Агентска вештачка интелигенција: Они који дозвољавају машинама да одлучују не смеју аутоматизовати вођство – нова економија одговорности

Агентска вештачка интелигенција у пословању: Аутономија, поверење и изазов одговорности

Од аутоматизације до агенције: Како вештачка интелигенција мења организациону структуру

Увођење агентске вештачке интелигенције (ВИ) представља пред компаније фундаменталне изазове и могућности. Овај облик ВИ далеко превазилази пуку аутоматизацију канцеларијског посла; он има потенцијал да трансформише целокупну економску логику пословања. Агентска ВИ је способна да самостално планира радне процесе, доноси одлуке и прилагођава се променљивим условима. Ово проширује централно питање управљања не само на аутоматизацију задатака већ и на одговорност за резултате које генеришу ови аутоматизовани процеси. Компаније се суочавају са задатком редизајнирања својих структура и одговорности како би задовољиле захтеве радног света који је све више вођен ВИ.

У вези са овим:

• Unframe | Agentic Ai Automation Како предузећа функционишу

У овој новој реалности, нису потребне само техничке вештине, већ и дубоко разумевање динамике између људи и машина. Менаџмент мора успоставити јасне смернице за доношење одлука и одговорност како би се осигурала одржива реализација предности агентичке вештачке интелигенције. Изазов лежи у проналажењу праве равнотеже између аутономије и контроле како би се гарантовала и ефикасност и поверење у донете одлуке. Компаније које савладају ове изазове не само да ће моћи да искористе предности агентичке вештачке интелигенције, већ ће и осигурати своју конкурентност у брзо променљивом економском окружењу.

Агентска вештачка интелигенција: Револуција или ризик за компаније?

Агентска вештачка интелигенција није само још један мали корак у дигитализацији канцеларијског рада. Она мења фундаменталну економску логику компанија јер не само да може да подржи појединачне задатке, већ и да планира, извршава, прати и прилагођава читаве токове рада променљивим условима. Ово помера питање централног управљања. Више се не ради само о томе који се задаци могу аутоматизовати, већ о томе ко је одговоран за исход када дигитални систем одређује значајне делове пута до његовог постизања.

Ова промена је дубља од увођења класичне аутоматизације процеса или генеративних система помоћи. Чим агент вештачке интелигенције делује независно унутар дефинисаних граница, користи алате, агрегира податке из више система и интегрише друге агенте по потреби, он постаје оперативни актер. Не поседује правну или моралну одговорност, али утиче на одлуке, трошкове, ризике и искуства купаца. Управо ту настаје кључна тензија: компаније технички могу делегирати овлашћење за деловање, али не и одговорност за последице.

Економски добитници стога вероватно неће бити оне компаније које инсталирају највише агената. Организације које константно редизајнирају токове рада, овлашћења за доношење одлука и механизме контроле имају веће шансе за успех. Агентска вештачка интелигенција је стога мање додатни софтверски производ, а више прилика за поновну процену сопственог оперативног модела. Она тера компаније да имплицитна правила учине видљивим, разјасне одговорности и поново израчунају вредност координације.

Од дигиталног асистента до оперативног актера

Термин „агентска вештачка интелигенција“ се сада користи толико широко да губи на прецизности. Није сваки четбот који одговара на питање, нити свака аутоматизација која комбинује неколико програмских корака, већ агент. За пословну анализу, јасна разлика је неопходна јер користи, ризици и организациони утицај значајно зависе од тога колико аутономије систем заправо поседује.

Традиционална аутоматизација процеса уз помоћ робота прати унапред дефинисана правила. Посебно је ефикасна када су улази стандардизовани, процеси стабилни, а изузеци ретки. Ако случај одступи од програмиране путање, процес се често прекида или захтева људску интервенцију. Копилот ради флексибилније, али у основи остаје систем помоћи. Он формулише, истражује, анализира или предлаже акције док човек контролише процес и покреће следеће кораке.

Насупрот томе, агент добија циљ и самостално планира низ акција. Може поставити међуциљеве, прикупити информације, користити апликације, проверити резултате и прилагодити свој план. У процесу набавке, на пример, може прикупљати податке о потражњи, упоређивати информације о добављачима, идентификовати ризике, формулисати предлог за преговоре и припремити одобрење. Људи не морају да покрећу сваки корак; уместо тога, они дефинишу циљ, границе и тачке ескалације.

Са економске перспективе, ово не само да аутоматизује рад, већ и део раније потребне координације. Ова координација је често била организована кроз улоге, хијерархије и састанке. Ако агент може да то обави брже и уз ниже маргиналне трошкове, традиционалне структуре послова су под притиском. Централни фокус аутоматизације помера се са самог задатка на ток рада, и потенцијално, дугорочно, са тока рада на укупни пословни исход.

