Trīs gadus generatīvā AI laikmetā es esmu novērojis modeļa atkārtošanos ar klientiem visās nozarēs. Saruna parasti sākas tādā pašā veidā: viņiem ir AI, kas darbojas kaut kur orgānos, bieži vien dažās vietās, parādot dažas aģentu uzvedības pazīmes. klientu apkalpošanai ir tērzēšanas robots, produkts, kas izveidots ar ieteikumu motoru vai stāstījuma vadītu LLM konteksta plūsmu, mārketinga kampaņas, kas darbojas, izmantojot LLM, un inženierija automatizē dažas koda pārbaudes un testēšanu utt. Tad jautājums: "Kā mēs faktiski iegūstam vērtību no visa tā?" Tā ir telpa starp aģentu AI un zināšanu par to, ko darīt ar to. starp sajūtu, ka esat aizņemts ar AI projektiem, un faktiski redzēt biznesa ietekmi. 2026. gadā Gandrīz 90% uzņēmumu ziņo par AI izmantošanu vismaz vienā uzņēmējdarbības funkcijā, tomēr lielākā daļa joprojām cīnās, lai mērogotu pilotprojektus vai demonstrētu skaidru ROI. research shows we're hitting an inflection point Pētījumi liecina, ka mēs sasniedzam pagrieziena punktu Šogad uzvarētāji netiks noteikti pēc tā, kam ir visvairāk AI. Reālā problēma nav tehnoloģija Rūpniecības analītiķi prognozē pieaugumu autonomā AI aģentu tirgū, prognozējot, ka līdz 2026. gada beigām 40% uzņēmējdarbības lietojumprogrammu integrēs AI aģentus. $7.8 billion today to over $52 billion by 2030 USD 7,8 miljardi šodien līdz vairāk nekā USD 52 miljardiem līdz 2030. gadam Bet šeit ir tas, ko šie skaitļi trūkst: aģentu iegūšana atšķiras no to orķestrēšanas. Nesen es strādāju ar klientu, kuram bija 17 dažādi AI īstenošanas veidi, kas darbojas visā viņu biznesā, no mārketinga automatizācijas līdz piegādes ķēdes optimizācijai līdz HR skrīningam. Bet tad viņu produktu komanda mēģināja uzsākt aģentus, kurus operācijas un bizness nevarēja novērot un pārbaudīt, atklājot eksistenciālos riskus un blakusparādības. Orchestration nozīmē stratēģisku integrāciju, ne tikai API Kad cilvēki dzird "orķestrismu", viņi bieži domā par integrācijas slāni.Savienojiet API, pārvietojiet dažus datus, sazinieties ar to. Tas ir kanalizācija, noderīga kanalizācija, bet ne orķestris. Reālā orķestrēšana nozīmē, ka jūsu AI sistēmas saprot kontekstu visās jomās. Padomājiet par specializētiem orķestra modeļiem, kas var sadalīt darbu starp dažādām sastāvdaļām, koordinēt instrumentus un valodas modeļus, lai atrisinātu sarežģītas problēmas. Šeit ir piemērs. Pieņemsim, ka mazumtirdzniecības uzņēmums vēlas optimizēt inventāru. Viņiem ir pieprasījuma AI prognoze vienā stūrī, piegādes ķēdes plānošana citā un cenu optimizācija citur. Orkestrācija var to novērst, izveidojot koordinācijas slāni. Tā vietā, lai izveidotu centrālu AI, kas aizstāj specializētus modeļus, šī sistēma saprastu attiecības starp saviem mērķiem. Kad pieprasījuma prognozēšana liecina par pieaugošo krājumu, orkestrācijas slānis pirms izpildes pārbaudītu piegādes ķēdes ierobežojumus un cenu ietekmi. Milzīgs atbloķējums organizācijai un uzņēmumam. Bez tā būtu atvienošanās, kas ietekmētu klientu piegādi un vispārējo izpildes procesu. Mana prognoze ir tāda, ka 2026. gadā uzņēmumi arvien vairāk atklās, ka konkurences robeža ir specializēto komponentu efektīvā pārvaldībā. Vadība ir novērojamība kā konkurētspējīga priekšrocība Lielākā daļa vadītāju joprojām uzskata pārvaldību par to, ko jūs darāt, lai saglabātu atbilstību. Pārsvars, ko prasa likums. Pārbaudes kaste pirms izvietošanas. Tomēr galvenais priekšgājējs vai pamatā esošais aspekts pārvaldībā ar AI faktiski ir novērojamība. Vai jūs varat izsekot AI un aģenta darbībām līdz to sākotnējām ieejām un iznākumiem katrā saskarnē vai robežās, lai jūs zinātu, ko jūs piegādājat visā klientu lietošanas gadījumu garajā rindā, ir patiesībā tas, ko jūs domājāt? Šis skatījums ir dārgs, un šodien, ar AI un aģentiem, ļoti tuvredzīgi vai vienkārši eksistenciāli riskanti. Kad Agentic AI sāka rīkoties, nevis tikai radīt atbildes, pārvaldība pārtrauca būt par centralizētu pārskatīšanu un kļuva par sistēmu projektēšanu, kas var darboties atbildīgi mērogā. Regulētās nozarēs kā obligātās iespējas tiek pieņemti revidējami AI procesi un modelēšanas riska pārvaldība.Galvenie elementi ir nepārtraukta uzraudzība, paskaidrojamības prasības, versiju kontrole un pārredzami lēmumu veidi. Uzņēmumi, kas tos uzskata par iezīmēm, nevis ierobežojumiem, virzās ātrāk nekā konkurenti, joprojām strādājot ar manuālu apstiprināšanas ķēdi. Ko patiesībā nozīmē lēmumu ātrums Ir koncepcija, kas iegūst vilkmi, ko sauc par "lēmumu ātrumu", kas attiecas uz to, cik ātri mazāki lēmumu koki un procesi var tikt automatizēti mērogā. Padomājiet par to, kā lēmumi notiek lielākajā daļā uzņēmumu.Kāds identificē problēmu, apkopo datus, analizē iespējas un pakāpjas uz to, kam ir autoritāte.