Forstå AI-agenter: Et nøkkeltrinn mot å oppnå AGI

I nyere tid har forskjellige chatbots som ChatGPT, Claude og Gemini inntatt en sentral scene i riket av kunstig intelligens. Disse verktøyene er imidlertid ikke det endelige målet for de fleste bedrifter. Et betydelig antall virksomheter ønsker å utvikle Artificial General Intelligence (AGI) – teknologi som er i stand til å resonnere på nivåer som kan sammenlignes med, eller potensielt overgår, menneskelig intelligens. Ikke desto mindre innebærer reisen til AGI flere utviklingsmessige milepæler.

Mens chatbots viser imponerende evner, er nytten deres noe begrenset. Uten elementet av autonomi kan chatbots bare øke effektiviteten og produktiviteten til en viss grad. Denne begrensningen bidrar til deres manglende evne til å generere forventede inntekter. I hovedsak representerer chatbots det grunnleggende stadiet for AI-fremgang.

Denne begrensningen er grunnen til at AI-firmaer i økende grad fokuserer på AI-agenter som den neste bølgen av AI-innovasjon. I motsetning til tradisjonelle chatbots eller de automatiserte støtterobotene som vanligvis finnes på forretningsnettsteder, er AI-agenter designet for å gå utover enkel instruksjonsfølging og kan ta selvstendige valg.

Å samhandle med eksisterende kundestøtteroboter kan ofte være frustrerende, siden de vanligvis ikke klarer å løse problemer raskt eller effektivt – i motsetning til menneskelige støtterepresentanter. Imidlertid er bruken av autonome AI-agenter satt til å transformere denne opplevelsen.

Definere AI-agenter

Definisjonen av AI-agenter er fortsatt noe tvetydig selv blant eksperter, men visjonen deres fortsetter å utvikle seg.

Ikke desto mindre er visse egenskaper godt forstått. AI-agenter er utformet som modeller som er i stand til å ta intrikate beslutninger autonomt innenfor virkelige scenarier. De kan kreve sporadisk menneskelig tilsyn, men utvalget av oppgaver de kan utføre vil langt overgå dagens chatbots.

Mens chatbots som ChatGPT kan øke menneskelig produktivitet, har AI-agenter potensial til å erstatte menneskelige roller, i det minste for mer enkle oppgaver.

Ved å skille seg fra eksisterende generative AI-roboter som utelukkende fungerer ved å forutsi neste ord i en sekvens, vil AI-agenter ha evnen til å tenke kritisk og resonnere. Et glimt av slike resonneringsevner er allerede observert med OpenAIs modell o1.

Resonnement er imidlertid bare en fasett av hva AI-agenter er designet for å oppnå.

En grunnleggende egenskap ved AI-agenter er deres evne til å forfølge mål etablert av mennesker uten konstant instruksjon, spesielt i komplekse og stadig skiftende miljøer. I motsetning til nåværende chatbots som er avhengige av trinnvise instruksjoner fra mennesker, vil AI-agenter bare kreve at brukeren definerer det endelige målet.

Proaktivitet er en annen viktig funksjon; AI-agenter bør ikke vente på meldinger, slik vanlige chatboter gjør.

I tillegg er et sentralt aspekt ved AI-agenter deres evne til å lære av tilbakemeldinger. Disse midlene kan kontinuerlig utvikle seg og forbedre ytelsen uten å trenge menneskelig innblanding; de lærer av sine erfaringer.

Hvordan AI-agenter fungerer Se for deg en AI-agent som håndterer et kundeproblem. I stedet for bare å følge et stivt skript, kan det hente informasjon som kundens referanse-ID, få tilgang til relevante interne dokumenter og stille flere spørsmål for å forstå situasjonen bedre før den tilbyr løsninger. Om nødvendig kan den eskalere saken til en menneskelig veileder for godkjenning. Til syvende og sist, hvis løsning viser seg umulig, kan det omdirigere klienten til en menneskelig representant.

Potensielle bruksområder

Kundestøtte er bare ett domene hvor AI-agenter forventes å trives, men de vil sannsynligvis dukke opp i en rekke andre felt, for eksempel programvareutvikling.

Prognoser indikerer at innen de neste tre årene vil et betydelig antall selskaper ansette AI-agenter for kodingsoppgaver, og henvise menneskelige utviklere for det meste til å gjennomgå roller.