Аутономија, контекст и проверљиво поверење

Три карактеристике одређују да ли систем унутар компаније заиста делује као агент: аутономија, пословни контекст и проверљиво поверење. Аутономија не описује неограничену слободу, већ способност доношења самосталних одлука у оквиру одобреног обима деловања. Економски одрживом агенту није потребно дозволити да ради све. Напротив: што је прецизније дефинисан његов мандат, лакше је управљати користима и ризицима.

Пословни контекст одређује да ли се техничка интелигенција преводи у употребљиве оперативне перформансе. Модел може дати убедљиве вербалне одговоре, а ипак доносити лоше одлуке ако му недостаје знање о уговорима са купцима, логици производа, одговорностима, регулаторним границама или историјским аномалијама. Компаније често потцењују богатство знања уграђеног у неформалне рутине, личне мреже и прећутне претпоставке. Ово знање је само по себи очигледно људима, али невидљиво агенту, осим ако није структурно доступно.

Поверење, заузврат, не треба мешати са општим поверењем. Унутар компаније, поверење мора бити проверљиво. То укључује евиденцију акција које се могу пратити, документоване изворе података, јасно дефинисана овлашћења, мерљиве прагове квалитета и способност препознавања неизвесности. Агент са ниским поверењем не само да мора опрезније формулисати своје захтеве, већ и ескалирати проблем одговорној особи ако је потребно. Стога се квалитет агента показује не само тиме колико често поступа исправно, већ и тиме колико поуздано препознаје када не би требало да делује самостално.

Ове три димензије су уско испреплетене. Већа аутономија без довољног контекста повећава вероватноћу грешака. Више контекста без контроле приступа повећава ризике по заштиту података и безбедност. Поверење без смисленог мерења остаје само тврдња. Само њихова интеракција трансформише импресиван прототип у робустан оперативни систем.

Два агентска модела са веома различитим ефектима

У пословном софтверу могу се разликовати два основна обрасца распоређивања. Агенти повезани са апликацијом обављају ограничен задатак унутар постојећег алата. На пример, помажу у креирању понуде, класификацији захтева за услугу или прегледу уговорног документа. Човек остаје унутар апликације, контролише процес и потврђује кључне кораке. Овај модел је релативно лако имплементирати јер процес, интерфејс и структура одговорности углавном остају непромењени.

Насупрот томе, агенти оријентисани на процесе обрађују читав ток рада у више система. Они могу да приме упит купца, провере информације из ERP система, израчунају доступност, покрену додатна питања, понуде решење, документују обраду и ескалирају само неуобичајене случајеве. Ово нуди већи потенцијал продуктивности, али такође представља и већи организациони изазов.

Разлика је економски значајна. Агент оријентисан на апликације штеди време на задатку. Агент оријентисан на процесе може смањити трошкове предаје задатака, времена чекања, упита и координације. Ови индиректни трошкови, посебно, чине значајан део трошкова процеса у сложеним компанијама. Ретко се појављују као посебна ставка у билансу успеха, али везују особље, продужавају рокове испоруке и повећавају заостатак необрађених предмета.

Међутим, са већим дометом долази до повећања броја потенцијалних ланаца грешака. Један погрешан корак класификације може се проширити кроз више система и на крају покренути поруџбину, плаћање или комуникацију са купцем. Стога, мерење квалитета појединачних одговора није довољно. Компаније морају проценити цео процес, укључујући примопредаје, зависности и последице. Релевантно питање није да ли модел обично реагује исправно, већ да ли пословни процес поуздано производи прихватљив резултат у реалним условима.

Зашто пилот пројекти у стварности не успевају

Велики број очекиваних отказивања пројеката није доказ да је агентска вештачка интелигенција фундаментално прецењена. Уместо тога, показује да многе компаније имплементирају технологију користећи неприкладне методе. Више од 40 процената данашњих пројеката агентске вештачке интелигенције могло би бити обустављено до краја 2027. године. Кључни разлози укључују растуће трошкове, нејасну пословну вредност и неадекватне контроле ризика. Истовремено, скоро две трећине компанија је још увек у експерименталној или пилот фази, док се агентски системи тестирају у појединачним функцијама, али се ретко скалирају на нивоу целе компаније.

Типичан пилот пројекат почиње са добро дефинисаним случајем употребе, посвећеним стручњацима и пажљиво одабраним подацима. Под овим условима, агент може да пружи убедљиве резултате. Међутим, у производњи се сусреће са непотпуним информацијама, конфликтним главним подацима, променљивим одговорностима, техничким кваровима и непредвиђеним проблемима. Прелазак из лабораторије у организацију је стога мање проблем моделирања него изазов интеграције и рада.

