Pievienojieties pasākumam, kuru uzņēmuma vadītāji uzticas gandrīz divas desmitgades. VB Rework apvieno cilvēkus, kas veido reālu uzņēmumu AI stratēģiju. Uzziniet vairāk
Uzņēmumi steidz AI aģentus ražošanā – un daudzi no tiem neizdosies. Wager iemeslam nav nekā kopīga ar viņu AI modeļiem.
Otrajā dienā no VB transformācija 2025nozares vadītāji dalījās ar izcilām mācībām, izvietojot AI aģentus mērogā. Panelis, kuru vada Joanne Chen, ģenerāle Fonda kapitāls, iekļauts Shawn Malhotra, CTO plkst Raķešu kompānijaskas izmanto aģentus visā mājas īpašumtiesību ceļojumā no hipotēku parakstīšanas līdz klientu tērzēšanai; Shailesh Nalawadi, produktu vadītājs plkst Sendbirdkas veido aģentu klientu apkalpošanas pieredzi uzņēmumiem vairākās vertikālēs; un thys waanders, AI transformācijas SVP plkst Izredzētskura platforma automatizē klientu pieredzi lieliem uzņēmumu kontaktu centriem.
Viņu kopīgais atklājums: uzņēmumi, kas vispirms veido novērtēšanas un orķestrācijas infrastruktūru, ir veiksmīgi, savukārt tie, kas steidzas uz ražošanu ar jaudīgiem modeļiem, neizdodas mērogā.
>> Skatiet visu mūsu transformācijas 2025 pārklājumu šeit <<ROI realitāte: ārpus vienkāršas izmaksu samazināšanas
Galvenā inženierzinātņu AI aģenta sastāvdaļa, lai panāktu panākumus, ir izpratne par ieguldījumu atdevi (ROI). Agrīnā AI aģenta izvietošana koncentrējās uz izmaksu samazināšanu. Lai gan tas joprojām ir galvenā sastāvdaļa, uzņēmuma vadītāji tagad ziņo par sarežģītākiem IA modeļiem, kas prasa dažādas tehniskās arhitektūras.
Izmaksu samazināšana uzvar
Malhotra dalījās ar visdramatiskāko izmaksu piemēru no raķešu uzņēmumiem. “Mums bija inženieris [who] Aptuveni divu darba dienu laikā spēja izveidot vienkāršu aģentu, lai apstrādātu ļoti nišas problēmu ar nosaukumu “Pārskaitījuma nodokļa aprēķini” procesa hipotēku parakstīšanas daļā. Un ka divas dienas pūles mums ietaupīja miljonu dolāru gadā, ”viņš sacīja.
Knighigy Waanders atzīmēja, ka izmaksas par zvanu ir galvenā metrika. Viņš sacīja, ka, ja AI aģenti tiek izmantoti šo zvanu daļu automatizēšanai, ir iespējams samazināt vidējo pārkraušanas laiku uz vienu zvanu.
Ieņēmumu gūšanas metodes
Glābšana ir viena lieta; Vēl viena ieņēmumu gūšana ir vēl viena. Malhotra ziņoja, ka viņa komanda ir redzējusi reklāmguvumu uzlabojumus: tā kā klienti saņem atbildes uz saviem jautājumiem ātrāk un viņiem ir laba pieredze, viņi pārvēršas par augstāku likmi.
Proaktīvas ieņēmumu iespējas
Nalawadi uzsvēra pilnīgi jaunas ieņēmumu iespējas, izmantojot proaktīvu Outreach. Viņa komanda ļauj veikt proaktīvu klientu apkalpošanu, sazinoties ar klientiem, pat saprotot, ka viņiem ir problēma.
Pārtikas piegādes piemērs to ilustrē perfekti. “Viņi jau zina, kad pasūtījums kavēsies, un tā vietā, lai gaidītu, kad klients sajukums un piezvanīs viņiem, viņi saprot, ka ir iespēja to apstāties,” viņš teica.
