Τρία χρόνια στην εποχή της γενετικής τεχνητής νοημοσύνης, έχω παρακολουθήσει ένα μοτίβο που επαναλαμβάνεται με πελάτες σε διάφορους τομείς. Η συνομιλία συνήθως ξεκινά με τον ίδιο τρόπο: έχουν AI που τρέχει κάπου στην οργάνωση, συχνά σε λίγα μέρη, δείχνοντας κάποια σημάδια της συμπεριφοράς του πράκτορα. η εξυπηρέτηση πελατών έχει ένα chatbot, ένα προϊόν που χτίστηκε μια μηχανή συστάσεων ή μια ροή περιβάλλοντος LLM που βασίζεται στην αφήγηση, εκστρατείες μάρκετινγκ που εκτελούνται μέσω ενός LLM και η μηχανική αυτοματοποιεί μερικές κριτικές κώδικα συν δοκιμές κ.λπ. Στη συνέχεια το ερώτημα: «Πώς παίρνουμε πραγματικά αξία από όλα αυτά;» Αυτός είναι ο χώρος ανάμεσα στο να έχεις Agentic AI και να ξέρεις τι να κάνεις με αυτό, ανάμεσα στο να αισθάνεσαι απασχολημένος με έργα AI και στην πραγματικότητα να βλέπεις τον επιχειρηματικό αντίκτυπο. Το 2026, Σχεδόν το 90% των εταιρειών αναφέρουν ότι χρησιμοποιούν την τεχνητή νοημοσύνη σε τουλάχιστον μία επιχειρηματική λειτουργία, αλλά οι περισσότερες εξακολουθούν να αγωνίζονται να κλιμακώσουν πιλοτικά προγράμματα ή να επιδείξουν σαφή ROI. Η έρευνα δείχνει ότι χτυπάμε ένα σημείο ανατροπής Η έρευνα δείχνει ότι χτυπάμε ένα σημείο ανατροπής Οι νικητές φέτος δεν θα καθοριστούν από το ποιος έχει την περισσότερη τεχνητή νοημοσύνη. Το πραγματικό πρόβλημα δεν είναι η τεχνολογία Οι αναλυτές προβλέπουν αύξηση του στην αγορά των αυτόνομων πράκτορων τεχνητής νοημοσύνης, με προβλέψεις ότι το 40% των επιχειρηματικών εφαρμογών θα ενσωματώσουν πράκτορες τεχνητής νοημοσύνης μέχρι το τέλος του 2026. $7.8 δισεκατομμύρια σήμερα σε πάνω από $52 δισεκατομμύρια μέχρι το 2030 $7.8 δισεκατομμύρια σήμερα σε πάνω από $52 δισεκατομμύρια μέχρι το 2030 Αλλά εδώ είναι αυτό που λείπει από αυτούς τους αριθμούς: το να έχεις πράκτορες είναι διαφορετικό από το να τους ενορχηστρώσεις. Εργάστηκα πρόσφατα με έναν πελάτη που είχε 17 διαφορετικές εφαρμογές τεχνητής νοημοσύνης σε όλη την επιχείρησή του, από την αυτοματοποίηση του μάρκετινγκ έως τη βελτιστοποίηση της αλυσίδας εφοδιασμού και τον προσδιορισμό του ανθρώπινου δυναμικού. Κάθε ένας από αυτούς δούλεψε καλά σε απομόνωση. αλλά στη συνέχεια η ομάδα προϊόντων τους προσπάθησε να ξεκινήσει πράκτορες που οι επιχειρήσεις και οι επιχειρήσεις δεν μπορούσαν να παρατηρήσουν και να ελέγξουν, αποκαλύπτοντας υπαρξιακούς κινδύνους και τυφλές πλευρές. κανείς δεν είχε σχεδιάσει πραγματικά αυτά τα συστήματα για να συνεργαστούν επειδή κανείς δεν σκέφτηκε την ορχήστρα μέχρι να είναι πολύ αργά. Ορχήστρα σημαίνει στρατηγική ολοκλήρωση, όχι μόνο API Όταν οι άνθρωποι ακούνε "ορχήστρα", συχνά σκέφτονται το στρώμα ολοκλήρωσης.