
 
 Ito ay ang ikalawang artikulong sa isang serye ng limang bahagi sa agentic AI sa enterprise. Sa Part 1, nag-eksplorado namin kung ano ang agentic AI at kung paano ito ay tinatawag mula sa generative AI, nag-aalok ang pagbabago mula sa hype sa pragmatic na katotohanan. Sa Part 1, natuklasan namin kung ano ang agentic AI at kung paano ito diferensya mula sa generative AI, nag-aalok ang pagbabago mula sa hype sa pragmatic na katotohanan. Ito ay ang ikalawang artikulo sa isang serye ng limang bahagi sa agentic AI sa enterprise. Ito ay ang ikalawang artikulo sa isang serye ng limang bahagi sa agentic AI sa enterprise. Ang pag-implementasyon ng autonomous agents ay hindi isang pag-revolusyon sa loob ng isang gabi. Ito ay isang pag-unlad ng mas mataas na kapangyarihan at pananampalataya. Sa karanasan, ang pag-adopsiyon ng mga AI agents sa enterprise ay maaaring makita bilang isang spektrum ng pag-iisa na may tatlong pangunahing phases, na nagpasya mula sa mga pangunahing assistive tools sa ganap na autonomous systems. Pinaniniwala ito bilang crawl - walk - run - fly sa pagitan ng isang organisasyon ng kapangyarihan ng AI. Ang paghahanap kung saan ikaw ay sa kurva na ito ay tumutulong sa pag-set realistic expectations at next steps para sa iyong mga proyekto ng AI. Ang karamihan ng mga enterprise ngayon ay sa isang lugar sa katumbas, na Sa katunayan ng linya ay ang mga tradisyonal na mga solusyon ng automation at analytics na nasa loob ng maraming taon. Pag-iisip ang mga workflow na batay sa mga batas, simple chatbots, robotic process automation (RPA) bots, o klasikong mga modelo ng machine learning na gumawa ng mga isolat na pag-iisip. Ang mga sistema na ito ay maaaring automatize repetitive, malinaw na mga trabaho (halimbawa, pag-iisip ng isang fraudulent transaction o lumikha ng isang report mula sa isang template) at makatulong sa mga tao sa pamamagitan ng paghahatid ng grunt work. Gayunpaman, wala sila ng dynamic planning o tunay na autonomya - sila ay magpatakbo ng predetermined rules o model outputs sa isang fixed na paraan. Karamihan ng mga negosyo ay Phase 1 - Assisted Intelligence (Crawl): Ito ay ang panahon ng mga tool tulad ng Microsoft's Copilot sa Office apps, Google's Duet AI para sa Workspace, o custom GPT-based chatbots na maaaring malaman ang natural na wika at magtatrabaho ng mas complex na mga pangangailangan. Ang mga assistant na ito ay isang malaking pag-unlad sa kapangyarihan - halimbawa, sila ay maaaring sumusunod ng mga dokumento, draft emails, tumugon sa libre-form na mga tanong - na nagbibigay ng isang malaking pag-boost ng productivity sa karamihan ng mga trabaho ng karanasan. Gayunpaman, ang mga assistant na ito ay karaniwang reactively. Siya ay gumagana ng isang query o command sa isang oras at tinatanggap ng user upang i-initiate ang bawat pag-interaction. Sa iba pang mga salita, sila Phase 2 - Generative AI Assistants (Walk): Ang mga sistema sa Phase 3 ay maaaring ibinigay ng isang mataas na antas ng target at ay proactively na-disenyo at i-execute ng isang multi-step plan upang makakuha ng ito. Ang mga ito ay naglalaman ng mga kakayahan tulad ng pag-planning algorithms, tool use (e.g. calling APIs), memory ng pre-context, at dynamic learning mula sa feedback. Sa karanasan, ang mga ito ay ang "digital colleagues" na maaaring i-develop at i-execute ang mga malubhang target end-to-end. Halimbawa, isang IT support agent sa antas na antas na ito ay maaaring autonomously i-manage ang isang user's request mula sa simula hanggang sa katapusan: i-read ang ticket, i-diagnose ang problema (may