าทายนี้เป็นจุดกำหนดทิศทางของ Reindeer เราสร้างแพลตฟอร์มที่ช่วยให้องค์กรเริ่มจากเอเจนต์ตัวแรกและขยายไปสู่เอเจนต์ทั้งฝูง ซึ่งเรียนรู้จากข้อเสนอแนะของมนุษย์และพัฒนาขึ้นตามกาลเวลา เป้าหมายของเราคือปิดช่องว่างระหว่างศักยภาพของ AI กับการนำไปใช้จริง โดยช่วยให้บริษัทเปลี่ยนงานหลักของตนให้เป็นกำลังคน AI แบบเอเจนต์ โดยไม่ต้องสร้างเอเจนต์ทุกตัวขึ้นใหม่หรือคอยบำรุงรักษาอยู่ตลอดเวลา

คุณเคยกล่าวว่าโมเดลวิศวกรที่เข้าไปทำงานกับลูกค้าโดยตรงเสี่ยงทำให้ AI สำหรับองค์กรกลายเป็นธุรกิจบริการที่ใช้แรงงานเข้มข้น การมีวิศวกรฝังตัวสร้างคุณค่าอย่างยั่งยืนในส่วนใด และกลายเป็นการพึ่งพาที่ขัดขวางไม่ให้ลูกค้าขยายการใช้งานในส่วนใด

วิศวกรที่เข้าไปทำงานกับลูกค้าโดยตรงมีประโยชน์ต่อการผสานระบบที่ซับซ้อนและการนำเอเจนต์ชุดแรกขึ้นใช้งานจริง ปัญหาเริ่มขึ้นเมื่อกระบวนการทำงานเปลี่ยนไป แล้ววิศวกรที่เข้าไปทำงานกับลูกค้าโดยตรง (FDE) กลายเป็นสิ่งจำเป็นถาวรเพื่อให้เอเจนต์เหล่านั้นทำงานต่อไปได้ โดยเฉพาะเมื่อขยายการใช้งานในวงกว้าง โมเดล FDE ใช้ได้เมื่อมีเอเจนต์ 5 ตัว แต่จะไปต่อไม่ไหวเมื่อมีเอเจนต์เป็นร้อยตัว

หากทุกเวิร์กโฟลว์ใหม่หรือกรณียกเว้นที่ไม่คาดคิดต้องอาศัยงานวิศวกรรมเพิ่มเติม นั่นไม่ใช่การขยายซอฟต์แวร์ แต่เป็นการเพิ่มแรงงานมนุษย์ที่มีต้นทุนสูง

บริษัทส่วนใหญ่ที่ใช้ FDE อ้างว่าในที่สุดวิศวกรของตนจะย้ายไปทำงานอื่น องค์กรควรเรียกร้องหลักฐานยืนยันเรื่องนี้ก่อนลงนามในสัญญาที่กำหนดให้ต้องมี FDE เราเห็นมาแล้วว่า RPA เปราะบางเพียงใดเมื่อกระบวนการทางธุรกิจเปลี่ยนแปลง เราไม่ควรคาดหวังว่าเอเจนต์ที่สร้างขึ้นด้วยมือจะแตกต่างออกไป

เวิร์กโฟลว์ในองค์กรมักมีกรณียกเว้นที่ไม่มีการบันทึกไว้ และแต่ละทีมก็มีแนวปฏิบัติที่ขัดแย้งกัน Reindeer บันทึกวิธีการทำงานจริงอย่างไร พร้อมแยกความรู้อันเป็นประโยชน์ขององค์กรออกจากความเคยชินที่ไม่ควรนำไปทำเป็นระบบอัตโนมัติ

องค์กรส่วนใหญ่มีความรู้สะสมมหาศาลที่ไม่ได้บันทึกไว้ที่ใดเลย แต่กลับอยู่ในความคิดของพนักงาน เอเจนต์ของเราเริ่มต้นด้วยความรู้เพียงบางส่วน แล้วเรียนรู้จากกรณีจริง โดยขอคำแนะนำจากผู้เชี่ยวชาญเฉพาะด้านเมื่อพบสถานการณ์ที่ไม่คุ้นเคย

