What is the primary challenge enterprises face when attempting to operationalize Agentic AI?

The main challenge enterprises face isn't a lack of advanced AI models or capable vendors, but rather a significant execution gap. Many organizations launch promising Agentic AI pilots that fail to scale or integrate into real-world business processes. This often stems from an undefined operating model, leading to issues like vague use cases, data quality problems, insufficient controls, and a lack of clear agreement on what constitutes success. Bridging this execution gap requires a fundamental shift in how work is defined, managed, and improved within the organization, focusing on meticulous workflow definition and robust governance.

What are the three key characteristics of organizations successfully implementing Agentic AI?

Organizations that successfully implement Agentic AI exhibit three core characteristics: First, their work is defined with painful detail, allowing for step-by-step understanding of inputs, processes, and 'done' states, including exception handling. Second, autonomy is strictly bounded, meaning agents operate within clear authority limits, have explicit escalation rules, and provide human oversight mechanisms. Third, improvement is ingrained as a habit, with regular cadences for reviewing agent performance, identifying friction points, and iteratively refining their behavior, rather than treating improvements as one-off projects.

How can businesses identify tasks that are truly 'agent-shaped' and suitable for Agentic AI?

To identify 'agent-shaped' work, organizations should look for tasks with four key characteristics. The work must have a clear start, end, and purpose, with agents able to understand intent and handle variations. It should require judgment across tools, where the agent reasons about information needs and interacts with defined, secure system interfaces. Success must be observable and measurable, allowing for objective evaluation of outputs and the agent's reasoning. Finally, the work should initially have a 'safe mode,' meaning mistakes are quickly caught, easily corrected, and don't lead to irreversible harm, allowing for trust-building and maturity.

Why is starting with 'safe mode' tasks crucial for Agentic AI adoption?

Starting with 'safe mode' tasks is crucial because it allows organizations to build trust, establish robust controls, and mature their evaluation processes with minimal risk. Tasks where actions are reversible, or where the agent's output serves as a recommendation for a human to act upon, provide a controlled environment for learning. This approach minimizes the cost of potential errors and allows teams to refine agent behavior, data quality, and governance frameworks. As trust and maturity grow, the organization can then strategically transition the Agentic AI to higher-stakes work where agents close the loop autonomously, confident in their reliability and safety.

What does it mean for Agentic AI to require 'judgment across tools'?

For Agentic AI to require 'judgment across tools' means that the agent doesn't simply follow a rigid, hard-coded script. Instead, it must be capable of reasoning to determine what information it needs, decide which systems or tools to query, interpret the findings, and select the appropriate action based on the context. This adaptability allows it to handle variations and understand when a situation falls outside its competence, necessitating human intervention. This capability relies heavily on existing systems having well-defined, secure, and reliable interfaces that the agent can seamlessly interact with to read data, update records, trigger transactions, or facilitate communications.

How does observability contribute to the effective improvement of AI agents?

Observability is paramount for effectively improving AI agents because it provides the necessary transparency into their operations and decision-making processes. Beyond merely checking the final output, observability involves being able to see how an agent arrived at its answer—what data it utilized, which tools it invoked, the options it considered, and the rationale behind its chosen action. Without this insight into the agent's reasoning, it becomes impossible to accurately evaluate its performance, identify areas for improvement, or defend its decisions when discrepancies arise. This deep visibility fosters continuous learning and refinement, transforming improvement into a habitual, data-driven process.

Pagpapatakbo ng Agentic AI: Mula Pangako tungo sa Pagganap sa Enterprise

Ang pangako ng Agentic AI ay trans-pormatibo, nag-aalok ng walang kaparis na kahusayan at awtomasyon na maaaring muling tukuyin kung paano nagpapatakbo ang mga negosyo. Gayunpaman, maraming organisasyon ang nahihirapan sa mga pilot na humihinto, nabibigong lumipat mula sa mga promising prototype tungo sa totoong mundo, nasusukat na epekto. Ang hamon, tulad ng naobserbahan ng mga eksperto sa AWS Generative AI Innovation Center, ay hindi kakulangan ng mga pundasyong modelo o mga 'cutting-edge' na vendor, kundi isang pundamental na depekto sa operationalization. Ang Agentic AI ay hindi isang 'feature' na basta mo lang 'i-on'; nangangailangan ito ng malalim na pagbabago sa kung paano tinutukoy, isinasagawa, at pinamamahalaan ang trabaho.

