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.

Vận hành AI Tác nhân (Agentic AI): Từ tiềm năng đến hiệu suất trong doanh nghiệp

Tiềm năng của AI Tác nhân (Agentic AI) mang tính biến đổi, mang lại hiệu quả và khả năng tự động hóa chưa từng có, có thể định nghĩa lại cách các doanh nghiệp hoạt động. Tuy nhiên, nhiều tổ chức thấy mình đang vật lộn với các dự án thí điểm bị đình trệ, không thể chuyển đổi từ các nguyên mẫu đầy hứa hẹn thành tác động thực tế, có thể đo lường được. Thách thức, như các chuyên gia tại Trung tâm Đổi mới AI Tạo sinh của AWS đã quan sát, không phải là thiếu các mô hình nền tảng hay các nhà cung cấp tiên tiến, mà là một lỗi cơ bản trong việc vận hành. AI Tác nhân không phải là một tính năng bạn chỉ cần 'bật lên'; nó đòi hỏi một sự thay đổi sâu sắc trong cách công việc được định nghĩa, thực hiện và quản trị.

Bài viết này, phần đầu tiên trong chuỗi hai phần, đi sâu vào lý do tại sao khoảng cách giá trị thực sự trong việc áp dụng AI tác nhân chủ yếu là một vấn đề thực thi. Chúng ta sẽ khám phá các yếu tố quan trọng phân biệt các triển khai thành công với các dự án bị đình trệ và cung cấp hướng dẫn cho các bên liên quan để xác định công việc thực sự "phù hợp với tác nhân". Phần II sẽ đi sâu hơn, nói trực tiếp với các giám đốc điều hành cấp cao (C-suite) và chủ doanh nghiệp về trách nhiệm cụ thể của họ trong kỷ nguyên mới này.

Thu hẹp khoảng cách giá trị AI doanh nghiệp: Hơn cả công nghệ

Trong các phòng họp điều hành, câu hỏi "Chúng ta có đang đầu tư đủ vào AI không?" thường nhận được câu trả lời 'có' vang dội. Tuy nhiên, câu hỏi tiếp theo, "Những quy trình làm việc cụ thể nào đã tốt hơn đáng kể ngày nay nhờ các tác nhân AI, và làm thế nào chúng ta biết điều đó?", thường chỉ gặp sự im lặng. Sự tương phản rõ rệt này làm nổi bật một khoảng cách thực thi quan trọng, chứ không phải khoảng cách về công nghệ. Điều nằm giữa hai câu trả lời này không phải là một mô hình ngôn ngữ lớn bị thiếu hay một nhà cung cấp chuyên biệt; đó là một mô hình vận hành bị thiếu.

Các tổ chức triển khai AI tác nhân thành công – biến nó từ một khái niệm đầy tham vọng thành một tài sản hữu hình, tạo ra giá trị – chia sẻ ba sự thật chung:

Công việc được định nghĩa chi tiết đến từng ngóc ngách: Thành công phụ thuộc vào sự rõ ràng tỉ mỉ. Các nhóm phải trình bày chính xác những gì cấu thành đầu vào, quy trình và định nghĩa của "hoàn thành". Điều này bao gồm việc dự đoán và chi tiết cách xử lý các trường hợp ngoại lệ và lỗi.
Quyền tự chủ có giới hạn: Các tác nhân AI phát triển mạnh trong các giới hạn rõ ràng. Chúng được giao các giới hạn quyền hạn rõ ràng, các lộ trình leo thang được xác định và các giao diện minh bạch nơi con người có thể giám sát và, nếu cần, ghi đè các quyết định.
Cải tiến là thói quen, không phải dự án: Hành trình của AI tác nhân là một quá trình lặp đi lặp lại. Có một chu kỳ thường xuyên để xem xét hiệu suất của tác nhân, xác định các điểm cản trở và thực hiện các điều chỉnh liên tục. Điều này thúc đẩy một văn hóa tối ưu hóa liên tục thay vì cải tiến ngắt quãng, dựa trên dự án.

Nếu không có những yếu tố nền tảng này, các doanh nghiệp thường gặp phải một mô hình quen thuộc: các bằng chứng khái niệm (proof of concept) ấn tượng nhưng vẫn bị giới hạn trong phòng thí nghiệm, các dự án thí điểm (pilot) lặng lẽ kết thúc, và các nhà lãnh đạo chuyển từ việc hỏi về tiềm năng tương lai sang đặt câu hỏi về các khoản chi tiêu hiện tại.

Xác định công việc 'phù hợp với tác nhân': Nền tảng cho thành công

Nhiều tổ chức bắt đầu hành trình AI tác nhân của mình bằng câu hỏi, "Chúng ta có thể sử dụng tác nhân ở đâu?" Một câu hỏi chiến lược và hiệu quả hơn là, "Công việc nào đã được cấu trúc giống như một công việc mà tác nhân có thể thực hiện?" Việc thay đổi cách đặt câu hỏi này là rất quan trọng để xác định các trường hợp sử dụng khả thi và tránh những cạm bẫy phổ biến.

Trong thực tế, công việc thực sự "phù hợp với tác nhân" sở hữu bốn đặc điểm chính:

1. Khởi đầu, Kết thúc và Mục đích rõ ràng

Một tác nhân cần hiểu toàn bộ vòng đời của một nhiệm vụ. Cho dù đó là một yêu cầu bồi thường đến, một hóa đơn xuất hiện, hay một phiếu hỗ trợ được mở, tác nhân phải nhận ra khi nào nó có đủ thông tin để bắt đầu, mục tiêu cụ thể nào nó đang hướng tới và khi nào nhiệm vụ đã hoàn thành dứt khoát hoặc cần chuyển giao cho con người. Điều này vượt xa các bộ kích hoạt và vạch đích đơn thuần; tác nhân phải nắm bắt ý định cơ bản để xử lý các biến thể hợp lý mà không cần hướng dẫn rõ ràng, theo từng trường hợp. Nếu nhóm của bạn không thể diễn đạt được 'hoàn thành tốt' trông như thế nào đối với một nhiệm vụ, bao gồm cả việc quản lý các trường hợp ngoại lệ, thì nó chưa sẵn sàng cho một tác nhân.

2. Khả năng phán đoán trên nhiều công cụ

Không giống như tự động hóa truyền thống tuân theo các kịch bản cố định, một tác nhân suy luận. Nó xác định thông tin cần thiết, quyết định hệ thống nào để truy vấn, diễn giải dữ liệu đã truy xuất và chọn hành động thích hợp dựa trên ngữ cảnh. Khả năng thích ứng này cho phép tác nhân xử lý các biến thể và xác định các tình huống vượt quá khả năng của nó. Quan trọng là, các tác nhân hoạt động thông qua các công cụ. Các hệ thống hiện có của bạn phải cung cấp các giao diện (API) được định nghĩa rõ ràng, bảo mật và đáng tin cậy mà các tác nhân có thể gọi để đọc dữ liệu, ghi cập nhật, kích hoạt giao dịch hoặc gửi thông tin liên lạc. Nếu các quy trình hiện tại liên quan đến con người suy luận chủ yếu thông qua email và bảng tính, thì công việc thiết kế quy trình và công cụ đáng kể là cần thiết trước khi một giải pháp AI tác nhân trở nên khả thi. Để biết thêm thông tin chi tiết về cách các tác nhân tương tác với các công cụ, hãy cân nhắc khám phá Quy trình làm việc tác nhân của GitHub.

3. Thành công có thể quan sát và đo lường được

Thành công với AI tác nhân phải có thể định lượng và minh bạch. Bất kỳ ai, ngay cả bên ngoài nhóm trực tiếp, đều có thể đánh giá đầu ra của tác nhân và xác định xem nó có đúng hay cần điều chỉnh, mà không cần phải "đọc suy nghĩ của nó". Điều này có thể bao gồm việc xác minh việc giải quyết yêu cầu đúng hạn, hoàn chỉnh biểu mẫu, số dư giao dịch hoặc chất lượng phản hồi khách hàng. Tuy nhiên, khả năng quan sát mở rộng ra ngoài việc xác minh đầu ra đơn thuần. Bạn cần có cái nhìn sâu sắc về lý do của tác nhân: dữ liệu nào nó đã sử dụng, công cụ nào nó đã gọi, các tùy chọn nó đã xem xét và tại sao nó chọn một đường dẫn cụ thể. Nếu không có khả năng đánh giá lý do này, việc cải thiện tác nhân trở nên bất khả thi và việc bảo vệ các quyết định của nó khi có vấn đề phát sinh là không thể chấp nhận được.

