Konferenzr?ume werden von IT verbraucht, die Anleger drehen darauf, Entscheidungstr?ger testen es und Gartner-Analysten sagen voraus, dass bis 2028 ein Drittel der Unternehmenssoftware agenten-KI einbezieht , die im Jahr 2024 von nur 1% steigen und 15% der t?glichen Gesch?ftsentscheidungen, die bis dahin autonoman behandelt werden sollen.

Inmitten all der Aufregung fühlt sich etwas nicht stabil an, und die meisten Unternehmen bleiben in ihren Versuchen gefangen, von denen viele niemals in die vollst?ndige Umsetzung oder ins Wanken des Einsatzes führen. Für die Perspektive scheitern 85% der AI -Initiativen . Wenn Sie diejenigen, die diese L?sungen entwickeln, fragen, was wirklich passiert, ist das wiederkehrende Thema, dass sie, obwohl sie AI -Agenten besitzen, das ?kosystem fehlt, um sie zu unterstützen.

Zun?chst aufbauen

Aishwarya Singh, Senior Vice President Digital Collaboration Services bei NTT Data , hat diese Erz?hlung aus erster Hand erlebt. "Die wichtigsten wirtschaftlichen Hürden beinhalten die erheblichen Vorabinvestitionen in Infrastruktur und Technologie, die Kosten für die Zusammenführung von KI mit aktuellen Systemen und die Nachfrage nach spezialisiertem Personal zur überwachung und Aufrechterhaltung von KI -Systemen", erkl?rte sie w?hrend eines Interviews.

Theoretisch sollte die Agenten -KI die Kosten senken und Prozesse vereinfachen. In der Praxis führt jedoch zus?tzliche Schichten von beiden vor - insbesondere wenn Unternehmen sich eher als Produkt als als Prozess n?hern. "Viele Führungskr?fte untersch?tzen die Zeit, Mühe und Ressourcen, die für eine erfolgreiche Integration erforderlich sind", bemerkte Singh. "übersehen dies kann zu Projektverz?gerungen, Budgetüberschreitungen und unterdurchschnittlicher Leistung führen."

Das im M?rz dieses Jahres eingeführte NTT Data -neue Agenten -KI -Dienste , das mit Microsoft Copilot Studio und Azure AI Foundry entwickelt wurde, zielen darauf ab, dieses Problem zu l?sen - nicht nur durch die Bereitstellung von Agenten, aber die Unterstützung des gesamten Lebenszyklus: Beratung, Erstellung, Ausführung, Ausführung, überwachung, Zusammenfassung und Optimierung. Es handelt sich um KI -Infrastruktur als verwalteter Dienst und wird bereits im gesamten Unternehmen intern implementiert.

?In unseren internen Ticketing -Systemen stieg die Produktivit?t um 50 bis 65%“, sagte Singh. ?Wir entwickeln Agenten über verschiedene Ticketypen hinweg und verbinden sie über Omnichannel LLMS, damit wir konsistent neue Automatisierung über Voice, E -Mail und Chat hinzufügen k?nnen.“

Der Mangel an KI -Talent

Das Fehlen einer Infrastruktur oder eines ?kosystems ist jedoch nicht der einzige Faktor, der die Agentin der AI behindert. Ein weiteres Problem, m?glicherweise noch gr??er, ist der Mangel an KI -Talenten. Laut einer kürzlich durchgeführten Accenture -Studie mit 3.400 Führungskr?ften und 2.000 Unternehmensprojekten bringen nur 13% der AI -Bemühungen erhebliche Gesch?ftsvorteile. Der Grund? Unternehmen geben dreimal mehr für Technologie aus als für Menschen - und diese KI -Kompetenzlücke ist offensichtlich.

"Die Bereitschaft im Talent ist eines der gr??ten Hindernisse für die Skalierung und den Wert von Wert für Unternehmen", sagte Jack Azagury, Gesch?ftsführer für Gruppenvorsitzende für die Beratung bei Accenture. "Sie k?nnen in alle verfügbaren Gen -AI -Tools investieren, aber wenn Ihre Mitarbeiter nicht wissen, wie oder warum sie verwendet werden sollen, wird der Wert einfach nicht zustande."

Singh stimmt zu und hebt hervor, dass diese wachsende KI -Talentlücke darin besteht, warum NTT -Daten allein in die Schulung von 200.000 Mitarbeitern investieren und in diesem Jahr 15.000 Genai -Experten zertifizieren. ?Dies hat auch zahlreiche Ideen ausgel?st, wie wir diese Technologie nutzen k?nnen, um unsere eigene Gesch?ftsleistung zu verbessern und zu bemerkenswerten neuen Innovationen zu führen“, fügte sie hinzu.

Das KI -Bereitstellungsdilemma

Sobald Sie das Talentalter übertreffen, stellen Sie eine noch gr??ere Herausforderung bei der Bereitstellung von KI vor. In einem kürzlich durchgeführten Arbeitspapier des National Bureau of Economic Research untersuchte die Verwendung von AI Chatbot an 7.000 Arbeitspl?tzen und stellte fest, dass diese Chatbots praktisch keinen bemerkenswerten Einfluss auf die L?hne oder Arbeitszeiten in irgendeiner Beruf hatten. Trotz der weit verbreiteten Akzeptanz ergab die Studie, dass KI den Mitarbeitern im Durchschnitt nur 3% ihrer Zeit erspart hat, wobei nur 3 bis 7% davon zu einer h?heren Entsch?digung führten.

Noch auff?lliger ist die Feststellung, dass die meisten Mitarbeiter ihre gespeicherte Zeit in Richtung anderer Aufgaben umgeleitet haben, oft diejenigen, die vom KI -System selbst erstellt wurden - die KI -Ausgangsleistung, die überprüfung hergestellter Fakten oder das Anpassung des Tons. Im Wesentlichen fügte die Technologie mehr Komplexit?t hinzu, als sie entfernt wurde.

Dies spiegelt das wider, was IBM auch in einer separaten Studie entdeckt hat, die zeigt, dass nur 25% der AI -Projekte ihre erwartete Kapitalrendite (ROI) erzielen. Der neueste Bericht von Informatica zeigt, dass Datenqualit?ts- und Integrationsprobleme die Hauptursache für die meisten KI -Projektfehler bleiben.

Das Mitnehmen ist, dass KI -Agenten nicht ausdehnen, weil Unternehmen nicht herausgefunden oder verstanden - die umgebenden Bedingungen skalieren.

Die Komplexit?t der Nachverymnung

Wenn Sie es schaffen, Ihre KI -Agenten effektiv einzusetzen, müssen Sie sich jetzt mit dem auseinandersetzen, was anschlie?end vorkommt. Selbst der beste KI -Agent erfordert ein Team dahinter: Entwickler, Datenverwalter, Sicherheitsarchitekten, Trainer, Ethiker und mehr. Hier begegnen die meisten Unternehmen laut Singh den gr??ten Schwierigkeitsgrad - nicht im Einsatz eines Agenten, sondern im Umgang mit dem, was folgt.

?Die Agent-Management nach dem Einsatz beinhaltet Routine-Updates, Leistungsverfolgung, Sicherheitsaudits und Ausrichtung auf sich entwickelnde Gesch?ftsziele“, informierte sie mich. "Ein gro?es Anliegen, das wir von Kunden h?ren, ist, wie am besten der Zustrom von Agenten -AI -Agenten in ihren Organisationen umgehen kann." Genau hier navigieren viele Organisationen blind und konstruieren AI -Agenten, ohne eine Strategie, um sie im Ma?stab laufen, regiert und optimiert zu halten.

Um diese zunehmende Herausforderung zu bew?ltigen, erw?hnte Singh, dass NTT -Daten beginnt, Guardian -Agenten und Red -Teaming -Agenten einzuführen - Modelle zur überwachung der Sicherheit, Einhaltung und der operativen Integrit?t, wenn sich Agenten über Funktionen hinweg vermehren - in ihrem verwalteten Stack.

Wo echter ROI beginnt

Also, was ist erfolgreich? Wenn die Agentic -KI von all diesen Komplexit?ten abgewogen wird, warum gibt es dann noch so viel Begeisterung, genug für viele globale Unternehmen, um eine agierische KI -Verschiebung zu planen? Die Antwort von Singh ist, dass die Agentic AI trotz der Herausforderungen und Rückschl?ge praktische Anwendungen hat, die einen Einblick in ihr Potenzial bieten, wenn sie ordnungsgem?? bereitgestellt werden.

?Wir beobachten erstklassige Anwendungsf?lle in IT-Diensten, taktischen Prozessautomatisierung, Kundendienst und Multi-Agent-Modellen für kompliziertere Aufgaben wie das Inventarmanagement“, Clared. "Kunden k?nnen eine Amortisationszeit von 6 bis 12 Monaten erwarten. Die Produktivit?tsgewinne werden in der Regel innerhalb der ersten Monate erkennbar."

Diese Ergebnisse treten jedoch ausschlie?lich auf, wenn es ein umfassendes System gibt, das den Agenten unterstützt-eines, das ?nderungsmanagement, Talententwicklung, plattformübergreifende Integration und kontinuierliche Optimierung umfasst. Wie Singh betonte, sind Unternehmen, die erfolgreich sind, diejenigen, die schnell mit taktischen Anwendungsf?llen und hyperskaler-ausgerichteten Teams prototypisieren, die darauf vorbereitet sind, innerhalb ihrer vorhandenen Cloud-Umgebungen zu skalieren.

Die Grundlagen beherrschen

Agentic AI wird nicht erweitert, weil Sie einen Anbieter eingestellt haben. Es wird erweitert, weil Sie die interne Architektur - einschlie?lich technischer, organisatorischer und menschlicher - erstellt haben, um sie zu unterstützen. Dies ist die Schlüsselbotschaft für Unternehmen, die heute nach Angaben von Analysten, Projektionen und mehreren Unternehmensstudien eine Agent -KI skalieren m?chten.

Jede erfolgreiche agierische KI -Geschichte beginnt mit der Beherrschung der Grundlagen - Daten, Talent und Infrastruktur. Und das, betonte Singh, fordert eine betr?chtliche Planung. Die Frage ist nicht, ob Unternehmen ihre Agenten -KI -Projekte skalieren k?nnen. Es ist, ob sie bereit sind, das zu tun, was n?tig ist, um es zu erreichen.

Das obige ist der detaillierte Inhalt vonWas es wirklich braucht, um die Agenten -KI zu skalieren. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!