Studija Boston Consulting Group (BCG) sugerira da organizacije koje vode u razvoju tehnologije stječu prednost kada je riječ o umjetnoj inteligenciji (AI) i korištenju agentske AI za poboljšanje poslovnih procesa.
Ono što je upečatljivo u nalazima BCG-a, prema riječima Jessice Apotheker, generalnog direktora i starijeg partnera u Boston Consulting Group, jeste da su vodeće kompanije u AI uglavnom iste one koje su bile lidere prije osam godina.
„Ono što ovogodišnji izvještaj pokazuje jeste da se jaz u vrijednostima između ovih kompanija i drugih prilično povećava“, kaže ona. Drugim riječima, BCG-ovo istraživanje pokazuje da organizacije koje su neproporcionalno investirale u tehnologiju postižu veći povrat od te investicije.
Brojna istraživanja pokazuju da veliki udio inicijativa AI ne uspijeva donijeti mjerljiv poslovni uspjeh. BCG-ov izvještaj Build for the future 2025 pokazuje da kompanije koje ocjenjuje kao najbolje korisnike AI ostvaruju 1,7 puta veći rast prihoda od 60% kompanija u kategorijama koje definira kao stagnirajuće ili u nastajanju.
Za Ilana Twiga, suosnivača i glavnog tehnološkog direktora (CTO) u Navanu, projekti umjetne inteligencije koji ne daju vrijednost ukazuju na to kako poduzeća koriste AI tehnologiju. Prečesto se AI baca na stare sisteme i zastarjele procese.
Nadovezujući se na RPA
Međutim, svakako postoji razlog za nadgradnju na prethodne inicijative kao što je robotska automatizacija procesa (RPA).
Govoreći na nedavno održanom Forresterovom samitu o tehnologiji i inovacijama u Londonu, Bernhard Schaffrik, glavni analitičar u Forresteru, raspravljao je o tome kako se agentska AI može izgraditi na vrhu determinističkog RPA sistema kako bi se obezbijedila veća fleksibilnost od onoga što se postojeći sistemi mogu programirati za postizanje.
Analitičarska firma koristi termin “orkestracija procesa” da opiše sljedeći nivo automatizacije poslovnih procesa, koristeći agentsku AI u toku rada za rješavanje nejasnoća daleko lakše od programskih skripti koje se koriste u RPA.
„Klasični alati za automatizaciju procesa zahtevaju da znate sve u fazi projektovanja – potrebno je da predvidite sve greške i sve izuzetke“, kaže Schaffrik.
On ističe da je razmatranje ovih stvari u vrijeme dizajna nerealno kada se pokušavaju orkestrirati složeni procesi. Ali razvijaju se novi alati za orkestraciju procesa koji se oslanjaju na AI agente.
Snažna baza podataka
Boston Consulting Group (BCG) kaže da preduslovi za uspješno uvođenje AI agenata uključuju snažne temelje podataka, skalabilne AI mogućnosti i jasno upravljanje.
Standardizacija podataka je ključni uslov za uspjeh, prema Twigu. „Veliki dio problema su podaci“, kaže on. „AI je jak onoliko koliko su jake informacije na kojima radi, a mnoge kompanije nemaju standardizovane, konzistentne skupove podataka potrebne za njegovu pouzdanu obuku ili implementaciju.”
U kontekstu agentske AI, ovo je važno kako bi se izbjegle pogrešne komunikacije kako na nivou tehnološke infrastrukture tako iu razumijevanju informacija od strane ljudi. Ali cijeli temelj podataka ne mora biti izgrađen odjednom.
BCG-ov Apotheker kaže da kompanije mogu imati cilj u cijelom preduzeću da postignu čiste podatke, i da to grade jedan po jedan projekat, obezbjeđujući temelj čistih podataka na kojem se mogu graditi naredni projekti. Čineći to, organizacije su u mogućnosti da bolje razumiju poslovne podatke koje ovi projekti zahtijevaju dok osiguravaju da su skupovi podataka čisti i da se poštuju dobre prakse upravljanja podacima.
Radna agentska strategija AI oslanja se na AI agente povezane slojem metapodataka, pri čemu ljudi razumiju gdje i kada da delegiraju određene odluke AI ili prenesu posao vanjskim izvođačima. Fokus je na definisanju uloge veštačke inteligencije i gde ljudi uključeni u radni tok treba da doprinesu.
Ova funkcionalnost se može smatrati nekom vrstom platforme. Scott Willson, šef marketinga proizvoda u xtype, opisuje platforme AI toka rada kao mehanizme orkestracije, koji koordiniraju više AI agenata, izvora podataka i ljudskih dodirnih tačaka kroz sofisticirane nedeterminističke tokove posla. Na nivou koda, ove platforme mogu implementirati arhitekture vođene događajima koristeći redove poruka za rukovanje asinhronom obradom i osiguravanje tolerancije grešaka.
