U kontekstu rapidnog usvajanja AI agenata na razini poduzeća, pojavljuje se razdor između ambicija i stvarnosti. Iako 85% organizacija tvrdi da želi postati agentne unutar sljedeće tri godine, 76% njih smatra da njihovi trenutni operativni modeli i infrastruktura ne podržavaju tu promjenu. Navode nedostatak spremnosti u pogledu ljudi, procesa i radnih tokova.
Problem “lijepljenja trakama”
Izazov je u tome što mnoge organizacije često dodaju AI agente postojećim operacijama umjesto da preispitaju svoj operativni model i način na koji će rad trebati biti reorganiziran. Prasun Shah, globalni CTO za savjetovanje o radnoj snazi i glavni AI službenik u PwC UK, objašnjava: “Ugrađuju AI zaposlenike u ljudski operativni model, dodajući AI agente postojećim radnim strukturama, što je poput dodavanja ljepljivih traka na dijelove operativnog modela koji se raspadaju.”
Na taj način organizacije možda sprječavaju otključavanje pune vrijednosti koju agentni AI nudi, stvarajući okolnosti u kojima razočaranje može brzo nastati. Ta puna vrijednost leži u sposobnosti agenata da izvršavaju cijele radne tokove s ograničenim ljudskim doprinosom. Mogu koordinirati složene zadatke, donositi neovisne odluke, prilagođavati se promjenjivim uvjetima i ponavljati performanse.
U ranom istraživanju koje obuhvaća korisničku podršku, ljudske resurse i prodaju, već se procjenjuje da bi AI agenti mogli ubrzati poslovne procese za 30% do 50% te smanjiti vrijeme rada na zadacima male vrijednosti za 25% do 40% kada se primijene na velikoj skali. No s ovom sposobnošću dolazi veća složenost i potreba za promjenom na razini cijele tvrtke.
Razvijanje AI rječnika
Platforma za agentni AI Ema opisuje ovu promjenu kao agentnu poslovnu transformaciju (ABT), termin koji su skovali prošle godine u suradnji s HFS Research, pokušavajući popuniti prazninu u postojećem rječniku o AI agentima i pružiti poduzećima novi okvir za razmišljanje o vlastitom usvajanju tehnologije.
Prema Emi, ABT obuhvaća tri ključna stupa: tehnološki skup, radnu snagu i metrike uspjeha. “Vaš postojeći tehnološki skup bio je dizajniran za ljudske operacije, a treba ga preispitati kada je akter AI agent koji djeluje brzinom stroja preko više sustava istovremeno,” objašnjava Chatterjee.
Radna snaga, redizajnirana
Kako se AI agenti primjenjuju za više slučajeva, lideri poduzeća moraju razmotriti što to znači za dinamiku unutar njihove radne snage. Strukture radne snage danas se malo razlikuju od hijerarhijskog modela ranih dana industrijalizacije. Kako bi se maksimizirala učinkovitost i skala, procesi su standardizirani, a zadaci jasno definirani između strateških poslovnih jedinica. No, s AI agentima koji mogu izvršavati, koordinirati i optimizirati zadatke, granice te uspostavljene hijerarhije postaju nejasne.
Prema McKinseyju, do 2030. godine tri četvrtine trenutnih poslova zahtijevat će redizajn, povećanje vještina ili preraspodjelu, a organizacije će morati brzo djelovati kako bi prilagodile zapošljavanje, zadržavanje i naknade.
Od output-a do outcome-a
Metrike uspjeha treći su i posljednji stup ABT-a. Kako AI agenti preuzimaju veću odgovornost za osnovne procese, tradicionalne metrike koje se fokusiraju na aktivnost ili output – kao što su obavljeni pozivi ili podneseni izvještaji – više nemaju smisla. “Kada u radnu snagu dodate AI zaposlenike, metrike aktivnosti postaju besmislene ili aktivno zavaravajuće,” kaže Chatterjee.
Kako bi ispravili ovo, poduzeća moraju razviti novi set metrika koje se fokusiraju na ishod umjesto na output. Na primjer, kada je jedan od Emini velikih kupaca preuredio svoje metrike, prelazeći s metrika alata na ishode, mjerena ROI od agentnog AI-a utrostručila se unutar dva kvartala.