Ang artikulong ito, ang una sa dalawang bahagi ng serye, ay sumasalamin kung bakit ang tunay na agwat ng halaga sa pag-ampon ng agentic AI ay pangunahing problema sa pagpapatupad. Susuriin natin ang mga kritikal na salik na nagpapakilala sa matagumpay na pagpapatupad mula sa mga naudlot na proyekto at magbibigay ng gabay sa stakeholder para matukoy ang gawaing tunay na "agent-shaped." Ang Part II ay susuriin nang mas malalim, na direktang makikipag-usap sa mga C-suite executive at may-ari ng negosyo sa kanilang mga tiyak na responsibilidad sa bagong panahong ito.

Pagpapatuloy sa Agwat ng Halaga ng Enterprise AI: Higit Pa sa Teknolohiya

Sa mga executive boardrooms, ang tanong na "Sapat ba ang pamumuhunan natin sa AI?" ay madalas na nakakakuha ng malakas na "oo." Gayunpaman, ang kasunod na tanong, "Aling mga tiyak na 'workflow' ang mas mahusay ngayon dahil sa mga AI agent, at paano natin nalalaman?", ay madalas na sinasalubong ng katahimikan. Ang matinding kaibahan na ito ay nagpapakita ng isang kritikal na agwat sa pagpapatupad, hindi teknolohikal. Ang nasa pagitan ng dalawang sagot na ito ay hindi isang nawawalang 'large language model' o isang espesyalistang vendor; ito ay isang nawawalang modelo ng operasyon.

Ang mga organisasyong matagumpay na nagde-deploy ng agentic AI—na nagbabago nito mula sa isang aspirasyong konsepto tungo sa isang tangible, bumubuo ng halaga na asset—ay nagbabahagi ng tatlong karaniwang katotohanan:

Ang Trabaho ay Tinukoy nang Masakit sa Detalye: Ang tagumpay ay nakasalalay sa masusing kalinawan. Dapat na tumpak na ipahayag ng mga koponan kung ano ang bumubuo sa input, ang proseso, at ang kahulugan ng "tapos." Kasama dito ang pag-aasam at pagdedetalye kung paano hinahawakan ang mga exception at error.
Ang Awtonomiya ay Nakatali: Ang mga AI agent ay umuunlad sa loob ng malinaw na hangganan. Sila ay itinalaga ng malinaw na limitasyon ng awtoridad, tinukoy na mga landas ng 'escalation,' at transparent na interface kung saan maaaring subaybayan ng mga tao at, kung kinakailangan, i-override ang mga desisyon.
Ang Pagpapabuti ay Isang Ugali, Hindi Isang Proyekto: Ang paglalakbay ng agentic AI ay 'iterative.' Mayroong regular na 'cadence' para sa pagrepaso sa pagganap ng ahente, pagtukoy ng mga punto ng alitan, at patuloy na pagsasaayos. Ito ay nagtataguyod ng isang kultura ng patuloy na pag-optimize sa halip na kalat-kalat, nakabatay sa proyekto na mga pagpapabuti.

Kung wala ang mga pundasyong elementong ito, madalas na nakakaranas ang mga negosyo ng pamilyar na pattern: kahanga-hangang mga 'proof of concept' na nananatiling limitado sa lab, mga pilot na tahimik na nagtatapos, at mga lider na lumilipat mula sa pagtatanong tungkol sa potensyal sa hinaharap tungo sa pagkuwestiyon sa kasalukuyang gastos.

Pagkilala sa Gawaing 'Agent-Shaped': Ang Pundasyon para sa Tagumpay

Maraming organisasyon ang nagsisimula sa kanilang paglalakbay sa agentic AI sa pagtatanong, "Saan natin magagamit ang isang ahente?" Isang mas estratehiko at produktibong tanong ay, "Saan ang trabaho ay nakabalangkas na tulad ng trabaho na kayang gawin ng isang ahente?" Ang muling pagbalangkas na ito ay mahalaga para sa pagtukoy ng mga magagamit na 'use cases' at pag-iwas sa mga karaniwang pagkakamali.

Sa praktika, ang tunay na gawaing "agent-shaped" ay nagtataglay ng apat na pangunahing katangian:

1. Malinaw na Simula, Wakas, at Layunin

Kailangan ng isang ahente na maunawaan ang buong siklo ng buhay ng isang gawain. Kung ito man ay isang claim na dumating, isang invoice na lumitaw, o isang 'support ticket' na bumukas, dapat makilala ng ahente kung kailan sapat ang impormasyon upang magsimula, kung anong tiyak na layunin ang pinagtatrabahuhan nito, at kung kailan tiyak na tapos ang gawain o nangangailangan ng pagpapasa sa tao. Ito ay higit pa sa simpleng mga trigger at 'finish lines'; dapat maunawaan ng ahente ang pinagbabatayan na layunin upang hawakan ang makatwirang mga variation nang walang malinaw, bawat-kaso na tagubilin. Kung hindi kayang ipahayag ng iyong koponan kung ano ang hitsura ng "tapos nang maayos" para sa isang gawain, kabilang ang pamamahala ng mga exception, hindi pa ito handa para sa isang ahente.

2. Paghuhusga sa Iba't Ibang Tool

Hindi tulad ng tradisyonal na awtomasyon na sumusunod sa mga nakapirming script, nangangatwiran ang isang ahente. Tinutukoy nito kung anong impormasyon ang kinakailangan, nagpapasya kung aling mga sistema ang kokonsultahin, binibigyang-kahulugan ang nakuwang data, at pinipili ang angkop na aksyon batay sa konteksto. Ang kakayahang umangkop na ito ay nagbibigay-daan sa ahente na hawakan ang mga variation at tukuyin ang mga sitwasyon na lampas sa kanyang kakayahan. Mahalaga, ang mga ahente ay nagpapatakbo sa pamamagitan ng mga tool. Ang iyong umiiral na mga sistema ay dapat magbigay ng mahusay na natukoy, secure, at maaasahang mga interface (APIs) na maaaring tawagan ng mga ahente upang basahin ang data, magsulat ng mga update, mag-trigger ng mga transaksyon, o magpadala ng mga komunikasyon. Kung ang kasalukuyang mga proseso ay kinabibilangan ng mga tao na nangangatwiran pangunahin sa pamamagitan ng email at spreadsheets, kinakailangan ang makabuluhang disenyo ng proseso at paggawa ng tool bago maging mabubuhay ang isang agentic AI solution. Para sa higit pang mga insight kung paano nakikipag-ugnayan ang mga ahente sa mga tool, isaalang-alang ang paggalugad sa GitHub Agentic Workflows.

3. Nakikita at Nasusukat na Tagumpay

Ang tagumpay sa agentic AI ay dapat na kuwantipikado at transparent. Dapat na kayang suriin ng sinuman, kahit na nasa labas ng direktang koponan, ang output ng isang ahente at matukoy kung ito ay tama o nangangailangan ng pagsasaayos, nang hindi kinakailangang "basahin ang isip nito." Maaaring kasama dito ang pag-verify ng on-time na paglutas ng ticket, pagkumpleto ng form, balanse ng transaksyon, o kalidad ng tugon ng customer. Gayunpaman, ang 'observability' ay lumalampas sa simpleng pag-verify ng output. Kailangan mo ng visibility sa pangangatwiran ng ahente: kung anong data ang ginamit nito, kung aling mga tool ang ginamit nito, ang mga opsyon na isinaalang-alang nito, at kung bakit pinili nito ang isang partikular na landas. Kung walang kakayahang suriin ang pangangatwiran na ito, nagiging imposible ang pagpapabuti ng ahente, at ang pagtatanggol sa mga desisyon nito kapag lumitaw ang mga isyu ay hindi kayang panindigan.

4. Isang 'Safe Mode' Kapag Nagkamali ang mga Bagay

Ang pinakamagandang unang kandidato para sa agentic AI ay mga gawain kung saan ang mga pagkakamali ay madaling mahuli, murang maitatama, at hindi humahantong sa hindi na mababawing pinsala. Kung ang isang ahente ay maling uriin ang isang 'support ticket', maaari itong i-reroute. Kung ito ay bumuo ng isang maling tugon, maaaring i-edit ito ng tao bago ipadala. Gayunpaman, kung ang isang ahente ay aprubahan ang isang pagbabayad, magsagawa ng isang transaksyon sa pananalapi, o magpadala ng isang legally binding na komunikasyon nang awtonomo, ang gastos ng pagiging mali ay tumataas nang husto.

Unahin ang mga gawain kung saan ang mga aksyon ay nababaligtad o kung saan ang output ng ahente ay isang rekomendasyon na sa huli ay isasagawa ng tao. Habang lumalaki ang tiwala, kontrol, at mga proseso ng pagsusuri, nagkakaroon ka ng karapatang mag-deploy ng mga ahente sa mas mataas na pusta na trabaho kung saan sila ang magsasara ng 'loop' sa kanilang sarili. Ang 'iterative approach' na ito sa pag-deploy ay bumubuo ng kumpiyansa at nagbibigay-daan para sa matatag na pagbuo ng sistema.

Ang sumusunod na talahanayan ay nagbubuod ng mga kritikal na katangian na ito para sa pagtukoy ng gawaing 'agent-shaped':

Katangian	Deskripsyon	Bakit Mahalaga ito para sa Agentic AI
Malinaw na Simula, Wakas, Layunin	Ang gawain ay may natatanging simula, isang natukoy na layunin, at isang nasusukat na konklusyon. Nauunawaan ng ahente ang intensyon at kayang hawakan ang makatwirang mga variation nang walang malinaw na bawat-kaso na tagubilin.	Tinitiyak na alam ng ahente kung kailan magsisimula, anong layunin ang dapat makamit, at kung kailan tapos ang gawain o kailangan ng 'escalation.' Pinipigilan ang kalabuan at 'scope creep.'
Paghuhusga sa Iba't Ibang Tool	Kaya ng ahente na mangatwiran tungkol sa mga pangangailangan ng impormasyon, magpasya kung aling mga sistema/tool ang gagamitin, bigyang-kahulugan ang mga natuklasan, at tukuyin ang tamang aksyon batay sa konteksto, na iniangkop ang diskarte nito sa halip na sundin ang isang nakapirming script.	Nagbibigay-daan para sa dinamikong paglutas ng problema at kakayahang umangkop sa mga variation. Nangangailangan ng mahusay na natukoy, secure na mga interface para sa mga umiiral na sistema upang makipag-ugnayan sa ahente.
Nakikita at Nasusukat	Malinaw at kuwantipikado ang mga sukatan ng tagumpay. Kayang suriin ng sinuman nang obhetibo ang output ng ahente. Available ang transparency sa pangangatwiran ng ahente (ginamit na data, tinawag na mga tool, ginawang desisyon).	Nagbibigay-daan sa pagsusuri ng pagganap, pagtukoy ng mga punto ng alitan, at patuloy na pagpapabuti. Nagbibigay ng batayan para sa pagtatanggol sa mga desisyon ng ahente at pagbuo ng tiwala.
Safe Mode para sa mga Pagkakamali	Madaling nahuhuli, murang naitatama, at hindi humahantong sa hindi na mababawing pinsala ang mga pagkakamali. Ang mga perpektong unang kandidato ay kinabibilangan ng mga nababaligtad na aksyon o pangangasiwa ng tao bago ang huling pagpapatupad.	Binabawasan ang panganib sa panahon ng paunang pag-deploy, bumubuo ng tiwala sa stakeholder, at nagbibigay-daan para sa 'iterative learning' at pagpino ng ahente at ng mga kontrol nito bago harapin ang mataas na pusta, autonomous na operasyon. Nag-aambag sa isang malakas na enterprise privacy at 'security posture.'

Estratehikong Pag-deploy: Pagbuo ng Tiwala at Pagpapalawak ng Epekto

Kapag naroroon ang apat na sangkap na ito, mayroon kang matibay na kandidato para sa isang agentic AI solution. Kapag wala ang mga ito, ang mga pag-uusap ay madalas na humahantong sa malabong mga label tulad ng "assistant," "copilot," o "automation," na nangangahulugang iba't ibang bagay sa iba't ibang stakeholder, na humahantong sa pagkalito at naudlot na pag-unlad. Ang paglalakbay mula sa pagbuo ng konsepto ng isang AI agent hanggang sa matagumpay, malawakang pag-deploy nito ay pundamental na tungkol sa pagbuo ng tiwala sa pamamagitan ng pagpapakita ng pare-pareho, nasusukat na halaga.

Nangangailangan ito ng isang estratehikong diskarte: magsimula sa maliit, i-validate nang husto, at palawakin nang may layunin. Sa pamamagitan ng pagtutok sa mga gawain na may likas na "safe modes," ang mga organisasyon ay maaaring matuto, umangkop, at bumuo ng mga kinakailangang istruktura ng pamamahala nang hindi inilalantad ang kanilang sarili sa labis na panganib. Habang napatutunayan ang pagganap at pagiging maaasahan ng isang ahente sa mga kapaligiran na mas mababa ang pusta, maaaring unti-unting palawakin ng organisasyon ang awtonomiya nito at harapin ang mas kumplikado, may epekto na 'workflows.'

Ang Daan Pasulong: Mga Aksyon na Hakbang para sa mga Lider ng Enterprise

Ang mga pattern na inilarawan sa Part I ay hindi teoretikal; nagpapakita ang mga ito sa mga organisasyon ng bawat laki, sa bawat industriya. Ang nakapagpapalakas ng loob na balita ay ang agwat sa pagitan ng kasalukuyang estado at ninanais na estado ay hindi pangunahing kakulangan sa teknolohiya. Ito ay isang agwat sa pagpapatupad, at ang mga agwat sa pagpapatupad ay likas na nalulutas.

Narito ang tatlong agarang aksyon na maaari mong gawin upang simulan ang epektibong pagpapatakbo ng agentic AI:

Pangalanan ang Trabaho, Hindi ang Hiling: Tukuyin ang isang 'workflow' sa loob ng iyong organisasyon na nagtataglay ng malinaw na simula, isang tiyak na wakas, at isang hindi malabo, nasusukat na kahulugan ng "tapos." Ito ang magiging pangunahing kandidato mo para sa isang agentic AI pilot. Mag-focus sa tumpak na pagpapahayag ng 'workflow' sa halip na malabong mga aspirasyon.
Itanong ang Mahirap na Tanong sa Silid: Sa iyong susunod na pulong ng pamunuan, baguhin ang usapan. Sa halip na magtanong, "Sapat ba ang pamumuhunan natin sa AI?", hamunin ang koponan ng, "Aling mga tiyak na 'workflow' ang mas mahusay ngayon dahil sa mga AI agent, at paano natin nalalaman?" Ang kasunod na katahimikan ay madalas na magpapakita ng mga kritikal na lugar para sa estratehikong pagtutok at maglalantad ng mga umiiral na agwat sa operationalization at pagsukat.
Simulan Muna ang Job Description: Bago isaalang-alang ang anumang teknolohiya o vendor, ipahayag ang "job description" ng ahente. Idetalye nang eksakto kung ano ang gagawin ng ahente, ang mga tool na kailangan nitong makipag-ugnayan, kung ano ang hitsura ng matagumpay na pagpapatupad, at mahalaga, kung ano ang mangyayari kapag nakaranas ito ng pagkabigo o lumampas sa mga hangganan nito. Kung hindi mo kayang komprehensibong punan ang pahinang ito, hindi pa handa ang iyong organisasyon para sa matagumpay na pag-deploy. Tinitiyak ng pundasyong gawaing ito ang pagkakahanay at kalinawan mula sa simula.

Sa pagyakap sa mga prinsipyong ito, maaaring lumampas ang mga negosyo sa mga pilot at 'proofs of concept,' tunay na isakatuparan ang agentic AI upang makapaghatid ng dokumentadong pagtaas sa produktibidad at estratehikong bentahe. Ang paglalakbay tungo sa isang tunay na matalinong negosyo ay nagsisimula sa masusing pagpaplano, malinaw na pagpapatupad, at pangako sa patuloy na pagpapabuti.

Pagpapatakbo ng Agentic AI: Gabay para sa mga Stakeholder