Штавише, многи пилот пројекти се развијају изоловано. Они добијају сопствене везе за податке, сопствена правила и сопствену базу знања. За следећи случај употребе, компанија мора поново да почне са развојем улога, терминологије, дозвола и знања о процесима. То резултира високим текућим трошковима. Оно што је замишљено као брза иновација постаје скуп тешких за одржавање, изолованих решења.

Још једна слабост лежи у мерењу. Уштеда времена за појединачне запослене често се бележи као пословни успех, иако није јасно да ли се ослобођено време продуктивно користи. Агент може уштедети десет минута по трансакцији без икакве мерљиве промене у трошковима запослених, времену обраде или приходима. Добар пословни случај стога мора бити заснован на специфичној мери исхода: нижи укупни трошкови, већа стопа закључивања послова, нижи трошкови грешака, краћи рокови испоруке, мање везаног капитала или побољшана лојалност купаца.

Пословни контекст постаје стратешка предност

Што више процеса агенти обрађују, то је вреднији заједнички контекст, онај којем различити системи могу приступити. Ово укључује не само документе и базе података, већ и концептуалне моделе, дефиниције процеса, улоге, политике, границе одобравања и значење оперативних стања. На пример, случај услуге се не сматра решеним само зато што је послат одговор. У зависности од компаније, решење се може постићи тек када купац потврди да је проблем решен, да је технички преглед завршен или да је издата кредитна нота.

Када се овај контекст правилно моделира, може се поново користити у другим агентима и процесима. Ово ствара ефекат скалирања. Први продуктивни ток рада остаје скуп јер је потребно успоставити податке, правила и одговорности. Међутим, сваки наредни ток рада може се ослањати на исту семантичку и организациону основу. Маргинални трошкови следеће имплементације се смањују, док се конзистентност одлука повећава.

Без такве основе, свако одељење понавља исти прелиминарни рад. Појављују се различите дефиниције, идентични купци се различито вреднују, а вишеструки агенти доносе одлуке на основу супротстављених правила. Компанија затим дигитализује своје организационе силосе уместо да их превазиђе. Технички, пејзаж делује модерно, али економски, старе неефикасности и даље постоје.

Пословни контекст стога није само питање података. Он повезује архитектуру података, управљање процесима и организационо знање. Компанијама је потребно јасно власништво над кључним производима и концептима података. Такође морају да одлуче које информације агент сме да види, колико ажурне треба да буду и који извор има предност у случају неслагања. Изградња овог слоја је мање спектакуларна од демонстрације агента, али је предуслов за одрживе користи.

Права доношења одлука имају предност над описима послова

Када агент планира, извршава и документује већи део процеса, људска улога се мења. Запослени више не решавају сваки случај сами, већ постављају циљеве, преиспитују изузетке и побољшавају правила. Ова промена често почиње постепено. Организациона шема остаје непромењена, иако се стварна расподела доношења одлука већ променила.

Ово ствара опасно међустање. Формална одговорност остаје на менаџеру или специјализованом одељењу, док оперативну одлуку све више припрема или ефикасно доноси агент. Ако је резултат само површно потврђен, ствара се лажна провера. Особа је номинално одговорна, али нема ни довољно времена ни довољно информација да заправо преиспита одлуку.

Компаније стога морају експлицитно реорганизовати овлашћења за доношење одлука. За сваки процес који подржавају агенти, треба јасно дефинисати које радње систем може самостално да извршава, које одлуке захтевају људско одобрење и на којим сигналима се процес зауставља. Општа класификација као ниског или високог ризика није довољна. Промена адресе купца, одобравање смањења цене и покретање плаћања су различите класе радњи са различитим последицама.

Дизајнирање ових права је задатак менаџмента. Не може се у потпуности делегирати ИТ-у или одељењу за усклађеност јер директно утиче на оперативну контролу. Онај ко одлучује о ограничењима одобрења, изузецима и супротстављеним циљевима обликује пословни модел. Агентска вештачка интелигенција чини ове често неформалне структуре моћи и одговорности видљивим и приморава руководство компаније да их прецизније дефинише.

Нове улоге између лидерства и извршења

Са променом оперативног рада, појављују се улоге које се мање фокусирају на решавање појединачних случајева, а више на управљање целим системима. Власник процеса за агенте дефинише циљеве, стандарде квалитета и границе. Они процењују ескалације, анализирају обрасце грешака и одлучују да ли агенту треба доделити додатне одговорности. Ова улога је ближа управљању и одговорности за производ него традиционалном административном раду.

Поред тога, техничке и регулаторне функције добијају на значају. Агентима је потребна поуздана платформа, безбедни интерфејси, надгледане дозволе и континуирана евалуација учинка. То доводи до области одговорности као што су операције агената, управљање вештачком интелигенцијом, управљање ризицима модела, архитектура процеса и осигурање квалитета. Неће свака организација створити нове позиције за ово. Често ће постојеће улоге из ИТ-а, пословних јединица, ревизије, заштите података и управљања ризицима бити проширене и међусобно повезане на нове начине.

