Przebyliśmy długą drogę od RPA: jak agenci AI rewolucjonizują automatyzację

W zeszłym roku wyścig w kierunku automatyzacji nasilił się, a agenci sztucznej inteligencji stali się ostatecznym czynnikiem zmieniającym reguły gry w zakresie wydajności przedsiębiorstwa. Chociaż w ciągu ostatnich trzech lat narzędzia generatywnej sztucznej inteligencji poczyniły znaczne postępy – stanowiąc cenne uzupełnienie przepływów pracy w przedsiębiorstwach – obecnie uwaga skupia się na agentach sztucznej inteligencji, którzy są w stanie myśleć, działać i współpracować autonomicznie. Dla przedsiębiorstw przygotowujących się na następną falę inteligentnej automatyzacji ważne jest zrozumienie przejścia od chatbotów przez aplikacje generujące rozszerzone wyszukiwanie (RAG) do autonomicznej wieloagentowej sztucznej inteligencji. Jak zauważył Gartner w niedawnym badaniuDo 2028 r. 33% aplikacji dla przedsiębiorstw będzie zawierać agentową sztuczną inteligencję, w porównaniu z mniej niż 1% w 2024 r.

Jak słusznie powiedział Andrew Ng, założyciel Google Brain: „Zestaw zadań, które może wykonać sztuczna inteligencja, radykalnie się powiększy ze względu na przepływ pracy agentów”. Oznacza zmianę paradygmatu w sposobie, w jaki organizacje postrzegają potencjał automatyzacji, wychodząc poza predefiniowane procesy w kierunku dynamicznych, inteligentnych przepływów pracy.

Ograniczenia tradycyjnej automatyki

Pomimo obietnic, tradycyjne narzędzia automatyzacji są utrudnione ze względu na sztywność i wysokie koszty wdrożenia. W ciągu ostatniej dekady preferowane stały się platformy zrobotyzowanej automatyzacji procesów (RPA). UiPath I automatyzacja w dowolnym miejscu Zmagasz się z przepływami pracy, w których brakuje przejrzystych procesów lub opierasz się na nieustrukturyzowanych danych. Narzędzia te naśladują ludzkie działania, ale często powodują, że systemy są niestabilne, co wymaga kosztownej interwencji dostawcy w przypadku zmiany procesów.

Narzędzia sztucznej inteligencji obecnej generacji, takie jak ChatGPT i Cloud, mają zaawansowane możliwości wnioskowania i tworzenia treści, ale brakuje im autonomicznego wykonywania. Ich poleganie na wkładzie człowieka w przypadku złożonych przepływów pracy powoduje powstawanie wąskich gardeł, ograniczając wzrost wydajności i skalowalność.

Pojawienie się wertykalnych agentów AI

Wraz z ewolucją ekosystemu AI następuje znaczny zwrot w kierunku pionowych agentów AI – wysoce wyspecjalizowanych systemów AI zaprojektowanych dla konkretnych branż lub przypadków użycia. Jak powiedział założyciel Microsoftu, Bill Gates, w: Najnowsze wpisy na blogu: „Agenci są mądrzejsi. Są proaktywni – potrafią przedstawiać sugestie, zanim o to poprosisz. Realizują zadania w różnych zastosowaniach. Z biegiem czasu poprawiają się, gdy zapamiętują Twoje działania oraz rozpoznają intencje i wzorce w Twoim zachowaniu. ,

W przeciwieństwie do tradycyjnych modeli oprogramowania jako usługi (SaaS), pionowi agenci AI nie tylko optymalizują istniejące przepływy pracy; Całkowicie je wymyślają, ożywiając nowe możliwości. Oto, co sprawia, że ​​pionowi agenci AI są kolejną wielką rzeczą w automatyzacji przedsiębiorstw:

