Kallis pettus: miks teie uus “tehisintellekti agent” on tegelikult lihtsalt vestlusrobot
Tehisintellekti ümbritsev hüpe on jõudnud uude etappi: autonoomseid tehisintellekti agente peetakse järgmiseks oluliseks verstapostiks kõigis tööstusharudes. Neilt oodatakse lisaks tekstide passiivsele genereerimisele ka keerukate protsesside iseseisvat planeerimist, tööriistade kasutamist ja ülesannete otsast lõpuni täitmist. See tehnoloogiline kullapalavik äratab aga märkimisväärset huvi. Kõrgemate litsentsitasude ja ettevõtete väärtuse õigustamiseks pöördub üha enam tarkvaratootjaid riskantse turundusstrateegia poole: nn “agentide pesemine”. See hõlmab lihtsalt tavapäraste vestlusrobotite või lihtsate automatiseerimistööriistade ümberbrändimist üliintelligentseteks autonoomseteks agentideks. Ettevõtete jaoks, kes soovivad oma protsesse muuta, muutub see petlik praktika kiiresti saatuslikuks ja kulukaks lõksuks. Gartneri uuring paljastab probleemi drastilise ulatuse: tuhandetest reklaamitud lahendustest täidab oma lubadusi tegelikult vaid umbes 130. Siit saate teada, miks turg on üle ujutatud võltsagentidega, millised on sellega kaasnevad tohutud finantsriskid ja millised on kriteeriumid, mille abil saate usaldusväärselt eristada ehtsaid tehisintellekti agente kallistest imitatsioonidest.
Sellega seotud:
Tuhanded müüjad nimetavad oma tooteid tehisintellekti agentideks. Gartneri andmetel täidab neist vaid 130 seda, mida nad lubavad.
Meeletu turg: tehisintellekti agendi illusiooni ökonoomika
Tehisintellekti agentide turg kasvab tempos, mis jätab isegi kogenud tehnoloogiaanalüütikud hingetuks. 6,54 miljardilt dollarilt 2024. aastal prognoositava 339,6 miljardi dollarini 2035. aastaks kasvab see keskmiselt 43,2 protsenti aastas. Fortune Business Insights hindab spetsiaalselt agentidel põhineva tehisintellekti turu suuruseks 2026. aastaks 11,78 miljardit dollarit, aastase kasvumääraga 46,61 protsenti kuni 2034. aastani. Need arvud selgitavad, miks on tehnoloogiamüüjate seas selles segmendis juhtpositsiooni nimel nii agressiivne võidujooks. Need selgitavad ka seda, miks see võidujooks on tekitanud nähtuse, mida valdkonna vaatlejad üha suureneva rahulolematusega diagnoosivad: agentide pesemise.
Agentide pesemine – termin, mis on loodud kõrvuti pikaajalise rohepesu praktikaga – viitab strateegilisele praktikale turustada tavapäraseid tehisintellekti tooteid „tehisintellekti agentidena“ keelelise ümberbrändimise kaudu, omamata autonoomse, tööriistu kasutava süsteemi tegelikke võimeid. Lihtne vestlusrobot, mis vastab päringutele, positsioneeritakse kui „agentlikku tehisintellekti lahendust“. RPA-tööriist, mis automatiseerib reeglipõhiseid protsesse, muutub äkki „intelligentseks agendiks“. RAG-süsteem, mis kasutab täpsemate vastuste saamiseks otsingu ja laiendatud genereerimist, müüakse kui „autonoomset teadmussüsteemi“. Kõik need ümbersõnastused on tehniliselt eksitavad. Kõik kolm teenivad sama majanduslikku imperatiivi: kõrgemad väärtused, kõrgemad litsentsitasud ja kiiremad müügitsüklid turul, kus „agentlik“ on moesõna.
Selle probleemi kvantitatiivset ulatust näitas Gartner uuringus, mis tekitas tööstuses märkimisväärset arutelu: tuhandetest müüjatest, kes väidavad end omavat agendipõhiseid tehisintellekti võimalusi, pakub vaid umbes 130 tegelikult ehtsaid agendipõhiseid lahendusi. Mõju hankeosakondadele, IT-otsustajate ja juhatuste jaoks on selge: valdav enamus “tehisintellekti agentidena” turustatud pakkumistest on tehnoloogiliselt ebapiisavad, liiga kallid ja ei suuda reaalses äripraktikas lubatud tulemusi saavutada.
Mis eristab tõelist tehisintellekti agenti kallist vestlusrobotist?
