Intuit Ini telah dalam perjalanan selama beberapa tahun terakhir dengan Ai Toulidi, dan penggabungan teknologi sebagai bagian dari layanannya menjadi QuickBooks, Credit Karma, TurboTax dan Mailcheimp.

Saat ini, perusahaan mengambil langkah berikutnya dengan serangkaian agen kecerdasan buatan yang melebihi ini untuk mengubah karya perusahaan kecil dan menengah di pasar. Agen -agen baru ini bekerja sebagai tim virtual yang mengotomatiskan alur kerja dan memberikan visi komersial dalam waktu yang sebenarnya. Ini termasuk kemampuan pembayaran, akun, dan pembiayaan yang secara langsung akan memengaruhi operasi komersial. Menurut Intuit, pelanggan menyediakan hingga 12 jam per bulan, dan rata -rata, mereka akan mendapatkan upah hingga lima hari lebih cepat berkat agen baru.

“Jika Anda melihat jalannya pengalaman kecerdasan buatan kami di Intuit pada tahun -tahun pertama, kecerdasan buatan dibangun di latar belakang, dan dengan bantuan Intuit, saya melihat pergeseran untuk memberikan informasi kepada pelanggan.” “Sekarang yang kamu lihat adalah desain ulang penuh. Agen sudah atas nama pelanggan, dengan izin mereka.”

Teknik Arsitektur Teknis: Dari pemula yang diatur ke agen produksi

Intuit menjalankan jalur dari tambahan ke AICeric AI untuk beberapa waktu.

Pada bulan September 2024, perusahaan merinci rencananya untuk menggunakan kecerdasan buatan untuk mengotomatiskan tugas -tugas kompleks. Ini adalah pendekatan yang dibangun dengan kuat di atas platform IQ kebidanan perusahaan (Genos), dasar untuk upaya kecerdasan buatan.

Awal bulan ini, Intuit mengumumkan serangkaian upaya yang memperluas kemampuannya. Perusahaan telah mengembangkan layanan peningkatan klaimnya, yang akan meningkatkan informasi untuk setiap model bahasa utama (LLM). Ini juga telah mengembangkan apa yang disebut lapisan persepsi pintar untuk data lembaga, yang dapat memahami berbagai sumber data yang diperlukan untuk fungsi lembaga.

Setelah langkah maju, Intuit telah mengembangkan alat yang ditetapkan untuk dimulainya agen yang bergantung pada dasar teknis perusahaan untuk memungkinkan pengembangan AIC.

Portofolio Agen: Dari Arus Kas ke Manajemen Pelanggan

Dengan adanya dasar teknis, termasuk awal agen, Intuit telah membangun serangkaian agen baru yang membantu pemilik bisnis untuk menyelesaikan masalah.

Sayap Agen Intuit menjelaskan pengembangan teknis yang diperlukan untuk beralih dari kecerdasan buatan ke implementasi alur kerja independen. Setiap agen berkoordinasi, pemrosesan NLP, dan keputusan independen dalam operasi komersial penuh. Termasuk:

Agen pembayaran: Ini bekerja secara independen pada arus kas dengan memprediksi pembayaran terlambat, menghasilkan tagihan dan mengimplementasikan urutan follow -UP.

Agen akuntansiPengembangan Sistem Berbasis Aturan Intuit untuk memegang buku catatan independen. Agen sekarang secara mandiri berurusan untuk mengklasifikasikan transaksi dan rekonsiliasi dan menyelesaikan alur kerja, dan menyediakan buku yang lebih bersih dan lebih akurat.

PembiayaanOtomatisasi analisis strategis secara tradisional membutuhkan alat intelijen bisnis khusus (BI) dan analis manusia. Analisis Indeks Kinerja Utama (KPI) memberikan dan memprediksi skenario berdasarkan pada bagaimana perusahaan didirikan terhadap standar sebaya sambil menghasilkan rekomendasi pertumbuhan secara mandiri.

Intuit juga membangun agen sumbu pelanggan yang akan membantu tugas akuisisi pelanggan. Perlakuan pernyataan gaji serta upaya manajemen proyek adalah bagian dari rencana penerbitan di masa depan.

Di luar antarmuka pengguna untuk percakapan: desain agen yang diarahkan ke tugas

Faktor -faktor baru ini membedakan perkembangan dalam cara memperkenalkan kecerdasan buatan kepada pengguna.

Antarmuka Intuit diungkapkan oleh prinsip -prinsip pengalaman pengguna yang penting untuk menerbitkan agen lembaga. Alih -alih memasang kemungkinan kecerdasan buatan pada program saat ini, perusahaan direstrukturisasi terutama untuk pengalaman pengguna QuickBooks terutama untuk AI.

“Antarmuka pengguna sekarang benar -benar diarahkan tentang tugas kerja yang harus dilakukan,” jelas Srivastava. “Ini memungkinkan visi dan rekomendasi dalam waktu yang sebenarnya untuk mengakses pengguna secara langsung.”

Pendekatan ini berpusat pada tugas dengan antarmuka berbasis obrolan yang mendominasi alat AI untuk lembaga saat ini. Alih -alih meminta pengguna untuk belajar menuntut permintaan atau bergerak dalam aliran percakapan, agen bekerja dalam alur kerja saat ini. Sistem ini mencakup apa yang disebut “ringkasan komersial” yang memberikan prosedur dan rekomendasi agen dalam konteks.

Keyakinan dan Verifikasi: Tantangan Episode Tertutup

Salah satu aspek terpenting secara teknis implementasi Intuit mengatasi tantangan penting dalam menerbitkan agen independen: verifikasi dan kepercayaan diri. AI Enterprise AI sering berjuang dengan masalah kotak hitam – bagaimana kinerja agen kecerdasan buatan dengan baik ketika mereka bekerja secara mandiri?

