Що таке агентний штучний інтелект та як він змінить нашу роботу

Якщо попередні ШІ-асистенти працювали за чіткими правилами й мали обмежену здатність діяти самостійно, то агентний ШІ буде уповноважений робити більше від нашого імені. Але що таке агентний ШІ?

Для досягнення такого рівня автономного прийняття рішень і дій агентний ШІ спирається на складний комплекс різних технологій машинного навчання, обробки природної мови та автоматизації. Хоча агентні ШІ-системи використовують творчі можливості генеративних моделей ШІ, таких як ChatGPT, вони дещо відрізняються. По-перше, вони зосереджені на прийнятті рішень, а не на створенні контенту. По-друге, вони не покладаються на запити людини, а натомість налаштовані на оптимізацію конкретних цілей чи завдань — як-от максимізація продажів, підвищення задоволеності клієнтів або ефективності процесів у ланцюзі постачання. І по-третє, на відміну від генеративного ШІ (GenAI), вони також можуть виконувати складні послідовності дій, самостійно шукати інформацію в базах даних або запускати робочі процеси для виконання завдань.

Переваги роботи з агентним ШІ

Завдяки надпотужним можливостям міркування та виконання завдань, агентні ШІ-системи обіцяють трансформувати багато аспектів співпраці людини і машини, особливо у сферах, які раніше були захищені від автоматизації під проводом ШІ, як-от проактивне управління складними ІТ-системами для запобігання збоям; динамічна реконфігурація ланцюгів постачання у відповідь на геополітичні чи погодні зміни; або реалістична взаємодія з пацієнтами чи клієнтами для вирішення проблем. Трьома основними перевагами будуть: більша спеціалізація робочої сили, посилення інновацій і вища інформаційна надійність.

Більша спеціалізація

Важливість спеціалізації робочої сили — «поділу праці» — була зрозуміла ще з часів знаменитого відвідування Адамом Смітом шпилькової фабрики в перших абзацах книги «Багатство народів» (The Wealth of Nations). Сміт спостерігав, як один працівник «витягує дріт, інший випрямляє його, третій ріже, четвертий заточує...», так що «важливий процес виготовлення шпильки таким чином поділяється на близько 18 окремих операцій».

Спеціалізація забезпечує ефективність, навчання через практику та інновації, але її може бути важко впровадити через нестачу робочої сили та невідповідність між ролями й наявними людськими навичками. Агентні моделі, спеціально розроблені для виконання дуже конкретних завдань, дозволяють досягти набагато вищої спеціалізації, ніж традиційні широкі системи автоматизації. Більше того, множинні агентні ролі можуть бути створені швидко. У сфері інтелектуальної праці агенти можуть шукати інформацію, аналізувати її, створювати робочі процеси й допомагати працівникам. Деякі ШІ-агенти також діятимуть «за лаштунками», координуючи інших агентів.

Інновації

Завдяки вдосконаленим можливостям оцінки та виконання, системи агентного ШІ ідеально підходять для експериментів та інновацій. Наприклад, ChemCrow, хімічний ШІ-агент, використовувався для планування та синтезу нового репеленту від комах, а також для створення нових органічних сполук.

Мультиагентні моделі можуть швидко сканувати й аналізувати наукові статті та бази даних. SciAgents — мультиагентна модель, розроблена MIT — включає не лише роботів-науковців для розробки дослідницьких планів, але й «агента-критика» для їх перегляду та внесення пропозицій щодо покращення. Працюючи разом, команда ШІ-агентів змогла ідентифікувати новий біоматеріал, що поєднує шовк та пігменти на основі кульбаби, який мав кращі механічні та оптичні властивості порівняно з подібними матеріалами, з меншими енергетичними витратами.

Вища надійність

Більший когнітивний потенціал агентних систем означає, що вони менш схильні до так званих «галюцинацій» (або вигаданої інформації), притаманних системам GenAI. Агентні ШІ-системи також мають значно більшу здатність фільтрувати та розрізняти джерела інформації за якістю та надійністю, що підвищує ступінь довіри до їхніх рішень.

Наприклад, хоча інформація про клієнтів часто розкидана в різних форматах у різних частинах бізнесу — імейли, бази даних, електронні таблиці тощо — агентна ШІ-система може швидко визначити, що найбільш надійна та актуальна інформація, ймовірно, знаходиться в системі CRM фірми. Агентні системи також розроблені для швидкого вивчення людських цінностей і цінностей бренду компанії, забезпечуючи їх узгодження з рішеннями та діями.

Потенційні кейси використання

Хоча багато застосувань агентного ШІ все ще мають експериментальний характер або перебувають на пілотній стадії, загальні контури потенційних кейсів використання вже починають вимальовуватися в різних галузях і функціях. Ось деякі приклади.

Обслуговування клієнтів

На відміну від ботів із заздалегідь заданими відповідями, агентні системи розуміють наміри та емоції клієнтів, діючи самостійно.

Наприклад, агент клієнтської служби може передбачити затримку доставки, повідомити про це клієнта та проактивно запропонувати знижку, аби пом’якшити розчарування. Ema, каліфорнійський ШІ-стартап, пропонує агентні чатботи, які можуть динамічно прочісувати тисячі різних баз даних і додатків для вирішення запитів і скарг клієнтів, навчаючись на кожній взаємодії і визначаючи рекомендовані дії для операторів-людей. Ema також перевіряє свій контент на точність і відповідність вимогам, надаючи рекомендації щодо поліпшення клієнтської бази знань.

