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.

Agentinio DI operacionalizavimas: nuo pažado iki našumo įmonėje

Agentinio DI pažadas yra transformuojantis, siūlantis beprecedentį efektyvumą ir automatizavimą, kurie gali iš naujo apibrėžti įmonių veikimą. Vis dėlto daugelis organizacijų susiduria su pilotiniais projektais, kurie stringa, nesugebėdami pereiti nuo daug žadančių prototipų prie realaus, pamatuojamo poveikio. Iššūkis, kaip pastebi AWS generatyvinio DI inovacijų centro ekspertai, yra ne pamatinių modelių ar pažangių tiekėjų trūkumas, o veikiau esminis operacionalizavimo trūkumas. Agentinis DI nėra funkcija, kurią tiesiog 'įjungi'; ji reikalauja esminio pokyčio, kaip darbas apibrėžiamas, vykdomas ir valdomas.

Šis straipsnis, pirmasis iš dviejų dalių serijos, gilinasi į tai, kodėl tikrasis vertės atotrūkis diegiant agentinį DI yra pirmiausia vykdymo problema. Išnagrinėsime kritinius veiksnius, kurie skiria sėkmingus diegimus nuo įstrigusių projektų, ir pateiksime suinteresuotųjų šalių vadovą, kaip nustatyti darbą, kuris iš tiesų yra "agento-formos". Antroji dalis gilinsis dar labiau, tiesiogiai kreipdamasi į aukščiausios vadovybės (C-suite) atstovus ir verslo savininkus dėl jų konkrečių pareigų šioje naujoje epochoje.

Įmonių DI vertės atotrūkio mažinimas: daugiau nei vien technologija

Vykdomosios valdybos posėdžių salėse klausimas "Ar pakankamai investuojame į DI?" dažnai sulaukia tvirto "taip". Tačiau po to sekantis klausimas "Kokios konkrečios darbo eigos šiandien yra žymiai geresnės dėl DI agentų, ir kaip mes tai žinome?" dažnai susiduria su tyla. Šis ryškus kontrastas pabrėžia kritinį vykdymo atotrūkį, o ne technologinį. Tai, kas slypi tarp šių dviejų atsakymų, nėra trūkstamas didelis kalbos modelis ar specializuotas tiekėjas; tai trūkstamas veiklos modelis.

Organizacijos, kurios sėkmingai diegia agentinį DI – paversdamos jį iš siekiamo koncepto į apčiuopiamą, vertę generuojantį turtą – dalijasi trimis bendromis tiesomis:

Darbas apibrėžiamas skausmingai detaliai: Sėkmė priklauso nuo kruopštaus aiškumo. Komandos turi tiksliai suformuluoti, kas sudaro įvestį, procesą ir "atlikto" darbo apibrėžimą. Tai apima išimčių ir klaidų tvarkymo numatymą ir detalizavimą.
Autonomija yra apribota: DI agentai veikia aiškiose ribose. Jiems priskiriamos aiškios autoriteto ribos, apibrėžti eskalavimo keliai ir skaidrios sąsajos, kuriose žmonės gali stebėti ir, jei reikia, pakeisti sprendimus.
Tobulinimas yra įprotis, o ne projektas: Agentinio DI kelionė yra iteratyvi. Yra reguliarus ritmas, skirtas agento veiklos peržiūrai, trinties taškų nustatymui ir nuolatiniams koregavimams. Tai skatina nuolatinės optimizacijos kultūrą, o ne sporadinius, projektiniais pagrindais atliekamus patobulinimus.

Be šių pamatinių elementų, įmonės dažnai susiduria su pažįstamu modeliu: įspūdingi koncepcijos įrodymai lieka apriboti laboratorijoje, pilotiniai projektai tyliai pasibaigia, o vadovai nuo klausimų apie ateities potencialą pereina prie dabartinių išlaidų kvestionavimo.

'Agento-formos' darbo identifikavimas: sėkmės pamatas

Daugelis organizacijų pradeda savo agentinio DI kelionę klausdamos: "Kur galime naudoti agentą?" Strategiškesnis ir produktyvesnis klausimas yra: "Kur darbas jau yra struktūrizuotas taip, kad jį galėtų atlikti agentas?" Šis perkadravimas yra esminis norint nustatyti perspektyvius naudojimo atvejus ir išvengti dažnų spąstų.

Praktikoje, iš tiesų "agento-formos" darbas pasižymi keturiomis pagrindinėmis savybėmis:

1. Aiškus pradžia, pabaiga ir tikslas

Agentas turi suprasti visą užduoties gyvavimo ciklą. Nesvarbu, ar tai yra pretenzijos atvykimas, sąskaitos faktūros atsiradimas ar palaikymo bilieto atidarymas, agentas turi atpažinti, kada jis turi pakankamai informacijos, kad galėtų pradėti, kokio konkretaus tikslo siekia ir kada užduotis yra galutinai baigta arba reikalauja perdavimo žmogui. Tai peržengia paprastus paleidimo taškus ir finišo linijas; agentas turi suvokti pagrindinį tikslą, kad galėtų valdyti pagrįstus variantus be aiškių, konkretiems atvejams skirtų nurodymų. Jei jūsų komanda negali suformuluoti, kaip atrodo "gerai atliktas" darbas, įskaitant išimčių valdymą, jis dar nėra pasiruošęs agentui.

