Den tredje vågen i AI-revolutionen

Den tredje vågen i AI-revolutionen

Agentic AI, eller intelligenta agenter, kan vara nästa stora steg i utvecklingen av artificiell intelligens, bortom generativ AI. Medan tekniken delar likheter med generativ AI, erbjuder den även unika möjligheter och utmaningar.

Marc Benioff, VD för Salesforce, beskriver agentic AI som den ”tredje vågen” i AI:s snabba utveckling. ”På bara några år har vi sett tre generationer av AI. Först kom prediktiva modeller som analyserar data, sedan generativ AI med djupinlärningstekniker som ChatGPT. Nu upplever vi en tredje våg – definierad av intelligenta agenter som självständigt kan hantera komplexa uppgifter,” skrev han nyligen i New York Times.

AI-agenter som digitala medarbetare

Intelligenta agenter fungerar som digitala medarbetare eller kundtjänstrepresentanter som kommunicerar via naturlig språkförståelse. Dessa AI-system har potential att avlasta och förstärka mänskliga förmågor på ett sätt som tidigare var otänkbart.

Benioff föreställer sig en framtid där företag kan använda en ”AI-arbetsstyrka” som hanterar kundinteraktioner, analyserar data, optimerar försäljningsstrategier och utför operativa uppgifter i realtid – med minimal mänsklig övervakning.

Nischade tillämpningar och hög ROI

AI-agenter är utformade för att hantera specifika uppgifter med hög effektivitet. Deras smala fokus ger dem fördelar som mer generella AI-lösningar saknar. Sesh Iyer, senior partner på BCG X, menar att ”agentic AI kommer att bli nästa våg av värdeskapande i stor skala” och ser det som en möjlighet att fundamentalt omforma processer och skapa betydande produktivitetsvinster.

Etik och styrning kritiska för AI-agenter

Precis som för generativ AI kräver agentic AI tydliga etiska riktlinjer och styrningsstrukturer. Detta inkluderar:

Rigorös testning för att minimera fel

Efterlevnad av regler och rättvis behandling

Etablering av styrningsmodeller för att säkerställa ansvarsfull användning

Iyer betonar vikten av att ha rätt kompetens inom organisationer för att designa, bygga och hantera dessa system. Ofta finns redan nödvändig domänkunskap internt, men utbildning och vidareutveckling kan vara avgörande för att maximera långsiktig nytta.

Skillnader mellan generativ AI och agentic AI

Agentic AI skiljer sig från generativ AI genom sin förmåga att fatta beslut autonomt, ofta utan mänsklig intervention. David Brault från Mendix förklarar att generativ AI kan användas brett över olika branscher, medan agentic AI är utformat för mer kontextspecifika miljöer.

Michael Connell, COO på Enthought, lyfter fram att agentic AI är mest lämpligt för förutsägbara uppgifter med låg risk eller låg allvarlighetsgrad vid eventuella fel.

Förberedelser för övergången till agentic AI

För att framgångsrikt implementera agentic AI rekommenderas företag att börja småskaligt och skala upp gradvis. Några steg att överväga:

Identifiera högpåverkande användningsområden, t.ex. kundservice

Genomför pilotprojekt för att testa och förfina AI-agenternas kapabiliteter

Förstå de tekniska plattformarna som stöder agentic AI

Sesh Iyer betonar vikten av att tänka holistiskt kring användarupplevelsen och arbetsflöden snarare än att bara fokusera på teknologin. Målet bör vara att minska monotona uppgifter, förbättra produktiviteten och skapa bättre samarbete mellan människor och maskiner.

Data och övervakning avgörande faktorer

Precis som för generativ AI är data en kritisk komponent för framgång med agentic AI. Connell betonar vikten av:

Rena, korrekt märkta och relevanta dataset

Tillräcklig datamängd för träning och validering av modeller

Ökad användning av agentic AI kräver också nya övervakningsmodeller, särskilt i högriskmiljöer där traditionell tillsyn kan vara otillräcklig. Mänsklig övervakning är därför fortsatt avgörande för att hantera potentiella oavsiktliga konsekvenser.