Vergessen Sie den Hype-echte KI-Agenten lösen begrenzte Probleme, keine Fantasien der offenen Welt

Überall, wo Sie hinschauen, sprechen die Leute über KI -Agenten, als wären sie nur eine Eingabeaufforderung vom Ersetzen ganzer Abteilungen. Der Traum ist verführerisch: Autonome Systeme, die alles bewältigen können, was Sie auf sie werfen, keine Leitplanken, keine Einschränkungen, geben Sie ihnen einfach Ihre AWS -Anmeldeinformationen und sie werden alle Ihre Probleme lösen. Aber die Realität ist, dass die Welt nicht so funktioniert, insbesondere nicht im Unternehmen, wo Zuverlässigkeit nicht optional ist.

Auch wenn ein Agent zu 99% genau ist, ist das nicht immer gut genug. Wenn es sich um die Optimierung von Routen für die Lieferung von Lebensmitteln handelt, bedeutet dies, dass eine von allen hundert Bestellungen an der falschen Adresse endet. In einem geschäftlichen Kontext ist diese Art von Fehlerrate nicht akzeptabel. Es ist teuer, riskant und schwer zu erklären, einem Kunden oder Regulierungsbehörden zu erklären.

In realen Umgebungen wie Finanzen, Gesundheitswesen und Operationen sind die KI-Systeme, die tatsächlich Wertschöpfung liefern, nicht wie diese Grenzfantasien. Sie improvisieren nicht in der offenen Welt. Sie lösen gut definierte Probleme mit klaren Eingaben und vorhersehbaren Ergebnissen.

Wenn wir immer wieder Probleme mit der halbbereiten Technologie nachlassen, werden wir Zeit, Geld und Vertrauen verbrennen. Aber wenn wir uns auf die Probleme direkt vor uns konzentrieren, die mit klarer ROI und klare GrenzenWir können KI heute zum Laufen bringen.

In diesem Artikel geht es darum, den Hype zu durchschneiden und KI -Agenten zu bauen, die tatsächlich versenden, rennen und helfen.

Das Problem mit dem Hype der offenen Welt

Die Tech -Industrie liebt einen Mondschuss (und für die Aufzeichnung auch). Im Moment ist der Mondschuss Open-World AI – Agenten, die alles bewältigen können, sich an neue Situationen anpassen, im laufenden Flug lernen und mit unvollständigen oder mehrdeutigen Informationen arbeiten. Es ist der Traum der allgemeinen Intelligenz: Systeme, die nicht nur begründen, sondern improvisieren können.

Was macht ein Problem „offene Welt“ aus?

Open-World-Probleme werden durch das definiert, was wir wissen.

Formell formell, aus der Forschung zu ziehen, die diese definiert Komplexe UmgebungenEine vollständig offene Welt ist durch zwei Kerneigenschaften gekennzeichnet:

1. Zeit und Raum sind unbegrenzt: Die früheren Erfahrungen eines Agenten gelten möglicherweise nicht für neue, unsichtbare Szenarien.
2. Aufgaben sind unbegrenzt: Sie sind nicht vorbestimmt und können dynamisch auftauchen.

In solchen Umgebungen arbeitet die KI mit unvollständigen Informationen. Es kann nicht annehmen Was nicht als wahr bekannt ist, ist falschEs ist einfach unbekannt. Es wird erwartet, dass die KI sich an diese unvorhergesehenen Veränderungen und neuartigen Aufgaben anpasst, wenn sie durch die Welt navigiert. Dies ist unglaublich schwierige Probleme für aktuelle KI -Funktionen.

Die meisten Unternehmensprobleme sind nicht so

Im Gegensatz dazu sind Probleme mit geschlossener Welt, bei denen der Umfang bekannt ist, die Regeln klar sind und das System annehmen kann, dass es über alle relevanten Daten verfügt. Wenn etwas nicht explizit stimmt, Es kann als falsch behandelt werden. Dies sind die Art von Problemen, mit denen die meisten Unternehmen tatsächlich jeden Tag konfrontiert sind: Rechnungsübereinstimmung, Vertragsvalidierung, Betrugserkennung, Schadensabwicklung, Inventarprognose.

Dies sind nicht die Anwendungsfälle, die in der Regel Schlagzeilen machen, aber sie sind die Unternehmen, die sich tatsächlich um die Lösung kümmern.

Das Risiko von Hype und Untätigkeit

Der Hype ist jedoch schädlich: Indem wir die Messlatte auf der offenen Weltinformation einstellen, fühlen wir uns unzugänglich. Führungskräfte hören von Agenten, die alles tun können, und sie frieren ein, weil sie nicht wissen, wo sie anfangen sollen. Das Problem fühlt sich zu groß, zu vage, zu riskant an.