แต่การเรียนรู้จากพนักงานไม่ได้หมายความว่าจะเลียนแบบพฤติกรรมของพวกเขาโดยไม่ไตร่ตรอง ระบบของเราแยกกรณียกเว้นเฉพาะบุคคลออกจากรูปแบบที่เกิดซ้ำ และเสนอการเปลี่ยนแปลงในวงกว้างเพื่อให้มนุษย์อนุมัติ

เราไม่ได้พยายามทำให้ความเคยชินทุกอย่างเป็นระบบอัตโนมัติ แต่พยายามเปลี่ยนความรู้อันทรงคุณค่าขององค์กรให้เป็นข้อมูลอัจฉริยะที่เชื่อถือได้ โดยไม่ต้องให้วิศวกรคาดการณ์ทุกสถานการณ์ไว้ล่วงหน้า

บริษัทส่วนใหญ่ที่ทำงานด้าน AI แบบเอเจนต์เริ่มจากการจัดทำเอกสาร แล้วจึงเขียนโค้ดตามกระบวนการด้วยการสัมภาษณ์และตรวจสอบข้อมูลย้อนหลังอย่างละเอียด แต่ในความเป็นจริง วิธีเรียนรู้กระบวนการที่มีประสิทธิภาพที่สุดเกิดขึ้นทุกครั้งที่มีสมาชิกใหม่เข้าร่วมทีม พวกเขาไม่ได้ท่องจำข้อมูลตลอดหนึ่งปีหรือคู่มือขั้นตอนปฏิบัติงานมาตรฐานที่มี 3,000 หน้า แต่เรียนรู้ทักษะบางอย่าง ดูตัวอย่างสองสามกรณี แล้วเริ่มทำงาน เมื่อพบสิ่งที่ไม่เข้าใจก็ถามคำถามและค่อย ๆ สั่งสมความรู้ นี่คือกระบวนการที่เราสร้างขึ้น

AI แบบเอเจนต์ยังเปิดโอกาสให้บริษัทคิดทบทวนกระบวนการใหม่ แทนที่จะเพียงทำให้กระบวนการเดิมเป็นระบบอัตโนมัติ ทีมที่มีแต่มนุษย์ ระบบอัตโนมัติที่ทำงานตามกฎ และซอฟต์แวร์แบบดั้งเดิม ต่างก็หล่อหลอมกระบวนการให้สอดคล้องกับข้อจำกัดของตน เมื่อเอเจนต์เรียนรู้ไปพร้อมกับผู้เชี่ยวชาญ Reindeer จึงช่วยให้องค์กรทบทวนวิธีที่กระบวนการควรดำเนินไป ทั้งแนวปฏิบัติที่ควรคงไว้ สิ่งที่ควรยกเลิก และจุดที่เอเจนต์กับคนต่างสร้างคุณค่าได้มากที่สุด

เมื่อคุณบอกว่าเอเจนต์ของ Reindeer เรียนรู้อย่างต่อเนื่องขณะใช้งานจริง สิ่งใดเปลี่ยนแปลงกันแน่: น้ำหนักของโมเดล ความจำ ตรรกะของเวิร์กโฟลว์ หรือนโยบายที่ระบุไว้อย่างชัดเจน? ช่วยยกตัวอย่างกรณียกเว้นที่สอนให้เอเจนต์จัดการกรณีในอนาคตแตกต่างออกไปได้ไหม

สิ่งที่เปลี่ยนคือบริบทและทักษะของเอเจนต์ ได้แก่ ตรรกะของเวิร์กโฟลว์ นโยบาย และคำแนะนำว่าควรใช้แต่ละข้อเมื่อใด