Кључно је да одговорност не сме бити фрагментирана између ових функција. Технички власник може бити одговоран за стабилност, приступ и безбедносне контроле, а да притом није одговоран за пословни исход. С друге стране, власник предузећа може контролисати процес, а да притом није у могућности да процени сваку промену модела. Стога, сваком продуктивном агенту је потребан барем један јасно дефинисан пословни и један јасно дефинисан технички власник, као и одређено тело за доношење одлука у случају сукоба.

Нови пејзаж улога нуди могућности за напредовање, али такође мења потребне компетенције. Запослени морају да обављају мање рутинских задатака и да се више фокусирају на дефинисање циљева, процену резултата, разумевање изузетака и системе обуке. Искуство не губи своју вредност као резултат тога. Напротив, имплицитна стручност постаје посебно важна јер је потребно претворити у правила, критеријуме ревизије и процедуре ескалације. Уско грло често није у коришћењу алата вештачке интелигенције, већ у способности да се прецизно опише добар рад.

Када се тимови граде око резултата, а не око функција

Традиционалне организације често одражавају ток процеса. Једна јединица прима захтев, друга га прегледа, трећа га одобрава, а четврта обрађује изузетке. Ова структура је настала зато што су информације биле дистрибуиране, специјализација је нудила предности, а људски капацитети за обраду били су ограничени. Агент оријентисан на процесе може да комбинује неколико ових корака и да их извршава 24 сата дневно.

Ово не поништава аутоматски функционалну поделу рада, али мења њен економски разлог. Ако примопредаје више не нуде предност специјализације, већ првенствено генеришу време чекања, компанија би требало да организује тимове више око резултата. Тим би тада могао бити одговоран за комплетно решење проблема купца, доступност групе производа или благовремено завршетак поруџбине. Људи и агенти се комбинују на такав начин да се постигне резултат, а не тако да свака позиција испуњава свој подпроцес.

Ова реорганизација може имати посебно значајан утицај на средњи менаџмент. Део њихове претходне улоге укључивао је расподелу посла, прикупљање ажурирања статуса, праћење приоритета и пренос информација између нивоа. Агентски системи могу преузети такве координационе задатке уз ниске маргиналне трошкове. То не значи да лидерство постаје застарело. Оно преусмерава свој фокус на решавање супротстављених циљева, мотивацију, развој особља, односе са купцима, стратегију и преузимање одговорности у двосмисленим ситуацијама.

Компаније би стога требало да избегавају прерано отпуштање радних места пре него што нови оперативни модел почне стабилно да функционише. Фаза транзиције често захтева више, а не мање, менаџмента. Прерани губитак искусних координатора уништава управо знање о процесима потребно за поуздану архитектуру агената. Економски исплативији приступ је прво реструктурирати улоге, задржати знање и доносити одлуке о капацитету тек након што се види повећање продуктивности.

Управљана AI платформа - Слика: Xpert.Digital

Овде ћете сазнати како ваша компанија може брзо, безбедно и без високих баријера за улазак имплементирати прилагођена решења за вештачку интелигенцију.

Управљана AI платформа је ваше свеобухватно и безбрижно решење за вештачку интелигенцију. Уместо да се бавите сложеном технологијом, скупом инфраструктуром и дуготрајним процесима развоја, добијате готово решење прилагођено вашим потребама од специјализованог партнера – често у року од само неколико дана.

Кључне предности на први поглед:

⚡ Брза имплементација: Од идеје до апликације спремне за употребу за дане, а не месеци. Нудимо практична решења која стварају тренутну додату вредност.

🔒 Максимална безбедност података: Ваши осетљиви подаци остају код вас. Гарантујемо безбедну и усклађену обраду без дељења података са трећим лицима.

💸 Без финансијског ризика: Плаћате само за резултате. Велика почетна улагања у хардвер, софтвер или особље су потпуно елиминисана.

🎯 Фокусирајте се на свој основни посао: Концентришите се на оно што најбоље радите. Ми се бринемо о целокупној техничкој имплементацији, раду и одржавању вашег вештачке интелигенције.

📈 Спремно за будућност и скалабилно: Ваша вештачка интелигенција расте са вама. Обезбеђујемо континуирану оптимизацију и скалабилност и флексибилно прилагођавамо моделе новим захтевима.

Више информација овде:

• Управљана AI платформа

Нова крива трошкова рада заснованог на знању

Агентска вештачка интелигенција мења структуру трошкова рада са знањем. Развој поузданог система по први пут може бити скуп јер захтева приступ подацима, интеграцију, безбедносне провере, тестирање и промене процеса. Међутим, када се постави темељ, додатни задаци се могу обављати са релативно ниским маргиналним трошковима. Ово омогућава да се неки административни послови приближе скалабилности софтвера.

