Վերջին տասնութ ամիսների ընթացքում արհեստական բանականության (ԱԲ) շուրջ ձևավորված հիմնական պատումը էքսպոնենցիալ, գրեթե շունչը կտրող արագացման մասին է։ GPT-4-ի թողարկումից մինչև մուլտիմոդալ մոդելների արագ տարածումը՝ ոլորտը գործել է այն ենթադրությամբ, որ մենք գտնվում ենք դեպի լիակատար ինքնավարություն տանող կանխատեսելի, գծային ճանապարհին։ Այնուամենայնիվ, Սիլիկոնյան հովտի բարձրագույն օղակներից ստացված վերջին տեղեկությունները, հատկապես Meta-ի ներքին զարգացումների վերաբերյալ, ավելի բարդ իրականության մասին են վկայում։ Նույնիսկ ամենահարուստ տեխնոլոգիական հսկաների համար բարձր կարողություններ ունեցող խոշոր լեզվական մոդելներից (LLMs) դեպի լիովին ինքնավար AI Agents (ԱԲ գործակալներ) անցումը սպասվածից ավելի դժվար է ընթանում։

Բիզնեսի ղեկավարների և թվային փոխակերպման պատասխանատուների համար թափի այս դանդաղումը ոչ թե ահազանգի, այլ ռազմավարական վերագնահատման անհրաժեշտ պահ է։ Մենք դուրս ենք գալիս «հիփի փուլից» և մտնում «ներդրման դժվարությունների» փուլ։ Գործակալի խոստումը՝ մի համակարգ, որն ընդունակ է նավարկելու ծրագրային ինտերֆեյսներում, կառավարելու բարդ աշխատանքային հոսքերն ու ինքնուրույն որոշումներ կայացնելու՝ առանց մարդու մշտական վերահսկողության, մնում է կորպորատիվ արդյունավետության «սրբազան գրալը»։ Սակայն երկարաժամկետ հիշողության, բազմաքայլ առաջադրանքների կատարման ժամանակ հետևողական տրամաբանության և հին համակարգերի (legacy systems) մեջ անվտանգ ինտեգրման հետ կապված տեխնիկական խոչընդոտները բավականին լուրջ են։

Իրականության բացը. ինչո՞ւ է ավտոմատացումը հայտնվել փակուղում

Տեխնոլոգիական խոշոր լաբորատորիաներում ներկայումս նկատվող դժվարությունները բխում են ստեղծագործական տեքստ գեներացնելու և բիզնեսի համար կրիտիկական, հուսալի գործողություններ իրականացնելու միջև եղած տարբերությունից։ Մինչ չաթ-բոտը կարող է մեծ ճշգրտությամբ ամփոփել հանդիպումը, CRM (Հաճախորդների հետ հարաբերությունների կառավարման) համակարգը թարմացնելու, հաշիվ-ապրանքագրերի տվյալները ստուգելու և վճարային դարպասը գործարկելու առաջադրանքը կատարող գործակալն արդեն լիովին այլ ճարտարապետություն է պահանջում։

Այս համակարգերի արագ ներդրումը խոչընդոտող ընթացիկ մարտահրավերները կարելի է բաժանել երեք հիմնական ուղղության.

  • Հուսալիություն և դետերմինիզմ. Գեներատիվ մոդելները իրենց բնույթով հավանականային են: Բիզնես միջավայրերում, որտեղ գործընթացների համապատասխանությունը բանակցման ենթակա չէ, ներկայիս մոդելների «հալյուցինացիաների» մակարդակը բարձր պատնեշ է ստեղծում ավտոմատացված և պատասխանատու առաջադրանքների կատարման համար:
  • Համակարգային կապակցվածություն. Իրական ԱԲ գործակալները պահանջում են խորը, երկկողմանի ինտեգրում գոյություն ունեցող ծրագրային ապահովման հետ: Շատ կազմակերպություններ հայտնաբերում են, որ իրենց տվյալների ներկայիս ճարտարապետությունը բավականաչափ կառուցվածքային կամ ստանդարտացված չէ գործակալին ինքնավար աշխատանքային հոսքերով ուղղորդելու համար:
  • Համատեքստի պատուհանի սահմանափակումներ. Երկար, բազմաքայլ բիզնես գործընթացներում գործողությունների հետևողականությունը պահպանելը մնում է հաշվարկային առումով թանկ և տրամաբանորեն բարդ. դա հանգեցնում է «վիճակի շեղման» (state drift), երբ գործակալը գործողությունների երկար հաջորդականության ընթացքում կորցնում է իր հիմնական նպատակը:

Այս սահմանափակումները բացատրում են, թե ինչու են նույնիսկ գրեթե անսահմանափակ R&D բյուջե ունեցող կազմակերպությունները հասկանում, որ գործակալային աշխատանքային հոսքերի առաջընթացը իտերատիվ (փուլային) է, ոչ թե ակնթարթային։ Ձեռնարկությունների համար սա նշանակում է, որ ԱԲ-ի անմիջական ապագան բնորոշվելու է «մարդը` գործընթացում» (human-in-the-loop) համակարգերով, այլ ոչ թե լիովին ինքնավար գործակալներով, որոնք կգործեն կորպորատիվ ՏՏ միջավայրի ստվերում։

Ռազմավարական հետևանքները ձեռնարկությունների համար

Իրենց տեխնոլոգիական ճանապարհային քարտեզները գնահատող բիզնես ղեկավարների համար գործակալային զարգացման դանդաղող տեմպը պետք է ազդանշան լինի՝ ուշադրությունը կենտրոնացնելու թվային պատրաստվածության հիմքերի վրա։ Փոխանակ սպասելու «միացրու և աշխատեցրու» (plug-and-play) սկզբունքով աշխատող ինքնավար գործակալի, որը կախարդական կերպով կօպտիմալացնի բիզնես գործընթացները, ամենահաջողակ ընկերություններն այժմ կենտրոնանում են տվյալների մաքրման (Data Sanitization) և գործընթացների մոդուլյարացման վրա։

ԱԲ-ի ներդրումների վերադարձը (ROI) պայմանավորված չէ մոդելի բարդությամբ, այլ այն տվյալների որակով, որոնցով մոդելին թույլատրվում է գործել։ Եթե կազմակերպության CRM տվյալները մասնատված են, կամ փաստաթղթավորումը՝ անհետևողական, ոչ մի առաջադեմ ԱԲ չի կարող դա վերածել արդյունավետ, ավտոմատացված արդյունքի։ Ընկերությունները պետք է սպասումների այս «զուսպ» շրջանը դիտարկեն որպես «հովացման» փուլ՝ հնարավորություն կատարելագործելու այն մուտքային տվյալները, որոնք ի վերջո սնուցելու են այդ գործակալներին։

Ընդունման միտումները համապատասխանաբար փոխվում են։ Մենք տեսնում ենք անցում «ամեն ինչ մեկում» ԱԲ լուծումներից դեպի նպատակային, բարձր ճշգրտության ավտոմատացում։ Այս ռազմավարությունը ներառում է.

  • Ինկրեմենտալ ավտոմատացում. Փոքր, հաճախակի կրկնվող, ցածր ռիսկային առաջադրանքների բացահայտում, որոնք կարող են ավտոմատացվել կանոնների վրա հիմնված տրամաբանությամբ՝ զուգորդված LLM-ի կողմից ղեկավարվող որոշումների աջակցությամբ։
  • Ենթակառուցվածքների աուդիտ. Համոզվելը, որ API-ները և բեքենդ համակարգերը