4. Chế độ an toàn khi có sự cố

Các ứng cử viên ban đầu tốt nhất cho AI tác nhân là các nhiệm vụ mà lỗi dễ dàng bị phát hiện, chi phí sửa chữa thấp và không dẫn đến thiệt hại không thể đảo ngược. Nếu một tác nhân phân loại sai một phiếu hỗ trợ, nó có thể được định tuyến lại. Nếu nó soạn thảo một phản hồi không chính xác, một con người có thể chỉnh sửa trước khi gửi. Tuy nhiên, nếu một tác nhân tự động phê duyệt một khoản thanh toán, thực hiện một giao dịch tài chính hoặc gửi một thông báo ràng buộc về mặt pháp lý, chi phí của việc sai sót sẽ tăng lên đáng kể.

Ưu tiên các nhiệm vụ mà hành động có thể đảo ngược hoặc nơi đầu ra của tác nhân là một khuyến nghị mà con người cuối cùng sẽ thực hiện. Khi niềm tin, kiểm soát và quy trình đánh giá trưởng thành, bạn có quyền triển khai các tác nhân vào các công việc có rủi ro cao hơn, nơi chúng tự động đóng vòng lặp, tự tin vào độ tin cậy và an toàn của chúng. Cách tiếp cận triển khai lặp đi lặp lại này xây dựng sự tự tin và cho phép phát triển hệ thống mạnh mẽ.

Bảng sau đây tóm tắt các đặc điểm quan trọng này để xác định công việc phù hợp với tác nhân:

Đặc điểm	Mô tả	Tại sao nó quan trọng đối với AI Tác nhân
Khởi đầu, Kết thúc, Mục đích rõ ràng	Nhiệm vụ có một khởi đầu riêng biệt, một mục tiêu được xác định và một kết luận có thể đo lường được. Tác nhân hiểu được ý định và có thể xử lý các biến thể hợp lý mà không cần hướng dẫn rõ ràng theo từng trường hợp.	Đảm bảo tác nhân biết khi nào bắt đầu, mục tiêu nào cần đạt được và khi nào nhiệm vụ hoàn thành hoặc cần được chuyển giao. Ngăn chặn sự mơ hồ và việc mở rộng phạm vi.
Khả năng phán đoán trên nhiều công cụ	Tác nhân có thể suy luận về các nhu cầu thông tin, quyết định hệ thống/công cụ nào để sử dụng, diễn giải các phát hiện và xác định hành động đúng dựa trên ngữ cảnh, điều chỉnh cách tiếp cận của nó thay vì tuân theo một kịch bản cố định.	Cho phép giải quyết vấn đề động và khả năng thích ứng với các biến thể. Yêu cầu các giao diện được định nghĩa rõ ràng, bảo mật cho các hệ thống hiện có để tương tác với tác nhân.
Có thể quan sát & Đo lường	Các chỉ số thành công rõ ràng và có thể định lượng. Bất kỳ ai cũng có thể đánh giá khách quan đầu ra của tác nhân. Tính minh bạch về lý do của tác nhân (dữ liệu đã sử dụng, công cụ đã gọi, quyết định đã đưa ra) có sẵn.	Cho phép đánh giá hiệu suất, xác định các điểm cản trở và cải tiến liên tục. Cung cấp cơ sở để bảo vệ các quyết định của tác nhân và xây dựng niềm tin.
Chế độ an toàn khi có lỗi	Các lỗi dễ dàng bị phát hiện, chi phí sửa chữa thấp và không dẫn đến thiệt hại không thể đảo ngược. Các ứng cử viên ban đầu lý tưởng bao gồm các hành động có thể đảo ngược hoặc sự giám sát của con người trước khi thực hiện cuối cùng.	Giảm thiểu rủi ro trong quá trình triển khai ban đầu, xây dựng niềm tin của các bên liên quan và cho phép học hỏi lặp đi lặp lại cũng như tinh chỉnh tác nhân và các biện pháp kiểm soát của nó trước khi giải quyết các hoạt động tự động, có rủi ro cao. Đóng góp vào một tư thế bảo mật và quyền riêng tư doanh nghiệp mạnh mẽ.