Συνδέστε τα API, μετακινήστε κάποια δεδομένα, καλέστε το να ολοκληρωθεί. Αυτό είναι το υδραυλικό. Χρήσιμο το υδραυλικό, αλλά όχι η ορχήστρα. Η πραγματική ορχήστρα σημαίνει ότι τα συστήματα AI κατανοούν το πλαίσιο σε όλους τους τομείς. Σκεφτείτε εξειδικευμένα μοντέλα ορχήστρας που μπορούν να μοιραστούν την εργασία μεταξύ διαφορετικών συστατικών, συντονιστικών εργαλείων και γλωσσικών μοντέλων για την επίλυση πολύπλοκων προβλημάτων. Εδώ είναι ένα παράδειγμα. Ας πούμε ότι μια εταιρεία λιανικής πώλησης θέλει να βελτιστοποιήσει τα αποθέματα. Έχουν την πρόβλεψη της ζήτησης AI σε μια γωνία, τον προγραμματισμό της αλυσίδας εφοδιασμού σε μια άλλη και τη βελτιστοποίηση των τιμών κάπου αλλού. Η ορχήστρα μπορεί να διορθώσει αυτό με τη δημιουργία ενός στρώματος συντονισμού. Αντί για ένα κεντρικό AI που αντικαθιστά εξειδικευμένα μοντέλα, αυτό το σύστημα θα κατανοούσε τις σχέσεις μεταξύ των στόχων του. Όταν η πρόβλεψη της ζήτησης υποδηλώνει αυξανόμενο απόθεμα, το στρώμα ορχήστρας θα ελέγχει τους περιορισμούς της αλυσίδας εφοδιασμού και τις επιπτώσεις τιμολόγησης πριν από την εκτέλεση. τεράστιο ξεκλείδωμα για τον οργανισμό και την επιχείρηση. Χωρίς αυτό, θα υπήρχαν αποσυνδέσεις που επηρεάζουν την παράδοση πελατών και τη συνολική διαδικασία εκπλήρωσης. Η πρόβλεψή μου είναι ότι το 2026 οι επιχειρήσεις θα ανακαλύπτουν όλο και περισσότερο ότι το ανταγωνιστικό όριο έγκειται στην αποτελεσματική διαχείριση εξειδικευμένων εξαρτημάτων. Η διακυβέρνηση είναι η παρατήρηση ως ανταγωνιστικό πλεονέκτημα Οι περισσότεροι διευθυντές εξακολουθούν να αντιμετωπίζουν τη διακυβέρνηση ως το πράγμα που κάνετε για να παραμείνετε σε συμμόρφωση. Το ανώτατο όριο που απαιτείται από το νόμο. Η άσκηση του κουτιού ελέγχου πριν από την ανάπτυξη. Μπορείτε να εντοπίσετε τις ενέργειες της AI και του Agent στις αρχικές εισροές και εξόδους τους σε κάθε διεπαφή ή όριο, ώστε να ξέρετε τι παραδίδετε σε όλη τη μακρά ουρά των περιπτώσεων χρήσης πελατών είναι πραγματικά αυτό που σκοπεύατε; Αν μπορείτε, τότε έχετε δυνατότητα ελέγχου, πράγμα που με τη σειρά του σημαίνει ότι έχετε διακυβέρνηση. Αυτή η άποψη είναι δαπανηρή και σήμερα, με την AI και τους πράκτορες, πολύ κοντινή προοπτική ή απλώς υπαρξιακά επικίνδυνη.Πριν, ο κίνδυνος εντοπίστηκε επειδή το προϊόν και η τεχνολογία ήταν καθοριστικός-όλος ο κώδικας ήταν WYSIWG, ως επί το πλείστον, και ήταν γραμμικός, όχι ανοικτός AI. Όταν η Agentic AI άρχισε να αναλαμβάνει δράση αντί να παράγει απλώς απαντήσεις, η διακυβέρνηση έπαψε να είναι για κεντρική επανεξέταση και έγινε για το σχεδιασμό συστημάτων που μπορούν να λειτουργήσουν υπεύθυνα σε κλίμακα. Οι ρυθμιζόμενες βιομηχανίες υιοθετούν ελεγχόμενες διαδικασίες τεχνητής νοημοσύνης και διαχείριση κινδύνου μοντέλου ως υποχρεωτικές δυνατότητες.