ลองนึกถึงเอเจนต์จัดการใบแจ้งหนี้ ใบแจ้งหนี้ที่ได้รับมียอดสูงกว่าใบสั่งซื้อ 4% และเอเจนต์ไม่พบนโยบายที่ครอบคลุมกรณีนี้ แทนที่จะดำเนินการต่อ เอเจนต์จะส่งเรื่องให้ผู้เชี่ยวชาญ ผู้เชี่ยวชาญอธิบายว่าซัพพลายเออร์รายนี้ได้รับอนุมัติให้ยกเว้นค่าธรรมเนียมน้ำมันเชื้อเพลิงได้ เอเจนต์จัดการกรณีนั้นจนเสร็จ และบันทึกคำอธิบายไว้เป็นบริบทสำหรับซัพพลายเออร์รายนั้นเท่านั้น

หากมีกรณียกเว้นประเภทเดียวกันเกิดขึ้นอีกกับซัพพลายเออร์รายอื่น และผู้เชี่ยวชาญคนอื่น ๆ จัดการด้วยวิธีเดียวกัน ระบบจะเสนอให้เปลี่ยนนโยบาย เช่น “ยอมรับค่าธรรมเนียมน้ำมันเชื้อเพลิงได้สูงสุด 5% เมื่อสัญญาอนุญาต” ข้อเสนอนั้นจะผ่านการทดสอบและได้รับการอนุมัติจากมนุษย์ก่อนที่เอเจนต์จะนำไปใช้ คำตอบจากผู้เชี่ยวชาญหนึ่งคนช่วยแก้ปัญหาได้หนึ่งกรณี ส่วนรูปแบบที่เกิดซ้ำในหลายกรณีอาจนำไปสู่การสร้างกฎใหม่

การตัดสินใจของพนักงานอาจเหมาะสมกับลูกค้าหรือธุรกรรมรายหนึ่ง แต่ไม่เหมาะที่จะใช้เป็นกฎทั่วไป คุณพิจารณาอย่างไรว่าควรให้ข้อเสนอแนะเป็นข้อยกเว้นเฉพาะครั้ง หรือควรนำไปพิจารณาเสนอเปลี่ยนนโยบาย

เราแยกการแก้ปัญหาเฉพาะกรณีออกจากการเปลี่ยนวิธีทำงานของเอเจนต์ในอนาคต

พนักงานอาจอนุมัติข้อยกเว้นให้ลูกค้ารายหนึ่ง แต่ไม่ได้หมายความว่าควรใช้ข้อยกเว้นเดียวกันกับลูกค้าทุกราย ผมถึงกับมองว่าพนักงานสองคนอาจตัดสินใจจัดการข้อยกเว้นของลูกค้ารายเดียวกันแตกต่างกัน ระบบของเราจะประเมินสถานการณ์ ระบุรูปแบบที่เกิดซ้ำ หาข้อสรุปเมื่อข้อมูลขัดแย้งกัน และตรวจสอบความขัดแย้งที่อาจเกิดขึ้นกับนโยบายที่มีอยู่

เมื่อมีหลักฐานสนับสนุนการเปลี่ยนแปลงในวงกว้าง เราจะให้เอเจนต์ทำงานผ่านแพลตฟอร์มประเมินผลของเรา ซึ่งเปรียบเสมือน “The Truman Show” สำหรับเอเจนต์ แล้วเสนอการปรับปรุงเพื่อให้มนุษย์อนุมัติ

เป้าหมายคือเรียนรู้จากมนุษย์ ไม่ใช่เลียนแบบการตัดสินใจของมนุษย์อย่างไม่ลืมหูลืมตา มิฉะนั้นคุณก็แค่ทำให้ความผิดพลาดเป็นระบบอัตโนมัติ

