Pelajaran yang dipetik dari para pemimpin AICNACE AI mengungkapkan strategi penerbitan yang kritis

Perusahaan mempercepat agen intelijen buatan menjadi produksi – dan banyak dari mereka akan gagal. Tetapi alasannya tidak ada hubungannya dengan model kecerdasan buatan.

Pada hari kedua VB mengonversi 2025Para pemimpin industri telah berbagi pelajaran yang sulit dari penyebaran agen kecerdasan buatan dalam skala besar. Lukisan yang disutradarai oleh Joan Chen, mitra umum di Modal Dasar, Sean termasuk Malhotra, CTO di Perusahaan RudalYang menggunakan agen melalui perjalanan kepemilikan rumah dari berlangganan real estat ke obrolan pelanggan; Shailesh Nalawadi, kepala produser di burungYang membangun pengalaman layanan pelanggan untuk perusahaan melalui banyak sektor; Dan waanders, SVP dari transformasi kecerdasan buatan di CgnigyYang statuta mengotomatiskan pengalaman pelanggan pusat komunikasi dengan lembaga besar.

Penemuan bersama mereka: Perusahaan yang membangun evaluasi dan infrastruktur untuk koordinasi pertama berhasil, sementara mereka yang terburu -buru untuk produksi gagal dengan model yang kuat dalam skala besar.

Realitas Pengembalian Investasi: Di ​​luar mengurangi biaya sederhana

Bagian utama dari agen rekayasa AI untuk sukses adalah pemahaman tentang investasi (ROI). Publikasi agen kecerdasan buatan yang berfokus sejak dini pada pengurangan biaya. Meskipun ini tetap menjadi komponen utama, para pemimpin lembaga sekarang melaporkan pola investasi paling kompleks yang membutuhkan struktur teknis yang berbeda.

Kemenangan Pengurangan Biaya

Malhotra berbagi contoh biaya perusahaan rudal yang paling dramatis. Dia mengatakan: “Kami memiliki seorang insinyur (Organisasi Kesehatan Dunia) dalam waktu sekitar dua hari kerja yang berhasil membangun agen sederhana untuk menangani masalah yang sangat khusus yang disebut” akun pajak transfer “di bagian berlangganan real estat dari proses tersebut. Tegangan dua hari upaya menghemat juta dolar kepada kami setiap tahun dengan biaya.

Untuk cgnigy, waanders mencatat bahwa biaya setiap panggilan adalah skala utama. Dia mengatakan bahwa jika agen kecerdasan buatan digunakan untuk mengotomatisasi bagian -bagian dari panggilan ini, dimungkinkan untuk mengurangi rata -rata tangan penanganan setiap panggilan.

Metode pembuatan pendapatan

Menabung satu hal. Mencapai lebih banyak pendapatan adalah hal lain. Malhotra menyatakan bahwa timnya telah menyaksikan peningkatan transformasi: karena pelanggan mendapatkan jawaban atas pertanyaan mereka lebih cepat dan memiliki pengalaman yang baik, mereka berbelok dengan harga yang lebih tinggi.

Peluang pendapatan berkelanjutan

Nalawi sepenuhnya disorot oleh kemampuan pendapatan baru melalui kesadaran proaktif. Timnya memungkinkan layanan pelanggan pre -emptive, bahkan sebelum pelanggan menyadari bahwa mereka memiliki masalah.

Ini menjelaskan contoh makanan ini yang menghubungkan sepenuhnya. Dia berkata: “Mereka sudah tahu kapan permintaan itu tertunda, dan alih -alih menunggu pelanggan kesal dan dihubungi, mereka menyadari bahwa ada peluang untuk bergerak maju.”

Mengapa agen kecerdasan buatan merusak produksi

Meskipun ada peluang kuat untuk pengembalian investasi untuk lembaga yang menerbitkan AIC, ada juga beberapa tantangan dalam menyebarkan produksi.

Nalawadi telah mengidentifikasi kegagalan teknis dasar: Perusahaan membangun agen kecerdasan buatan tanpa penilaian infrastruktur.

“Sebelum Anda mulai membangunnya, Anda harus memiliki infrastruktur,” kata Nalwadi. “Kita semua terbiasa menjadi insinyur perangkat lunak.

Metode pengujian perangkat lunak tradisional tidak berfungsi dengan agen kecerdasan buatan. Dia menunjukkan bahwa tidak mungkin untuk memprediksi semua input yang mungkin atau menulis tes komprehensif untuk interaksi bahasa alami. Tim Nalawadi mempelajarinya melalui layanan pelanggan ritel dan pengiriman layanan makanan dan keuangan. Metode jaminan kualitas standar kehilangan kasus tepi yang muncul dalam produksi.

Tes Kecerdasan Buatan: Formulir Jaminan Kualitas Baru

Mengingat kompleksitas tes kecerdasan buatan, apa yang harus dilakukan organisasi? Waanders menyelesaikan masalah tes melalui simulasi.

“Kami memiliki fitur yang segera kami luncurkan tentang potensi percakapan yang simulasi,” jelas Wandar. “Oleh karena itu, agen kecerdasan buatan menguji agen kecerdasan buatan.”

Tes ini bukan hanya tes kualitas percakapan, itu adalah analisis perilaku yang meluas. Bisakah ini membantu memahami bagaimana agen menanggapi pelanggan yang marah? Bagaimana Anda menangani berbagai bahasa? Apa yang terjadi ketika pelanggan sehari -hari menggunakan?

Dan Warsers berkata: “Tantangan terbesar adalah Anda tidak tahu apa yang tidak Anda ketahui.” “Bagaimana cara berinteraksi dengan apa pun yang dapat dijangkau siapa pun? Anda hanya menemukannya dengan mensimulasikan percakapan, dengan benar -benar mendorong mereka di bawah ribuan skenario yang berbeda.”

Pendekatan ini menguji perbedaan demografis, keadaan emosi dan situasi tepi yang tidak dapat dicakup oleh tim jaminan kualitas manusia secara komprehensif.

Ledakan kompleks yang akan datang

Agen kecerdasan buatan yang sempurna menangani satu tugas secara mandiri. Para pemimpin yayasan perlu mempersiapkan realitas yang berbeda: ratusan agen untuk setiap organisasi belajar dari satu sama lain.

Efek infrastruktur sangat besar. Ketika agen berbagi data dan kerja sama, situasi kegagalan secara dramatis berlipat ganda. Sistem pemantauan tradisional tidak dapat dilacak.

Perusahaan teknik arsitektur sekarang harus menyulitkan. Biaya memperbarui infrastruktur multi -agen jauh lebih baik dibangun sejak awal.

“Jika Anda dengan cepat maju dalam apa yang mungkin dalam teori, mungkin ada ratusan dari mereka di suatu lembaga, dan mereka dapat belajar dari satu sama lain,” kata Chen. “Jumlah hal yang bisa terjadi hanya meledak. Kompleksitas meledak.”