O poder de AI generativa pegou o mundo dos negócios de surpresa. Não foi até o lançamento do ChatGPT que muitos executivos realmente apreciaram o impacto sísmico desses grandes modelos de idiomas (LLMS), e muitas empresas ficaram lutando para acompanhar. À medida que entramos no que provavelmente será um período de revolução permanente, durante a qual as capacidades de Genai progredirão muito mais rápido do que as empresas poderão se adaptar, as empresas simplesmente não podem se dar ao luxo de sentar e esperar. O próximo salto AI -agentes autônomos-poderiam entrar no mainstream nos próximos anos e promete ser ainda mais transformador do que os LLMs de hoje. Alguns podem automatizar tarefas específicas, mas ainda exigem que um humano insira uma série de avisos e monitore a saída. Por outro lado, agentes autônomos - que são em parte compostos por LLMs - serão capazes de redesenhar e automatizar fluxos de trabalho inteiros. Eles planejam como executar tarefas de ponta a ponta, consultando iterativamente o LLMS (através de chamadas de interface de programação de aplicativos (API), onde um aplicativo solicita dados ou serviços de outro), monitorando a saída e usando outras ferramentas digitais para atingir uma determinada meta. Como discutimos nos exemplos abaixo, agentes autônomos podem ser usados para projetar, executar e refinar campanhas de marketing inteiras ou realizar testes de P&D por meio de simulação em escala. Os agentes autônomos são, de fato, sistemas dinâmicos que podem sentir e agir em seu ambiente. Em outras palavras, com LLMs independentes, você tem acesso a um cérebro poderoso; Agentes autônomos adicionam braços e pernas. Agentes autônomos adicionam braços e pernas.
Although most current LLM-based applications change how information is gathered and delivered, they stop short of operating independently. Some can automate specific tasks, but they still require a human to input a series of prompts and monitor the output. In contrast, autonomous agents—which are in part made up of LLMs—will be capable of redesigning and automating entire workflows. They plan how to execute tasks end to end, iteratively querying LLMs (through application programming interface (API) calls, where one application requests data or services from another), monitoring output, and using other digital tools to accomplish a given goal. As we discuss in examples below, autonomous agents could be used to design, execute, and refine entire marketing campaigns or undertake R&D testing through at-scale simulation. Autonomous agents are, in effect, dynamic systems that can both sense and act on their environment. In other words, with stand-alone LLMs, you have access to a powerful brain; autonomous agents add arms and legs.
With stand-alone large language models, you have access to a powerful brain; autonomous agents add arms and legs.
A chegada de agentes autônomos ao mainstream não está longe. Os agentes de hoje ainda não têm a controlabilidade e a previsibilidade necessárias para o uso generalizado, mas as empresas de tecnologia estão fazendo melhorias constantes. Os bots personalizados anunciados recentemente da OpenAI são uma etapa clara nessa direção; Eles podem usar APIs externas para encontrar informações específicas ou para realizar ações simples, como ajudar com uma compra de comércio eletrônico. Hoje, as empresas devem começar a se preparar para a adoção em larga escala de agentes autônomos, ajustando seu planejamento estratégico generativo de IA-incluindo sua arquitetura de tecnologia, planejamento da força de trabalho, modelo de operação e políticas-para garantir que seu roteiro de transformação seja robusto e pronto.
O potencial explosivo de agentes autônomos
Autonomous agents use the power of LLMs to sense and act on their environment by creating, executing, and prioritizing tasks. The process starts when the agent receives an objective. The agent then breaks down the goal into individual tasks and creates a set of bite-sized prompts to tackle each one. These prompts are fed to an LLM iteratively and, as tasks are completed, the agent creates new, better prompts that incorporate the results of the preceding iterations. The agent’s process of generating prompts and building on the results may be parallel or sequential depending on the system design. The agent also actively reorders and prioritizes the tasks according to the results. The system continues this cycle of breaking down the goal into tasks, generating prompts, evaluating results, and prioritizing until the goal is met or deemed unattainable (in which case, the agent shuts down the process).
In an enterprise setting, agents’ potential to automate whole sets of tasks can have multiple uses, two of which we will explore here: their ability to reduce the need for human intervention in workflows, and their ability to facilitate the testing of products, services, and scenarios at scale.
