Bilik-bilik persidangan dimakan oleh IT, pelabur-pelabur bertarung dengannya, pembuat keputusan mengujinya, dan penganalisis Gartner meramalkan bahawa menjelang 2028, satu pertiga daripada perisian perusahaan akan menggabungkan AIS AI -meningkat dari hanya 1% pada tahun 2024-memandu 15% keputusan perniagaan harian untuk dikendalikan secara autonomi pada masa itu.

Walau bagaimanapun, di tengah-tengah semua kegembiraan, sesuatu yang terasa tidak kena, dan kebanyakan perniagaan tetap ditangkap dalam percubaan mereka, yang kebanyakannya tidak pernah maju ke pelaksanaan penuh atau goyah semasa penempatan. Untuk perspektif, 85% inisiatif AI gagal . Apabila anda bertanya kepada mereka yang membangunkan penyelesaian ini apa yang benar -benar berlaku, tema berulang adalah bahawa walaupun mereka mempunyai agen AI, mereka tidak mempunyai ekosistem untuk menyokong mereka.

Membina infrastruktur pada mulanya

Aishwarya Singh, naib presiden kanan Perkhidmatan Kerjasama Digital di NTT Data , telah menyaksikan naratif ini dibentangkan secara langsung. "Rintangan ekonomi utama melibatkan pelaburan pendahuluan yang besar dalam infrastruktur dan teknologi, perbelanjaan penggabungan AI dengan sistem semasa, dan permintaan untuk kakitangan khusus untuk mengawasi dan mengekalkan sistem AI," katanya semasa wawancara.

Secara teorinya, agentik AI harus mengurangkan kos dan memudahkan proses. Namun, dalam praktiknya, ia memperkenalkan lapisan tambahan kedua -duanya - terutamanya jika firma mendekati ia sebagai produk dan bukannya proses. "Ramai pemimpin meremehkan masa, usaha, dan sumber yang diperlukan untuk integrasi yang berjaya," kata Singh. "Menghadapi ini boleh mengakibatkan kelewatan projek, overruns bajet, dan prestasi subpar."

Diperkenalkan pada bulan Mac tahun ini, perkhidmatan AI AI baru NTT Data , yang dibangunkan menggunakan Microsoft's Copilot Studio dan Azure AI Foundry, bertujuan untuk menyelesaikan masalah ini -bukan hanya dengan mengerahkan ejen tetapi dengan menyokong keseluruhan kitaran hayat: perundingan, penciptaan, pelaksanaan, pemantauan, latihan semula dan pengoptimuman. Ia adalah infrastruktur AI sebagai perkhidmatan terurus, dan ia telah dilaksanakan secara dalaman di seluruh syarikat.

"Dalam sistem tiket dalaman kami, produktiviti meningkat sebanyak 50 hingga 65%," kata Singh. "Kami membangunkan ejen -ejen di pelbagai jenis tiket dan menyambungkannya ke LLM omnichannel supaya kami dapat secara konsisten menambah automasi baru melalui suara, e -mel, dan berbual."

Kekurangan bakat AI

Walau bagaimanapun, ketiadaan infrastruktur atau ekosistem bukanlah satu -satunya faktor yang menghalang agentik AI. Isu lain, yang berpotensi lebih besar, adalah kekurangan bakat AI. Menurut kajian Accenture baru -baru ini yang melibatkan 3,400 eksekutif dan 2,000 projek perusahaan, hanya 13% daripada usaha AI menghasilkan manfaat perniagaan yang signifikan. Sebabnya? Perniagaan membelanjakan tiga kali lebih banyak pada teknologi daripada orang -dan jurang kemahiran AI ini jelas.

"Kesediaan dalam bakat adalah salah satu halangan terbesar untuk skala dan pengekstrakan nilai bagi syarikat," kata Jack Azagury, ketua eksekutif kumpulan untuk berunding di Accenture. "Anda boleh melabur dalam semua alat Gen AI yang ada, tetapi jika kakitangan anda tidak tahu bagaimana atau mengapa menggunakannya, nilai itu tidak akan menjadi kenyataan."

Singh bersetuju, yang menonjolkan bahawa jurang bakat AI yang melebar ini adalah mengapa data NTT melabur dalam melatih 200,000 pekerja dan mengesahkan 15,000 pakar Benari tahun ini sahaja. "Ini juga mencetuskan banyak idea tentang bagaimana kita dapat memanfaatkan teknologi ini untuk meningkatkan prestasi perniagaan kita sendiri, yang membawa kepada inovasi baru yang luar biasa," katanya.

Dilema penyebaran AI

Sebaik sahaja anda melampaui keadaan bakat, anda menghadapi cabaran yang lebih besar dalam sebenarnya menggunakan AI. Kertas kerja baru -baru ini dari Biro Penyelidikan Ekonomi Kebangsaan meneliti penggunaan chatbot AI di 7,000 tempat kerja dan mendapati bahawa chatbots ini mempunyai kesan yang tidak ketara terhadap upah atau jam kerja dalam mana -mana profesion. Walaupun terdapat penggunaan yang meluas, kajian mendapati bahawa secara purata, AI hanya menyelamatkan pekerja 3% masa mereka, dengan hanya 3 hingga 7% daripada yang diterjemahkan ke dalam pampasan yang lebih tinggi.

Malah lebih menarik adalah penemuan bahawa kebanyakan pekerja mengalihkan masa mereka yang disimpan ke arah tugas -tugas lain, sering kali yang dicipta oleh sistem AI sendiri -mengedit output AI, mengesahkan fakta -fakta yang direka, atau menyesuaikan nada. Pada dasarnya, teknologi itu menambah lebih banyak kerumitan daripada dikeluarkan.

Itu mencerminkan apa yang IBM juga ditemui dalam kajian berasingan yang menunjukkan bahawa hanya 25% projek AI mencapai pulangan pelaburan (ROI) yang diharapkan. Dan laporan terbaru Informatica mendedahkan bahawa kualiti data dan masalah integrasi tetap menjadi punca utama kegagalan projek AI .

Takeaway adalah bahawa ejen AI tidak berkembang kerana perusahaan tidak tahu -atau difahami -bagaimana untuk skala keadaan sekitarnya.

Kerumitan pasca-penempatan

Jika anda berjaya menggunakan ejen AI anda dengan berkesan, anda kini perlu bersaing dengan apa yang berlaku selepas itu. Malah ejen AI terbaik memerlukan satu pasukan di belakangnya: pemaju, pelayan data, arkitek keselamatan, jurulatih, etika, dan banyak lagi. Di sinilah kebanyakan syarikat menghadapi kesukaran yang paling besar, menurut Singh -bukan dalam mengerahkan ejen tetapi dalam mengendalikan apa yang berikut.

"Pasca penempatan, pengurusan ejen memerlukan kemas kini rutin, penjejakan prestasi, audit keselamatan, dan penjajaran dengan objektif perniagaan yang berkembang," katanya memaklumkan kepada saya. "Kebimbangan utama yang kami dengar daripada pelanggan adalah cara terbaik untuk mengendalikan kemasukan agen AI AI dalam organisasi mereka." Itu tepat di mana banyak organisasi menavigasi secara membabi buta, membina agen AI tanpa strategi untuk memastikan mereka berjalan, ditadbir, dan dioptimumkan pada skala.

Untuk menangani cabaran pemasangan ini, Singh menyebut bahawa data NTT mula memperkenalkan ejen penjaga dan ejen -ejen red -model -model yang direka untuk memantau keselamatan, pematuhan, dan integriti operasi sebagai ejen yang berkembang di seluruh fungsi -ke dalam stack yang diuruskan.

Di mana ROI asli bermula

Jadi apa yang berjaya? Sekiranya Agentic AI ditimbang oleh semua kerumitan ini, mengapa masih banyak semangat mengenainya, cukup untuk banyak syarikat global untuk merancang peralihan AI yang agentik? Tanggapan Singh adalah walaupun terdapat cabaran dan kemunduran, Agentic AI mempunyai aplikasi praktikal yang menawarkan gambaran potensinya apabila ditempatkan dengan betul.

"Kami mengamati kes-kes penggunaan teratas dalam perkhidmatan IT, automasi proses taktikal, perkhidmatan pelanggan, dan model multi-agen untuk tugas yang lebih rumit seperti pengurusan inventori," jelas Singh. "Pelanggan boleh menjangkakan tempoh bayaran balik 6 hingga 12 bulan. Keuntungan produktiviti biasanya menjadi jelas dalam beberapa bulan pertama."

Walau bagaimanapun, hasil tersebut muncul semata-mata apabila terdapat sistem yang komprehensif yang menyokong ejen yang termasuk pengurusan perubahan, pembangunan bakat, integrasi silang platform, dan pengoptimuman yang berterusan. Seperti yang dinyatakan oleh Singh, syarikat-syarikat yang berjaya adalah orang-orang yang prototaip dengan cepat dengan kes-kes penggunaan taktikal dan pasukan-pasukan selaras yang disediakan untuk skala dalam persekitaran awan mereka yang sedia ada.

Menguasai asas -asas

Agentic AI tidak akan berkembang kerana anda mengupah vendor. Ia akan berkembang kerana anda menubuhkan seni bina dalaman -termasuk teknikal, organisasi, dan manusia -untuk menyokongnya. Itulah mesej utama bagi perniagaan yang merancang untuk skala AIS AI hari ini, menurut penganalisis, unjuran, dan beberapa kajian kes perusahaan.

Setiap cerita AI AI yang berjaya bermula dengan menguasai asas -data, bakat, dan infrastruktur. Dan itu, Singh menekankan, menuntut perancangan yang besar. Persoalannya bukan sama ada syarikat boleh skala projek AI mereka. Sama ada mereka sanggup melakukan apa yang diperlukan untuk membuatnya berlaku.

Atas ialah kandungan terperinci Apa yang sebenarnya diperlukan untuk skala Agentic AI. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!