Trzy lata w erze generującej sztucznej inteligencji obserwowałem powtarzanie się wzorca z klientami z różnych sektorów. Rozmowa zwykle zaczyna się w ten sam sposób: mają AI działa gdzieś w org, często w kilku miejscach, pokazując niektóre oznaki zachowania agentów. obsługa klienta ma chatbot, produkt zbudowany silnik zaleceń lub narracja napędzana LLM kontekst przepływu, kampanie marketingowe prowadzone przez LLM, a inżynieria zautomatyzowane niektóre recenzje kodu plus testy, itp. Następnie pojawia się pytanie: „Jak naprawdę czerpiemy z tego wszystkiego wartość?” Jest to przestrzeń między posiadaniem Agentic AI a wiedzą, co z nim zrobić. W 2026 roku, Prawie 90% firm zgłasza wykorzystanie sztucznej inteligencji w co najmniej jednej funkcji biznesowej, ale większość nadal walczy o skalowanie pilotów lub wykazanie wyraźnego ROI. Badania pokazują, że dotykamy punktu odwrócenia Badania pokazują, że dotykamy punktu odwrócenia Zwycięzcy w tym roku nie zostaną określeni przez to, kto ma najwięcej sztucznej inteligencji; zostaną zdefiniowani przez tego, kto wymyślił orkiestrację, obserwacyjność i audytowalność. Prawdziwym problemem nie jest technologia Analitycy prognozują wzrost na rynku autonomicznych agentów sztucznej inteligencji, z przewidywaniami, że do końca 2026 roku 40% aplikacji korporacyjnych będzie zawierać agentów sztucznej inteligencji. 7,8 mld dolarów dzisiaj do ponad 52 mld dolarów do 2030 roku 7,8 mld dolarów dzisiaj do ponad 52 mld dolarów do 2030 roku Ale oto, czego te liczby brakują: posiadanie agentów różni się od ich orkiestracji. Niedawno pracowałem z klientem, który miał 17 różnych wdrożeń sztucznej inteligencji w całym swoim biznesie, od automatyki marketingowej po optymalizację łańcucha dostaw po badanie HR. Każdy z nich dobrze pracował w izolacji.Ale potem ich zespół produkcyjny próbował uruchomić agenta, którego operacje i firma nie mogły obserwować i audytować, ujawniając ryzyko egzystencjalne i ślepe strony.Nikt tak naprawdę nie zaprojektował tych systemów do współpracy, ponieważ nikt nie myślał o orkiestracji, dopóki nie było za późno. Orkiestracja oznacza integrację strategiczną, a nie tylko API Kiedy ludzie słyszą „orchestrację”, często myślą o warstwie integracji.Połącz API, przesuń niektóre dane, zadzwoń. Przydatne nawadnianie, ale nie orkiestracja. Prawdziwa orkiestracja oznacza, że systemy sztucznej inteligencji rozumieją kontekst w różnych dziedzinach. Pomyśl o specjalistycznych modelach orkiestratorów, które mogą dzielić pracę między różnymi komponentami, koordynować narzędzia i modele językowe, aby rozwiązać złożone problemy. Oto przykład. Załóżmy, że firma detaliczna chce zoptymalizować zapasy. Mają prognozy popytu AI w jednym rogu, planowanie łańcucha dostaw w innym i optymalizację cen gdzie indziej. Orkiestracja może to naprawić poprzez ustanowienie warstwy koordynacji. Zamiast centralnej sztucznej inteligencji, która zastępuje specjalistyczne modele, system ten zrozumie relacje między swoimi celami. Gdy prognozowanie popytu sugeruje wzrost zapasów, warstwa orkiestracji sprawdziłaby ograniczenia łańcucha dostaw i implikacje cenowe przed wykonaniem. Ogromne odblokowanie dla organizacji i biznesu. Moja prognoza jest taka, że w 2026 roku przedsiębiorstwa będą coraz częściej odkrywać, że granica konkurencyjności polega