2. Sprendimo priėmimas naudojant įvairius įrankius

Skirtingai nei tradicinė automatizacija, kuri seka fiksuotus scenarijus, agentas samprotauja. Jis nustato, kokia informacija yra būtina, sprendžia, kokias sistemas apklausti, interpretuoja gautus duomenis ir pasirenka tinkamą veiksmą, atsižvelgiant į kontekstą. Šis pritaikomumas leidžia agentui valdyti variacijas ir nustatyti situacijas, viršijančias jo kompetenciją. Svarbiausia, agentai veikia per įrankius. Jūsų esamos sistemos turi teikti gerai apibrėžtas, saugias ir patikimas sąsajas (API), kurias agentai gali kviesti, kad nuskaitytų duomenis, rašytų atnaujinimus, suaktyvintų operacijas ar siųstų pranešimus. Jei dabartiniai procesai apima žmones, kurie samprotauja daugiausia per el. paštą ir skaičiuokles, prieš tai, kai agentinio DI sprendimas taps perspektyvus, reikalingas reikšmingas procesų projektavimas ir įrankių kūrimas. Norėdami gauti daugiau įžvalgų apie tai, kaip agentai sąveikauja su įrankiais, apsvarstykite galimybę išnagrinėti GitHub Agentic Workflows.

3. Stebima ir pamatuojama sėkmė

Sėkmė su agentiniu DI turi būti kiekybiškai įvertinama ir skaidri. Kiekvienas, net ir už artimiausios komandos ribų, turėtų gebėti įvertinti agento rezultatus ir nustatyti, ar jie yra teisingi, ar reikalauja koregavimo, be poreikio "skaityti jo mintis". Tai gali apimti bilietų išsprendimo laiku, formos užpildymo, operacijos balanso ar klientų atsakymų kokybės patikrinimą. Tačiau stebimumas apima ne tik paprastą rezultatų patikrinimą. Jums reikalingas agento samprotavimų matomumas: kokius duomenis jis naudojo, kokius įrankius jis pasitelkė, kokias galimybes jis svarstė ir kodėl pasirinko konkretų kelią. Be šios įžvalgos apie agento samprotavimus, agento tobulinimas tampa neįmanomas, o jo sprendimų gynimas, kai kyla problemų, yra nepagrįstas.

4. Saugusis režimas, kai viskas klostosi ne taip

Geriausi pradiniai agentinio DI kandidatai yra užduotys, kuriose klaidos lengvai pastebimos, pigiai ištaisomos ir neveda prie negrįžtamos žalos. Jei agentas neteisingai klasifikuoja palaikymo bilietą, jis gali būti nukreiptas iš naujo. Jei jis parengia neteisingą atsakymą, žmogus gali jį redaguoti prieš išsiųsdamas. Tačiau, jei agentas autonomiškai patvirtina mokėjimą, įvykdo finansinį sandorį ar siunčia teisiškai įpareigojantį pranešimą, neteisingo veiksmo kaina dramatiškai išauga.

Prioritetą teikite užduotims, kuriose veiksmai yra grįžtami arba kuriose agento rezultatai yra rekomendacija, pagal kurią galiausiai veikia žmogus. Augant pasitikėjimui, kontrolei ir vertinimo procesams, jūs įgyjate teisę diegti agentus didesnės rizikos darbuose, kur jie patys užbaigia procesus. Šis iteratyvus diegimo metodas didina pasitikėjimą ir leidžia kurti tvirtas sistemas.

Žemiau pateikta lentelė apibendrina šias kritines 'agento-formos' darbo identifikavimo savybes:

Savybė	Aprašymas	Kodėl tai svarbu agentiniam DI
Aiškus pradžia, pabaiga, tikslas	Užduotis turi aiškią pradžią, apibrėžtą tikslą ir pamatuojamą pabaigą. Agentas supranta ketinimus ir gali valdyti pagrįstus variantus be aiškių, konkretiems atvejams skirtų nurodymų.	Užtikrina, kad agentas žinotų, kada pradėti, kokio tikslo siekti ir kada užduotis yra baigta arba ją reikia eskaluoti. Apsaugo nuo dviprasmybių ir masto viršijimo.
Sprendimo priėmimas naudojant įvairius įrankius	Agentas gali samprotauti apie informacijos poreikius, nuspręsti, kokias sistemas/įrankius naudoti, interpretuoti rezultatus ir nustatyti tinkamą veiksmą, atsižvelgdamas į kontekstą, pritaikydamas savo požiūrį, o ne sekdamas fiksuotą scenarijų.	Leidžia dinamiškai spręsti problemas ir prisitaikyti prie variacijų. Reikalingos gerai apibrėžtos, saugios sąsajos esamoms sistemoms, kad jos galėtų sąveikauti su agentu.
Stebima ir pamatuojama	Sėkmės metrikos yra aiškios ir kiekybiškai įvertinamos. Bet kas gali objektyviai įvertinti agento rezultatus. Yra prieinamas skaidrumas agento samprotavimams (naudoti duomenys, iškviesti įrankiai, priimti sprendimai).	Leidžia įvertinti veiklos rezultatus, nustatyti trinties taškus ir nuolat tobulėti. Suteikia pagrindą agento sprendimų gynimui ir pasitikėjimo kūrimui.
Saugusis režimas klaidoms	Klaidos lengvai pastebimos, pigiai ištaisomos ir neveda prie negrįžtamos žalos. Idealūs ankstyvieji kandidatai apima grįžtamus veiksmus arba žmogaus priežiūrą prieš galutinį vykdymą.	Sumažina riziką pradinio diegimo metu, didina suinteresuotųjų šalių pasitikėjimą ir leidžia iteratyviai mokytis bei tobulinti agentą ir jo kontrolę prieš pradedant didelės rizikos, autonomines operacijas. Prisideda prie stiprios įmonės privatumo ir saugumo pozicijos.