เอเจนต์อาจทำงานกับกรณีล่าสุดได้ดีขึ้น แต่กลับมีความน่าเชื่อถือน้อยลงในสถานการณ์ที่ก่อนหน้านี้จัดการได้ถูกต้อง ก่อนนำการเปลี่ยนแปลงที่เสนอไปใช้งานจริง ต้องผ่านกระบวนการทดสอบและอนุมัติใดบ้าง และคุณตรวจพบและย้อนกลับเมื่อเกิดผลกระทบถดถอยได้อย่างไร

การเรียนรู้อย่างต่อเนื่องโดยไม่มีการกำกับดูแลเป็นเรื่องอันตราย ดังนั้นการเปลี่ยนแปลงที่เสนอทุกครั้งจึงต้องผ่านมาตรการป้องกันสามขั้น ได้แก่ การทดสอบการถดถอย การอนุมัติจากมนุษย์ และเกณฑ์ความเชื่อมั่นที่ควบคุมว่าเอเจนต์จะลงมือเองได้เมื่อใด

การทดสอบต้องมาก่อน และยากกว่าที่คิด เพราะงานปฏิบัติการไม่มีเฉลยตายตัว เราคัดเลือกกรณีตัวแทนจากข้อเสนอแนะของผู้เชี่ยวชาญ กำหนดเกณฑ์สำหรับเปรียบเทียบผลลัพธ์ แล้วนำกรณีเหล่านั้นมาทดสอบซ้ำกับทั้งเอเจนต์เวอร์ชันปัจจุบันและเวอร์ชันที่เสนอ การกระทำที่มีผลต่อสิ่งอื่น เช่น การส่งอีเมล จะทำงานในเครื่องจำลองที่สร้างขึ้นจากการทำงานที่ผ่านมา ส่วนกรณีทดสอบที่ไม่สอดคล้องกับนโยบายปัจจุบันแล้วจะถูกยกเลิก เราสามารถวัดผลที่แท้จริงของการเปลี่ยนแปลงได้ ขณะเดียวกันเอเจนต์ต้องเชื่อว่าตนกำลังทำงานอยู่ในโลกจริง และการกระทำของตนมีผลตามมาอย่างแท้จริง ไม่ว่าจะเป็นการเพิ่มระเบียนใน SAP หรือการส่งอีเมลถึงลูกค้า วิธีนี้เป็นหนทางเดียวที่จะสร้างกรอบการประเมินผลที่แท้จริงสำหรับเอเจนต์แต่ละตัว

จากนั้นผู้จัดการที่เป็นมนุษย์จะตรวจสอบการเปลี่ยนแปลง หลักฐานที่สนับสนุน และผลการทดสอบ แล้วเลือกอนุมัติ แก้ไข หรือปฏิเสธได้ วิธีการทำงานของเอเจนต์จะไม่เปลี่ยนแปลงจนกว่าจะได้รับอนุมัติ

เกณฑ์ความเชื่อมั่นช่วยปกป้องธุรกิจหลังจากเริ่มใช้การเปลี่ยนแปลงแล้ว เอเจนต์จะลงมือเองก็ต่อเมื่อระดับความเชื่อมั่นสูงกว่าเกณฑ์ ส่วนกรณีที่ต่ำกว่าเกณฑ์จะส่งต่อให้ผู้เชี่ยวชาญ ทีมปฏิบัติการปรับเกณฑ์นี้ได้เอง จึงเริ่มต้นอย่างระมัดระวังและค่อย ๆ ให้อำนาจเอเจนต์มากขึ้นได้เมื่อมีประวัติการทำงานที่ดีขึ้น

หากคุณภาพลดลงหลังการเปลี่ยนแปลง ระบบจะปรับเกณฑ์การตรวจสอบให้เข้มงวดขึ้นโดยอัตโนมัติ เพื่อส่งกรณีให้ผู้เชี่ยวชาญมากขึ้น และข้อเสนอแนะจากผู้เชี่ยวชาญจะช่วยเปิดเผยปัญหาผ่านวงจรเดียวกับที่ใช้เสนอการเปลี่ยนแปลงนั้น การเปลี่ยนนโยบายทุกครั้งจะมีการกำหนดเวอร์ชัน ระบุผู้เกี่ยวข้อง และบันทึกไว้ เพื่อให้ทีมตรวจสอบได้ว่าเปลี่ยนอะไร ใครอนุมัติ และเพราะเหตุใด รวมทั้งย้อนกลับไปใช้เวอร์ชันก่อนหน้าได้

การลดงานด้านวิศวกรรมอาจยังทิ้งภาระจำนวนมากให้ทีมปฏิบัติการต้องตรวจสอบกรณียกเว้นและแก้ไขการทำงานของเอเจนต์ คุณวัดอย่างไรว่า Reindeer ช่วยลดความพยายามโดยรวมของมนุษย์ แทนที่จะเพียงย้ายภาระงานนั้นไปให้ทีมอื่น

ความจริงคือบริษัทส่วนใหญ่มีทีมงานที่ทำงานเหล่านี้ด้วยมืออยู่แล้ว เป้าหมายของเราไม่ใช่ย้ายภาระงานไปให้ทีมอื่น แต่คือลดภาระนั้นลงเรื่อย ๆ เราดึงคนที่มีประสบการณ์มากที่สุดจากทีมเดิมมาสนับสนุนให้พวกเขาสอนเอเจนต์ให้จัดการกรณียกเว้นและตัดสินใจได้ดีขึ้นด้วยตนเอง

ปัญหาของโมเดล FDE คือมักย้ายงานจากพนักงานปฏิบัติการที่มีต้นทุนค่อนข้างต่ำไปให้วิศวกรที่มีต้นทุนสูง นั่นไม่ใช่การแก้ปัญหาด้านแรงงาน แต่กลับทำให้ต้นทุนสูงขึ้น Reindeer ไม่ได้เพิ่มวิศวกรเข้ามาในสมการนี้ แต่เราวัดความสำเร็จจากปริมาณงานที่เอเจนต์จัดการได้ด้วยตนเอง ซึ่งเพิ่มขึ้นเมื่อเวลาผ่านไป และปริมาณการแทรกแซงจากมนุษย์ที่ต้องใช้ตลอดทั้งกระบวนการ ซึ่งลดลง

เราติดตามสามเรื่อง ได้แก่ สัดส่วนของกรณีที่เอเจนต์จัดการได้ครบตั้งแต่ต้นจนจบโดยไม่ต้องมีมนุษย์เข้ามาช่วย จำนวนครั้งที่ผู้เชี่ยวชาญต้องเข้ามาดูแลในแต่ละกรณี และเวลาจัดการเฉลี่ยต่อกรณีเมื่อรวมทั้งเอเจนต์และคนเข้าด้วยกัน หากตัวเลขข้อสุดท้ายไม่ลดลง แสดงว่าเราเพียงแค่ย้ายงานไปทำที่อื่น

ช่วยยกตัวอย่างการนำระบบไปใช้งานที่ Hellmann Worldwide Logistics หรือ Papaya Global สักแห่ง แล้วอธิบายได้ไหมว่ามีอะไรเปลี่ยนแปลงบ้างตั้งแต่เริ่มใช้งานจนถึงการดำเนินงานอย่างต่อเนื่อง ทั้งในด้านความแม่นยำ อัตราการจัดการกรณียกเว้น ระยะเวลาดำเนินการ และปริมาณการแทรกแซงจากมนุษย์ที่จำเป็น?