“Untuk membangun kepercayaan diri dengan sistem kecerdasan buatan, kita perlu memberikan poin bukti kepada pelanggan bahwa apa yang mereka pikir sebenarnya terjadi,” Srivastava menekankan. “Episode tertutup ini sangat penting.”

Solusi Intuit termasuk membangun kemampuan verifikasi langsung ke GenOS, memungkinkan sistem untuk memberikan bukti prosedur agen dan hasil. Untuk agen pembayaran, ini berarti bahwa pengguna mengklarifikasi bahwa tagihan telah dikirim, melacak pengiriman dan menunjukkan peningkatan dalam kursus pembayaran yang dihasilkan dari prosedur agen.

Pendekatan verifikasi ini menyediakan templat untuk tim lembaga yang menerbitkan faktor independen dalam operasi komersial berisiko tinggi. Alih -alih meminta pengguna untuk percaya pada output kecerdasan buatan, sistem ini menyediakan jalur yang dapat diaudit dan hasil yang terukur.

Apa artinya ini bagi institusi yang ingin mengakses AICeric AI

Evolusi Intuit menyediakan peta jalan yang nyata untuk kelompok -kelompok lembaga yang merencanakan aplikasi kecerdasan buatan independen:

Fokus pada menyelesaikan alur kerja, bukan percakapan: Ini menargetkan operasi untuk otomatisasi komprehensif alih -alih membangun fasad obrolan untuk tujuan umum.

Membangun infrastruktur untuk koordinasi agen: Investasikan dalam platform yang mengoordinasikan prediksi, pemrosesan bahasa dan implementasi independen dalam alur kerja terpadu, bukan alat yang terisolasi dari kecerdasan yang terisolasi.

Sistem verifikasi desain sebelumnya: Sertakan jalur audit yang komprehensif dan lacak hasil dan pemberitahuan pengguna sebagai kemampuan dasar alih -alih insiden berikutnya.

Peta alur kerja sebelum membangun teknologi: Gunakan program konsultasi untuk pelanggan untuk menentukan kemampuan agen berdasarkan tantangan operasional yang sebenarnya.

Rencanakan untuk mendesain ulang antarmuka: Meningkatkan UX untuk fungsi agen alih -alih pola mobilitas dalam program tradisional.

“Ketika model bahasa besar menjadi komoditas, percobaan tempat mereka dibangun menjadi lebih penting,” kata Srivastava.

Komunitas North Carolina lebih berkabung untuk kehilangan seorang petugas pemadam kebakaran yang meninggal saat menyelam di Tarsh dan Kaikos bersama keluarganya.

Jaywon Lyons meninggal awal bulan ini dalam perjalanan menyelam di pulau itu tak lama setelah mengambil foto, dia memberi tahu pacarnya, Sonia Moore, Reflektor Harian Greenville.

“Aku bergegas dan bahkan tidak bisa berdiri saat mereka melakukan CPR,” kata Moore outlet. “Orang tua saya memiliki anak saya dan saya hanya tinggal bersamanya. Kami mencoba membuatnya stabil. Dia stabil untuk sementara waktu.”

Pihak berwenang telah membawa Lyon ke rumah sakit setempat, dan Moore mencoba menjadwalkan perjalanan unit perawatan intensif ke Amerika Serikat.

Tubuh petugas pemadam kebakaran pulih dari liburan setelah kecelakaan dayung di akhir pekan

“Di rumah sakit, butuh giliran lebih buruk,” kata Moore kepada surat kabar Al -alash.

Lyon telah menyebar dengan sukarelawan Little River Fire Administration untuk membantu upaya bantuan setelah Badai Helen dan bertugas di banyak bagian pemadam di Carolina Utara lainnya sepanjang karirnya, menurut Departemen Pemadam Kebakaran Red Oak Riffy.

Mayat ayah yang hilang dari lima lima di Danau Georgia setelah perjalanan di Kayak

Jay Leon telah menyebar dengan sukarelawan Little River Fire Department untuk membantu upaya bantuan setelah Badai Helen dan bertugas di banyak bagian pemadam Carolina Utara lainnya sepanjang karirnya. (Departemen Komunitas Pedesaan Red Oak)

“Kami menyesal melaporkan hilangnya saudara kami Red OK, tembakan pemadam kebakaran, Jay Leon, hari ini dalam kecelakaan tragis ketika ia sedang berlibur di luar negeri,” kata kementerian dalam sebuah pos di Fores pada 6 Juni. “Jay dicintai di sini di Red Oak dan mengambil kesan permanen pada semua orang.”

“Dia adalah orang yang optimis yang mencintai keluarganya,” kata OK Red Oak.

Remaja Carolina Utara

Provinsi Idegkumb Leon diingat sebagai salah satu petugas pemadam kebakaran pertama di provinsi di sebuah pos pada 7 Juni.

Jay Leon meninggalkan dua putri, usia 3 dan 1. (Provinsi Idgkumb)

Provinsi itu berkata: “Sebagai salah satu petugas pemadam kebakaran pertama di Edgakum, ia melayani dengan keberanian, kebaikan dan hati kepada orang lain. Pengaruhnya jauh dari tim kami, dan semua orang yang mengenalnya dikagumi dan mencintainya.”

Klik di sini untuk mendapatkan aplikasi Fox News

“Help Help” mengatakan kepada keluarga Jaywon bahwa Lyon telah kembali ke North Carolina pada 23 Juni.

Leon meninggalkan dua putri, antara usia 3 dan 1.

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.”