Šī persona pārskata kontekstu, izsauc un paziņo lēmumu. Vēl svarīgāk, katrs solis ietver koordinācijas izmaksas, piemēram, atrast pareizo personu, izskaidrot kontekstu, gaidīt pieejamību un sekot līdzi izpildei. AI un aģenti maina vienādojumu, kad viņi var apstrādāt visu loku, ieskaitot izpildi un uzraudzību. bet tas darbojas tikai tad, ja aģents vai AI saprot robežas, kuras tā darbojas (valdība) un var koordinēt ar citām sistēmām, kurām ir jāzina par lēmumu (orķestris). Esmu redzējis, ka uzņēmumi noteiktos lēmumu ciklos ir guvuši 5-7 reizes lielāku uzlabošanos, iegūstot to pareizi.Ne par 10 procentiem labāk.Daudzas reizes ātrāk.Atšķirība starp atbildes reakciju uz tirgus izmaiņām nedēļās pret dienām vai darbības korekciju ceturkšņi pret uzņēmumiem nepārtraukti. Novecošanās atšķirība parādās mērījumos Lūk, kā uzzināt, vai jums ir orķestra problēma: jautājiet savām komandām, kāds ir viņu AI iniciatīvu panākumi. Ja ikviens dod jums atšķirīgas atbildes, jums ir koordinācijas atšķirība.Ja neviens nevar savienot savus rādītājus starp saviem kolēģiem ar uzņēmējdarbības rezultātiem, jums ir orchestration atšķirība.Ja cilvēki nevar izskaidrot, kā viņu AI lēmumi ietekmē citas sistēmas, jums ir pārvaldības un revīzijas atšķirība. rāda, ka organizācijām agrīnā AI brieduma posmā bija finansiālas darbības rādītāji, kas bija zemāki par nozares vidējo rādītāju, bet tie, kas bija progresīvajos posmos, rādīja rezultātus, kas bija ievērojami augstāki par vidējo rādītāju. Pētījums no MIT Pētījums no MIT Visi brieduma modeļi norāda uz to pašu progresu. Jūs sākat ar eksperimentiem, kur atsevišķas komandas veido individuālus risinājumus. Nākamais posms ietver sistēmu iegūšanu, lai runātu savā starpā, izveidotu kopīgus datu pamatus un izveidotu kopīgas platformas. Būvniecība 2026. gadam un tālāk Uzņēmumi, kas sevi labi pozicionē šogad, veic konkrētas izvēles. Novērtējot jaunas AI iespējas, viņi jautā, kā tas atbilst esošajām sistēmām, pirms jautā, cik labi tas ir atsevišķi. Viņi apstrādā pārvaldības sistēmas kā produktu lēmumus, nevis atbilstības vingrinājumus. Produkts pieņem pārvaldību un sadala to uz novērojamību un revidējamību uzņēmumam, kas ir svarīgi inženierzinātņu un operāciju iteratīvajos ciklos, un "ir darbs", lai laika gaitā prognozējami un precīzi piegādātu AI vai Agentic AI. No paša sākuma izveidot novērojamību AI sistēmās. Vadība pāriet no centralizētas IT uzraudzības, lai dotu iespēju uzņēmumu līderiem atrast un finansēt AI un aģentu risinājumus, kas tieši virza savus mērķus. Visefektīvākās uzņēmējdarbības stratēģijas sākas ar fundamentālu jautājumu: kādus datus mēs varam uzticēties un ko mums ir nepieciešams labot, pirms mēs automatizējam lēmumus mērogā. Praktiskais darbs ietver vairākas daļas: veidojot koordinācijas slāņus, kas ļauj specializētiem AI un Agent sistēmām sadarboties, izveidojot pārvaldības sistēmas, kas ļauj autonomai darbībai skaidrās robežās, izveidojot mērīšanas sistēmas, kas savieno AI darbību ar biznesa rezultātiem, un attīstot talantus, kas saprot gan tehniskos, gan organizatoriskos aspektus. Bet tas ir darbs, kas atdala uzņēmumus, kas izmanto AI, no uzņēmumiem, kurus tas pārveido. … Nick Talwar ir CTO, bijušais Microsoft un praktisks AI inženieris, kurš atbalsta vadītājus AI pieņemšanā. Sekojiet viņam LinkedIn, lai nokļūtu viņa jaunākās domas. Sekojiet viņam LinkedIn Sekojiet viņam LinkedIn → Abonējiet savu bezmaksas Substack padziļinātiem rakstiem, kas tiek piegādāti tieši jūsu pastu. Abonējiet savu bezmaksas substack Abonējiet savu bezmaksas substack → Skatieties tiešraides sesiju, lai redzētu, kā augsti regulēto nozaru līderi izmanto AI, lai samazinātu manuālo darbu un veicinātu ROI. Skatīt dzīvo sesiju Skatīt dzīvo sesiju

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

Newsletter

Šis audio ir izveidots stāsta oriģinālvalodā!

Agentiskā mākslīgā intelekta brieduma atšķirība: apvienojot orķestrēšanu, novērojamību un auditējamību

About Author

KOMENTĀRI

PAKARINĀT TAGUS

ŠIS RAKSTS TIKS PĀRSTRĀDĀTS

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps