Cara untuk menskalakan agen AI untuk bisnis

Saat bertemu dengan para pemimpin bisnis, ada kegembiraan seputar potensi apa saja yang dapat dilakukan oleh AI agen untuk sebuah organisasi. Ada juga kebutuhan yang jelas untuk menjawab pertanyaan tentang bagaimana para pemimpin bisnis dapat secara efektif dan efisien menerapkan AI agen.

Penelitian baru dari IBM Institute for Business Value menunjukkan dukungan dan kegembiraan dari para pemimpin bisnis: 86% dari mereka yang disurvei memperkirakan bahwa otomatisasi proses dan penemuan kembali alur kerja menjadi lebih efektif dengan agen AI pada tahun 2027.

AI tradisional atau alat otomatisasi menawarkan keuntungan produktivitas yang berguna kendati tidak signifikan, tetapi tidak mengubah proses yang mendasarinya. Dengan AI agen, kita benar-benar dapat mulai mendorong hasil bisnis yang lebih besar dan lebih strategis yang dapat menciptakan produktivitas dan efisiensi yang lebih besar dalam suatu organisasi.

Ini bukan hanya tentang AI yang memberi tahu kita apa yang harus dilakukan, namun tentang AI yang mulai melakukannya. Kita perlu beralih melampaui asisten AI dan memperluas apa yang bisa dilakukan dengan agen AI yang dapat mengeksekusi dan menyesuaikan proses di bawah pengawasan manusia. Pergeseran ini membutuhkan rekayasa ulang yang nyata tentang bagaimana pekerjaan diselesaikan, membuka jenis nilai yang benar-benar ingin dicapai oleh para pemimpin bisnis.

76% eksekutif yang disurvei sudah mengatakan bahwa mereka beroperasi dan memberikan bukti konsep yang memungkinkan otomatisasi otonom alur kerja cerdas melalui agen AI, menurut IBM Institute for Business Value.

Setiap klien yang bekerja dengan saya menginginkan agar kami memiliki pemahaman yang mendalam tentang AI agen, sudut pandang yang kredibel, dan pengalaman penskalaan AI agen. Dan mereka memiliki alasan yang kuat. AI agen datang dengan banyak janji dan potensi besar untuk mengubah bisnis Anda, tetapi tuntutan teknis dan kebutuhan akan pergeseran budaya dalam suatu organisasi juga menyertainya.

Saya telah belajar dari pengalaman pribadi, bahwa 'bagaimana' telah menjadi fokus utama bagi klien dan organisasi. Mereka tertarik untuk melihat hasil yang luar biasa dalam penghematan biaya, efisiensi, dan produktivitas. Berikut ini adalah insight saya tentang cara mengintegrasikan teknologi ini dan menskalakannya untuk hasil yang hebat.

Bidang spesifik di mana kami telah melihat kerja AI agen termasuk layanan pelanggan, pengadaan, keuangan, dan seluruh proses TI, tetapi apa yang kami lihat dalam layanan pelanggan khususnya merupakan peluang yang sangat besar.

Faktanya, kami telah mengubah pusat kontak yang menggunakan chatbot tradisional dan alat otomatisasi dengan beralih ke pendekatan agen. Pendekatan pengalaman percakapan agen kami memperkenalkan tim agen AI terkoordinasi yang mampu menangani kisaran pertanyaan pelanggan yang lebih luas dan lebih kompleks, bukan asisten skrip tunggal seperti chatbot. Hal ini membantu mewujudkan efisiensi yang signifikan saat beroperasi dengan landasan batasan yang ditentukan untuk mendorong kepatuhan dan konsistensi.

Apa yang membuat AI agen lebih efektif daripada chatbot tradisional adalah kemampuannya untuk beroperasi secara holistik— tidak hanya mengikuti skrip, tetapi secara dinamis mengoordinasikan tindakan, beradaptasi dengan pengecualian, dan terus belajar. Agen tidak bekerja dalam urutan tetap. Mereka berkolaborasi satu sama lain dan dengan manusia untuk menentukan cara yang paling efisien dalam menyelesaikan berbagai tugas yang kompleks secara real-time.

Ada langkah-langkah dan persiapan pendahuluan yang harus diambil untuk menerapkan AI agen secara efektif dan efisien sebelum organisasi dapat meningkatkan solusi dan melihat hasil yang lebih baik.

Hal pertama adalah mengidentifikasi peluang dalam bisnis Anda. Sebagai contoh, katakanlah saya ingin fungsi pengadaan saya lebih efisien dan ingin menerapkan solusi agen. IBM mengembangkan metodologi bagi klien untuk menilai secara formal apakah solusi agen memberikan nilai tambah dan meningkatkan proses atau alur kerja.

Pendekatan penilaian kesiapan AI agen kami didasarkan pada:

• Penilaian terstruktur yang dilakukan melalui perpaduan penambangan proses dan analisis proses yang didukung LLM
• Desain untuk mengidentifikasi proses bisnis yang paling cocok untuk AI agen dan transformasi otonom
• Lima pilar untuk mengevaluasi seberapa baik suatu proses dapat direkayasa ulang dengan menggunakan AI

Bagian kedua dari 'bagaimana' mempertimbangkan kemampuan arsitektur perusahaan yang mendasari dan mengidentifikasi bagaimana arsitektur mungkin perlu berkembang. Ini bisa berarti berpikir melampaui lapisan integrasi tradisional dan membangun arsitektur modern yang dirancang untuk alur kerja otonom berbasis AI. Beberapa kemampuan yang diperlukan meliputi:

• Orkestrasi multiagen dan integrasi berbasis peristiwa
• Katalog agen terpusat dan manajemen siklus hidup
• Memori agen dan penyimpanan konteks jangka panjang
• Produk data modular yang siap AI
• Lapisan tata kelola, observabilitas, dan keamanan yang disesuaikan dengan agen AI

Data tetap menjadi inti keberhasilan penerapan AI dan merupakan bagian penting dari percakapan pada awal proses. Pandangan kami di IBM adalah bahwa aplikasi AI agen ini dapat memberikan nilai hanya jika Anda menggabungkan pengalaman, proses, dan data.

Mengelola data terstruktur dan tidak terstruktur, memastikan kualitas data, dan melindungi privasi data adalah tantangan yang terus berlangsung. Namun, dengan tersedianya strategi yang tepat, bisnis dapat memanfaatkan kekuatan AI untuk mendorong transformasi dan pertumbuhan mendatang.

Ada tiga tantangan inti yang perlu dipertimbangkan ketika mempersiapkan bisnis untuk transformasi AI.

• Akses ke data: Diperkirakan pada tahun 2022, 90% data* yang dihasilkan oleh perusahaan tidak terstruktur. Organisasi perlu mengakses data tersebut di mana pun mereka berada dan menyatukannya untuk contoh penggunaan.
• Data yang berkualitas dan cerdas untuk analitik real-time dan AI: AI Anda hanya akan sebaik data yang Anda masukkan. Bisakah Anda mempercayai data itu untuk model AI Anda? Apakah kualitasnya cukup dan bagaimana Anda mengevaluasi kualitas data Anda secara objektif? Jawab semua pertanyaan ini sebelum menerapkan AI.
• Keamanan data: Baik on premises maupun multicloud, keamanan data perlu diperluas ke seluruh lingkungan. Pertimbangkan semua data ke mana pun data bergerak dan apakah data tersebut data terstruktur atau tidak terstruktur.

Faktor kunci lain yang harus dipertimbangkan klien adalah manajemen perubahan yang kuat. Klien terutama harus mempertimbangkan orang yang perlu mengadopsi AI sebagai bagian dari pekerjaan mereka sehari-hari.

Contoh nyata adalah dari perspektif transformasi SDM, contoh penggunaan di mana kita benar-benar perlu memikirkan kembali peran orang dan mempertimbangkan di mana AI mungkin paling berharga. Banyak klien kami di fungsi SDM yang berpikir untuk meningkatkan keterampilan dan melatih ulang karyawan yang perannya sedang ditata ulang.

Manajemen perubahan harus menjadi bagian integral dari transformasi AI apa pun. Ini tidak hanya melakukan implementasi teknis namun merupakan proses holistik yang mengharuskan klien untuk mempertimbangkan seluruh ekosistem yang membuat bisnis berjalan dengan lancar, termasuk teknologi, proses, dan manusia.

Pergeseran dengan AI agen ini bukan hanya perubahan bagi karyawan dan konfigurasi ulang fungsi pekerjaan. Misalnya, di IBM, menata ulang proses untuk membuat alur kerja di mana AI dapat diintegrasikan untuk menciptakan pengoptimalan yang mulus memungkinkan transformasi dan membantu memungkinkan IBM mendorong kenaikan produktivitas senilai 3,5 miliar.

Kami memiliki alat dan keahlian yang tersedia untuk memberikan saran kepada klien kami tentang strategi dan metode yang tepat untuk membawa AI agen ke dalam bisnis mereka.

Setelah 'bagaimana' ditetapkan dan klien memahami apa yang diperlukan untuk berhasil menskalakan AI agen, bagian selanjutnya dari proses ini adalah mengintegrasikan AI agen ke dalam bisnis.

1. Rekayasa ulang untuk agen: AI Agen memerlukan pergeseran dalam cara pekerjaan dirancang dan dieksekusi.
   Kiat pro: Pikirkan kembali alur kerja dengan agen. Delegasikan tugas rutin ke AI sekaligus meningkatkan peran manusia untuk pengawasan, eskalasi, dan penilaian bernilai tambah.
2. Memastikan skalabilitas: Agen penskalaan di seluruh sistem dan fungsi membutuhkan orkestrasi yang kuat.
   Kiat pro: Implementasikan lapisan orkestrasi agen yang kuat yang memungkinkan agen bekerja di seluruh platform dengan aman, mengoordinasikan tugas dan menghormati batasan proses, serta lapisan kontrol.
3. Siapkan data Anda: Agen memerlukan akses ke data berkualitas tinggi dan terfokus yang dapat ditindaklanjuti.
   Kiat pro: Buat produk data khusus contoh penggunaan yang dikurasi, diatur, dan dapat diakses API untuk memastikan bahwa agen memiliki input terstruktur yang mereka butuhkan untuk bertindak secara real-time dan sesuai konteks.
4. Optimalkan kinerja: Menyeimbangkan kecepatan, keandalan, dan biaya sangat penting dalam skala besar.
   Kiat pro: Lengkapi platform Anda untuk mengalihkan tugas agen ke LLM dan alat bantu yang tepat berdasarkan kompleksitas dan biaya. Gunakan caching, model fallback cerdas, dan kontrol penggunaan untuk memaksimalkan ROI.
5. Uji keandalan: Sebelum penerapan, keadilan dan penjelasan agen harus dimonitor.
   Kiat profesional: Integrasikan evaluasi agen ke dalam siklus hidup AgentOps Anda. Mengotomatiskan pengujian untuk akurasi, bias, ketangguhan, dan kepatuhan etis baik sebelum penerapan maupun dalam produksi secara berkelanjutan.
6. Tetapkan tata kelola: Kontrol dan visibilitas operasional sangat penting untuk eksekusi AI yang tepercaya.
   Kiat pro: Buat kerangka kerja tata kelola yang mencakup observabilitas, kontrol keterlibatan manusia, pelacakan KPI, dan jejak audit untuk memonitor perilaku agen dan dampak bisnis.
7. Dorong penerapan cepat: Dapatkan nilai dengan cepat dan bangun momentum.
   Kiat pro: Mulailah dengan contoh penggunaan sempit dan bernilai tinggi yang menunjukkan dampak dengan cepat. Gunakan templat agen yang dapat digunakan kembali dan arsitektur modular untuk memperluas secara horizontal di seluruh fungsi.
8. Lacak nilai bisnis: Dampak harus nyata dan terukur.
    Kiat pro: Tentukan KPI seperti perpaduan alur kerja, tingkat serah terima manusia, dan peningkatan hasil bisnis. Gunakan mereka untuk memandu iterasi, adopsi, dan dukungan eksekutif.

Ketika mengintegrasikan AI agen ke dalam bisnis Anda, saya memiliki tiga rekomendasi:

• Menata ulang proses: Jangan hanya melakukan perbaikan proses yang rusak; rombak seluruh proses tersebut menggunakan pendekatan yang ditingkatkan.
• Berpikir melampaui agen: Pertimbangkan seluruh proses bisnis menyeluruh, termasuk pengalaman pengguna, orkestrasi proses, dan produk data yang diperlukan. Pikirkan tentang keseluruhan pengalaman yang ingin Anda berikan.

Rencana untuk skalabilitas: Rancang arsitektur AI Anda untuk menskalakan dengan cepat, dimulai dengan tata kelola yang kuat sejak awal dan data berkualitas untuk digunakan saat ini dan pada masa mendatang.

AI Agen sudah menjadi pusat inovasi perusahaan. Platform SaaS tradisional berkembang menjadi pasar digital agen, di mana aplikasi agen dapat mencari, memanggil, dan mengatur agen AI di berbagai sistem untuk menjalankan alur kerja yang lengkap.

Alih-alih mengandalkan aplikasi monolitik untuk melakukan berbagai tugas yang kaku, perusahaan akan mulai menerapkan sistem multiagen yang secara dinamis mengoordinasikan pekerjaan, beradaptasi dengan konteks, dan mengurangi kebutuhan untuk intervensi manual.

Transformasi ini menandai awal dari arsitektur baru untuk operasi digital—yang dibangun untuk otonomi, kecepatan, dan optimasi berkelanjutan.

* DC white paper: Nilai data tidak terstruktur yang belum dimanfaatkan