Kāpēc AI aģenti pārtrauc ražošanu
Lai gan uzņēmumiem ir stabilas IA iespējas, kas izvieto aģentu AI, ražošanas izvietošanā ir arī daži izaicinājumi.
Nalawadi identificēja galveno tehnisko neveiksmi: uzņēmumi veido AI aģentus bez novērtēšanas infrastruktūras.
“Pirms jūs pat sākat to veidot, jums vajadzētu būt ieviestai novērtēšanas infrastruktūrai,” sacīja Nalawadi. “Mēs visi kādreiz bijām programmatūras inženieri. Neviens neizvieto ražošanā, neveicot vienības testus. Un es domāju, ka ļoti vienkāršots domāšanas veids par novērtējumu ir tas, ka tas ir jūsu AI aģenta sistēmas vienības pārbaude.”
Tradicionālās programmatūras pārbaudes pieejas nedarbojas AI aģentiem. Viņš atzīmēja, ka vienkārši nav iespējams paredzēt visu iespējamo ieguldījumu vai rakstīt visaptverošus testa gadījumus dabiskās valodas mijiedarbībai. Nalawadi komanda to uzzināja, izmantojot klientu apkalpošanas izvietošanu mazumtirdzniecības, pārtikas piegādes un finanšu pakalpojumos. Standarta kvalitātes nodrošināšanas pieejas nokavēja malu gadījumus, kas parādījās ražošanā.
AI pārbaude AI: jaunā kvalitātes nodrošināšanas paradigma
Ņemot vērā AI pārbaudes sarežģītību, kas būtu jādara organizācijām? Waanders testēšanas problēmu atrisināja simulācijas laikā.
“Mums ir tāda funkcija, kuru mēs drīz izlaižam, un tas ir par iespējamo sarunu imitēšanu,” skaidroja Waanders. “Tātad tas būtībā ir AI aģenti, kas pārbauda AI aģentus.”
Pārbaude nav tikai sarunu kvalitātes pārbaude, tā ir uzvedības analīze mērogā. Vai tas var palīdzēt saprast, kā aģents reaģē uz dusmīgiem klientiem? Kā tas rīkojas ar vairākām valodām? Kas notiek, kad klienti izmanto slengu?
“Lielākais izaicinājums ir tas, ka jūs nezināt to, ko nezināt,” sacīja Waanders. “Kā tas reaģē uz jebko, ko kāds varētu nākt klajā? Jūs to uzzinājāt tikai, imitējot sarunas, patiešām virzot to zem tūkstošiem dažādu scenāriju.”
Pieeja pārbauda demogrāfiskās variācijas, emocionālos stāvokļus un malu gadījumus, kurus cilvēku QA komandas nevar aptvert visaptveroši.
Gaidāmais sarežģītības sprādziens
Pašreizējie AI aģenti patstāvīgi apstrādā atsevišķus uzdevumus. Uzņēmējdarbības vadītājiem jāsagatavojas atšķirīgai realitātei: simtiem aģentu katrā organizācijā, kas mācās viens no otra.
Ietekme uz infrastruktūru ir milzīga. Kad aģenti koplieto datus un sadarbojas, kļūmes režīmi reizinās eksponenciāli. Tradicionālās uzraudzības sistēmas nevar izsekot šīm mijiedarbībām.
Uzņēmumiem tagad ir arhitekte par šo sarežģītību. Vairāku aģentu sistēmu infrastruktūras modernizēšana ievērojami ievērojami vairāk nekā pareizi veidojot to no paša sākuma.
“Ja jūs ātri uz priekšu, kas teorētiski iespējams, organizācijā varētu būt simtiem, un, iespējams, viņi mācās viens no otra,” sacīja Čens. “To lietu skaits, kas varētu notikt, tikai eksplodē. Sarežģītība eksplodē.”
avots