• Eliminacja kosztów operacyjnych: Pionowi agenci AI wykonują przepływy pracy autonomicznie, eliminując potrzebę tworzenia zespołów operacyjnych. To nie tylko automatyzacja; Jest to całkowite zastąpienie ingerencji człowieka w tych obszarach.
• otwierając nowe możliwości: W przeciwieństwie do SaaS, który zoptymalizował istniejące procesy, pionowa sztuczna inteligencja zasadniczo zmienia przepływ pracy. Takie podejście zapewnia zupełnie nowe możliwości, które nie istniały wcześniej, tworząc możliwości innowacyjnych przypadków użycia, które na nowo definiują sposób działania przedsiębiorstw.
• budowanie silnych przewag konkurencyjnych: Zdolność agentów AI do adaptacji w czasie rzeczywistym sprawia, że ​​są oni bardzo przydatni w dzisiejszym szybko zmieniającym się środowisku. Zgodność z przepisami, takimi jak HIPAA, SOX, RODO, CCPA oraz nowymi i nadchodzącymi przepisami dotyczącymi sztucznej inteligencji może pomóc tym agentom w budowaniu zaufania na rynkach o wysoką stawkę. Dodatkowo, zastrzeżone dane dostosowane do konkretnych branż mogą stworzyć silne, możliwe do obrony fosy i przewagi konkurencyjne.

Ewolucja od RPA do wieloagentowej sztucznej inteligencji

Najgłębszą zmianą w krajobrazie automatyzacji jest przejście z RPA na wieloagentowe systemy AI zdolne do autonomicznego podejmowania decyzji i współpracy. Według najnowszego badania GartneraTa zmiana umożliwi do 2028 roku samodzielne podejmowanie 15% codziennych decyzji zawodowych. Agenci ci ewoluują od prostych narzędzi do prawdziwych współpracowników, przekształcając przepływy pracy i systemy w przedsiębiorstwie. To ponowne przemyślenie sytuacji odbywa się na kilku poziomach:

• systemy ewidencji:Agenci AI, tacy jak wydra ai I Znaczenie AI Integruj różnorodne źródła danych, aby tworzyć multimodalne systemy ewidencji. Wykorzystując wektorowe bazy danych, takie jak Pinecone, agenci ci analizują nieustrukturyzowane dane, takie jak tekst, obrazy i dźwięk, umożliwiając organizacjom wydobywanie przydatnych wniosków z izolowanych danych.
• Przepływ pracy: Systemy wieloagentowe automatyzują kompleksowe przepływy pracy, dzieląc złożone zadania na łatwe do zarządzania komponenty. Na przykład: Startupy takie jak Uczucie Zautomatyzuj przepływ pracy podczas tworzenia oprogramowania, usprawnij kodowanie, testowanie i wdrażanie inspekcja.ai Obsługuje zapytania klientów, przypisując pracę najbardziej odpowiedniemu agentowi i eskalując pracę, jeśli to konieczne.
  • studium przypadku ze świata rzeczywistego: jeden w niedawny wywiad„Dzięki naszym agentom General AI pomagającym w obsłudze klienta obserwujemy dwucyfrowy wzrost produktywności w zakresie czasu obsługi połączeń” – powiedziała Linda Yao z Lenovo. Niesamowite korzyści widzimy także w innych miejscach. Na przykład widzimy, że zespoły marketingowe skróciły o 90% czas potrzebny na stworzenie świetnej księgi ofert, a także zaoszczędziły na opłatach agencyjnych.
• Nowa koncepcja architektury i narzędzi programistycznych: Zarządzanie agentami AI wymaga zmiany paradygmatu w zakresie narzędzi. platformy takie jak Studio agentów AI Automation Anywhere umożliwia programistom projektowanie i monitorowanie agentów za pomocą wbudowanych funkcji zgodności i obserwowalności. Narzędzia te zapewniają zabezpieczenia, zarządzanie pamięcią i możliwości debugowania, zapewniając bezpieczne działanie agentów w środowiskach korporacyjnych.
• Coworking na nowo:Agenci AI to coś więcej niż tylko narzędzia – stają się współpracownikami współpracującymi. Na przykład Sierra wykorzystuje sztuczną inteligencję do automatyzacji złożonych scenariuszy obsługi klienta, dzięki czemu pracownicy mogą skupić się na inicjatywach strategicznych. Startupy takie jak Yurts AI optymalizują procesy decyzyjne w zespołach, jednocześnie wspierając współpracę człowieka z agentem. Zdaniem McKinsey’a„Teoretycznie 60–70% godzin pracy w dzisiejszej gospodarce globalnej można zautomatyzować poprzez zastosowanie szerokiej gamy istniejących możliwości technologicznych, w tym ogólnej sztucznej inteligencji”.

perspektywy na przyszłość: Gdy agenci zyskają lepszą pamięć, zaawansowane możliwości orkiestracji i zaawansowane rozumowanie, będą intuicyjnie zarządzać złożonymi przepływami pracy przy minimalnej interwencji człowieka, na nowo definiując automatyzację przedsiębiorstwa.