Tallrike organisasjoner utvikler agentsystemer for å forbedre interne arbeidsflyter, og går fra Proof of Concept til pilotstadier. Selv om automatisering av oppgaver med agenter ikke er et nytt konsept, vil integreringen av AI gjøre det mulig for disse agentene å håndtere et bredere spekter av oppgaver med større fleksibilitet.

Mange bedrifter distribuerer allerede AI-agenter for ulike interne funksjoner, med noen som Salesforces Agentforce som tilbyr foreløpige versjoner til bedrifter. På bare noen få år kan AI-agenter erstatte tradisjonelle kundesenterpersonale fullstendig.

Videre vil mange virksomheter sannsynligvis ta i bruk et multi-agent system der distinkte agenter vil utføre spesialiserte funksjoner samtidig som kommunikasjon og samarbeid opprettholdes.

Omfanget av AI-agenter strekker seg utover virksomheter; personlig assistent-applikasjoner blir også fornyet med AI-funksjoner. En ideell AI-agent vil fungere på samme måte som en menneskelig assistent, administrere kjøp, organisere reiser eller planlegge møter, med muligheten til å samhandle med ulike verktøy, inkludert nettsøk og andre AI-systemer.

Dessuten bør AI-agenter være multimodale, som fremvist av Googles Project Astra på deres nylige I/O-konferanse, i stand til å behandle lyd, bilder og videoinnganger.

Det er bemerkelsesverdig at ikke én enkelt type AI-agent vil eksistere; ulike kontekster vil kreve varierte ferdighetssett.

Aktuelle utfordringer AI-agenter står overfor

Til tross for betydelige fremskritt, byr det på en rekke utfordringer å oppnå fullstendig autonome agenter.

For å kvalifisere som virkelig hjelpsomme og autonome, må AI-agenter drastisk redusere feilraten. For tiden er AI-systemer svært utsatt for unøyaktigheter, som må senkes til under 1 % for å lette utbredt bruk. Å oppnå en reduksjon til under 10 % kan være relativt enkelt, men det vil vise seg å være mer utfordrende å avgrense den ytterligere.

I tillegg, i kundestøttescenarioet diskutert tidligere, er en kritisk hindring å sikre at en AI-agent kan bestemme når et problem skal eskaleres til et menneske i stedet for hardnakket å forsøke å løse det uavhengig, noe som kan føre til økte kostnader.

Kontekstuell forståelse utgjør en annen hindring. Når man ser for seg bruken av AI chatbots for kodingsoppgaver, blir deres nåværende begrensninger tydelige; de sliter med å produsere kode i lang form på grunn av kontekstbegrensninger.

Sikkerhet og tilgangskontroll må også adresseres for å fullt ut realisere potensialet til AI-agenter. Med større autonomi følger økt risiko, noe som krever sikkerhetstiltak for å sikre at AI-agenter kun utfører autoriserte handlinger og får tilgang til tillatt informasjon.

Dessuten presenterer problemer som umiddelbar injeksjon sikkerhetssårbarheter som må håndteres.

Ressursene som trengs for å trene data og regnekraft byr også på utfordringer. I følge noen av Sam Altmans uttalelser kan det imidlertid være mulige løsninger for treningsdataproblemet som allerede er i arbeid.

AI-selskaper jobber flittig for å oppnå en agent fremtid, og mange av disse utfordringene forventes å bli løst i nær fremtid. For eksempel tilrettelegger Google for tiden et 2M kontekstvindu og gjør fremskritt mot uendelig kontekst.

Selv om kunstig intelligens for øyeblikket kanskje ikke fungerer på de nivåene vi håper, kan fremtiden komme raskere enn forventet. Bedrifter må forberede seg på integrering av AI-agenter i sine operasjoner. Hvis du tror det vil ta år før AI på en kompetent måte kan håndtere ansvaret du overvåker, må du vurdere på nytt. AI-agenter er i horisonten, og det er viktig å utvikle nye ferdigheter for å tilpasse seg denne nye virkeligheten. Mange selskaper er satt til å starte AI-agentintegrasjon allerede neste år, med autonom beslutningstaking, proaktivitet, tilpasningsevne og kapasitet til å operere innenfor komplekse omgivelser og forfølge definerte mål.