na skutecznym zarządzaniu wyspecjalizowanymi komponentami. Zarządzanie jest obserwacją jako przewagą konkurencyjną Większość menedżerów nadal traktuje zarządzanie jako coś, co robisz, aby zachować zgodność. Nadwaga, której wymaga prawo. Ćwiczenie przed wdrożeniem. Kluczowym prekursorem lub podstawowym aspektem zarządzania z AI jest jednak w rzeczywistości obserwacyjność. Czy możesz śledzić działania AI i agenta do ich oryginalnych wejść i wyjść w każdym interfejsie lub granicy, aby wiedzieć, co dostarczasz w długim pasie przypadków użytkowania klientów, jest w rzeczywistości tym, co zamierzałeś? Taki pogląd jest kosztowny, a dziś, z AI i Agentami, jest bardzo zbliżony lub po prostu ryzykowny egzystencjalnie. Kiedy Agentic AI zaczął podejmować działania, a nie tylko generować odpowiedzi, zarządzanie przestało być o centralnym przeglądzie i stało się o projektowaniu systemów, które mogą działać odpowiedzialnie w skali. Branże regulowane przyjmują audytowane procesy AI i modelowanie zarządzania ryzykiem jako obowiązkowe możliwości.Kluczowe elementy obejmują ciągłe monitorowanie, wymogi wyjaśniające, kontrolę wersji i przejrzyste ścieżki decyzyjne. Firmy, które traktują je jako cechy, a nie ograniczenia, poruszają się szybciej niż konkurenci, pracując wciąż za pomocą ręcznych łańcuchów zatwierdzania. Co tak naprawdę oznacza prędkość Istnieje koncepcja zdobywania przyczepności o nazwie "prędkość podejmowania decyzji", która odnosi się do tego, jak szybko mniejsze drzewa decyzji i procesy mogą być zautomatyzowane w skali. Pomyśl o tym, jak podejmowane są decyzje w większości przedsiębiorstw. Ktoś identyfikuje problem, gromadzi dane, analizuje opcje i zwiększa się do każdego, kto ma władzę. Co ważniejsze, każdy krok wiąże się z kosztami koordynacji, takimi jak znalezienie odpowiedniej osoby, wyjaśnienie kontekstu, czekanie na dostępność i monitorowanie wykonania. AI i agenci zmieniają równanie, gdy mogą obsługiwać cały obwód, w tym wykonywanie i monitorowanie. ale to działa tylko wtedy, gdy agent lub AI rozumie granice, w których działa (zarządzanie) i może koordynować z innymi systemami, które muszą wiedzieć o decyzji (orchestracja). Widziałem, że firmy osiągają 5-7-krotne ulepszenia w określonych cyklach decyzyjnych dzięki uzyskaniu tego prawa. Nie 10% lepiej. Wielokrotnie szybciej. Różnica między reagowaniem na zmiany rynkowe w tygodniach w stosunku do dni lub dostosowywaniem operacji kwartalnie w stosunku do firm w sposób ciągły. Różnica w dojrzałości pojawia się w pomiarach Oto, jak dowiedzieć się, czy masz problem z orkiestracją: zapytaj swoje zespoły, jak wygląda sukces ich inicjatyw AI. Jeśli wszyscy dają różne odpowiedzi, masz lukę koordynacji.Jeśli nikt nie może połączyć swoich wskaźników w swoich rówieśnikach z wynikami biznesowymi, masz lukę orkiestracji.Jeśli ludzie nie mogą wyjaśnić, w jaki sposób ich decyzje AI wpływają na inne systemy, masz lukę w zarządzaniu i audytu. pokazuje, że organizacje na wczesnych etapach dojrzałości sztucznej inteligencji miały wyniki finansowe poniżej średniej branżowej, podczas gdy te na zaawansowanych etapach osiągnęły wyniki znacznie powyżej średniej. Badania przeprowadzone przez MIT Badania przeprowadzone przez MIT Modele dojrzałości wskazują na ten sam postęp. Zaczynasz od eksperymentowania, gdzie poszczególne