Виробництво

Агентний ШІ, ймовірно, матиме багато застосувань у розумному виробництві — від контролю потоку виробничих ліній до налаштування продуктів і внесення пропозицій щодо покращення дизайну продукції. Дані з датчиків, прикріплених до машин, компонентів та інших фізичних активів на заводах і в транспорті, можуть бути проаналізовані агентною ШІ-системою для прогнозування зносу та виробничих простоїв, уникаючи незапланованих простоїв і пов’язаних з цим витрат для виробників.

Німецький ШІ-стартап Juna.ai розгортає ШІ-агентів для управління віртуальними заводами з метою максимізації продуктивності та якості при одночасному зниженні споживання енергії та викидів вуглецю. Він навіть пропонує агентів, адаптованих до конкретних цілей — як-от агенти виробництва та агенти якості.

Підтримка продажу

Для торгових агентів критично важлива мета — пошук та розвиток потенційних клієнтів — часто потопає в масі електронних листів, паперової роботи та інших буденних, але необхідних адміністративних завдань. Агентні ШІ-системи могли б радикально звільнити команди продажу від більшості цієї трудомісткої роботи.

Наприклад, технологічний гігант CRM Salesforce має свого Agent Force Service Development Rep для допомоги в роботі командам з продажу. Завдяки великим мовним моделям (LLMs) агент може інтерпретувати повідомлення клієнтів, рекомендувати подальші дії, призначати зустрічі, відповідати на запитання та генерувати відповіді, що відповідають іміджу компанії. Доповнює ці функції Agent Force Sales Coach, який надає персоналізовані відгуки агентам-людям і можливості для навчання за допомогою віртуальних рольових ігор.

Охорона здоров’я та соціальна допомога

Здатність адаптуватися до різних умов, інтерпретувати людські емоції та проявляти емпатію робить агентні ШІ-системи ідеальними для нерутинної роботи, що вимагає «м’яких» навичок, у таких сферах, як охорона здоров’я та догляд.

Hippocratic AI, компанія агентного ШІ у сфері охорони здоров’я, що теж базується в Каліфорнії, створила цілу когорту ШІ-агентів, адаптованих до різних сфер охорони здоров’я та соціальної підтримки. Серед команди є ШІ-агент Сара, яка «випромінює тепло та розуміння», надаючи допомогу з проживанням у будинках престарілих. Сара може запитувати пацієнтів про їхній день, організовувати меню та транспорт, а також регулярно нагадувати пацієнтам про необхідність прийому ліків. Джуді, інший ШІ-агент, допомагає пацієнтам з передопераційними процедурами, наприклад, нагадуючи їм про час і місце прибуття або надаючи поради щодо передопераційного голодування чи припинення прийому ліків.

Майбутні виклики

Попри значний потенціал для трансформації співпраці людини і машини та підвищення ефективності і зростання бізнесу, агентні ШІ-системи все ще перебувають на відносно ранній стадії розвитку. Ба більше, незважаючи на їхні покращені можливості міркування та виконання, вони не усувають традиційних викликів управління робочою силою; натомість вони змінюють їх.

Як і в традиційних умовах роботи з людьми, менеджери все ще повинні приділяти увагу питанням формування команди та вибору ролей, а також встановлювати правильні загальні цілі, щоб забезпечити успіх агентних ШІ або гібридних команд. Вони також мають ретельно калібрувати умови, за яких агентним ШІ-системам можна довірити прийняття рішень, і обставини, за яких необхідне втручання людей, що приймають рішення.

Імперативи успіху

Щоб використати можливості агентного ШІ, одночасно зменшуючи ризики, менеджерам слід розглянути наступні ключові умови.

Встановлення SMART-цілей

Так само, як неефективно визначені або погано сформульовані цілі можуть завадити роботі людських команд, так і агентні ШІ-системи можуть збитися з курсу, якщо цілі не встановлені чітко. Насправді, постановка цілей стає ще важливішою для агентного ШІ, оскільки системи спочатку не мають контекстної інформації — такої як організаційний і ринковий контекст, цінності компанії тощо — яка часто за замовчуванням зрозуміла працівникам-людям. Четін із Ciklum підкреслює важливість комплексної постановки цілей:

Увага до складу команди

Порівняно з GenAI, який в основному базується на промптах LLMs з окремими питаннями, агентний ШІ набагато більше орієнтований на командну роботу, використовуючи кількох ШІ-агентів: кожен із них має специфічну роль у досягненні більшої мети, будь то максимізація досвіду клієнтів або інновації для бізнес-процесів із нижчою вартістю. Як і в людських командах, ймовірно, виникатимуть проблеми координації, конфліктів та управління ресурсами. Менеджери, що використовують агентні ШІ-системи, мають приділяти ретельну увагу відбору команди, забезпечуючи правильне поєднання агентних ролей, які виконують правильні завдання ефективним способом. Крім того, їм необхідно ретельно продумати, як агентні команди взаємодіють із працівниками-людьми для досягнення довіри та ефективності в роботі.

Структурування простору прийняття рішень

Хоча моделі агентного ШІ спеціально розроблені для оцінки варіантів рішень і виконання складних послідовностей дій, вони, як і люди, все ще можуть припускатися помилок. Наука про навчання підкреслює важливість навчального «каркасу», надаючи учням можливість практикуватися в реальному світі з запобіжниками — наглядом, чітко визначеними обмеженнями тощо — які потім поступово знімаються з накопиченням досвіду. Такий каркас буде необхідним під час застосування агентних ШІ-систем до різних завдань і бізнес-сфер, коли особи, що приймають рішення, будуть будувати відповідний каркас для цих моделей на основі таких факторів:

• критичність рішення;
• наслідки помилок;
• ступінь довіри до даних, використаних для навчання моделей;
• ступінь людського нагляду;
• профіль досвіду людей, які працюють поряд з цими системами.

За матеріалами HBR.

Ілюстрація: startuphub.ai