Овај ефекат не треба мешати са бесплатним радом. Агенти сносе сталне трошкове за моделе, рачунарску снагу, складиштење, праћење, интерфејсе и људски надзор. Сложени процеси планирања и тестирања могу покренути бројне позиве модела и коришћење алата. Лоше дизајниран агент може генерисати значајне трошкове кроз петље, непотребне упите или прекомерну обраду докумената. Стога се исплативост мора мерити и на нивоу процеса и на нивоу исхода.

Одговарајућа метрика није цена једног захтева, већ укупни трошкови успешно завршеног процеса. То укључује трошкове модела и платформе, време људског прегледа, исправке грешака, кашњења, безбедносне мере и амортизацију развоја. Само када су ови укупни трошкови нижи од трошкова претходних процеса или произведу резултат веће вредности, настаје стварна економска корист.

Процеси са великим обимом, понављајућим обрасцима, дигитално доступним подацима и скупим предајама су посебно атрактивни. Мање погодни су ретки процеси где је скоро сваки случај нов, последице грешке су изузетно велике или су кључне информације доступне само неформално. Стога, најбоља стопа аутоматизације није нужно и највиша. Економски оптималан систем аутоматизује прецизно онолико колико се може поуздано управљати с обзиром на постојећи ризик.

Продуктивност је више од само уштеђеног радног времена

Многе компаније мере предности вештачке интелигенције на основу теоретски уштеђених сати. Ова метрика је лака за разумевање, али често обмањујућа. Десет процената мање времена обраде не значи аутоматски десет процената ниже трошкове запослених. Ако запослени не могу да искористе уштеђено време за стварање додатне вредности или ако процес остане ограничен на другим местима, неће доћи до одговарајућег побољшања резултата.

Смислена анализа трошкова и користи разматра неколико нивоа. На нивоу процеса, релевантни су фактори као што су време протока, стопа грешака, стопа прераде, стопа решавања и трошкови по завршеном случају. На пословном нивоу, важни су приход, маржа, задржавање купаца, улагање капитала и трошкови ризика. На организационом нивоу, треба испитати да ли агент побољшава скалабилност, смањује зависност од појединаца или омогућава нове услуге.

Реалистична почетна тачка је посебно важна. Процеси су често мање добро документовани него што заправо јесу. Званична времена обраде не узимају у обзир периоде чекања, упите и неформалну координацију. Стога, стварни ток рада треба измерити пре имплементације. У супротном, компанија ће упоређивати контролисани вештачки интелигентни процес са идеализованим људским циљним процесом и доћи ће до бескорисног прорачуна поврата инвестиције.

Подједнако важно је и дугорочно посматрање. У почетку, учинак може бити прецењен због високог нивоа пажње, малих величина узорка и интензивне подршке. Касније, промене података, нови производи и сезонски стресови долазе до изражаја. Стога, инвестиција не треба да се процењује искључиво на основу успешне демонстрације, већ на основу доследних резултата током неколико оперативних циклуса. Економска вредност настаје само када је побољшање одрживо, скалабилно и ревидирано.

Управљање постаје саставни део оперативног модела

У вештачкој интелигенцији заснованој на агентима, управљање није слој контроле који се може додати након техничког развоја. Мора бити уграђено у процес. Протоколи и нивои поузданости су неопходни, али сами по себи нису довољни. Кључно је ко одређује ниво квалитета потребан за аутономно деловање и ко сноси последице погрешне процене.

Само око 30 процената организација достиже напредну фазу зрелости у погледу стратегије, управљања и специфичних контрола за системе засноване на агентима. Истовремено, питања безбедности и ризика сматрају се једном од највећих препрека ширем скалирању. Овај јаз показује да технолошка доступност расте брже од организационе управљивости.

Робусно управљање додељује сваком агенту пословну сврху, класу ризика и одговорне појединце. Документује овлашћене податке, алате и радње. Дефинише када је потребан људски преглед и како се поступа са инцидентима. Штавише, мора да забележи промене, јер се утицај агента може значајно променити због нових модела, алата, извора података или инструкција, чак и ако му име остане исто.

Ова архитектура добија додатни значај за европске компаније. За високо ризичне вештачке интелигенције, захтеви за управљање ризицима, квалитет података, евидентирање, документацију, људски надзор, робусност и сајбер безбедност постају све важнији. Без обзира на формалну класификацију, има смисла са пословног становишта применити ове принципе и на мање регулисане агенте. Следљивост не само да смањује ризике усклађености, већ и олакшава анализу грешака, побољшање процеса и прихватање међу запосленима и купцима.