Es ist, als würde man versuchen, autonome Fahrzeuge zu entwerfen, bevor wir überhaupt einen Arbeitsverbrennungsmotor gebaut haben. Der Traum ist aufregend, aber das Überspringen der Grundlagen garantiert das Scheitern.

Lösen Sie, was genau vor Ihnen liegt

Open-World-Probleme sorgen für großartige Demos und noch bessere Finanzierungsrunden. Aber Probleme mit geschlossener Welt sind, wo der wahre Wert heute ist. Sie sind lösbar, überprüfbar und automatisch. Und sie sitzen in jedem Unternehmen und warten nur darauf, dass das richtige System sie angeht.

Die Frage ist nicht, ob KI irgendwann offene Probleme lösen wird. Die Frage ist: Was können Sie jetzt tatsächlich bereitstellen, das Ihr Unternehmen schneller, intelligenter und zuverlässiger macht?

Wie Enterprise -Agenten tatsächlich aussehen

Wenn sich die Leute heute AI -Agenten vorstellen, neigen sie dazu, sich ein Chatfenster vorzustellen. Ein Benutzer tippt eine Eingabeaufforderung an, und der Agent antwortet mit einer hilfreichen Antwort (möglicherweise sogar ein oder zwei Tools auslöst). Das ist in Ordnung für Demos und Verbraucher -Apps, aber es ist nicht so, wie die Unternehmens -KI in der Praxis tatsächlich funktionieren.

In der Unternehmen sind die meisten nützlichen Agenten nicht benutzerbezogen, sondern autonom.

Sie sitzen nicht untätig und warten darauf, dass ein Mensch sie auffordert. Sie sind langlebige Prozesse, die auf Daten reagieren fließt durch das Geschäft. Sie treffen Entscheidungen, rufen Dienstleistungen an und produzieren Ausgaben kontinuierlich und asynchron, ohne dass er mitgeteilt werden muss, wann er anfangen soll.

Stellen Sie sich einen Agenten vor, der neue Rechnungen überwacht. Jedes Mal, wenn eine Rechnung landet, extrahiert sie die entsprechenden Felder, überprüft sie gegen offene Bestellungen, fällt nicht übereinstimmen und gibt entweder die Rechnung zur Genehmigung oder Ablehnung weiter, ohne dass jemand es darum bittet. Es hört nur auf die Veranstaltung („neue Rechnung erhalten“) und geht zur Arbeit.

Oder denken Sie an den Kunden in Bord. Ein Agent könnte auf den Moment beobachten, in dem ein neues Konto erstellt wird, und dann eine Kaskade startet: Dokumente überprüfen, wissen, dass Sie die Kenntnisse des Kenntnisses (KEY-KOPPEI) (KENN-KOSTOMER (-SUR-CUPTOMER) ausführen, die Begrüßungserfahrung personalisieren und eine Follow-up-Nachricht planen. Der Benutzer weiß nie, dass der Agent existiert. Es läuft nur. Zuverlässig. In Echtzeit.

So sehen Enterprise -Agenten aus:

• Sie sind ereignisgesteuert: Ausgelöst durch Änderungen im System, nicht durch Benutzeranforderungen.
• Sie sind autonom: Sie handeln ohne menschliche Initiation.
• Sie sind kontinuierlich: Sie drehen sich nicht für eine einzige Aufgabe und verschwinden.
• Sie sind größtenteils asynchron: Sie arbeiten im Hintergrund, nicht in der Blockierung von Workflows.

Sie bauen diese Agenten nicht durch Feinabstimmung eines riesigen Modells. Sie bauen sie durch Verdrahteten vorhandenen Modellen, Tools und Logik zusammen. Es ist ein Software -Engineering -Problem, kein Modellieren.

In ihrem Kern sind Enterprise -Agenten nur moderne Microservices mit Intelligenz. Sie geben ihnen Zugriff auf Ereignisse, geben ihnen den richtigen Kontext und lassen ein Sprachmodell die Argumentation vorantreiben.

Agent = ereignisgesteuerte Microservice + Kontextdaten + LLM

Nun, das ist ein mächtiges architektonisches Muster. Es ist auch eine Verschiebung der Denkweise. Bauen Sie Agenten nicht darum, künstliche allgemeine Intelligenz (AGI) zu verfolgen. Es geht darum, echte Probleme in kleinere Schritte zu zerlegen und dann spezielle, zuverlässige Komponenten zusammenzustellen, die sie bewältigen können, genau wie wir es immer in guten Softwaresystemen getan haben.

Wir haben diese Art von Problem schon einmal gelöst

Wenn dies bekannt klingt, sollte es. Wir waren schon einmal hier.