Τα βασικά στοιχεία περιλαμβάνουν τη συνεχή παρακολούθηση, τις απαιτήσεις εξήγησης, τον έλεγχο εκδόσεων και τις διαφανείς διαδρομές λήψης αποφάσεων. Οι εταιρείες που αντιμετωπίζουν αυτά ως χαρακτηριστικά αντί για περιορισμούς κινούνται ταχύτερα από τους ανταγωνιστές τους, εξακολουθώντας να εργάζονται μέσω αλυσίδων χειροκίνητης έγκρισης. Τι σημαίνει πραγματικά η ταχύτητα λήψης αποφάσεων Υπάρχει μια έννοια που κερδίζει έλξη που ονομάζεται "ταχύτητα λήψης αποφάσεων", η οποία αναφέρεται στο πόσο γρήγορα τα μικρότερα δέντρα λήψης αποφάσεων και οι διαδικασίες μπορούν να αυτοματοποιηθούν σε κλίμακα. Σκεφτείτε πώς λαμβάνονται οι αποφάσεις στις περισσότερες επιχειρήσεις. Κάποιος εντοπίζει ένα πρόβλημα, συλλέγει δεδομένα, αναλύει επιλογές και κλιμακώνεται σε όποιον έχει εξουσία. Αυτό το άτομο αναθεωρεί το πλαίσιο, κάνει μια κλήση και επικοινωνεί την απόφαση. Το πιο σημαντικό είναι ότι κάθε βήμα συνεπάγεται κόστος συντονισμού, όπως η εύρεση του σωστού ατόμου, η εξήγηση του πλαισίου, η αναμονή για διαθεσιμότητα και η παρακολούθηση της εκτέλεσης. Η AI και οι πράκτορες αλλάζουν την εξίσωση όταν μπορούν να χειριστούν ολόκληρο τον κύκλο, συμπεριλαμβανομένης της εκτέλεσης και της παρακολούθησης. αλλά αυτό λειτουργεί μόνο εάν ο πράκτορας ή η AI κατανοεί τα όρια που λειτουργεί μέσα (κυβέρνηση) και μπορεί να συντονίσει με άλλα συστήματα που χρειάζονται να γνωρίζουν για την απόφαση (ορχήστρα). Έχω δει εταιρείες να σημειώνουν 5-7 φορές βελτιώσεις σε ορισμένους κύκλους λήψης αποφάσεων, λαμβάνοντας αυτό το δικαίωμα. Όχι 10% καλύτερα. Πολλές φορές ταχύτερα. Η διαφορά μεταξύ της ανταπόκρισης στις αλλαγές της αγοράς σε εβδομάδες έναντι ημερών, ή της προσαρμογής των δραστηριοτήτων ανά τρίμηνο έναντι των επιχειρήσεων συνεχώς. Το χάσμα ωριμότητας εμφανίζεται στη μέτρηση Εδώ είναι πώς μπορείτε να ξέρετε αν έχετε ένα πρόβλημα ορχήστρας: Ρωτήστε τις ομάδες σας ποια είναι η επιτυχία των πρωτοβουλιών AI τους. Εάν όλοι σας δίνουν διαφορετικές απαντήσεις, έχετε ένα χάσμα συντονισμού.Εάν κανείς δεν μπορεί να συνδέσει τις μετρήσεις τους μεταξύ των συνομηλίκων τους με τα επιχειρηματικά αποτελέσματα, έχετε ένα χάσμα ορχήστρας.Εάν οι άνθρωποι δεν μπορούν να εξηγήσουν πώς οι αποφάσεις τους για την τεχνητή νοημοσύνη επηρεάζουν άλλα συστήματα, έχετε ένα χάσμα διακυβέρνησης και ελέγχου. δείχνει ότι οι οργανισμοί στα πρώιμα στάδια της ωριμότητας της τεχνητής νοημοσύνης είχαν οικονομικές επιδόσεις κάτω από τον μέσο όρο της βιομηχανίας, ενώ εκείνοι στα προχωρημένα στάδια είχαν επιδόσεις πολύ πάνω από τον μέσο όρο. Έρευνα από το MIT Έρευνα από το MIT Τα μοντέλα ωριμότητας δείχνουν την ίδια πρόοδο. Ξεκινάτε με πειραματισμούς, όπου μεμονωμένες ομάδες δημιουργούν μεμονωμένες λύσεις. Το επόμενο στάδιο περιλαμβάνει την παροχή συστημάτων για να μιλήσουν μεταξύ τους, τη δημιουργία κοινών βάσεων δεδομένων και την οικοδόμηση κοινών πλατφορμών. Κτίριο για το 2026 και πέρα Οι εταιρείες που τοποθετούνται καλά για φέτος κάνουν συγκεκριμένες επιλογές. Όταν αξιολογούν νέες δυνατότητες τεχνητής νοημοσύνης, ρωτούν πώς ταιριάζει με τα υπάρχοντα συστήματα πριν ρωτήσουν πόσο καλό είναι αυτόνομο. Αντιμετωπίζουν τα πλαίσια διακυβέρνησης ως αποφάσεις προϊόντων, όχι ως ασκήσεις συμμόρφωσης.