Konieczność dokładności i względy ekonomiczne

W miarę jak agenci sztucznej inteligencji przechodzą od obsługi zadań do zarządzania przepływami pracy i całymi zadaniami, stają przed złożonym wyzwaniem dotyczącym dokładności. Każdy dodatkowy krok wprowadza potencjalne błędy, powodując wzrost i spadek ogólnej wydajności. Jeffrey Hinton, czołowa postać w dziedzinie głębokiego uczenia się, ostrzega: „Nie powinniśmy bać się myślenia maszynowego; Powinniśmy bać się maszyn, które działają bezmyślnie.” Podkreśla to krytyczną potrzebę solidnych ram oceny, aby zapewnić wysoką dokładność zautomatyzowanych procesów.

Przykład: agent AI osiąga ogólną dokładność jedynie 72% podczas wykonywania dwóch zadań (0,85 × 0,85) w porównaniu z dokładnością 85% podczas wykonywania jednego zadania. W miarę łączenia zadań w przepływy pracy i zadania dokładność jeszcze bardziej spada. Rodzi to ważne pytanie: czy dopuszczalne jest wdrożenie rozwiązania AI, które w środowisku produkcyjnym jest dokładne tylko w 72%? Co się stanie, gdy dokładność spadnie w miarę dodawania większej liczby zadań?

Rozwiązanie problemu dokładności

Niezbędna jest optymalizacja aplikacji AI, aby osiągnąć dokładność na poziomie 90–100%. Przedsiębiorstwa nie mogą sobie pozwolić na kiepskie rozwiązania. Aby osiągnąć większą dokładność, organizacje powinny inwestować w:

• mocne ramy oceny: Zdefiniuj jasne kryteria sukcesu i przeprowadź dokładne testy z wykorzystaniem rzeczywistych i syntetycznych danych.
• Ciągłe monitorowanie i pętla informacji zwrotnej: Monitoruj wydajność sztucznej inteligencji w środowisku produkcyjnym i korzystaj z opinii użytkowników, aby ją ulepszyć.
• zautomatyzowane narzędzia optymalizacyjne: Stosuj narzędzia, które automatycznie optymalizują agentów AI, nie polegając wyłącznie na ręcznych dostosowaniach.

Bez solidnej oceny, obserwacji i informacji zwrotnych agenci sztucznej inteligencji ryzykują słabą wydajność i pozostawanie w tyle za konkurentami, którzy traktują te aspekty priorytetowo.

wnioski wyciągnięte do tej pory

W miarę jak organizacje aktualizują swoje plany działania w zakresie sztucznej inteligencji, pojawia się kilka wniosków:

• pozostań w dobrej formie: Szybki rozwój sztucznej inteligencji sprawia, że ​​długoterminowy plan działania stanowi wyzwanie. Strategie i systemy powinny umożliwiać adaptację, aby ograniczyć nadmierne poleganie na jednym modelu.
• Skoncentruj się na obserwacji i ocenie: Ustal jasne kryteria sukcesu. Określ, co oznacza dokładność w Twoim przypadku użycia i określ akceptowalny zakres wdrożenia.
• Spodziewaj się cięć kosztów: Przewiduje się, że koszty wdrożenia sztucznej inteligencji znacznie się zmniejszą. Niedawne badanie przeprowadzone przez A16Z Ustalono, że koszt oszacowania LLM zmniejszył się 1000 razy w ciągu trzech lat; Co roku koszty maleją 10-krotnie. Ten plan redukcji otwiera drzwi dla ambitnych projektów, które wcześniej były zaporowe pod względem kosztów.
• Eksperymentuj i szybko iteruj: Przyjmij podejście oparte na sztucznej inteligencji. Wdrażaj procesy umożliwiające szybkie eksperymentowanie, przesyłanie informacji zwrotnych i iterację, dążąc do spójnych cykli wydawniczych.

wniosek

Agenci AI są tutaj jako nasi współpracownicy. Od agentycznych RAG po w pełni autonomiczne systemy, agenci są gotowi na nowo zdefiniować działalność przedsiębiorstwa. Organizacje, które przyjmą tę zmianę paradygmatu, uwolnią niezrównaną wydajność i innowacyjność. Teraz jest czas na działanie. Czy jesteś gotowy, aby przewodzić przyszłości?

Rohan Sharma jest współzałożycielem i dyrektorem generalnym xenolabs.ai,