Агентський штучний інтелект може перевизначити промислові операції, але це тільки якщо він розгортається з дисципліною та може масштабуватися в масштабах організації.
Agentic AI обіцяє автоматизувати промислові операції та підвищити ефективність таких організацій. Однак, незважаючи на обіцянки, організації повинні з обережністю підходити до агентів ШІ.
Багато організацій, які впроваджують агентський ШІ, стикаються з підводними каменями, які перешкоджають їхньому успіху. Одна групова або одна агентська програма ШІ може виявитися величезним успіхом. Отже, природно, інші подвоюють (потроюють, учетверюють) і йдуть ва-банк. Швидко виникають проблеми, безпосередньо пов’язані з розповсюдженням агентів. Без управління компанії ризикують створити занадто багато агентів, що призведе до дублювання, неузгодженості та операційної плутанини.
У міру розповсюдження з’являються інші проблеми. Часто бувають так звані крихкі підказки. Це погано розроблені підказки, через які агенти можуть неправильно інтерпретувати дані або створювати ненадійні рекомендації. Також можуть бути осиротілі агенти. Це агенти без чітких повноважень або інтеграції в робочі процеси, які часто перетворюються на «цифрове програмне забезпечення».
Зробіть крок назад після початкового успіху Agentic AI
Щоб штучний інтелект міг додати цінність, агенти повинні мати шляхи до дії та відповідальності.
Анушрі Верма, старший директор-аналітик Gartner у групі нових технологій і тенденцій, узагальнив проблеми в нещодавній статті «Чому проекти агентського штучного інтелекту зазнають невдачі — і як налаштувати свій на успіх». Вона зазначила, що для успіху потрібен не тільки ентузіазм. Це вимагає зосередженості, зрілості та стратегії.
З цією метою вона зазначила, що дослідження Gartner показують, що очікується, що понад 40% агентських проектів штучного інтелекту зазнають невдачі до 2027 року. Причина полягає не у відсутності амбіцій. Це відсутність узгодженості між бізнес-цілями, готовністю до технологій і дисциплінованим виконанням.
Ключовий момент, який вона підняла, полягає в тому, що агентський ШІ — це не просто ще один інструмент автоматизації чи розумніший чат-бот. Технологія розроблена, щоб діяти автономно, керувати складними завданнями, приймати рішення в режимі реального часу та навіть передбачати проблеми до їх загострення. Для промислових компаній, де час безвідмовної роботи, ефективність і безпека є найважливішими, цей рівень автономії може змінити правила гри.
Дивіться також: Agentic AI в промисловості: технології, які принесуть результати
Чому багато проектів зазнають невдачі
Верма зазначив, що найбільша помилка компаній полягає в тому, що вони припускають, що агентський штучний інтелект можна «підключити» будь-де. «Надто часто ми бачимо проекти, запущені без чіткого розуміння того, чи відповідає технологія проблемі», – сказала вона. “Результат? Дорогі пілотні програми, які виявляються не більш ніж розмовними інтерфейсами, прикріпленими до застарілих робочих процесів”.
Крім того, вона зазначила, що виклики інтеграції є ще одним винуватцем. У промислових організаціях дані часто зберігаються у відокремлених системах, таких як системи ERP, інструменти управління активами та журнали технічного обслуговування, які не обмінюються безперебійним шляхом. Розгортання агентського штучного інтелекту в таких середовищах вимагає переосмислення процесів. Без цієї підготовки витрати зростають, часові рамки збиваються, а керівники втрачають віру.
Для структурованих повторюваних робочих процесів, таких як узгодження інвентаризації або створення базових звітів, традиційна автоматизація або машинне навчання можуть забезпечити таку ж або кращу рентабельність інвестицій за набагато менших витрат.
Один із способів масштабувати агентський штучний інтелект і досягти цінності — шукати правильні варіанти використання. Цю технологію слід використовувати для тих проблем, у яких автономія додає вимірну цінність. Таким чином, вона зазначила, що Gartner визначає три ідеальні сценарії:
1) Складне, динамічне середовище, як оптимізація ланцюжка поставок або прогнозне технічне обслуговування, де система повинна постійно адаптуватися до нових даних.
2) Багатоетапна, багатоагентна співпраця, наприклад, координація виробничих графіків між відділами або управління інцидентами якості, які охоплюють функції.
3) Цінні, низькочастотні рішення, наприклад, планування заміни обладнання або критичні для безпеки втручання, де точність і швидкість прийняття рішень мають вирішальне значення.
Створення економічного обґрунтування Agentic AI
Стаття Verma описує структуру для того, щоб інвестиції в агентський штучний інтелект приносили прибуток. Вона пропонує наступні кроки:
- Розробіть стратегічну дорожню карту: Пов’яжіть кожну ініціативу штучного інтелекту з відчутними бізнес-результатами, такими як скорочення часу простою, швидші цикли прийняття рішень або більша пропускна здатність.
- Приймайте композитний ШІ: Поєднуйте агентські системи з традиційною автоматизацією та аналітикою для більш стійких і прозорих результатів.
- Проведіть аналіз витрат і вигод: Оцініть не лише витрати на впровадження, але й інтеграцію, обслуговування та організаційні зміни.
- Оцінити готовність: Переконайтеся, що у нас є дані якості штучного інтелекту, зрілі робочі процеси та надійні засоби контролю.
- Зосередьтеся на впливі на підприємство: Справжня цінність агентського штучного інтелекту полягає в тому, щоб організовувати роботу між одиницями, а не лише покращувати ефективність однієї команди.
Заключне слово
Agentic AI може змінити визначення промислових операцій, роблячи все: від оптимізації використання енергії до запобігання збоїв обладнання. Але це тільки в тому випадку, якщо він розгортається з дисципліною. Як підсумовується в статті, переможцями стануть не ті, хто слідкує за останніми тенденціями штучного інтелекту, а ті, хто стратегічно інтегрує його, невпинно оцінює рентабельність інвестицій і тримає в курсі людський досвід.