Hellmann Worldwide Logistics เป็นตัวอย่างที่ดีเยี่ยมให้เห็นว่าเอเจนต์ช่วยพัฒนาการดำเนินงานจริงให้ดีขึ้นได้อย่างต่อเนื่อง ทีมกำหนดราคาของบริษัทใช้เวลามหาศาลในการประมวลผลคำขอจัดส่งด้วยตนเองจากอีเมล สเปรดชีต และเอกสารอื่น ๆ โดยมักใช้เวลาหลายวันกว่าจะจัดทำใบเสนอราคาได้

เราเริ่มจากคำขอตัวอย่างประมาณ 20 รายการ เพื่อทำความเข้าใจกระบวนการทำงานและฝึกเอเจนต์ จากนั้นผู้เชี่ยวชาญด้านการกำหนดราคาของ Hellmann ก็เริ่มทำงานกับระบบโดยตรง ให้ข้อเสนอแนะและช่วยให้ระบบจัดการกรณียกเว้นได้ เราติดตามความแม่นยำและความเร็วตลอดช่วงทดสอบ และยังคงเฝ้าติดตามประสิทธิภาพหลังจากนำเอเจนต์ขึ้นใช้งานจริง

ปัจจุบัน ระบบจัดการคำขอทั่วไปโดยอัตโนมัติ ส่วนกรณีที่ซับซ้อนกว่าจะส่งต่อให้ทีม ที่สำคัญคือ เอเจนต์จะตรวจพบเมื่อข้อมูลไม่ครบ แทนที่จะคาดเดา ทำให้พนักงานเข้ามาช่วยในจุดที่จำเป็นต้องใช้ความเชี่ยวชาญของพวกเขาได้

ผลที่ได้คือระยะเวลาในการจัดทำใบเสนอราคาลดลง งานป้อนข้อมูลด้วยตนเองก็น้อยลง และพนักงานมีเวลาทำงานที่ต้องติดต่อกับลูกค้ามากขึ้น Hellmann ยังพบว่าอัตราการชนะงานเสนอราคาดีขึ้นด้วย เป้าหมายไม่ใช่การกำจัดมนุษย์ออกจากกระบวนการ แต่เป็นการลดปริมาณงานประจำที่ต้องอาศัยการแทรกแซงจากพวกเขาอย่างต่อเนื่อง

คุณได้เรียนรู้อะไรบ้างเกี่ยวกับข้อจำกัดของแนวทางนี้ ลักษณะใดของกระบวนการทำงานบ่งชี้ว่าพร้อมใช้เอเจนต์แบบปรับตัวได้ และลักษณะใดบ่งชี้ว่าธุรกิจควรออกแบบกระบวนการใหม่ก่อน หรือใช้ระบบอัตโนมัติแบบเดิมต่อไป?

ไม่ใช่ทุกกระบวนการที่จำเป็นต้องใช้เอเจนต์ AI โอกาสที่เหมาะที่สุดคือกระบวนการทำงานซ้ำ ๆ ที่มีปริมาณมากและต้องอาศัยการตัดสินใจตามบริบท โดยเฉพาะกระบวนการที่ข้อมูลกระจายอยู่ในหลายระบบ และพนักงานต้องจัดการกรณียกเว้นเป็นประจำ

บทเรียนที่ชัดเจนที่สุดจากการนำระบบของเราไปใช้งานคือ กำลังเกิดบทบาทหน้าที่ใหม่ขึ้นในองค์กร เช่นเดียวกับที่งานปฏิบัติการด้านรายได้เกิดขึ้นพร้อมกับ CRM และ Dev Ops เกิดขึ้นพร้อมกับ Cloud เมื่อบริษัทเปลี่ยนจากการใช้เอเจนต์เพียงไม่กี่ตัวไปสู่การใช้เอเจนต์จำนวนมาก ก็จำเป็นต้องมีบุคคลหรือทีมที่บริหารจัดการเอเจนต์เช่นเดียวกับที่หัวหน้าแผนกบริหารกำลังคน โดยต้องรับผิดชอบต่อ KPI และ ROI ของเอเจนต์ ตัดสินใจว่าจะมอบหมายงานใดให้เอเจนต์ทำและงานใดไม่ควรให้ทำ รวมถึงอนุมัติการเปลี่ยนแปลงของเอเจนต์ บริษัทที่กำลังสร้างบทบาทหน้าที่นี้อยู่แล้วกำลังก้าวหน้าได้เร็วที่สุด และเป็นบริษัทที่อยู่ในตำแหน่งพร้อมคว้าชัยชนะ