Phase 3 - Goal-Driven AI Agents (Run): Ang aspirational end-state ay isang sistema (o isang ecosystem ng mga sistema) ng mga agente ng AI na nagtatrabaho sa isang minimum na pag-iisip ng tao - na gumagana bilang isang digital workforce para sa anumang mga gawain o proseso. Ang isang phase 4 scenario ay maaaring maging, sabihin, isang autonomous order-fulfillment agent (o isang team ng mga agente) na makakuha ng mga order ng customer at pagkatapos ay nagtatrabaho ang lahat mula sa mga check ng inventory sa pag-aralan ng paghahatid at pag-update ng customer, na-adaptasyon sa mga problema sa paglipas, lahat ng nang walang-step-holding. Sa teorya, maaari mong i-delegate ang isang buong proseso ng negosyo sa mga agente ng AI. Sa karanasan, malaki na mga organisasyon ay may Phase 4 - Fully Autonomous Agentic Systems (Fly): Ang mga kumpanya ay nagtatagumpay ngayon? Sa aking karanasan (echoed sa pamamagitan ng pananaliksik sa industriya), ang karamihan ng mga kumpanya ngayon cluster sa Phases 2-3 - sila ay gumagamit ng generative AI assistants upang mapagkukunan ang mga staff, at maaaring magsagawa ng isang pilot ng isang mas autonomous agent sa isang tiyak na kaso ng paggamit. Ito ay karaniwang magsimula sa pag-set up ng isang GenAI assistant upang makatulong sa mga empleyado (Phase 2), pagkatapos ay piloto ng isang target-driven agent para sa isang mataas na halaga na proseso (Phase 3). Sa maraming mga kaso, isang Phase 3 agent na may isang human supervisor ay nagbibigay ng pinakamahusay na balanse ng efficiency at risk management. Ang madaling na mga proseso at kultura ay isang guideline Halimbawa, malaman ang iyong kasalukuyang phase ay nagbibigay-daan sa pag-manage ng mga pangangailangan. Halimbawa, kung ang iyong negosyo ay patuloy na "mahalaga upang i-crawl" sa mga pangunahing RPA bots, pumunta sa isang napaka-autonomous agent na pag-manage ng mga kritikal na mga gawain ay maaaring magbigay ng problema. Maaari itong mas malusog upang i-introduce ang isang generative assistant na unang, makakuha ng kapaki-pakinabang sa mga output ng AI, pagkatapos ay patuloy na magbibigay ang AI ng higit pang autonomya sa isang kontrolado na lugar. Inversely, kung ikaw ay binuo ng malakas na Phase 2 pilots, maaari mong maging mag-eksperimento sa isang Phase 3 agent - ngunit kailangan mong Sa susunod na bahagi ng serye na ito, pumunta kami mula sa konseptual na roadmap na ito sa arkitektura na kinakailangan para sa pananampalataya. Ano ang kailangan sa ilalim ng kape upang i-convert ang isang mapagkukunan prototype agent sa isang produksyon-grade na solusyon? Bilang ito, lumangkas na mga agensyal na mga sistema ng AI ay nagbibigay ng isang common DNA. Sa Part 3, i-break up ang Seven Key Pillars ng isang enterprise AI agent's architecture, mula sa kung paano ito nakikita ang input sa kung paano ito ay pinapanatili, at ibahagi ang mga tip sa disenyo para sa bawat isa.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

Ang audio na ito ay ginawa sa orihinal na wika ng kuwento!

Crawl, Walk, Run, Fly - Ang Mga Katapusan ng AI Agent Maturity

About Author

MGA KOMENTO

HANG TAGS

ANG ARTIKULONG ITO AY IPINAKITA SA

Related Stories

Hosting a DNS domain on the blockchain

COVID-19: We Need More Than Data, We Need Insights!

Encrypted Instant Messaging Recommendations January 2017

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

Hosting a DNS domain on the blockchain

COVID-19: We Need More Than Data, We Need Insights!

Encrypted Instant Messaging Recommendations January 2017

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps