- Saskaņā ar KAIST pētījumu, aģentūru mākslīgā intelekta sistēmas patērē līdz pat 136.5 reizēm vairāk enerģijas uz vienu vaicājumu nekā tradicionālie tērzēšanas roboti, radot bažas par ilgtspējību.
- Ražošanā aģentūru mākslīgais intelekts ļauj pieņemt lēmumus reāllaikā attiecībā uz krājumu, kvalitātes un darbaspēka pārvaldību, taču tam ir nepieciešama perifērijas skaitļošana un datu integrācija.
- Gartner brīdina, ka personāla vadītājiem ir jāsagatavojas autonomām darbplūsmām, savukārt AWS un partneri izstrādā rīkus biznesa vērtības mērīšanai un aģentūru risinājumu mērogošanai.
- Datu pārvaldība un kultūras pārmaiņas ir kritiski svarīgas: bez tīriem, vienotiem datiem un pārejas no kontroles uz orķestrēšanu aģentūru mākslīgais intelekts riskē palikt tikai koncepcijas pierādījums.
Sarunas par mākslīgo intelektu ir pārgājušas no vienkāršiem tērzēšanas robotiem uz kaut ko daudz ambiciozāku: aģentūru mākslīgā intelekta sistēmām, kas var autonomi plānot, spriest un izpildīt daudzpakāpju uzdevumus . Atšķirībā no tradicionālajiem ģeneratīvajiem modeļiem, kas reaģē uz vienu uzvedni, šie aģenti sadala sarežģītus mērķus, izsauc ārējos rīkus un pielāgo savas darbības reāllaikā. Taču, šai tehnoloģijai pārvietojoties no laboratorijām uz rūpnīcām, birojiem un mākoņplatformām, rodas virkne izaicinājumu, kas sniedzas tālu pāri ierastajam ažiotāžai.
Jaunākie pētījumi un nozares paziņojumi liecina gan par daudzsološu, gan par spiedienu. Sākot ar enerģijas patēriņu, kas varētu konkurēt ar nacionālajiem tīkliem, līdz nepieciešamībai pēc jaunas vadības domāšanas, ceļš uz plaši izplatītu aģentūru mākslīgo intelektu ir bruģēts ar smagiem kompromisiem . Lūk, ko jaunākie pētījumi un ekspertu atziņas atklāj par to, kurp virzās šī tehnoloģija un kas būs nepieciešams, lai tā darbotos.
Autonomo aģentu slēptās enerģijas izmaksas
Korejas Progresīvā zinātnes un tehnoloģiju institūta (KAIST) pētījums ir pievērsis uzmanību kritiskam jautājumam: aģentu mākslīgais intelekts var patērēt līdz pat 136.5 reizēm vairāk enerģijas uz vienu vaicājumu nekā parasts tērzēšanas robots . Iemesls slēpjas arhitektūrā. Kamēr tērzēšanas robots ģenerē vienu atbildi, aģents var vairākas reizes izsaukt lielu valodas modeli, gaidīt ārēju rīku atbildes un koordinēt vairākus soļus, pirms sniegt galīgo atbildi. Vienā scenārijā 70 miljardu parametru modelis izmantoja vidēji 348.41 vatstundas uz vienu vaicājumu.
Problēmu vēl vairāk saasina dīkstāves laiks. Saskaņā ar KAIST datiem aģentiem uzdevuma izpildei var būt nepieciešams līdz pat 153.7 reizēm ilgāks laiks nekā tērzēšanas robotiem, un šajā periodā grafiskie procesori (GPU) var palikt neaktīvi līdz pat 54.5 % laika, gaidot ārējos datus . Tomēr šie grafiskie procesori joprojām tiek darbināti un rezervēti, palielinot elektrības rēķinu, neveicot produktīvu darbu. Institūta sliktākā prognoze — 13.7 miljardi aģentu vaicājumu dienā, kas atbilst Google meklēšanas datplūsmai — prasītu 198.9 GW datu centra jaudas, kas ir aptuveni puse no vidējā elektroenerģijas patēriņa ASV.
Šis nav tikai teorētisks vingrinājums. Starptautiskā Enerģētikas aģentūra lēš, ka datu centri 2024. gadā patērēja 415 TWh, un līdz 2030. gadam šis skaitlis, iespējams, divkāršosies līdz 945 TWh. ASV Enerģētikas departaments prognozē, ka datu centru elektroenerģijas patēriņš līdz 2028. gadam varētu sasniegt no 6.7% līdz 12% no kopējā valsts patēriņa. Aģentūru mākslīgais intelekts paātrina šo pieprasījumu tādā tempā, ar kuru elektrotīkliem ir grūti sekot , ņemot vērā jaunās ražošanas un pārvades infrastruktūras ilgo izstrādes laiku.
