«Սեղմումների վրա հիմնված» ավտոմատացման դարաշրջանը հասել է իր սահմանագծին։ Վերջին մի քանի տարիներին ինքնավար գործակալների (autonomous agents) հեռանկարը կապված էր մարդկային կուրսորի մետաֆորի հետ. մոդելը դիտում է էկրանը, գտնում կոճակը, սեղմում, սպասում էջի բեռնմանը և կրկնում գործողությունը։ Թեև սա հիմք հանդիսացավ RPA-ի (Ռոբոտացված գործընթացների ավտոմատացում) պարզ աշխատանքային հոսքերի համար, այն մնում է չափազանց անկայուն։ Եթե CSS դասը փոխվում է, հայտնվում է փոփ-ափ պատուհան կամ ինտերնետի արագությունը տատանվում է, գործակալը կորցնում է իր «ուղղությունը»։
Այժմ մենք ականատես ենք լինում ճարտարապետական հիմնարար տեղաշարժի։ Փոխարենը գործակալներին սովորեցնենք ընդօրինակել մարդու նավարկությունը, ոլորտը շրջվում է դեպի Webwright՝ Microsoft Research-ի բեկումնային մոտեցումը։ Պարադիգմը «էկրանը դիտելուց» դեպի «կոդ գրելը» տեղափոխելով՝ մենք հեռանում ենք փխրուն ավտոմատացումից դեպի ամուր, կրկնելի ծրագրային ճարտարագիտություն։
Էկրան ընթերցողներից դեպի սկրիպտային շարժիչներ
Ներկայիս AI գործակալների սահմանափակումը կայանում է նրանում, որ նրանք հիմնվում են տեսողական ընկալման և հաջորդական փոխազդեցության վրա։ Երբ գործակալը դիտարկում է բրաուզերը որպես պիքսելների և կոորդինատների շարք, այն գործում է «փորձիր և տես» սկզբունքով։ Այն չունի գործընթացի մտավոր մոդելը, ինչը նրան խոցելի է դարձնում «երկարաժամկետ» խնդրի նկատմամբ, որտեղ սխալները կուտակվում են բազմաթիվ քայլերի ընթացքում, մինչև առաջադրանքն ամբողջությամբ ձախողվում է։
Webwright-ը հիմնովին փոխում է խաղի կանոնները՝ լեզվական մեծ մոդելին (LLM) մկնիկի փոխարեն տրամադրելով տերմինալ։ Այս նոր աշխատանքային հոսքում՝
- Կոդի առաջնային կատարում (Code-First Execution): UI տարրերի հաջորդականության վրա սեղմելու փոխարեն, գործակալը ստեղծում է սկրիպտ (սովորաբար Python-ով)՝ հիմքում ընկած վեբ ծառայությունների կամ API-ների հետ փոխազդելու համար։
- Պահպանվող արտեֆակտներ: Քանի որ գործակալը կոդ է գրում, այն ստեղծում է շոշափելի ծրագրային արտեֆակտ։ Այս սկրիպտը կարելի է ստուգել, տարբերակել (version-control) և վերագործարկել՝ առանց AI-ից պահանջելու ամեն անգամ «վերահայտնաբերել» առաջադրանքը։
- Կանխատեսելիություն: Բրաուզերի անկայուն DOM-ը (Document Object Model) շրջանցելով՝ գործակալը հիմնվում է տվյալների անմիջական ստացման վրա, ինչը զգալիորեն կայունացնում է աշխատանքային հոսքը։
Արդյունքներն ինքնին խոսուն են։ Ուղիղ համեմատական թեստերում սեղմումների վրա հիմնված փոխազդեցությունից դեպի սկրիպտային գեներացիայի անցումը բարդ, բազմաքայլ առաջադրանքների դեպքում հաջողության ցուցանիշը բարձրացրել է մոտ 33%-ից ավելի քան 60%-ի։ Սա տարբերությունն է խաղալիք նախագծի և արդյունաբերական պատրաստի գործիքի միջև։
UI-ից դուրս գալու ROI-ն
Բիզնես առաջնորդների համար այս փոփոխությունը թվային փոխակերպման համար խորը հետևանքներ ունի։ Ավտոմատացման նախագծերը հաճախ չեն կարողանում մասշտաբավորվել, քանի որ փխրուն, սեղմումների վրա հիմնված բոտերի պահպանման ծախսերը գերազանցում են դրանց խնայած աշխատուժի արժեքը։ Երբ գործակալը փչանում է ամեն անգամ, երբ CRM ինտերֆեյսը թարմացվում է, ՏՏ բաժինը ավելի շատ ժամանակ է ծախսում բոտի կարգաբերման, քան բիզնես գործընթացի բարելավման վրա։
Webwright-ի նման ճարտարապետություն որդեգրելով՝ ընկերությունները կարող են ստանալ մի քանի հիմնական առավելություն.
- Տեխնիկական պարտքի նվազեցում: Հարյուրավոր առանձին սեղմումների հաջորդականություն պահպանելու փոխարեն՝ կազմակերպությունները պահպանում են ֆունկցիոնալ սկրիպտների գրադարան։
- Թվային փոխակերպման արագացում: Այն բիզնես գործընթացները, որոնք նախկինում համարվում էին «չափազանց բարդ» ավտոմատացման համար՝ իրենց երկարության կամ փոփոխականության պատճառով, այժմ AI-ի կողմից ղեկավարվող ավտոմատացման թեկնածուներ են։
- Աուդիտ և համապատասխանություն: Խիստ կարգավորվող ոլորտներում, ինչպիսիք են ֆինանսները կամ առողջապահությունը, «սեղմումների հետագիծը» հաճախ բավարար չէ համապատասխանության համար։ Սկրիպտը ի բնե մարդու համար ընթեռնելի է և կարող է ստուգվել անվտանգության արձանագրությունների համար՝ նախքան կատարումը։
- Գործառնական կայունություն: Քանի որ կոդն է կառավարում առաջադրանքի տրամաբանությունը, գործակալը ավելի քիչ հավանական է, որ շեղվի դասավորության փոքր փոփոխություններից կամ ինտերնետի ժամանակավոր խնդիրներից։
Կոդ գեներացնող գործակալների ուղղությամբ շարժը, ըստ էության, AI-ը վերածում է «чержурный» ծրագրավորողի, որն ունակ է թռիչքային ռեժիմով կառուցել իր սեփական «միջին ծրագրային ապահովումը» (middleware)՝ անջատված ձեռնարկատիրական հավելվածների միջև բացը լրացնելու համար։
Ռազմավարական իրականացում և ապագայի կանխատեսում
Որդեգրման միտումները հուշում են, որ մենք թևակոխում ենք «Կոդի գեներացման առաջնահերթության» դարաշրջան։ Առաջատար կազմակերպություններն այլևս չեն փնտրում գործակալներ, որոնք կփոխարինեն աշխատասեղանի մոտ նստած մարդկանց. նրանք փնտրում են գործակալներ, որոնք գործում են որպես ինքնավար համակարգերի ինտեգրատորներ։
Ղեկավարության համար ռազմավարությունը պարզ է. դադարեք AI գործակալներին դիտարկել որպես «օգտատիրոջ փոխարեն աշխատանքը կատարելու» միջոց և սկսեք դիտարկել դրանք որպես «խողովակաշարեր կառուցողներ»։ Քանի որ այս մոդելները դառնում են ավելի հմուտ մաքուր, անվտանգ և արդյունավետ կոդ գրելու հարցում, ոչ տեխնիկական բիզնես պահանջների և բարդ ծր