แนวปฏิบัติที่ขัดแย้งกันไม่ใช่เหตุผลที่จะต้องรอ ผู้เชี่ยวชาญแทบทุกฝ่ายมีความเห็นไม่ตรงกันในเรื่องการดำเนินงาน และระบบของเราออกแบบมาเพื่อเปิดเผยความขัดแย้งเหล่านั้นและเปลี่ยนให้เป็นข้อเสนอนโยบาย การแก้ไขความขัดแย้งเป็นส่วนหนึ่งของหน้าที่ผู้รับผิดชอบบทบาทนี้ ซึ่งเป็นอีกเหตุผลหนึ่งที่ควรกำหนดบทบาทดังกล่าวให้ชัดเจนก่อนขยายการใช้เอเจนต์

แนวทางนี้เองก็มีข้อจำกัดเช่นกัน งานปฏิบัติการหลักจะไม่ถูกทำให้เป็นระบบอัตโนมัติทั้งหมด และเราไม่ได้ตั้งเป้าหมายเช่นนั้น เอเจนต์จะค่อย ๆ ขยายขอบเขตงานที่จัดการได้ ส่วนกรณีที่มีความเสี่ยงสูงยังคงให้คนดูแลโดยตั้งใจ

เมื่อโมเดลพื้นฐานและเครื่องมือสร้างเอเจนต์พัฒนาขึ้น คุณคาดว่าส่วนใดของการนำระบบไปใช้ในองค์กรจะกลายเป็นสินค้าทั่วไป และ Reindeer กำลังสร้างข้อได้เปรียบด้านใดที่จะยิ่งแข็งแกร่งขึ้นทุกครั้งที่นำระบบไปใช้งานจริง?

เมื่อโมเดลพื้นฐานมีราคาถูกลง ทำงานเร็วขึ้น และมีความสามารถมากขึ้น โมเดลเหล่านี้ก็จะใช้ทดแทนกันได้มากขึ้น การสร้างเอเจนต์พื้นฐานและเชื่อมต่อเข้ากับระบบขององค์กรก็ทำได้ง่ายขึ้นเรื่อย ๆ แล้วเช่นกัน

แต่การสร้างเอเจนต์ไม่ใช่เรื่องเดียวกับการทำให้เอเจนต์ทำงานได้อย่างน่าเชื่อถือในองค์กรที่ซับซ้อนและทำเช่นนั้นได้อย่างต่อเนื่อง

ข้อได้เปรียบในการแข่งขันที่แท้จริงคือความรู้เฉพาะเกี่ยวกับวิธีดำเนินงานจริงขององค์กร ซึ่งเปลี่ยนแปลงอยู่เสมอ ทุกกรณีที่เกิดขึ้นระหว่างการใช้งานจริงเปิดโอกาสให้เอเจนต์ของเราเรียนรู้ จัดการกรณียกเว้นในอนาคต และลดการแทรกแซงจากมนุษย์

โมเดลจะมีราคาถูกลง การสร้างเอเจนต์จะง่ายขึ้น

ผู้ชนะจะกำจัดโครงสร้างพื้นฐานด้านวิศวกรรมที่ต้องพึ่งพาบุคลากรและมีค่าใช้จ่ายสูง ซึ่งจำเป็นต่อการทำให้เอเจนต์ยังคงทำงานและมีความเกี่ยวข้องในระยะยาว

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมเกี่ยวกับเอเจนต์ AI สำหรับองค์กรแบบปรับตัวได้ ระบบอัตโนมัติด้านการปฏิบัติงาน และการเรียนรู้ที่มีมนุษย์คอยกำกับ สามารถเข้าไปดูได้ที่ Reindeer