Automatando fluxos de trabalho inteiros. Ao configurar um agente, os seres humanos podem alimentar a documentação para ferramentas digitais ao agente, que "saberá" como usá -las; Ele poderá enviar instruções para essas ferramentas e obter resultados de volta através de chamadas de API. Ou seja, agentes autônomos podem "dizer" diretamente "a outros sistemas corporativos o que fazer. Isso pode alterar fundamentalmente a maneira como uma empresa opera, permitindo que a implantação de automação de maneira mais holística e significativamente reduz os custos de mão -de -obra. Isso pode mudar fundamentalmente a maneira como uma empresa opera, permitindo que a implantasse a automação de maneira mais holística. To fully appreciate the workflow automation potential of autonomous agents, it is important to understand that they can actually use digital tools when they are properly integrated with them. When configuring an agent, humans can feed the documentation for digital tools to the agent, which will then “know” how to use them; it will then be able to send instructions to these tools and get results back through API calls. That is, autonomous agents can directly “tell” other enterprise systems what to do. This could fundamentally change how a company operates, enabling it to deploy automation more holistically and significantly reduce labor costs.
Autonomous agents can directly “tell” other enterprise systems what to do. This could fundamentally change how a company operates, enabling it to deploy automation more holistically.
Além disso, os agentes autônomos têm o potencial de superar a automação tradicional de processos robóticos (RPA). O RPA já permite a automação do fluxo de trabalho, mas é baseado em “if-then”, predefinir regras para processos que podem ser divididos em etapas estritamente definidas e discretas. Isso torna caro construir e limita consideravelmente sua gama de aplicações. Por outro lado, os agentes são universais; Eles não são limitados por cenários codificados, nem exigem regras explícitas explicitadas com antecedência. Eles prometem produzir automação adaptativa que pode ser aplicada a uma gama mais ampla de tarefas. Por exemplo, em um futuro próximo, um agente autônomo poderia permitir que um executivo de marketing esculpe e automatize segmentos inteiros de trabalho. Com base nas campanhas de marketing anteriores de uma empresa, o agente poderia determinar o que funcionou e o que não funcionou, tomando suas próprias decisões para o design futuro de email, agendamento, gráficos e linhas de assunto. Também pode identificar os tipos de consumidores que uma campanha deve ter como alvo e, em seguida, avaliar se os resultados - abre, visualizações, cliques e respostas - vale a pena reportar de volta ao gerenciamento. Se os resultados não cumprirem o objetivo da campanha, o agente poderá começar independentemente, criando uma nova e refinada lista de clientes-alvo com base nas respostas à campanha anterior. (Os LLMs também estão sendo usados dessa maneira para modelar sistemas sociais para pesquisas acadêmicas, construindo metodologias tradicionais de modelagem baseadas em agentes.) No entanto, essas simulações ainda exigem que os seres humanos interajam com o LLM para obter informações relevantes e, mais importante, em direção a que são propensos a que os agentes do LILM podem ter o treinamento subjacente. uma gama mais ampla de aplicativos. Para começar, os agentes podem gerar personalidades virtuais mais realistas, realizando pesquisas primárias na forma de pesquisas e entrevistas, o que ajudaria a ancorar simulações às características reais dos segmentos de usuários relevantes. Mais significativamente, como os agentes contornam a necessidade de seres humanos que levam a um LLM para guiar e extrair insights de uma simulação, seria possível realizar vários testes de A-i-i-i-i-iabled de maior complexidade a menor custo e maior velocidade. Em outras palavras, os agentes dariam às empresas acesso à valiosa ferramenta de simulações automatizadas de cenários em larga escala.
Given these characteristics, the impact of agents will be much deeper than today’s use of LLMs as (primarily) copilots. For instance, in the near future, an autonomous agent could allow a marketing executive to carve out and automate whole segments of work. Based on a company’s past marketing campaigns, the agent could determine what worked and what didn’t, making its own decisions for future email design, scheduling, graphics, and subject lines. It could also identify the types of consumers a campaign should target and then assess whether the results—opens, views, clicks, and responses—are worth reporting back to management. If the results fail to meet the campaign’s objective, the agent could independently start again, creating a new, more refined list of target customers based on responses to the previous campaign.
Simulations at Scale. Companies are already using LLMs as simulators of human behavior, particularly in the form of AI-based focus groups of virtual personae to assess market fit for new products or services. (LLMs are also being used in this way to model social systems for academic research, building on traditional agent-based modeling methodologies.) However, these simulations still require humans to interact with the LLM to gain relevant insights and, more importantly, they are prone to bias grounded in the LLM’s underlying training data.
Autonomous agents may go a long way toward addressing these issues, making it possible to run simulations at scale and for a wider range of applications. To start with, agents may generate more realistic virtual personae by conducting primary research in the form of surveys and interviews, which would help anchor simulations to the real characteristics of relevant user segments. More significantly, because agents circumvent the need for humans prompting an LLM to guide and extract insights from a simulation, it would be possible to conduct multiple AI-enabled tests of greater complexity at lower cost and greater speed. In other words, agents would give companies access to the valuable tool of automated, large-scale scenario simulations.