Контролисана аутономија уместо максималне слободе

Јавни дискурс често приказује аутономију као критеријум квалитета: што агент ради независније, то систем делује прогресивније. Овакав став је опасан за компаније. Максимална аутономија није економски одржив циљ. Оно што је важно јесте прави ниво аутономије за конкретан процес који је у питању.

Разуман приступ користи вишеслојне нивое контроле. На ниском нивоу, агент прикупља и процењује информације, али му није дозвољено да покрене било какву спољашњу ефикасну акцију. На средњем нивоу, он самостално спроводи акције ниског ризика и подноси одлуке са већим последицама на одобрење. На вишем нивоу, он контролише комплетан процес, али се континуирано прати и мора да направи паузу након пријема унапред дефинисаних сигнала.

Ограничења не би требало да се заснивају искључиво на новчаним износима. Ризик по репутацију, приватност података, утицај на купце, правне последице и реверзибилност су подједнако важни. Погрешан интерни резиме се лако исправља. Нетачан раскид, плаћање или јавно саопштење могу имати неповратне последице. Што је теже поништити радњу, то мора бити виши праг за аутономно извршење.

Контролисана аутономија такође захтева техничко спровођење. Писане смернице нису довољне ако агент и даље може да приступи неовлашћеним алатима. Дозволе морају бити додељене у складу са принципом најмањих привилегија, осетљиве радње морају бити прегледане у реалном времену, а необични обрасци морају бити откривени. Опције искључивања, ограничења количине и безбедне резервне процедуре су део нормалног рада. Добро управљање не омета стварање вредности, већ ствара простор у коме већа аутономија постаје оправдана.

Тржиште рада се мења кроз активности

Утицај агентске вештачке интелигенције на запосленост не може се поуздано свести на једноставан број. Глобално, отприлике сваки четврти радник је запослен на послу који је изложен одређеном степену генеративне вештачке интелигенције. Ипак, за већину послова, промена задатака је вероватнија од потпуног укидања позиције. Чак и високо дигитализовани послови садрже задатке који захтевају контекстуално знање, друштвену интеракцију, физичко присуство, расуђивање или личну одговорност.

До 2030. године, главни економски и технолошки трендови могли би створити око 170 милиона нових радних места и заменити приближно 92 милиона. Очекује се да ће вештачка интелигенција и обрада информација довести и до повећања и губитка радних места. Такве пројекције нису тачна предвиђања, али илуструју обим предстојеће прерасподеле. Нето ефекат може бити позитиван, док ће се појединачне професионалне групе, региони и компаније суочити са значајним трошковима прилагођавања.

Агентска вештачка интелигенција ће вероватно значајно трансформисати улоге чија је вредност раније у великој мери зависила од дељења информација, рутинских провера и координације процеса. Истовремено, расте потражња за запосленима који могу да надгледају системе, формализују стручност, решавају изузетке и преузму одговорност. Тржиште рада стога неће бити једноставно подељено на технолошке победнике и губитнике. Кључни фактор је да ли се постојеће искуство може пренети у нову радну организацију.

За компаније, континуирано образовање постаје инвестиција. Курсеви обуке који само објашњавају како се користи алат више нису довољни. Запосленима је потребно разумевање процеса, познавање података, свест о ризицима и способност критичког вредновања резултата агената. Развијање ових компетенција не само да повећава прихватање већ и смањује трошкове контроле и вероватноћу грешака.

Квалитет података одређује скалабилност

Агенти могу боље да обрађују неструктуриране информације од претходних система аутоматизације, али не елиминишу лоше основе података. Фрагментирани подаци о купцима, конфликтне базе података о производима, застарели документи и нејасна права приступа остају препреке. Око осам од десет компанија наводи ограничења података као проблем приликом скалирања вештачке интелигенције засноване на агентима. Мање од десет процената је скалирало агенте до тачке у којој пружају опипљиву вредност.

Проблем се погоршава јер агенти не само да читају податке већ их и модификују и генеришу нове информације. Неисправан резултат може бити записан у низводни систем, а касније га други агент може користити као наводно поуздан извор. Ово ствара повратне петље. Стога, порекло података, благовременост и статус квалитета морају бити машински читљиви.

Робусна архитектура повезује структуриране податке, документе и оперативне догађаје. Она не пружа сваком агенту све информације, већ испоручује контекст дозвољен за одређену сврху. Истовремено, идентитети и дозволе морају остати доследни у свим границама система. Агент не сме видети или радити више од особе или функције у чије име делује.

Међутим, компаније не би требало да третирају модернизацију података као бескрајан прелиминарни пројекат. Потпуно чишћење свих спремишта података није ни реалистично нити економично. Разумнији приступ је фазни приступ заснован на одабраним процесима високе вредности. За сваки процес успостављају се неопходни производи података, правила квалитета и власништво. На овај начин, основа података расте упоредо са пословном вредношћу.

Безбедносни ризици мигрирају у ланац процеса

Традиционални језички модел првенствено генерише садржај. Агент такође може да позива алате, мења датотеке, шаље поруке или иницира трансакције. Ово трансформише нетачан садржај у потенцијално лажни догађај. Стога, управљање безбедношћу мора не само да испитује улазе и излазе, већ и да прати цео ланац акција.

Посебне опасности настају од манипулисаног садржаја, прекомерних привилегија и неконтролисаног делегирања. Агент може наићи на скривену инструкцију у документу и погрешно је третирати као легитимну наредбу. Може злоупотребити алат или делегирати задатке другом агенту чија права нису довољно ограничена. У сложеним мултиагентским системима, реконструкција одговорности постаје још тежа.

Ефикасна контрамера је технички контролни слој између агента и алата. Свака осетљива акција треба да се провери у односу на њену сврху, овлашћење и класу ризика пре извршења. Записивање мора да обухвати комплетан ланац: људску команду, укључене агенте, коришћене податке, покренуте алате, донете одлуке и исход. Тек тада је могуће пратити зашто се акција догодила након инцидента.

Безбедност не треба схватити искључиво као одбрамбену меру. Јасне границе такође побољшавају ефикасност јер омогућавају безбедан рад у већим процесним областима. Компанија која може прецизно да ограничи и прати акције не мора ручно да прегледа сваки појединачни процес. Инвестиције у контролну инфраструктуру тако стварају могућност за даљу аутоматизацију.

Зависност од платформи постаје стратешки ризик

Агентски системи повезују моделе, платформе података, пословни софтвер и интерфејсе. Ова међусобна повезаност повећава ризик од технолошке зависности. Ако је пословна логика директно интегрисана у власничке алате једног добављача, каснија промена добављача може бити скупа. Цене, функције или услови уговора могу се променити, док компанија једва може да промени своје процесе.

Међутим, потпуна независност од добављача је такође скупа и често нереална. Стандардне платформе убрзавају имплементацију, пружају безбедносне функције и смањују напоре интеграције. Стога је разумна стратегија да се свака компонента не развија интерно, већ да се креирају заменљиви слојеви. Пословна правила, дефиниције процеса, подаци о евалуацији и логови треба да се управљају што је могуће независније од одређеног модела.

Акумулирано контекстуално знање је посебно вредно заштите. Ако ово знање постоји само у подешавањима агента или у власничком складишту, компанија губи део сопствене криве учења приликом промене платформе. Контекст, дозволе и критеријуми квалитета стога треба третирати као средства компаније. Њихова структура мора бити документована, извозна и ревидирана.

И уговори морају да одражавају овај нови значај. Поред заштите и доступности података, питања у вези са коришћењем података, подизвођачима, променама модела, одговорношћу, приступом протоколу и опцијама за искључивање постају све важнија. Куповина агентског система стога није само набавка софтвера, већ одлука о будућој оперативној зависности компаније.

Робустан модел имплементације

Успешна имплементација не почиње проналажењем најимпресивнијег агента, већ одабиром економски релевантног процеса. Овај процес треба да има довољан обим и потенцијал за побољшање, а истовремено да показује управљиве ризике. Читав процес је документован, укључујући времена чекања, изузетке, изворе података и стварне тачке доношења одлука. Тек тада се може утврдити који делови треба да се обрађују аутономно, уз помоћ или да се наставе у потпуности обрађивати од стране људи.

Следећи корак укључује дефинисање одговорности и кључних индикатора учинка (KPI). Власник предузећа је одговоран за исход, док технички власник надгледа рад и безбедност. Заједно, они дефинишу метрике успеха, минималне стандарде квалитета, горње границе трошкова и критеријуме за прекид. Дозволе, одобрења и процедуре ескалације се одређују за сваку класу акција. Овај организациони посао мора бити завршен пре него што агент добије продуктивна права.

Техничка имплементација треба да почне у режиму посматрања. Агент даје предлоге или симулира радње док људи настављају да извршавају процес. Ово омогућава мерење разлика без сношења оперативног ризика. Аутономија се затим може постепено проширивати, почевши од реверзибилних и нискоризичних радњи. Свако проширење мора бити оправдано подацима о перформансама из стварног света.

Када је стабилизација успешна, следећи изоловани агент се не гради одмах. Уместо тога, компанија испитује који производи података, правила, контроле и интеграције се могу поново користити. Управо ту настаје кумулативна предност. Пилот пројекат еволуира у платформу, а вишеструке платформе могу довести до новог оперативног модела.