zespoły budują indywidualne rozwiązania. Następny etap polega na tym, aby systemy mogły ze sobą rozmawiać, tworzyć wspólne podstawy danych i budować wspólne platformy. Budownictwo na rok 2026 i dalej Firmy, które są w tym roku w dobrej pozycji, dokonują konkretnych wyborów. Przy ocenie nowych możliwości sztucznej inteligencji pytają, jak pasuje do istniejących systemów, zanim zapytają, jak dobrze jest niezależny. Traktują ramy zarządzania jako decyzje o produkcie, a nie ćwiczenia zgodności. Produkt bierze zarządzanie i rozkłada je na obserwacyjność i audytowalność dla przedsiębiorstwa, co jest ważne dla cykli iteracyjnych inżynierii i operacji, a „to praca”, aby dostarczyć AI lub Agentic AI przewidywalnie i precyzyjnie w czasie. Budowanie obserwacyjności w systemach AI od samego początku. Projektowanie do audytu. Tworzenie jasnych struktur odpowiedzialności. Przywództwo przechodzi od scentralizowanego nadzoru IT do umożliwienia liderom linii biznesowych znalezienia i finansowania rozwiązań AI i Agent, które bezpośrednio wspierają ich cele. Najskuteczniejsze strategie przedsiębiorstwa zaczynają się od podstawowego pytania: jakie dane możemy zaufać i co musimy naprawić, zanim zautomatyzujemy decyzje na skalę. Praca praktyczna obejmuje kilka elementów: budowanie warstw koordynacji, które pozwolą wyspecjalizowanym systemom AI i Agent współpracować, tworzenie ram zarządzania, które umożliwiają autonomiczne działanie w jasnych granicach, tworzenie systemów pomiarowych, które łączą aktywność AI z wynikami biznesowymi, oraz rozwijanie talentów, którzy rozumieją zarówno aspekty techniczne, jak i organizacyjne. Ale to jest praca, która oddziela firmy wykorzystujące sztuczną inteligencję od firm przekształconych przez nią. … Nick Talwar jest CTO, byłym Microsoft i praktycznym inżynierem sztucznej inteligencji, który wspiera kadry kierownicze w kierowaniu przyjęciem sztucznej inteligencji. → Śledź go na LinkedIn, aby złapać jego najnowsze myśli. Śledź go na LinkedIn Śledź go na LinkedIn → Zarejestruj się na jego bezpłatny podstack do szczegółowych artykułów dostarczanych bezpośrednio do skrzynki odbiorczej. Zarejestruj się na jego darmowy substack Zarejestruj się na jego darmowy substack Obejrzyj sesję na żywo, aby zobaczyć, jak liderzy w wysoko regulowanych branżach wykorzystują sztuczną inteligencję, aby zmniejszyć pracę ręczną i zwiększyć ROI. Zobacz sesję na żywo Zobacz sesję na żywo

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

Newsletter

Ten dźwięk jest produkowany w oryginalnym języku historii!

Różnica w dojrzałości sztucznej inteligencji: łączenie orkiestracji, obserwacyjności i audytowalności

About Author

UWAGI

ZAWIEŚĆ TAGI

ARTYKUŁ TEN ZOSTAŁ PREZENTOWANY W

Related Stories

Listen to Tech Brief Podcasts on Your Headphones: Stay Connected to HackerNoon Anywhere, Anytime

Google's Gemini AI: A Thought Experiment in Deception

Pleasures of the telescope by Garrett Putman Serviss - Table of Links

Meet Confluent: HackerNoon Company of the Week

Listen to Tech Brief Podcasts on Your Headphones: Stay Connected to HackerNoon Anywhere, Anytime

Google's Gemini AI: A Thought Experiment in Deception

Pleasures of the telescope by Garrett Putman Serviss - Table of Links

Meet Confluent: HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps