Forstå AI-agenter: Et nøgletrin til at opnå AGI

I den seneste tid har forskellige chatbots som ChatGPT, Claude og Gemini indtaget en central scene inden for kunstig intelligens. Disse værktøjer er dog ikke det ultimative mål for de fleste virksomheder. Et betydeligt antal virksomheder stræber efter at udvikle Artificial General Intelligence (AGI) – teknologi, der er i stand til at ræsonnere på niveauer, der kan sammenlignes med eller potentielt overgår menneskelig intelligens. Ikke desto mindre medfører rejsen til AGI adskillige udviklingsmæssige milepæle.

Mens chatbots udviser imponerende egenskaber, er deres anvendelighed noget begrænset. Uden elementet af autonomi kan chatbots kun forbedre effektiviteten og produktiviteten til en vis grad. Denne begrænsning bidrager til deres manglende evne til at generere forventede indtægter. I det væsentlige repræsenterer chatbots den grundlæggende fase af AI-fremme.

Denne begrænsning er grunden til, at AI-virksomheder i stigende grad fokuserer på AI-agenter som den næste bølge af AI-innovation. I modsætning til traditionelle chatbots eller de automatiserede supportbots, der almindeligvis findes på virksomhedswebsteder, er AI-agenter designet til at gå ud over simpel instruktionsfølelse og kan træffe uafhængige valg.

At interagere med de eksisterende kundesupportbots kan ofte være frustrerende, da de generelt ikke kan løse problemer hurtigt eller effektivt – i modsætning til menneskelige supportrepræsentanter. Fremkomsten af autonome AI-agenter er imidlertid klar til at transformere denne oplevelse.

Definition af AI-agenter

Definitionen af AI-agenter forbliver noget tvetydig selv blandt eksperter, men deres vision fortsætter med at udvikle sig.

Ikke desto mindre er visse karakteristika godt forstået. AI-agenter er designet som modeller, der er i stand til at træffe indviklede beslutninger autonomt inden for scenarier i den virkelige verden. De kan kræve lejlighedsvis menneskelig tilsyn, men rækken af opgaver, de kan udføre, vil langt overgå nuværende chatbots.

Mens chatbots som ChatGPT kan øge den menneskelige produktivitet, har AI-agenter potentialet til at erstatte menneskelige roller, i det mindste til mere ligetil opgaver.

Ved at differentiere sig fra eksisterende generative AI-bots, der udelukkende fungerer ved at forudsige det næste ord i en sekvens, vil AI-agenter besidde evnen til at tænke kritisk og ræsonnere. Et glimt af sådanne ræsonnementer er allerede blevet observeret med OpenAI’s model o1.

Men ræsonnement er kun en facet af, hvad AI-agenter er designet til at opnå.

Et grundlæggende træk ved AI-agenter er deres evne til at forfølge mål etableret af mennesker uden konstant instruktion, især i komplekse og stadigt skiftende miljøer. I modsætning til nuværende chatbots, der er afhængige af trin-for-trin-anvisninger fra mennesker, vil AI-agenter kun kræve, at brugeren definerer det ultimative mål.

Proaktivitet er en anden væsentlig egenskab; AI-agenter bør ikke vente på prompter, som typiske chatbots gør.

Derudover er et nøgleaspekt ved AI-agenter deres evne til at lære af feedback. Disse midler kan løbende udvikle sig og forbedre deres ydeevne uden behov for menneskelig indgriben; de lærer af deres erfaringer.

Sådan fungerer AI-agenter Forestil dig en AI-agent, der håndterer et kundeproblem. I stedet for blot at følge et stift script, kan det hente information såsom kundens reference-id, få adgang til relevante interne dokumenter og stille yderligere spørgsmål for at forstå situationen bedre, før den tilbyder løsninger. Om nødvendigt kan den eskalere sagen til en menneskelig supervisor til godkendelse. I sidste ende, hvis løsning viser sig umulig, kan det omdirigere klienten til en menneskelig repræsentant.

Potentielle anvendelser

Kundesupport er kun et domæne, hvor AI-agenter forventes at trives, men de vil sandsynligvis dukke op inden for adskillige andre områder, såsom softwareudvikling.

Prognoser tyder på, at inden for de næste tre år vil et betydeligt antal virksomheder ansætte AI-agenter til kodningsopgaver, hvorved menneskelige udviklere for det meste henvises til at gennemgå roller.

