Ваші агенти штучного інтелекту не справляються, тому що вони не знають вашого бізнесу

Минулого року Absa, один з найбільших банків Африки, потребував 120 днів, щоб перенести нову модель виявлення фінансових злочинів з етапу розробки на етап виробництва. Хоча це було близько до середнього показника галузі на той час, сьогодні той самий банк може розгорнути нову модель за 15 днів, навіть з тим самим нормативним середовищем, обсягом транзакцій і вимогами щодо дотримання законодавства.

І все ж таки, опитування PwC виявило, що 56% керівників підприємств не бачать суттєвої фінансової вигоди від своїх інвестицій у штучний інтелект. Кожен керівник підприємства, з яким я розмовляю, чув цю промову: якщо ви розгорнете агентів штучного інтелекту і автоматизуєте свої робочі процеси, ви швидко побачите повернення інвестицій. Замість цього, через 18 місяців і кілька мільйонів доларів пізніше, вплив на бізнес відсутній. Відсутня складова – це контекст галузі, оперативне розуміння, яке дає агенту те, що йому потрібно для прийняття внутрішніх бізнес-рішень, і те, що робити, коли він помиляється.

Коли агенти перестають радити і починають діяти

Gartner оцінює, що до 2027 року 50% бізнес-рішень будуть доповнені або автоматизовані агентами штучного інтелекту для прийняття рішень. До дуже недавнього часу роль штучного інтелекту в підприємстві полягала в тому, щоб радити, залишаючи працівнику приймати рішення. Найгіршим сценарієм було відсутнє прозріння, затримане рішення або відсутність дії у відповідь на сигнал. З агентами наслідки набагато серйозніші.

На біологічному заводі глобального виробника фармацевтичних препаратів, коли інспектор сканує лабораторну двер, правильний інспекційний робочий процес запускається автоматично, адаптований до обладнання і специфікацій цієї кімнати. Агент послідовно виконує інспекцію, видає довідковий матеріал і дозволяє інспектору підтвердити. На заводі, що підпорядковується нормативам GxP, кожна інспекція повинна бути готовою до аудиту, що означає, що агент бере на себе частину оперативного навантаження в середовищі з реальними наслідками, якщо він помиляється у послідовності.

Більшість рамок управління, що існують сьогодні, були створені для попереднього світу радників: періодичні огляди моделей з участю людини, яка перевіряє вивід однієї системи. Тепер у нас є агенти, які передають завдання іншим агентам, координують робочі процеси і посилюють неправильне рішення на початку всього ланцюга процесів, перш ніж хто-небудь це помітить.

Чому загальні агенти зазнають невдачі

Універсальний агент може виглядати справді вражаюче під контрольованими умовами. Однак він починає боротьбу в умовах підприємства, яке має обмеження, взаємозалежності і судові рішення, які очевидні для будь-кого, хто працював на виробництві, і невидимі для моделі, яка ніколи не була навчена бачити їх.

Категорійний менеджер у одному з п’яти найбільших глобальних виробників харчових продуктів і напоїв зіткнувся з варіантом тієї ж проблеми на іншому рівні: 96% ринку, без традиційних засобів впливу. Категорійний менеджер визначив логіку рішення безпосередньо, об’єднавши понад 100 джерел даних по понад 1 000 атрибутів на магазин і дозволив моделі штучного інтелекту зібрати магазини у профілі поведінки покупців, на які команда категорій могла впливати. Результат? Три кластери покупців, щотижневі спринти з рітейл-партнерами, 8% збільшення продажів і 35% швидше відновлення полиць.

Це працює, тому що агент уже знає, що таке планограма, що означає кластер покупців і як зміна промоції впливає на сусідні категорії. Універсальна модель повинна бути навчена галузевій лексиці, що коштує 12-18 місяців, яких більшість підприємств не мають.