Praćenje roda podataka trebalo bi da se desi na nivou koda kroz sisteme propagacije metapodataka koji označavaju svaku transformaciju podataka, zaključak modela i tačku odlučivanja sa jedinstvenim identifikatorima. Willson kaže da ovo stvara nepromjenjiv revizorski trag koji regulatorni okviri sve više zahtijevaju. Prema Willsonu, napredne implementacije mogu koristiti evidencije samo dodavanja nalik blockchainu kako bi se osiguralo da se podaci upravljanja ne mogu retroaktivno mijenjati.
Prilagođavanje tokova rada i upravljanje promjenama
Nakon što je iz temelja izgradio AI sisteme i transformisao vlastite procese razvoja proizvoda koristeći AI, Alan LeFort, izvršni direktor i suosnivač StrongestLayera, napominje da većina organizacija postavlja potpuno pogrešna pitanja kada procjenjuju platforme toka rada AI.
„Osnovno pitanje nije tehnološko, ono je zapravo organizacijsko“, kaže on.
Konvejev zakon kaže da organizacije dizajniraju sisteme koji odražavaju njihove komunikacijske strukture. Ali, prema LeFortu, većina evaluacija toka rada AI pretpostavlja da organizacije pričvršćuju AI na postojeće procese dizajnirane oko ljudskih ograničenja. To, kaže on, rezultira serijskim donošenjem odluka, lancima odobravanja nesklone riziku i silosima specifičnim za domene.
Kada pokušate da integrišete veštačku inteligenciju u procese koje je dizajnirao čovek, dobijate marginalna poboljšanja. Kada redizajnirate procese oko AI sposobnosti, dobijate eksponencijalne dobitke Alan LeFort, StrongestLayer
“AI nema ta ograničenja. AI može paralelizirati aktivnosti koje ljudi moraju raditi serijski, ne pati od gomilanja teritorijalnog znanja i ne trebaju mu razrađene sigurnosne mreže koje smo izgradili oko ljudske pogrešivosti”, dodaje on. “Kada pokušate integrirati AI u procese dizajnirane od strane ljudi, dobijate marginalna poboljšanja. Kada redizajnirate procese oko AI sposobnosti, dobijate eksponencijalne dobitke.”
StrongestLayer je nedavno transformirao svoj proces razvoja front-end softvera koristeći ovaj princip. Tradicionalni razvoj proizvoda teče serijski. Menadžer proizvoda razgovara s kupcima, izdvaja zahtjeve i zatim predaje timu za korisničko iskustvo na dizajn, tim za upravljanje programom zatim odobrava dizajn, a programeri implementiraju softver. Nekada je bilo potrebno 18-24 mjeseca da se aplikacija potpuno obnovi u ovom procesu, kaže on.
Umjesto da pričvrsti umjetnu inteligenciju na ovaj proces, LeFort kaže da ga je StrongestLayer „fundamentalno ponovo zamislio“.
“Napravili smo prototip prototipa uparen sa prednjim inženjerom fokusiranim na arhitekturu. Ključ je bio u izgradnji AI pipeline-a koji je obuhvatio kontekstualno znanje svake uloge: filozofiju dizajna, preferencije tehnološkog steka, nefunkcionalne zahtjeve, standarde za testiranje i potrebe za dokumentacijom.”
Kao rezultat ovih promjena opterećenja, on kaže da je kompanija uspjela postići isti rezultat iz perspektive razvoja proizvoda u četvrtini vremena. To, kaže on, nije nužno postignuto bržim radom, već redizajniranjem toka posla oko sposobnosti AI da paralelizira ljudske sekvencijalne aktivnosti.
Očekivalo se da će se LeFort suočiti sa povratkom. “Moj odgovor je bio da vodim s prednje strane. Upario sam se direktno s našim glavnim proizvodnim direktorom, Joshuom Bassom, kako bih izgradio proces, dokazujući da funkcionira prije nego što sam zamolio druge da ga usvoje. Uspjeh našeg front-end inženjera smo preoblikovali oko brzine i pionirskih novih načina rada”, kaže on.
Za LeFort, prava brzina do vrijednosti dolazi iz dva temeljna izvora: eliminacije vremena između vrijednosnih aktivnosti i ubrzanja individualnog završetka aktivnosti putem AI automatizacije. „Ovo zahteva unapred ulaganje u redizajn procesa, a ne u brzu implementaciju tehnologije“, kaže on.
LeFort poziva organizacije da procijene AI platforme toka posla na osnovu njihove sposobnosti da omoguće fundamentalnu transformaciju procesa, umjesto da rade na integraciji postojećih neefikasnosti.
Postizanje ispravnih odluka agentskom AI
Istraživanja iz BCG-a sugeriraju da je najbolji način za raspoređivanje agenata kroz nekoliko tokova posla visoke vrijednosti sa jasnim planovima implementacije i obukom radne snage, umjesto masovnog uvođenja agenata posvuda odjednom.