Adskillige organisationer udvikler agentsystemer for at forbedre interne arbejdsgange, der går fra Proof of Concept til pilotstadier. Selvom automatisering af opgaver med agenter ikke er et nyt koncept, vil integrationen af AI gøre det muligt for disse agenter at håndtere en bredere vifte af opgaver med større fleksibilitet.

Mange virksomheder implementerer allerede AI-agenter til forskellige interne funktioner, hvor nogle som Salesforces Agentforce tilbyder foreløbige versioner til virksomheder. I løbet af få år kunne AI-agenter fuldstændig erstatte traditionelle callcenterpersonale.

Ydermere vil mange virksomheder sandsynligvis vedtage et multi-agent-system, hvor forskellige agenter vil udføre specialiserede funktioner og samtidig opretholde kommunikation og samarbejde.

Omfanget af AI-agenter strækker sig ud over virksomheder; personlige assistent-applikationer bliver også fornyet med AI-funktioner. En ideel AI-agent ville fungere på samme måde som en menneskelig assistent, administrere indkøb, organisere rejser eller planlægge møder, med evnen til at interagere med forskellige værktøjer, herunder websøgninger og andre AI-systemer.

Desuden bør AI-agenter være multimodale, som fremvist af Googles Project Astra på deres seneste I/O-konference, i stand til at behandle lyd, billeder og videoinput.

Det er bemærkelsesværdigt, at der ikke vil eksistere en enkelt type AI-agent; forskellige kontekster vil nødvendiggøre varierede færdighedssæt.

Aktuelle udfordringer, som AI-agenter står over for

På trods af betydelige fremskridt byder det på adskillige udfordringer at opnå fuldt autonome agenter.

For at kvalificere sig som virkelig hjælpsomme og autonome skal AI-agenter drastisk reducere deres fejlprocenter. I øjeblikket er AI-systemer meget modtagelige for unøjagtigheder, som skal sænkes til under 1 % for at lette udbredt anvendelse. At opnå en reduktion til under 10 % kan være relativt ligetil, men det vil vise sig at være mere udfordrende at forfine det yderligere.

Derudover er en kritisk hindring i det tidligere diskuterede kundesupportscenarie at sikre, at en AI-agent kan bestemme, hvornår et problem skal eskaleres til et menneske, i stedet for stædigt at forsøge at løse det uafhængigt, hvilket kan føre til øgede omkostninger.

Kontekstuel forståelse udgør en anden hindring. Når man forestiller sig brugen af AI-chatbots til kodningsopgaver, bliver deres nuværende begrænsninger tydelige; de kæmper med at producere kode i lang form på grund af kontekstbegrænsninger.

Sikkerhed og adgangskontrol skal også behandles for fuldt ud at realisere potentialet i AI-agenter. Med større autonomi følger øget risiko, hvilket nødvendiggør sikkerhedsforanstaltninger for at sikre, at AI-agenter kun udfører autoriserede handlinger og får adgang til tilladt information.

Desuden præsenterer problemer som hurtig indsprøjtning sikkerhedssårbarheder, der skal håndteres.

De nødvendige ressourcer til træning af data og regnekraft giver også udfordringer. Men ifølge nogle af Sam Altmans udsagn kan der være potentielle løsninger på træningsdataproblemet, der allerede er på vej.

AI-virksomheder arbejder ihærdigt på at opnå en agentfremtid, og mange af disse udfordringer forventes at blive løst i den nærmeste fremtid. For eksempel faciliterer Google i øjeblikket et 2M kontekstvindue og gør fremskridt mod uendelig kontekst.

Selvom AI muligvis ikke i øjeblikket fungerer på de niveauer, vi håber, kan fremtiden komme hurtigere end forventet. Virksomheder skal forberede sig på integrationen af AI-agenter i deres operationer. Hvis du tror, at der vil gå år, før AI på en kompetent måde kan håndtere det ansvar, du overvåger, så genovervej. AI-agenter er i horisonten, og det er vigtigt at udvikle nye færdigheder for at tilpasse sig denne nye virkelighed. Mange virksomheder er indstillet på at starte AI-agentintegration allerede næste år, med autonom beslutningstagning, proaktivitet, tilpasningsevne og kapaciteten til at operere inden for komplekse rammer og forfølge definerede mål.