Чому управління повинно бути архітектурно спроектованим

Рамки відповідальності, які більшість підприємств мають сьогодні, були створені навколо пояснення виводу моделі після факту і періодичного огляду. Вони не були створені для того, що відбувається, коли агент викликає необоротну дію всередині робочого процесу.

Я працював з страховим компанією, яка діє на ринках Центральної та Східної Європи, і яка повинна враховувати нормативні вимоги кожного ринку при прийнятті рішень щодо дотримання законодавства. Кожне рішення щодо ділової діяльності клієнта є документом, який містить вхідні дані, модель, вивід і підпис особи, яка його підтвердила. Система штучного інтелекту компанії може направити транзакцію, яка відповідає вимогам законодавства в одному ринку, але не в іншому, без ручної перевірки аналітиком з питань дотримання законодавства.

Це та ж архітектура, яка дозволяє Absa розгорнути свою систему АМЛ у виробництві за 15 днів замість 120. Швидкість закладена, тому банк може негайно передати версію політики для кожного рішення регулятору.

Підприємства, які інвестують у ці шари управління на ранній стадії, все ще працюють з агентами у великому масштабі через 18 місяців. Ті, хто розглядає це як обов’язок щодо дотримання законодавства, прикріплений після розгортання, ті, хто змушений постійно перебудовувати.

Доменний інтелект не є тонкою настройкою

Спроможні основні моделі не надійно забезпечують результати підприємства самостійно, оскільки вони створені для широкого використання. Оперативна діяльність підприємства вимагає глибокої, вузької спеціалізації. Ототожнення цих двох вже коштувало галузі часу і ресурсів, але це все ще найпоширеніша помилка, яку я бачу.

Доменний інтелект не полягає у застосуванні генерації з підтримкою пошуку (RAG) або тонкій настройці універсальної моделі. Це різниця між агентом, який може обробляти інформацію про магазин і тим, хто розуміє, як бізнес створив і розгорнув 5 000 індивідуально налаштованих планограм по понад 750 магазинам без централізованої команди, яка торкнулася кожного місця.

Цей вид оперативної грамотності походить від років галузі-специфічних навчальних даних, логіки прийняття рішень, побудованої навколо реальних оперативних обмежень, і шару знань, який включає, як зміна ціни впливає на маржу, як зміна асортименту впливає на наявність на полицях, і як це впливає на лояльність покупців. Для одного великого американського виробника продуктів харчування цей з’єднаний висновок дав $200 млн додаткового прибутку.

Будування цієї основи або отримання її від партнера, який вже виконав цю роботу, є справжньою первинною вартістю даних, галузі-специфічної експертизи і дисципліни для кодування інституціонального судження замість прямого переходу до пілотного проекту. Якщо ця основа спішна, агент, який виглядає освіченим у доказі концепції, все ж таки може розбитися при першому виробничому краю випадку.

Що означає правильне застосування агентів підприємства

Підприємства, які продовжують скидати спроможні моделі у існуючі робочі процеси, будуть змушені продовжувати зізнаватися своїм радам директорів, що повернення інвестицій не з’являється. MIT дійшов висновку минулого року, що попри інвестиції підприємств у генерацію штучного інтелекту, 95% організацій не отримують жодної вигоди. Якщо ви не хочете бути в цьому таборі, встановіть доменний інтелект до першого дня, вкропіть управління в архітектуру і утримуйте агентів відповідальними за конкретні результати.

Модель за будь-яким агентом є, іронічно, найменш тривкою частиною цього рівняння. Краща модель буде випущена наступного кварталу, від компанії, яка створила ту, яку ви зараз використовуєте, або одного з її конкурентів. Що не змінюється з наступним випуском моделі, так це те, чи розуміють ваші агенти ваш бізнес. Ви повинні будувати це навмисно. Агенти, які успішно працюють у вашому середовищі, не будуть найбільш спроможними, універсальними агентами на ринку, але вони заслужать вашу довіру, щоб робити все більше і більше для вашого бізнесу.