Strateginis diegimas: pasitikėjimo užsitikrinimas ir poveikio didinimas

Kai šios keturios sudedamosios dalys yra, turite tvirtą kandidatą agentinio DI sprendimui. Kai jų trūksta, pokalbiai dažnai perauga į neaiškius terminus, tokius kaip "asistentas", "kopilotas" ar "automatizavimas", kurie skirtingiems suinteresuotiesiems asmenims reiškia skirtingus dalykus, sukeliant sumaištį ir sustojusią pažangą. Kelias nuo DI agento koncepcijos iki sėkmingo, plataus masto diegimo iš esmės yra apie pasitikėjimo užsitikrinimą, demonstruojant nuoseklią, pamatuojamą vertę.

Tam reikalingas strateginis požiūris: pradėti nuo mažo, kruopščiai patikrinti ir sąmoningai plėsti. Sutelkdamos dėmesį į užduotis su įgimtais "saugiaisiais režimais", organizacijos gali mokytis, prisitaikyti ir kurti reikalingas valdymo struktūras, nepatirdamos per didelės rizikos. Kai agento našumas ir patikimumas įrodomas mažesnės rizikos aplinkose, organizacija gali palaipsniui plėsti jo autonomiją ir imtis sudėtingesnių, didesnį poveikį turinčių darbo eigų.

Kelias į priekį: veiksmingi žingsniai įmonių lyderiams

Pirmosios dalies aprašyti modeliai nėra teoriniai; jie pasireiškia visų dydžių organizacijose, visose pramonės šakose. Džiugina tai, kad atotrūkis tarp dabartinės ir pageidaujamos būsenos nėra visų pirma technologinis trūkumas. Tai vykdymo atotrūkis, o vykdymo atotrūkiai iš esmės yra išsprendžiami.

Štai trys neatidėliotini veiksmai, kuriuos galite atlikti, kad efektyviai pradėtumėte operacionalizuoti agentinį DI:

Įvardykite darbą, o ne norą: Nustatykite vieną darbo eigą savo organizacijoje, kuri turi aiškią pradžią, apibrėžtą pabaigą ir nedviprasmišką, pamatuojamą "atlikto" darbo apibrėžimą. Tai taps jūsų pagrindiniu kandidatu agentinio DI pilotiniam projektui. Sutelkite dėmesį į tikslų darbo eigos suformulavimą, o ne į neaiškius siekius.
Užduokite sunkų klausimą: Kitame lyderystės susitikime pakeiskite pokalbį. Užuot klausę "Ar pakankamai investuojame į DI?", iššūkį komandai pateikite klausimu: "Kokios konkrečios darbo eigos šiandien yra žymiai geresnės dėl DI agentų, ir kaip mes tai žinome?" Atsiradusi tyla dažnai atskleis kritines strateginio dėmesio sritis ir esamus operacionalizavimo bei matavimo trūkumus.
Pirmiausia pradėkite nuo darbo aprašymo: Prieš svarstydami bet kokią technologiją ar tiekėją, suformuluokite agento "darbo aprašymą". Tiksliai aprašykite, ką agentas darytų, kokius įrankius jam reikėtų naudoti, kaip atrodo sėkmingas vykdymas ir, svarbiausia, kas nutinka, kai jis susiduria su gedimu ar veikia už savo ribų. Jei negalite išsamiai užpildyti šio puslapio, jūsų organizacija dar nėra pasirengusi sėkmingam diegimui. Šis pagrindinis darbas užtikrina suderinamumą ir aiškumą nuo pat pradžių.

Prisijungdamos prie šių principų, įmonės gali žengti toliau nei pilotiniai projektai ir koncepcijos įrodymai, iš tikrųjų operacionalizuodamos agentinį DI, kad užtikrintų dokumentuotą produktyvumo padidėjimą ir strateginį pranašumą. Kelionė link iš tiesų intelektualios įmonės prasideda nuo kruopštaus planavimo, aiškaus vykdymo ir įsipareigojimo nuolatiniam tobulėjimui.

Agentinio DI operacionalizavimas: suinteresuotųjų šalių gidas