Mõiste “tehisintellekti agent” ümber valitsev kontseptuaalne ebaselgus ei tulene üksnes pahatahtlikust kavatsusest – see tuleneb ka tõelisest teaduslikust arutelust autonoomsete süsteemide piiride üle. Sellegipoolest saab määratleda operatiivsed kriteeriumid, mis võivad olla minimaalseks tehniliseks raamistikuks süsteemi kui ehtsa agendi hindamiseks.
Esiteks: mälu seansi piiride üleselt. Tõeline tehisintellekti agent mäletab varasemaid interaktsioone, otsuseid ja nende tulemusi – mitte ainult ühe vestluse piires, vaid ka päevade, nädalate ja sama töökonteksti eri kasutajate puhul. Klassikalistel vestlusrobotite arhitektuuridel puudub püsiv mälu väljaspool konteksti akent. Nad alustavad iga seanssi ilma eelnevate teadmisteta sama kasutajaga tehtud varasemate interaktsioonide kohta.
Teiseks: mitmeastmeline planeerimine ja eesmärkide jaotamine. Autonoomne agent ei saa samm-sammult juhiseid, vaid pigem üldise eesmärgi – „Analüüsige meie viimase kuue kuu müügiandmeid ja tuvastage piirkonna ja tootekategooria järgi alla ootuste tegutsejad” – ning töötab iseseisvalt välja teostuskava, mis jagab selle eesmärgi teostatavateks alamsammudeks. Generatiivsed tehisintellekti süsteemid reageerivad sisendile; agendipõhised süsteemid algatavad toimingute jadasid.
Kolmandaks: tööriistade kasutamine ja süsteemiintegratsioon. Praktikas on see kõige selgem piir vestlusrobotite ja agentide vahel. Päris agent saab suhelda päris süsteemidega: see avab brausereid, otsib andmebaasidest, kirjutab CRM-idesse, käivitab API-kõnesid, saadab e-kirju, loeb dokumente ja muudab koodi. See jätab digitaalse jalajälje süsteemidesse, millega see suhtleb. Vestlusrobot loob teksti. Agent loob tulemusi.
Neljas: tagasisideahelad ja enesekorrigeerimine. Autonoomsed agendid hindavad pärast iga teostusfaasi, kas vaheetapp andis oodatud tulemuse, ja kohandavad vastavalt oma plaani. See ülesande keskel toimuv enesekorrigeerimise võime on ülioluline keeruliste, mitmeastmeliste ülesannete usaldusväärsuse tagamiseks. Süsteemid, millel see võimekus puudub, ebaõnnestuvad esimese ootamatu tulemuse ilmnemisel ja eskaleeruvad tagasi inimkasutajale.
Viiendaks: Orkestreerimine ja mitme agendi koostöö. Ettevõtte tasemel rakendustes ei tööta tõelised agentsüsteemid üksikute eksemplaridena, vaid spetsialiseerunud agentide koordineeritud võrgustikena. Planeerimisagent jaotab ülesande osadeks, spetsialiseerunud täitmisagendid töötlevad paralleelselt alamprobleeme ja valideerimisagent kontrollib tulemusi. See orkestreerimine nõuab infrastruktuuri, mis ulatub kaugemale lihtsast LLM-marsruutimisest.
Sellega seotud:
Kolm kõige levinumat pettust agenditurul
Ostuotsuse langetajate ja IT-juhtidega peetud aruteludes saab välja tuua kolm tootekategooriat, mida turustatakse eriti sageli kui „tehisintellekti agente“, kuid mis ei vasta eelpoolmainitud kriteeriumidele.
LLM-vestlusrobotid – isegi oma kõige keerukamal kujul, millel on suur kontekstiaken ja tööriista kutsuv API – on peamiselt reaktiivsed süsteemid. Nad ootavad sisendit, genereerivad väljundit ja neil puudub oma eesmärgi püsivus. API kutsumise võime ei tee vestlusrobotist agenti – samamoodi nagu haamer ei tee puuseppa. Oluline tegur on see, kas süsteem suudab iseseisvalt otsustada, millal ja miks millist tööriista kõrgema taseme eesmärgi saavutamiseks kasutada – ilma et oleks vaja iga sammu jaoks inimese kinnitust.
Robootiline protsesside automatiseerimine (RPA) oli protsesside automatiseerimise standard enne generatiivse tehisintellekti lainet. RPA-süsteemid järgivad täpseid, eelnevalt määratletud reeglite kogumeid – need on väga tõhusad ennustatavate ja struktureeritud protsesside jaoks ning ei suuda lahendada ootamatuid olukordi, mida reeglites otseselt ei käsitleta. „Arutluskäik” – järelduste tegemine uutes ja ettenägematutes olukordades – ei ole põhimõtteliselt RPA võime. Seetõttu on RPA tööriista ümbernimetamine „Agentseks automatiseerimiseks” tehniliselt ebatäpne, isegi kui pealiskaudse kasutajakihina on lisatud LLM-kiht (Large Learning Management).