Руководство мора учинити сукоб циљева видљивим

Агентска вештачка интелигенција се често оправдава тврдњама о смањењу трошкова, већем квалитету, побољшаном корисничком искуству, бржим иновацијама и мањим ризицима. Ови циљеви нису увек компатибилни. Повећани људски надзор може смањити ризике, али ограничити брзину и уштеде. Већа аутономија може скратити време испоруке, али повећава захтеве за подацима, контролама и одговорношћу.

Руководство компаније мора експлицитно решити ове супротстављене циљеве. Не би требало да очекују да ће пројектни тим технички решити ове циљеве. Дефинисање толеранције на ризик је посебно важно. Оно што је прихватљиво у интерним истраживањима може бити неприхватљиво у кредитним одлукама, кадровским питањима, здравственим подацима или објектима релевантним за безбедност.

Лидерство такође значи отворено решавање утицаја на запослене. Ако је прави циљ смањење броја радних места, комуникација само о подршци нарушава поверење. С друге стране, компанија не би требало вештачки да умањује стварне добитке у продуктивности. Кредибилитет се гради јасним изјавама о томе који ће задаци бити укинути, које ће се улоге променити и које ће нове вештине бити потребне.

Најважнија лидерска вештина на крају лежи у додели одговорности. Агент може произвести резултат, али не може бити позван на одговорност. Све док компаније препознају ову разлику, аутономија се може проширити на контролисан начин. С друге стране, ако се одговорност тихо пребаци на технологију, настаје организација у којој нико у потпуности не разуме ко је донео одлуку.

Права конкурентска предност је организационо учење

Модели и агентске функције се брзо шире. Оно што се данас сматра технолошком предношћу, сутра може постати стандард за софтверску платформу. Стога, трајна диференцијација мање произилази из приступа одређеном моделу, а више из способности да се он претвори у вредне и поуздане процесе.

Компаније које третирају сваки случај употребе изоловано стичу само ограничено искуство. Насупрот томе, компаније са заједничком платформом, контролама које се могу поново користити и јасним моделима одговорности уче са сваким процесом. Брже идентификују која аутономија функционише, који подаци недостају и које ескалације се често дешавају. Ово знање смањује трошкове сваке наредне имплементације.

Организационо учење захтева систематску повратну спрегу искустава. Грешке и људске корекције морају се проценити, правила прилагодити, а нови изузетни случајеви интегрисати у контекст. Ово не чини аутоматски агента поузданим; уместо тога, организација побољшава целокупни систем људи, података, правила и технологије. Ова разлика је кључна јер помера фокус са наводне интелигенције модела на перформансе оперативног модела.

Дугорочно гледано, ово може створити значајну конкурентску предност. Брже одлуке, нижи трошкови координације и доследнији процеси повећавају брзину реаговања. Истовремено, растом се може управљати без потребе за пропорционално већим бројем административног особља за сваку додатну трансакцију. Продуктивност се тада повећава не само у оквиру постојећих процеса, већ и трансформише скалабилност целе компаније.

Не побеђује највише агената, већ најјаснија организација

Агентска вештачка интелигенција не мења само који се послови аутоматизују. Она мења разлог постојања тимова, начин доношења одлука и ко је одговоран за резултате. Компаније које једноставно примењују технологију на постојеће процесе убрзаће појединачне задатке, али ће ускоро пропасти због празнина у подацима, нејасних одговорности и недостатка поверења. Аутоматизација остаје површна, док структурни трошкови и даље постоје.

Већа економска полуга настаје када се процеси редизајнирају из перспективе њиховог исхода. Људи преузимају циљеве, изузетке, односе и одговорност. Агенти претпостављају предвидљиву координацију, обраду информација и поновљиво извршење. Системи контроле повезују обе стране и чине аутономију мерљивом. Ово не ствара организацију без људи, већ другачију расподелу посла.

Кључна метрика неће бити број распоређених агената. Важнији су укупни трошкови резултата, стабилност процеса, брзина учења и јасноћа одговорности. Компанија са неколико, дубоко интегрисаних агената може створити знатно већу вредност од конкурента са десетинама изолованих демонстрација.

На крају крајева, дебата се своди на класично управљачко питање: Ко је овлашћен да доноси које одлуке и ко сноси последице? Технологија погоршава ово питање, али не даје одговор на њега. Свако ко додели агенту следећи задатак, задатак који би иначе обавио нови запослени, мора истовремено да дефинише ко додељује агенту мандат, прати његов учинак и сноси одговорност за грешке. Тек када организациона структура пружи јасан одговор на ово, вештачка интелигенција заснована на агентима постаће робустан економски систем.

Konrad Wolfenstein

Било би ми драго да вам будем лични саветник.

Можете ме контактирати на wolfenstein∂xpert.digital или

Само ме позовите на +49 7348 4088 965 .

ЛинкедИн