Wdrażanie agentowej AI: czego najczęściej brakuje organizacjom

Agenty AI przestają tylko wspomagać pracę – zaczynają ją wykonywać.

Organizacje przechodzą od eksperymentów do wdrażania agentów bezpośrednio w procesach biznesowych – łączą je z systemami firmowymi, przypisują im zadania i oczekują, że będą wykonywać realną pracę.

Sednem tej zmiany jest właśnie wdrażanie agentowej AI. Firmy podchodzą do niej dziś z dużym entuzjazmem i chętnie eksperymentują, ale wdrożenia gotowe do pracy na pełną skalę wciąż są rzadkością – potwierdza to też badanie Gartnera dotyczące obecnej dojrzałości generatywnej AI.

Na pierwszy rzut oka to naturalny kolejny krok. Ale gdy agenty przechodzą od wspierania pracy do samodzielnego wykonywania zadań, pojawia się inne pytanie:

Czy naprawdę potrafią działać zgodnie z zasadami i strukturą, jakich wymagają procesy biznesowe w firmie?

W wielu przypadkach to, co wygląda na postęp, szybko pokazuje, że czegoś brakuje. Agenty potrafią korzystać z narzędzi. Potrafią wykonywać zadania. Ale sposób, w jaki to robią – krok po kroku – często pozostaje niespójny, nieprzejrzysty i trudny do kontrolowania.

I właśnie w tym miejscu agentowa AI przestaje być kwestią technologii, a staje się kwestią procesu.

Problem nie polega na tym, co agenty umieją zrobić. Polega na tym, kto i jak kieruje ich działaniem. W wielu organizacjach logika procesu, która powinna to działanie porządkować, jest niepełna, niejasna albo w ogóle jej nie ma.

Kroki nie są jasno zdefiniowane. Nie wiadomo, kto za co odpowiada. Punkty decyzyjne, weryfikacje i ograniczenia nie są konsekwentnie stosowane. Agenty więc improwizują.

Wykonują zadania – ale sposób dojścia do wyniku zmienia się za każdym razem. Inne narzędzia, inne ścieżki, inne decyzje.

Wynik może być nadal zadowalający. Ale firma nie może opierać swojego działania wyłącznie na wynikach z „czarnej skrzynki” – systemu, którego działania nie da się prześledzić ani wyjaśnić.. Potrzeba wykonania, które da się przewidzieć, prześledzić i mieć pod kontrolą.

Organizacje muszą rozumieć, jak proces przechodził z jednego kroku do kolejnego, jakie działanie wywołało każde przejście i czy wymagane punkty weryfikacji lub zatwierdzenia rzeczywiście zostały zachowane. I tu zaczyna się prawdziwe wyzwanie.

Jednym z największych błędnych założeń w dzisiejszym podejściu do AI jest przekonanie, że skoro agent ma dostęp do systemów i danych firmy, to automatycznie potrafi wykonać sensowną pracę. Potrafi przecież odczytywać dane z systemów, wywoływać akcje i rozmawiać z użytkownikami – więc niby wszystko powinno się zgadzać.

Ale procesy biznesowe to nie tylko zbiory pojedynczych akcji. To uporządkowane ciągi odpowiedzialności, decyzji, weryfikacji i ograniczeń. Gdy tych struktur brakuje albo są zdefiniowane tylko pobieżnie, agent musi sam wymyślić, jak wykonać zadanie.

W pewnym sensie wiele organizacji robi coś, czego nigdy nie zrobiłoby wobec nowego pracownika: daje dostęp do systemów i oczekuje natychmiastowych efektów, bez żadnego wdrożenia do pracy.

Agentom rzadko wyjaśnia się, jak proces powinien faktycznie przebiegać, które kroki są obowiązkowe, gdzie potrzebne jest zatwierdzenie, a jakie działania są dozwolone, a jakie nie. Zamiast tego agent opiera się na własnym rozumowaniu w trakcie działania.

To daje elastyczność. Ale bez wyznaczonych granic tworzy też nieprzewidywalność. I właśnie w tym miejscu wdrażanie agentowej AI zaczyna zawodzić w warunkach firmowych.

Żeby działać niezawodnie w firmie, agenty AI potrzebują czegoś więcej niż celów i dostępu do narzędzi. Potrzebują wskazówek. W większości organizacji taka wiedza już istnieje: to zdefiniowane przepływy pracy, sekwencje zadań, logika decyzyjna, role i odpowiedzialności oraz punkty zgodności czy zatwierdzeń.

Problem w tym, że ta wiedza jest zwykle rozrzucona po różnych dokumentach i systemach. Jest pisana z myślą o człowieku, a nie w sposób, który wspiera wykonanie zadania przez system.

Właśnie tutaj kluczową rolę zaczyna odgrywać zarządzanie procesami biznesowymi (BPM). Uporządkowany fundament BPM nie tylko dokumentuje, jak praca powinna przebiegać. Określa też, jak można ją wykonać w sposób kontrolowany, możliwy do prześledzenia i powtarzalny. A dokładnie tego potrzebuje agentowa AI.

Większość organizacji skupia się dziś na tym, żeby agenty AI w ogóle mogły działać: łączy je z systemami, udostępnia im narzędzia i poszerza zakres tego, co potrafią zrobić. Ale nasuwa się inne pytanie: co, jeśli prawdziwym wyzwaniem nie jest to, żeby agent mógł działać, tylko to, żeby wiedział, jak działać?

W wielu przypadkach fundament już istnieje. Modele procesów, przepływy pracy i logika decyzyjna często już są na miejscu w firmie. Brakuje tylko tego, żeby faktycznie wpływały na sposób wykonania zadań.