Ražošanas pārveidošana ar autonomu lēmumu pieņemšanu
Rūpniecības pasaulē aģentūru mākslīgais intelekts tiek slavēts kā nākamais lēciens aiz automatizācijas. Zebra Technologies, līderis uzņēmumu aktīvu intelekta jomā, to uzskata par veidu, kā pārvērst rūpnīcas par pašorganizējošām vienībām. Tā vietā, lai ievērotu iepriekš ieprogrammētus noteikumus, aģenti var interpretēt reāllaika datus no krājumiem, ražošanas, pārdošanas un loģistikas, lai pieņemtu koordinētus lēmumus bez cilvēka iejaukšanās.
Zebra identificē trīs jomas, kurās ietekme būs vistiešākā:
- Inteliģenta krājumu pārvaldībaAģenti analizē patēriņa tendences, piegādātāju pieejamību un sezonalitāti, lai optimizētu krājumu līmeni, samazinot atkritumus un precēs piesaistīto kapitālu.
- Kvalitātes nodrošināšanaMākslīgā intelekta nodrošināta datorredze pārbauda katru produktu, vai tajā nav defektu, nepareizu etiķešu vai nesalasāmu datumu, atklājot problēmas, neapturot līniju.
- Darbaspēka optimizācijaLielās rūpnīcās aģenti automātiski pielāgo maiņu grafikus, piešķir uzdevumus, pamatojoties uz prasmēm, un aizstāj prombūtni, atbrīvojot vadītājus stratēģiskam darbam.
Lai tas darbotos reāllaikā, ir nepieciešama perifērijas mākslīgā intelekta izmantošana . Jaunas rūpnieciskās ierīces ar neironu apstrādes blokiem (NPU) darbina modeļus lokāli, samazinot latentumu un nodrošinot darbības turpināšanu pat tad, ja mākoņa savienojamība tiek pārtraukta. Pirmie rezultāti ir daudzsološi: partnera gadījuma izpēte parādīja par 98 % ātrāku incidentu diagnostiku un darbības mainīguma samazināšanos par 50 %, kā arī vismaz par 50 % samazinājumu neatliekamās palīdzības transporta izmaksās.
Darba pārdefinēšana: CHRO loma aģentūru laikmetā
Gartner jaunākajā analīzē brīdināts, ka aģentūriskās mākslīgā intelekta (MI) pieaugums piespiedīs cilvēkresursu vadītājus pārskatīt visu savu pieeju. Atšķirībā no ģeneratīvās MI, kas palīdz, aģentūriskā MI autonomi veic visas darbplūsmas , sākot no sākotnējās atlases līdz adaptācijai un algu pārvaldībai. Tas maina cilvēkresursu direktora pienākumus no tehnoloģiju ieviešanas uzraudzības uz kultūras pārmaiņu pārvaldību un darba lomu pārveidošanu.
Galvenais izaicinājums ir pārvaldība. Autonomie aģenti, kas pieņem lēmumus par pieņemšanu darbā, sniegumu vai atalgojumu, ir jāauditē attiecībā uz neobjektivitāti un atbilstību privātuma prasībām. Personāla vadītājiem ir jāizveido skaidri ietvari tam, kad un kā aģenti var rīkoties , vienlaikus nosakot, kuras cilvēku prasmes joprojām ir kritiski svarīgas pasaulē, kur ikdienas uzdevumus veic programmatūra. Gartner uzsver, ka šī nav tehnoloģiju problēma, bet gan stratēģiska, kas prasa aktīvu vadību no augšas.
Ekosistēmas veidošana: AWS un partneru iniciatīvas
Amazon Web Services lielu likmi liek uz aģentūru mākslīgo intelektu kā ieņēmumu virzītājspēku savam partneru tīklam. AWS Ņujorkas partneru samitā uzņēmums uzsāka vairākas iniciatīvas, lai palīdzētu partneriem demonstrēt biznesa vērtību. Jaunā biznesa vērtības realizācijas (BVR) programma nodrošina metodoloģijas, etalonus un uz rezultātiem balstītu finansējumu, lai pierādītu ieguldījumu atdevi, risinot McKinsey atklājumu, ka tikai 39% organizāciju var izmērīt mākslīgā intelekta ietekmi.
AWS ieviesa arī virkni aģentūru rīku, tostarp Amazon Quick, Kiro un drošības, DevOps un FinOps aģentus, ar bezmaksas izmēģinājuma periodiem. Tirgus maksas par profesionālajiem pakalpojumiem tika samazinātas no 2.5% līdz 0.5% , un jaunas, uz mākslīgo intelektu balstītas pārdošanas funkcijas palīdz partneriem identificēt iespējas. Uzņēmums lēš, ka aģentūru mākslīgais intelekts nākamo dažu gadu laikā varētu radīt partneru ekosistēmai jaunu vērtību līdz pat 200 miljardiem ASV dolāru.
No eksperimenta līdz darbībai: aģentu integrēšana biznesa procesos
Daudzām organizācijām patiesais šķērslis nav pati tehnoloģija, bet gan tas, kā to integrēt esošajās darbplūsmās. Karloss de Marko, Auronix produktu viceprezidents, apgalvo, ka aģentu mākslīgā intelekta patiesā vērtība slēpjas tā spējā savienot fragmentētus procesus . Piemēram, mazumtirdzniecībā aģents var vadīt klientu pirkuma veikšanas procesā, pārbaudīt krājumus, koordinēt maksājumus un uzsākt atbalstu, taču tikai tad, ja tam ir piekļuve klientu attiecību pārvaldības (CRM), maksājumu sistēmām un loģistikas datiem.
Tas prasa domāšanas maiņu. Tā vietā, lai uztvertu mākslīgo intelektu kā atsevišķu rīku, uzņēmumiem tas ir jāuztver kā darbības slānis. Visveiksmīgākās organizācijas ir tās, kas nejautā: "Ko mākslīgais intelekts var darīt?", bet gan "Kuru procesu mēs vēlamies pārveidot?". Meksikā e-komercija 2025. gadā sasniedza 941 miljardu peso, tomēr daudzi uzņēmumi joprojām darbojas ar izolētiem datiem, ierobežojot jebkādas mākslīgā intelekta ieviešanas ietekmi.
Dati, pārvaldība un talants: panākumu pamats
Globāls digitālās inženierijas uzņēmums SoftServe uzsver, ka aģentūru mākslīgā intelekta efektivitāte ir pilnībā atkarīga no pamatā esošo datu kvalitātes. Kopīgā pētījumā ar MIT Technology Review tika atklāts, ka 72 % organizāciju sagaida, ka mākslīgā intelekta aģenti divu gadu laikā pārvaldīs lielāko daļu vai visu programmatūras dzīves ciklu , taču Latīņamerikā datu fragmentācija joprojām ir būtisks šķērslis. 58 % uzņēmumu vadītāju apgalvo, ka galvenie lēmumi ir balstīti uz neprecīziem vai nekonsekventiem datiem.
Džons Hovards, SoftServe viceprezidents Latīņamerikā, uzsver, ka aģenta uzticamība ir atkarīga no tā pamatā esošajiem datiem un atļaujām . Uzņēmumiem vispirms ir jāvienoj sava datu arhitektūra, jāizveido pārvaldība un jāpāriet no izolētiem pilotprojektiem uz koplietojamu mākslīgā intelekta infrastruktūru. Talants ir vēl viena sastāvdaļa: pieprasījums pāriet no tradicionālajiem izstrādātājiem uz automatizācijas, datu un aģentūru inženierijas speciālistiem. Pats SoftServe 2025. gadā apmācīja 80% savu darbinieku mākslīgā intelekta jomā, izmantojot savu AI Edu Space platformu.
Visbeidzot, nevar ignorēt kultūras maiņu. Vadītājiem ir jāattīstās no uzdevumu kontroles uz darbplūsmu organizēšanu, kurās sadarbojas cilvēki un aģenti. Lielākā aklā zona ir mākslīgā intelekta (MI) uztveršana kā uzraugāms instruments, nevis kā vadības slānis . Tikai izstrādājot kopīgas darbplūsmas un kritisku cilvēku uzraudzību, uzņēmumi var pārvērst aģentūru MI no daudzsološa eksperimenta par ilgtspējīgu konkurences priekšrocību.
Aģentu mākslīgais intelekts nav tikai ātrāks tērzēšanas robots vai viedāks asistents. Tas atspoguļo fundamentālas pārmaiņas darba paveikšanas veidā — no enerģiju patērējošiem datu centriem līdz pašorganizējošām rūpnīcām, no automatizētiem HR procesiem līdz integrētām klientu ceļojumiem. Tehnoloģija strauji attīstās, taču tās panākumi būs atkarīgi no sarežģītu infrastruktūras, datu kvalitātes, pārvaldības un vadības problēmu risināšanas. Nākamās lielās sacensības mākslīgā intelekta jomā, iespējams, nebūs par viedāku modeļu veidošanu, bet gan par to, lai tie darbotos, nebojājot sistēmas, kurās tie darbojas.