Triển khai chiến lược: Xây dựng niềm tin và mở rộng tác động

Khi bốn yếu tố này hiện diện, bạn có một ứng cử viên vững chắc cho một giải pháp AI tác nhân. Khi chúng vắng mặt, các cuộc trò chuyện thường chuyển sang những nhãn mác mơ hồ như 'trợ lý', 'phi công phụ' hoặc 'tự động hóa', vốn có ý nghĩa khác nhau đối với các bên liên quan khác nhau, dẫn đến sự nhầm lẫn và tiến độ bị đình trệ. Hành trình từ việc khái niệm hóa một tác nhân AI đến việc triển khai thành công, rộng rãi của nó về cơ bản là về việc xây dựng niềm tin thông qua việc chứng minh giá trị nhất quán, có thể đo lường được.

Điều này đòi hỏi một cách tiếp cận chiến lược: bắt đầu nhỏ, xác thực kỹ lưỡng và mở rộng một cách có chủ đích. Bằng cách tập trung vào các nhiệm vụ có "chế độ an toàn" vốn có, các tổ chức có thể học hỏi, thích ứng và xây dựng các cấu trúc quản trị cần thiết mà không phải đối mặt với rủi ro không đáng có. Khi hiệu suất và độ tin cậy của một tác nhân được chứng minh trong các môi trường ít rủi ro hơn, tổ chức có thể dần mở rộng quyền tự chủ của nó và giải quyết các quy trình làm việc phức tạp hơn, có tác động lớn hơn.

Con đường phía trước: Các bước hành động cho các nhà lãnh đạo doanh nghiệp

Các mô hình được mô tả trong Phần I không mang tính lý thuyết; chúng biểu hiện trong các tổ chức thuộc mọi quy mô, trên mọi ngành. Tin đáng mừng là khoảng cách giữa trạng thái hiện tại và trạng thái mong muốn không phải là sự thiếu hụt công nghệ. Đó là một khoảng cách thực thi, và khoảng cách thực thi về bản chất là có thể giải quyết được.

Dưới đây là ba hành động tức thì bạn có thể thực hiện để bắt đầu vận hành AI tác nhân một cách hiệu quả:

Đặt tên cho công việc, không phải mong muốn: Xác định một quy trình làm việc trong tổ chức của bạn có khởi đầu rõ ràng, kết thúc dứt khoát và định nghĩa 'hoàn thành' không mơ hồ, có thể đo lường được. Điều này sẽ trở thành ứng cử viên hàng đầu cho dự án thí điểm AI tác nhân của bạn. Tập trung vào việc trình bày quy trình làm việc chính xác hơn là những khát vọng mơ hồ.
Đặt câu hỏi khó trong phòng họp: Trong cuộc họp lãnh đạo tiếp theo của bạn, hãy thay đổi cuộc trò chuyện. Thay vì hỏi, "Chúng ta có đang đầu tư đủ vào AI không?", hãy thách thức nhóm bằng câu hỏi, "Những quy trình làm việc cụ thể nào đã tốt hơn đáng kể ngày nay nhờ các tác nhân AI, và làm thế nào chúng ta biết điều đó?" Sự im lặng sau đó thường sẽ làm nổi bật các lĩnh vực quan trọng cần tập trung chiến lược và phơi bày những khoảng trống hiện có trong việc vận hành và đo lường.
Bắt đầu với bản mô tả công việc trước: Trước khi xem xét bất kỳ công nghệ hoặc nhà cung cấp nào, hãy trình bày "bản mô tả công việc" của tác nhân. Chi tiết chính xác những gì tác nhân sẽ làm, các công cụ nó cần tương tác, việc thực hiện thành công trông như thế nào và quan trọng nhất, điều gì xảy ra khi nó gặp thất bại hoặc hoạt động ngoài giới hạn của mình. Nếu bạn không thể điền đầy đủ trang này, tổ chức của bạn chưa sẵn sàng cho một triển khai thành công. Công việc nền tảng này đảm bảo sự đồng thuận và rõ ràng ngay từ đầu.

Bằng cách áp dụng các nguyên tắc này, các doanh nghiệp có thể vượt qua các dự án thí điểm và bằng chứng khái niệm, thực sự vận hành AI tác nhân để mang lại những lợi ích về năng suất đã được ghi nhận và lợi thế chiến lược. Hành trình hướng tới một doanh nghiệp thực sự thông minh bắt đầu bằng việc lập kế hoạch tỉ mỉ, thực hiện rõ ràng và cam kết cải tiến liên tục.

Vận hành AI Tác nhân (Agentic AI): Hướng dẫn cho các bên liên quan