Το προϊόν παίρνει τη διακυβέρνηση και τη διασπά σε παρατηρήσιμη και ελεγχόμενη για την επιχείρηση, η οποία είναι σημαντική για τους επαναλαμβανόμενους κύκλους της μηχανικής και των επιχειρήσεων, και «είναι η δουλειά» για την παροχή AI ή Agentic AI προβλέψιμα και με ακρίβεια με την πάροδο του χρόνου. Η ηγεσία μετατοπίζεται από την κεντρική εποπτεία της πληροφορικής στην ενδυνάμωση των ηγετών των επιχειρήσεων για να βρουν και να χρηματοδοτήσουν λύσεις AI και Agent που προωθούν άμεσα τους στόχους τους. Οι πιο αποτελεσματικές επιχειρηματικές στρατηγικές ξεκινούν με ένα θεμελιώδες ερώτημα: ποια δεδομένα μπορούμε να εμπιστευτούμε και τι πρέπει να διορθώσουμε πριν αυτοματοποιήσουμε τις αποφάσεις σε κλίμακα. Η πρακτική εργασία περιλαμβάνει διάφορα κομμάτια: την οικοδόμηση στρωμάτων συντονισμού που επιτρέπουν στα εξειδικευμένα συστήματα AI και Agent να συνεργάζονται, τη δημιουργία πλαισίων διακυβέρνησης που επιτρέπουν την αυτόνομη λειτουργία εντός σαφών ορίων, τη δημιουργία συστημάτων μέτρησης που συνδέουν τη δραστηριότητα AI με τα επιχειρηματικά αποτελέσματα και την ανάπτυξη ταλέντων που κατανοούν τόσο τις τεχνικές όσο και τις οργανωτικές πτυχές. Αλλά είναι το έργο που χωρίζει τις εταιρείες που χρησιμοποιούν την τεχνητή νοημοσύνη από τις εταιρείες που μεταμορφώνονται από αυτήν. … Ο Nick Talwar είναι CTO, πρώην Microsoft και hands-on μηχανικός τεχνητής νοημοσύνης που υποστηρίζει τα στελέχη στην προώθηση της υιοθέτησης τεχνητής νοημοσύνης. → Ακολουθήστε τον στο LinkedIn για να πιάσετε τις τελευταίες σκέψεις του. Ακολουθήστε τον στο LinkedIn Ακολουθήστε τον στο LinkedIn → Εγγραφείτε στο δωρεάν Substack του για σε βάθος άρθρα που παραδίδονται απευθείας στο γραμματοκιβώτιό σας. Εγγραφείτε στο δωρεάν Substack Εγγραφείτε στο δωρεάν Substack Παρακολουθήστε τη ζωντανή συνεδρίαση για να δείτε πώς οι ηγέτες σε υψηλά ρυθμιζόμενες βιομηχανίες αξιοποιούν την τεχνητή νοημοσύνη για να μειώσουν τη χειρωνακτική εργασία και να αυξήσουν την απόδοση. Δείτε live τη συνεδρίαση Δείτε live τη συνεδρίαση

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Newsletter

Αυτός ο ήχος παράγεται στην αρχική γλώσσα της ιστορίας!

Το χάσμα ωριμότητας της οργανικής τεχνητής νοημοσύνης: συνδυάζοντας την ορχήστρα, την παρατηρησιμότητα και την ελεγκσιμότητα

About Author

ΣΧΟΛΙΑ

ΚΡΕΜΑΣΤΕ ΕΤΙΚΕΤΕΣ

ΑΥΤΟ ΤΟ ΑΡΘΡΟ ΠΑΡΟΥΣΙΑΣΤΗΚΕ ΣΤΟ

Related Stories

The Pros and Cons of Electric Cars

OpenAI Subsidiaries Accused of Undermining Partnership Agreement with Musk

HackerNoon Writing Contests: Participative Marketing Works!

Who Really Runs Twitter?

The Pros and Cons of Electric Cars

OpenAI Subsidiaries Accused of Undermining Partnership Agreement with Musk

HackerNoon Writing Contests: Participative Marketing Works!

Who Really Runs Twitter?

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps