Prakul Sharma, partener și lider al practicii de AI și Insights la Deloitte Consulting LLP, explică faptul că această tranziție reprezintă a treia etapă pe o curbă de maturitate a inteligenței. Prima etapă, „inteligența asistată”, implică AI și analize care ajută oamenii să interpreteze informațiile. A doua, „inteligența artificială” clasică, unde învățarea automată augmentează deciziile umane. Iar a treia, „inteligența autonomă”, unde AI decide și execută în limite definite, cu oameni care stabilesc doar garduri de protecție. „Astăzi, capabilitățile din era GenAI – cum ar fi chatboții și AI conversațional – se situează la mijlocul acestei curbe. AI agentică acționează ca o punte către autonomie, iar centrul de greutate se schimbă acum”, afirmă Sharma.
Diferența esențială, subliniază el, este „agenția”: GenAI produce un răspuns, în timp ce inteligența autonomă urmărește un rezultat, raționând asupra unui obiectiv, invocând instrumente și date și adaptându-se pe măsură ce condițiile se schimbă. Oamenii nu mai conduc fiecare pas, ci doar stabilesc limitele. Această abordare se manifestă deja în diverse industrii, iar cheia succesului nu este agentul în sine, ci arhitectura de guvernanță din jur – identitate, puncte de control cu omul în buclă – care face autonomia sigură pentru scalare.
Pentru a extrage valoare economică reală, aceste sisteme autonome trebuie integrate direct în fluxurile de lucru generatoare de venituri sau cu costuri ridicate. De exemplu, în achiziții, o aplicație agentică poate verifica în mod continuu stocurile din lanțul de aprovizionare cu prețurile live ale furnizorilor dintr-un sistem ERP. Ea poate autoriza independent comenzi de achiziție în parametri financiari prestabiliți, oprindu-se doar pentru aprobare umană atunci când apar abateri. Pentru a funcționa, acest sistem trebuie să aibă o identitate verificabilă în ERP, să citească date de preț suficient de actuale pentru a fi obligatorii din punct de vedere contractual și să opereze în limite de aprobare aprobate formal de departamentele juridic și de conformitate. Orice dependență nerezolvată compromite întregul caz de utilizare.
Realizarea acestui nivel de automatizare necesită o examinare aprofundată a operațiunilor existente înainte de a aloca resurse de calcul. Sharma descrie metoda Deloitte: „Primul pas pe care îl sfătuim este să începeți cu un audit al deciziilor și al proceselor. Cereți liderilor să aleagă unul sau două lanțuri valorice unde rezultatele sunt împiedicate de decizii, nu de sarcini, și să mapeze cum se iau acele decizii astăzi. Întrebări precum: cine deține datele, cine are autoritatea, unde se rup transferurile, ce acțiuni sunt necesare și unde se aplică judecata. Aceste întrebări scot la suprafață fluxurile de lucru unde autonomia va crea valoare economică reală, expunând în același timp lacunele de date și guvernanță care ar putea sabota un pilot. De acolo, ajutăm liderii să secvențeze restructurarea: să construiască straturile fundamentale cu AI și țesătura agentică, date, evaluări, identitatea agentului și modele cu omul în buclă pentru primul lanț valoric, să demonstreze că funcționează și apoi să îl folosească ca șablon pentru scalare.”
Odată ce ținta operațională este izolată, execuția tehnică se împotmolește adesea din cauza fricțiunilor din amonte. Modelele fundamentale de la furnizorii majori au evoluat suficient de rapid pentru a gestiona sarcini complexe de raționament, devenind mărfuri interschimbabile. Punctul de fricțiune constă în conectarea acestor motoare de raționament la arhitecturi de date moștenite. Sharma observă că adevăratele bariere tehnice apar cu mult înainte ca promptul să ajungă la modelul de limbaj: „Pe baza celor ce vedem, modelul este rareori blocajul, deoarece capacitatea de frontieră devine rapid o marfă. Acolo unde clienții se poticnesc în faza de proiectare este în amontele modelului. Ei selectează un caz de utilizare înainte de a mapa fluxul de lucru subiacent, rezultând că agentul automatizează un proces care era deja defect sau prost instrumentat. Al doilea model este datele: clienții pot subestima faptul că sistemele autonome au nevoie de date de calitate decizională, nu de date de calitate pentru raportare, adică linii de proveniență și controale de acces pe care majoritatea bazelor de date enterprise nu au fost construite să le suporte.”
Distincția contează deoarece majoritatea bazelor de date enterprise au fost construite pentru analiști umani, nu pentru sisteme autonome. Datele de calitate pentru raportare – agregate în cicluri nocturne sau săptămânale, structurate pentru consum în dashboard-uri și lipsite de proveniența care înregistrează cum a fost derivată o valoare – sunt adecvate atunci când o persoană aplică judecată înainte de a acționa pe baza lor. Un agent autonom nu are o astfel de plasă de siguranță. Când recuperează un preț contractual sau un nivel de stoc pentru a executa o tranzacție, acea cifră trebuie să aibă un timestamp suficient de actual pentru a fi obligatorie, o proveniență trasabilă și controale de acces care confirmă că agentul este autorizat să o citească și să acționeze pe baza ei. Furnizarea acestor date de calitate decizională implică integrarea agenților autonomi cu depozite de evenimente și baze de date concepute pentru a gestiona atât informații structurate, cât și nestructurate. Când un agent recuperează date pentru a executa o sarcină, întreprinderea trebuie să garanteze prospețimea lor. Bazarea pe date învechite, procesate în loturi, introduce un risc extrem, putând face ca sistemul să acționeze pe baza unor niveluri de prețuri depășite sau cadre de conformitate învechite.
Modelul financiar pentru scalarea acestor sisteme necesită, de asemenea, prognozarea costurilor variabile de calcul. Deoarece fluxurile de lucru agentice implică multiple interacțiuni cu modele de limbaj pentru a raționa asupra unui singur obiectiv, costurile API pot escalada imprevizibil. Atenuarea riscurilor de halucinație prin procese de generare augmentată cu recuperare (RAG) crește, de asemenea, volumul de calcul necesar, impunând controale financiare stricte înainte de implementarea enterprise.
De ce este important:
Acest articol este crucial pentru liderii de afaceri și profesioniștii IT care doresc să înțeleagă cum pot trece dincolo de experimentele cu GenAI și să obțină o valoare economică reală prin automatizarea inteligentă. El subliniază că adevărata creștere nu vine din chatboți sau rezumări, ci din sisteme care execută independent sarcini complexe, integrându-se în fluxurile de lucru critice. În plus, evidențiază provocările practice – de la guvernanța datelor până la costurile de calcul – pe care organizațiile trebuie să le abordeze pentru a scala în siguranță inteligența autonomă. Fără această înțelegere, companiile riscă să investească în tehnologii care nu produc randamentul scontat.