Otsinguga täiustatud genereerimine (RAG) parandab oluliselt keelemudelite faktilist täpsust, integreerides genereerimisprotsessi väliseid teadmusallikaid. RAG-süsteemid on suurepärased tööriistad küsimuste ja vastuste stsenaariumide ja teadmushalduse jaoks. Need ei planeeri ülesandeid, ei teosta toiminguid ega oma mälu peale otsingutoimingute. RAG-põhise süsteemi turundamine “autonoomse tehisintellekti agendina” ajab segi täiustatud teabeotsingu arhitektuuri tegeliku otsustus- ja tegevusautonoomiaga.
Sellega seotud:
Agensipesu majanduslik kahjupotentsiaal
Selle eksiarvamuse rahalised riskid on märkimisväärsed. Praktikas maksavad ehtsate agentide lahenduste aastased litsentsid mitu sada tuhat USA dollarit – hinnad, mis on majanduslikult õigustatud süsteemide puhul, mis tegelikult haldavad kogu protsessivoogu autonoomselt. Täiustatud vestlusroboti puhul on need summad majanduslikult vastuvõetamatud: assistent, mis suurendab üksikute töötajate efektiivsust kümme protsenti, ei asenda tõelist agenti, kes muudab terveid osakonna funktsioone.
Gartner ennustab, et 2027. aastaks hüljatakse enam kui 40 protsenti kõigist agentide tehisintellekti projektidest – peamiselt ebaselge investeeringutasuvuse ja kapitali vale jaotamise tõttu. See tähendab, et enamik ettevõtteid, kes investeerivad tänapäeval „tehisintellekti agentidesse“, ostavad tooteid, mis ei vasta nende ootustele. Kahju pole ainult rahaline. Ebaõnnestunud tehisintellekti projektid tekitavad organisatsioonis skepsist, mis lükkab edasi või takistab hilisemat, potentsiaalselt transformatiivset tõeliste agentide süsteemide kasutuselevõttu.
Platvorm pwa.ist hindab agendipesu põhimõttel kaubeldava turu mahuks kahekohalise miljardi numbri. Seda hinnangut on oma olemuselt raske kontrollida, kuid see peegeldab struktuurilist ebaühtlust, mis tekib turul, kus regulatiivse terminoloogia haldamine puudub. ELis töötab tehisintellekti seadus autonoomsete süsteemide klassifitseerimisraamistike kallal – see arendus võiks pikas perspektiivis pakkuda suuremat terminoloogilist selgust, kuid ei paku lühiajalist kaitset praegustele hankeotsustele.
Praktiline kontrollnimekiri hoolsuskohustuse täitmiseks
IT-otsustajatele ja hankejuhtidele, kes navigeerivad eksitavate lubadustega täidetud turul, on soovitatav struktureeritud hindamisprotsessi kasutamine. McKinsey uuring „Tehisintellekti olukord 2025. aastal” näitas, et 88 protsenti ettevõtetest kasutab tehisintellekti vähemalt ühes ärivaldkonnas, kuid ainult umbes 23 protsenti on edukalt kasutusele võtnud autonoomsed tehisintellekti süsteemid suures mahus. Seega on tehisintellekti kasutuselevõtu ja tegelike agentide rakendamise vaheline lõhe empiiriliselt tõestatud.
Teadliku ostuotsuse peamised kriteeriumid on järgmised: Kas süsteem suudab säilitada varasematest suhtlustest seansside jooksul õpitud teavet? Kas see suudab keerulise eesmärgi jagada mitmeastmeliseks tegevuskavaks ja seda ilma inimese sekkumiseta ellu viia? Kas see suhtleb natiivselt reaalsete ettevõtterakendustega (CRM, ERP, andmebaasid) API integratsiooni kaudu, mitte ainult tekstiväljundi kaudu? Kas see suudab tuvastada ja parandada oma täitmisplaanis vigu ilma kasutajale eskaleerimata? Kas süsteemi mitut spetsialiseeritud eksemplari saab koordineerida ja ühiselt juurutada? Kui kõiki viit kriteeriumi ei ole täidetud, on hinna ümberläbirääkimine minimaalne – ja toote ümberhindamine on sobivam reageering.
Tõeliselt agendipõhiste tehisintellekti süsteemide turg on reaalne, kiiresti kasvav ja sellel on märkimisväärne potentsiaal äritegevuse ümberkujundamiseks. Probleem ei ole tehnoloogias, vaid terminoloogias – ja majanduslikes stiimulites, mis selle ebaselgust ära kasutavad.