Agentes autônomos não substituirão a profundidade e a riqueza das investigações qualitativas pessoais que as empresas costumam usar como insumos estratégicos. Pelo contrário: ao permitir simulações sofisticadas a baixo custo, elas ajudarão as empresas a identificar as perguntas ou questões que exigem aquelas metodologias de pesquisa de mercado mais trabalhosas e caras. Leia mais:
Como as empresas podem se preparar
Agentes autônomos ainda têm aplicabilidade limitada devido aos riscos e limitações associados à confiabilidade, potencial de uso malicioso e maior precipitação de ataques cibernéticos. No entanto, nenhum desses desafios parece ser um quebra de negócio. As empresas de tecnologia estão abordando -lhes e os especialistas que entrevistamos estimam que os agentes autônomos estarão prontos para serem mainstream dentro de três a cinco anos; Alguns acreditam que podemos ver sistemas confiáveis com autonomia limitada antes disso. Alguns acreditam que podemos ver sistemas confiáveis com autonomia limitada antes disso.
The experts we interviewed estimate that autonomous agents will be ready to go mainstream within three to five years; some believe that we may see reliable systems with limited autonomy before then.
Um período de três a cinco anos pode parecer muito tempo para as tecnologias evoluirem, mas da perspectiva das empresas que precisam planejar e realizar programas de transformação extensos, pode ser amanhã. A mensagem é clara: as empresas terão dificuldades para absorver essas tecnologias se não começarem a se preparar hoje. Os líderes devem se concentrar nas quatro ações a seguir:
Prepare sua arquitetura para os agentes. No entanto, em antecipação de agentes autônomos, eles também devem garantir que os LLMs sejam capazes de recuperar dados e comunicar instruções a esses sistemas por meio de APIs bidirecionais. Produtos, serviços ou modelo operacional. O investimento em P&D atualmente em andamento para aplicativos generativos de IA deve ser expandido para identificar os fluxos de trabalho adequados para a automação de ponta a ponta (futura) com agentes autônomos também. As empresas devem manter esse estado futuro em mente durante seus exercícios de planejamento da força de trabalho e serem prudentes em priorizar os conjuntos de habilidades que provavelmente permanecerão relevantes. Por exemplo, as empresas de serviços profissionais podem encontrar um futuro em que agentes autônomos comoditizem atividades aparentemente complexas e de várias etapas que até agora se provaram resistentes à automação. Essas empresas podem precisar dar uma olhada nas práticas atuais de contratação para garantir que estejam selecionando habilidades que possam apoiar a adoção e expansão de substitutos automatizados dos fluxos de trabalho de trabalho de trabalho atuais. Companies focused on deploying today’s LLMs will likely focus on setting up one-way flows for LLMs to retrieve information from enterprise systems. However, in anticipation of autonomous agents, they should also ensure that LLMs be able to both retrieve data and communicate instructions to those systems through bidirectional APIs.
Scout and prepare to experiment. Companies should scout for new developments in autonomous agent technology and select solutions that can be tested—even if they are still in early stages of development—to create new sources of competitive advantage in terms of products, services, or operating model. Investment in R&D currently underway for generative AI applications should be expanded to identify workflows suitable for (future) end-to-end automation with autonomous agents as well.
Stress-test your people strategy. GenAI today can support tasks in a copilot role, whereas agents will be able to automate entire workflows. Companies should keep this future state in mind during their workforce planning exercises and be prudent about prioritizing skill sets that are likely to stay relevant. For example, professional services firms may encounter a future where autonomous agents commoditize seemingly complex, multistep activities that have thus far proven resistant to automation. Such firms may need to take a hard look at current hiring practices to ensure they are selecting for skills that can support the adoption and expansion of automated substitutes of today’s labor-intensive workflows.
Anticipate the need for a social license. To support the widespread deployment of this technology, securing a Licença social é crucial. A regulamentação pode levar algum tempo para alcançar a tecnologia; Até então, as empresas devem aplicar a auto-imposta para garantir o uso apropriado e seguro dessa tecnologia, tanto dentro da organização quanto em aplicativos voltados para o cliente. Enquanto robusto Auto-regulação pode estabelecer os fundamentos de uma licença social, não é uma solução sustentável por si só. Por esse motivo, as empresas também devem se envolver ativamente com os reguladores para ajudá -los a criar a abordagem correta para governar e monitorar o uso de agentes autônomos e tecnologias semelhantes no futuro. A adoção parece uma necessidade, mas que vem com sérios riscos e desafios. No entanto, mesmo quando lidam com o presente, eles precisam se concentrar no futuro. A Revolução Genai está apenas começando - e provavelmente continuará em velocidade vertiginosa.
For many executives, the rapid rise of generative AI has triggered months of exhilaration and trepidation; adoption has felt like a necessity, but one that comes with serious risks and challenges. Yet even as they grapple with the present, they have to focus on the future. The GenAI revolution has only just begun—and is likely to continue at breakneck speed.