Postoje različiti modeli sa različitim snagama. Želimo koristiti najbolji model za svaki zadatak Ranil Boteja, Lloyds Banking Group
Jedna od oblasti koje IT lideri treba da razmotre je da će se njihova organizacija više nego verovatno oslanjati na brojne AI modele za podršku agentskim AI tokovima rada. Na primjer, Ranil Boteju, direktor podataka i analitike u Lloyds Banking Group, vjeruje da različiti modeli mogu imati zadatak da se pozabave svakim posebnim dijelom upita korisnika.
„Način na koji razmišljamo o tome je da postoje različiti modeli sa različitim snagama, a ono što želimo da uradimo je da koristimo najbolji model za svaki zadatak“, kaže Boteju. Ovakav pristup je način na koji banka vidi primenu agentske AI.
Sa agentskom umjetnom inteligencijom, problemi se mogu raščlaniti na sve manje i manje dijelove, gdje različiti agenti odgovaraju na svaki dio. Boteju vjeruje u korištenje AI agenata za provjeru izlaza drugih agenata, radije kao da djeluje kao sudija ili kolega iz druge linije koji djeluje kao posmatrač. Ovo može pomoći u smanjenju pogrešnih odluka koje proizlaze iz AI halucinacija kada AI model u osnovi proizvodi lažan rezultat.
IT sigurnost u agentskoj AI
Ljudi u IT-u imaju tendenciju da cijene važnost pridržavanja najboljih praksi za sajber sigurnost. No, kako ističe Fraser Dear, šef odjela za umjetnu inteligenciju i inovacije u BCN-u, većina korisnika ne razmišlja kao programer softvera koji ima na umu upravljanje prilikom kreiranja vlastitih agenata. On apeluje na organizacije da nametnu politike koje osiguravaju da se ključni sigurnosni koraci ne preskaču u žurbi za implementacijom agentske AI.
“Razmislite o tome čemu ovi AI agenti mogu pristupiti preko SharePoint-a: više verzija dokumenata, transkripata, HR fajlova, podataka o platama i još mnogo toga. Bez zaštitnih ograda, AI agenti mogu pristupiti svemu ovome neselektivno. Neće nužno znati koje su verzije ovih dokumenata izrađene, a koje odobrene”, upozorava on.
Problem eskalira kada se agent koji je stvorila jedna osoba stavi na raspolaganje široj grupi kolega. Može im nehotice dati pristup podacima koji su izvan njihovog nivoa dozvole.
Dear vjeruje da upravljanje podacima mora uključiti konfiguriranje granica podataka, ograničavajući ko može pristupiti kojim podacima prema ulozi posla i nivou osjetljivosti. Okvir upravljanja također treba specificirati iz kojih izvora podataka AI agent može izvući.
Osim toga, on kaže da bi AI agenti trebali biti napravljeni za određenu svrhu, koristeći principe najmanje privilegija: “Baš kao i svaka druga aplikacija koja je kritična za poslovanje, ona mora biti adekvatno testirana i ‘crveni tim’. Izvršite testiranje penetracije kako biste identificirali koje podatke agent može isplivati, kome i koliko su tačni podaci. Praćenje i revizija koji su podaci u koju svrhu i koje agente treba implementirati. neobični obrasci pristupa.”
Neravan vožnja pred nama
Ono što ovi razgovori sa tehnološkim stručnjacima ilustruju je da ne postoji jednostavan put ka postizanju mjerljive poslovne koristi od agentskih AI tokova posla – i štoviše, ovi sistemi moraju biti sigurni po dizajnu.
Organizacije moraju imati odgovarajuću strategiju podataka i već bi trebale biti daleko ispred na svom putu ka potpunoj digitalizaciji, gdje se automatizacija putem RPA koristi za povezivanje mnogih različitih tokova posla. Agentska AI je sljedeća faza ove automatizacije, gdje je AI zadatak ed sa donošenjem odluka na način koji bi ranije bio previše nespretan korištenjem RPA.
Međutim, automatizacija radnih tokova i poslovnih procesa samo su dijelovi cjelokupne slagalice. Sve je više uviđanje da razgovor u sali za sastanke treba da ide dalje od ljudi i procesa.
BCG-ov Apotheker vjeruje da bi poslovni lideri trebali ponovo procijeniti šta je važno za njihovu organizaciju i na šta žele da se fokusiraju u budućnosti. Ovo ide dalje od debate o izgradnji i kupovini: neki procesi i zadaci treba da budu u vlasništvu preduzeća; neki se mogu prepustiti provajderu koji bi mogao koristiti AI; a neki će biti automatizirani interno putem agentskih AI tokova rada.
To je više poput inženjeringa poslovnih procesa, gdje elementi koje pokreće AI sjede uz zadatke koji se predaju vanjskom dobavljaču usluga. Za Apotheker, to znači da preduzeća moraju imati čvrsto razumijevanje o tome koji dio poslovnog procesa je strateški važan i koji se može interno transformirati.
Poslovni lideri tada treba da shvate kako povezati strateški važan dio toka posla s onim što posao zapravo angažuje ili potencijalno automatizira unutar kuće.
