شکاف ۸.۳ برابری در استفاده: پذیرش ایجنت‌های سازمانی یک مسئله تناسب با گردش کار است، نه یک مسئله مجوزدهی
پذیرش هوش مصنوعی در سازمان اغلب با تعداد مجوزهای صادرشده سنجیده می‌شود. اما گزارش‌ها از شکاف ۸.۳ برابری بین مجوزها و استفاده فعال از ایجنت‌ها نشان می‌دهد که مشکلی عمیق‌تر وجود دارد. این نه یک شکست در تدارکات است و نه شکست در آموزش؛ بلکه شاهدی است بر اینکه گردش‌کارهای ایجنت حول چارت سازمانی طراحی می‌شوند، نه حول توالی تصمیماتی که یک وظیفه واقعاً نیاز دارد.
این شکاف در واقع چه چیزی را می‌سنجد
تعداد مجوزها قصد برای پذیرش را می‌سنجد. تعداد استفاده می‌سنجد که آیا ایجنت در مسیر تصمیم موجود جای می‌گیرد بدون اینکه انسان را مجبور به بازساختاردهی کارش کند. شکافی با این اندازه نشان می‌دهد که بیشتر ایجنت‌های مستقر شده در کنار گردش کار قرار دارند، نه درون آن. آن‌ها نیازمند آن هستند که یک انسان بین خروجی ایجنت و سیستم ثبت‌کننده ترجمه انجام دهد. این الگو در صنایع مختلف تکرار می‌شود: هتل‌ها، پردازش وام مسکن، و امور مالی همگی پذیرش بدون آمادگی را گزارش می‌کنند.
سازوکار ساده است: وقتی ایجنت به لبه یک فرایند پیچ می‌شود، مصنوعاتی تولید می‌کند که انسان‌ها باید کپی، جای‌گذاری یا دوباره وارد کنند. این مرحله ترجمه، اصطکاک است. اصطکاک استفاده را کاهش می‌دهد. ایجنت به یک دمو تبدیل می‌شود که به بازدیدکنندگان نشان داده می‌شود اما هرگز به آن اتکا نمی‌شود.
تناسب با گردش کار به‌عنوان محدودیت طراحی
تناسب با گردش کار میزانی است که یک ایجنت یک گام مشخص در توالی تصمیم را اشغال می‌کند بدون برهم زدن گردش کار انسانی اطراف. برای دستیابی به تناسب، ابتدا توالی تصمیم را نقشه‌برداری کنید: چه کسی تصمیم می‌گیرد، بر چه شواهدی، با چه مهلتی. سپس ایجنت را در یک گام مشخص قرار دهید، نه در مرز سیستم.
ایجنت‌هایی که کل یک نقش را جایگزین می‌کنند شکست می‌خورند. ایجنت‌هایی که مالک یک تصمیم درون یک نقش هستند موفق می‌شوند زیرا گردش کار انسانی اطراف دست‌نخورده می‌ماند. برای مثال، ایجنتی که بر اساس اسناد درآمد و سابقه اعتباری پیشنهاد پیش‌تأیید وام مسکن را تهیه می‌کند، می‌تواند موفق شود اگر آن پیشنهاد را در سیستم مبدأ وام بنویسد جایی که یک کارشناس پذیرش انسانی از قبل چنین مواردی را بررسی می‌کند. گردش کار کارشناس پذیرش ثابت می‌ماند؛ ایجنت صرفاً یک ورودی ساختاریافته اضافه می‌کند.
سطح یکپارچه‌سازی مهم‌تر از کیفیت مدل است. ایجنتی که نمی‌تواند در سیستم ثبت‌کننده بنویسد، یک بار استفاده و سپس رها می‌شود. کیفیت مدل بر دقت تصمیم اثر می‌گذارد، اما یکپارچه‌سازی تعیین می‌کند که آیا تصمیم وارد فرایند واقعی می‌شود یا نه. بدون نوشتن بازگشتی، خروجی ایجنت یتیم است.
چرا معیارهای مجوزدهی گمراه‌کننده‌اند
معیارهای مبتنی بر مجوز، استقرار را بر یکپارچه‌سازی پاداش می‌دهند. آن‌ها می‌شمارند چند نفر دسترسی دارند، نه چند تصمیم بهبود یافته است. بنابراین، همیشه پذیرشی را نشان می‌دهند که استفاده آن را تأیید نمی‌کند. معیار مفید، تعداد تصمیمات در هفته است که توسط ایجنت بدون بازکاری انسانی انجام می‌شود، نه تعداد مجوزهای فعال‌شده.
ابزارگذاری این معیار نیازمند ردیابی اجرای ایجنت تا نتایج پایین‌دستی است. بیشتر پشته‌های سازمانی این کار را نمی‌کنند. آن‌ها فراخوانی‌های ایجنت را ثبت می‌کنند اما نه اینکه آیا خروجی پذیرفته، اصلاح یا دور انداخته شده است. بدون این ردیابی، سازمان نمی‌تواند بین ایجنتی که استفاده می‌شود و یکی که صرفاً در دسترس است تمایز قائل شود.
یک سازوکار مشخص برای ردیابی: به هر خروجی ایجنت یک شناسه یکتا پیوست کنید و آن را در سیستم ثبت‌کننده منتشر کنید. وقتی یک انسان بر اساس آن خروجی عمل می‌کند، آن عمل به اجرای ایجنت مرتبط می‌شود. این امکان اندازه‌گیری نرخ بازکاری را فراهم می‌کند: نسبت خروجی‌های ایجنت که انسان‌ها قبل از استفاده اصلاح می‌کنند. نرخ بازکاری بالا نشان‌دهنده تناسب ضعیف با گردش کار است.
یک قاعده عملی
قبل از استقرار یک ایجنت، سه چیز را بنویسید: تصمیمی که مالک آن است، شواهدی که نیاز دارد، و سیستمی که در آن می‌نویسد. اگر هر یک از این سه مورد وجود نداشته باشد، ایجنت یک دمو است. این قاعده شفافیت درباره نقش ایجنت را الزامی می‌کند و از اشتباه رایج
اولین یکپارچه‌سازی را به‌عنوان محصول در نظر بگیرید. ایجنتی که زنده می‌ماند آن است که خروجی‌اش در صفی قرار می‌گیرد که کسی از قبل آن را می‌خواند. این یعنی یکپارچه‌سازی با سیستم ثبت‌کننده موجود، نه ایجاد یک داشبورد جدید. نرخ بازکاری را اندازه بگیرید، نه نرخ استفاده را. نرخ بازکاری پایین با استفاده متوسط بهتر از استفاده بالا با بازکاری بالاست.
معاوضه بین سرعت و دوام است. یکپارچه‌سازی عمیق زمان بیشتری برای ساخت می‌برد زیرا نیازمند درک سیستم ثبت‌کننده، APIهای آن و مدل داده‌اش است. اما یکپارچه‌سازی سطحی ایجنت‌هایی تولید می‌کند که پس از چند استفاده اول رها می‌شوند. معاوضه صادقانه این است که نمی‌توانید هم استقرار سریع و هم پذیرش پایدار داشته باشید؛ باید انتخاب کنید کدام مهم‌تر است.
هزینه اشتباه در این کار
ایجنت‌های مستقر شده در کنار گردش کار، فرایندهای سایه تولید می‌کنند. انسان‌ها خروجی‌ها را در سیستم واقعی کپی می‌کنند و تله‌متری ایجنت هرگز تصمیم واقعی را بازتاب نمی‌دهد. این باعث می‌شود شکاف ۸.۳ برابری مانند یک مسئله آموزشی به نظر برسد در حالی که یک مسئله معماری است. راه‌حل غیرجذاب است: ایجنت‌های کمتر، دامنه‌های محدودتر، یکپارچه‌سازی عمیق‌تر.
فرایندهای سایه هزینه واقعی را نیز پنهان می‌کنند. زمان انسانی صرف‌شده برای ترجمه خروجی ایجنت در معیارهای ایجنت ثبت نمی‌شود، بنابراین سازمان ممکن است باور کند ایجنت در حال صرفه‌جویی در زمان است در حالی که در واقع یک گام اضافه می‌کند. با گذشت زمان، این اعتماد به ابتکارات هوش مصنوعی را فرسایش می‌دهد و پذیرش آینده را دشوارتر می‌کند.
راه‌حل معماری نیازمند بازاندیشی در طراحی ایجنت‌هاست. به جای شروع با مدل و پرسیدن اینکه چه کاری می‌تواند انجام دهد، با توالی تصمیم شروع کنید و بپرسید ایجنت کجا می‌تواند ارزش اضافه کند بدون برهم زدن جریان. این اغلب یعنی ایجنت کمتر از آنچه در ابتدا تصور می‌شد انجام می‌دهد، اما آنچه انجام می‌دهد کاملاً یکپارچه است.
نتیجه‌گیری
شکاف ۸.۳ برابری در استفاده یک مسئله مجوزدهی نیست. یک مسئله تناسب با گردش کار است. سازمان‌هایی که این شکاف را می‌بندند، این کار را با طراحی ایجنت‌ها حول توالی تصمیم انجام می‌دهند، نه چارت سازمانی. آن‌ها تصمیمات در هفته بدون بازکاری را اندازه می‌گیرند، نه مجوزهای فعال‌شده را. و یکپارچه‌سازی را به‌عنوان محصول در نظر می‌گیرند، نه یک فکر بعدی.
مسیر پیش رو روشن است: ایجنت‌های کمتر، دامنه‌های محدودتر، یکپارچه‌سازی عمیق‌تر. اینگونه است که شکاف بسته می‌شود.