W BOC Group sprawdziliśmy prosty, ale istotny pomysł:

Czy uporządkowane modele procesów można wykorzystać nie tylko do opisywania pracy – ale też do kierowania agentami AI, gdy ją wykonują?

Wykorzystaliśmy modele procesów z ADONIS, żeby pokazać agentowi, jak wykonać zadanie, i wprowadziliśmy przejrzyste przepływy pracy do środowiska, w którym agent miał dostęp do wielu narzędzi.

Zamiast pozwolić agentom samodzielnie wyznaczać drogę od celu do wyniku, ADONIS dał im jasny punkt odniesienia: co zrobić, w jakiej kolejności, pod jakimi warunkami i z jakimi systemami się skontaktować.

Efekty były obiecujące. Im bardziej jednoznaczna i spójna jest wiedza o procesie, tym mniej agent musi zgadywać, a wykonanie zadania staje się bardziej stabilne. Nie idealnie, ale wyraźnie.

Nasze badanie ujawniło kilka powtarzających się prawidłowości w działaniu agentów, które warto dziś znać.

Gdy agenty działają bez wskazówek, próbują różnych ścieżek wykonania tego samego zadania. Uporządkowane modele procesów pomagają utrzymać ich pracę zgodną z zamierzonym przepływem pracy.

Sama nazwa zadania to zwykle za mało – bywa zbyt ogólna. Gdy zadania jasno opisują swój cel i oczekiwany wynik, agenty wykonują je bardziej spójnie.

Bez precyzyjnie wyznaczonych granic agenty mogą wywoływać narzędzia w nieprzewidywalny sposób. Jeśli określimy, które działania należą do którego kroku, cały proces staje się bardziej przewidywalny i stabilny.

Im bardziej uporządkowany i kompletny jest opis procesu, tym łatwiej agentowi go zinterpretować i się do niego zastosować.

Razem te obserwacje prowadzą do prostego wniosku: agentowa AI nie zastępuje struktury procesu. Ona od niej zależy.

Przygotowanie do agentowej AI zaczyna się nie od wdrożenia agentów, lecz od stanu Twoich procesów: jak dobrze są dziś zdefiniowane, uporządkowane i nadzorowane.

ADONIS już dziś pomaga organizacjom budować dokładnie taki fundament:

• jasne i uporządkowane modele procesów
• zdefiniowane role, odpowiedzialności i przekazania zadań
• przejrzysta logika decyzyjna i punkty zatwierdzeń
• wspólna i dostępna wiedza o procesach
• ciągła analiza i optymalizacja dzięki process mining i symulacji

Same możliwości nie są nowe – zmienia się ich rola. Narzędzia, które od dawna wspierały projektowanie, dokumentowanie, analizę i nadzór nad procesami, dziś mogą też wskazywać AI, jak wykonać zadanie.

Nie każdy model procesu jest od razu gotowy, by kierować agentem. Ale organizacje z dojrzałą i dobrze uporządkowaną wiedzą o procesach zaczynają z zupełnie innej pozycji niż firmy, które próbują wdrożyć AI na podstawie rozproszonych albo niejasnych przepływów pracy.

Modele procesów przestają być „tylko dokumentacją”. Stają się częścią fundamentu, dzięki któremu wykonanie zadań przez agenty może być bardziej niezawodne, zrozumiałe i możliwe do kontrolowania.

Agentowa AI nie stanie się gotowa do pracy w firmach z dnia na dzień. Organizacje, które już dziś inwestują w uporządkowaną wiedzę o procesach, robią właściwe kroki – wprowadzają jasność tam, gdzie wykonanie wymaga spójności, wyznaczają granice tam, gdzie autonomia wymaga kontroli, i budują przejrzystość tam, gdzie decyzje muszą dać się prześledzić.

Dzięki temu są też w lepszej pozycji, by ocenić, gdzie wykonanie zadań przez agenty może dać realną wartość, gdzie nadzór człowieka musi pozostać i jakiego rodzaju nadzoru potrzeba, w miarę jak AI przejmuje coraz aktywniejszą rolę w procesach biznesowych.

Innymi słowy, te organizacje nie tylko usprawniają swoje procesy. Budują warunki, w których można skutecznie wykorzystywać AI.

Przejście na agentową AI to nie tylko zmiana technologiczna. To zmiana w sposobie, w jaki organizacje muszą myśleć o wykonywaniu pracy.

Autonomia bez struktury prowadzi do eksperymentowania. Autonomia w uporządkowanym środowisku procesowym prowadzi do skalowalnej automatyzacji, nad którą firma zachowuje pełną kontrolę. Dlatego dojrzałość procesowa szybko staje się warunkiem dojrzałości AI.

Organizacje, które najwięcej zyskają na agentowej AI, to niekoniecznie te z dostępem do najnowszych modeli. Będą to te, które posiadają fundament procesowy pozwalający kierować wykonaniem zadań, egzekwować granice i mieć pełną kontrolę nad wynikami.

To jest prawdziwe pytanie o gotowość, jakie kryje się za wdrażaniem agentowej AI – nie tylko, czy organizacja potrafi ją wdrożyć, ale czy potrafi zachować nad nią kontrolę.

Nasz whitepaper „Agentowa AI w praktyce: Jak BPM zapewnia kontrolę nad autonomicznymi przepływami pracy” pokazuje, jak uporządkować modele procesów, żeby skuteczniej i bardziej przewidywalnie kierować agentami AI. Znajdziesz w nim zasady projektowania, które przetestowaliśmy, napotkane wyzwania oraz przykłady przepływów pracy, na podstawie których sformułowaliśmy nasze wnioski.