Wenn Monolithen nicht skalieren konnten, brachen wir sie in Microservices ein. Als synchrone APIs zu Engpässen und spröden Systemen führten, wandten wir uns zu ereignisgesteuerte Architektur. Dies waren hart erkämpfte Lektionen aus jahrzehntelanger Aufbau realer Systeme. Sie arbeiteten, weil sie Struktur und Determinismus in komplexe Systeme brachten.

Ich mache mir Sorgen, dass wir diese Geschichte vergessen und die gleichen Fehler in der Art und Weise wiederholen, wie wir KI aufbauen.

Weil dies kein neues Problem ist. Es ist die gleiche technische Herausforderung, nur mit neuen Komponenten. Und im Moment benötigt Enterprise KI die gleichen Prinzipien, die uns hierher gebracht haben: klare Grenzen, lose Kupplung und Systeme, die von Anfang an zuverlässig sind.

KI -Modelle sind nicht deterministisch, aber Ihre Systeme können sein

Die Probleme, die es wert sind, in den meisten Unternehmen zu lösen, sind geschlossen: Probleme mit bekannten Inputs, klaren Regeln und messbaren Ergebnissen. Aber die Modelle, die wir verwenden, insbesondere LLMs, sind von Natur aus nicht deterministisch. Sie sind durch Design wahrscheinlich. Der gleiche Eingang kann je nach Kontext, Abtastung oder Temperatur unterschiedliche Ausgänge ergeben.

Das ist in Ordnung, wenn Sie eine Eingabeaufforderung beantworten. Aber wenn Sie einen Geschäftsprozess durchführen? Diese Unvorhersehbarkeit ist eine Haftung.

Wenn Sie also KI-Systeme für Produktionsstätten erstellen möchten, ist Ihre Aufgabe einfach: Wickeln Sie nicht deterministische Modelle in deterministischer Infrastruktur.

Bauen Sie den Determinismus rund um das Modell auf

• Wenn Sie wissen, dass ein bestimmtes Tool für eine Aufgabe verwendet werden sollte, lassen Sie das Modell nicht entscheiden. Rufen Sie einfach das Tool an.
• Wenn Ihr Workflow statisch definiert werden kann, verlassen Sie sich nicht auf dynamische Entscheidungen, und verwenden Sie ein deterministisches Anrufdiagramm.
• Wenn die Eingänge und Ausgänge vorhersehbar sind, stellen Sie keine Mehrdeutigkeit ein, indem Sie die Agentenlogik überwinden.

Zu viele Teams erfinden die Laufzeit -Orchestrierung mit jedem Agenten neu und lassen die LLM entscheiden, was als nächstes zu tun ist, auch wenn die Schritte im Voraus bekannt sind. Du machst nur dein Leben schwieriger.

Wo ereignisgesteuerte Mehragentysteme leuchten

Ereignisgesteuerte Mehragentysteme unterteilen das Problem in kleinere Schritte. Wenn Sie jedem einem speziell gebauten Agenten zuweisen und diese mit strukturierten Ereignissen auslösen, erhalten Sie ein locker gekoppeltes, vollständig nachvollziehbares System, das so funktioniert, wie Unternehmenssysteme funktionieren sollen: mit Zuverlässigkeit, Rechenschaftspflicht und klarer Kontrolle.

Und weil es ereignisgesteuert ist:

• Agenten müssen sich nicht übereinander wissen. Sie reagieren nur auf Ereignisse.
• Arbeiten können parallel erfolgen und die komplexen Flüsse beschleunigen.
• Fehler sind isoliert und über Ereignisprotokolle oder Wiederholungen wiederhergestellt.
• Sie können jede Komponente isoliert beobachten, debuggen und testen.

Verfolge keine Magie

Probleme mit geschlossener Welt erfordern keine Magie. Sie brauchen solide Ingenieurwesen. Und das bedeutet, die Flexibilität von LLMs mit der Struktur eines guten Software -Engineering zu kombinieren. Wenn etwas deterministisch gemacht werden kann, machen Sie es deterministisch. Speichern Sie das Modell für die Teile, die tatsächlich ein Urteil erfordern.

So bauen Sie Agenten auf, die in Demos nicht nur gut aussehen, sondern in der Produktion tatsächlich laufen, skalieren und liefern.

Warum das Testen in einer offenen Welt so viel schwieriger ist

Eine der am stärksten übersehenen Herausforderungen beim Bau von Agenten ist das Testen, ist aber für das Unternehmen unbedingt erforderlich.

In einem Kontext offener Welt ist es fast unmöglich, gut zu machen. Der Problemraum ist unbegrenzt, sodass die Eingänge alles sein können, die gewünschten Ausgaben sind oft mehrdeutig und selbst die Erfolgskriterien können sich je nach Kontext verlagern.

Wie schreibt man eine Testsuite für ein System, das gebeten werden kann, fast etwas zu tun? Du kannst nicht.

Deshalb sind Open-World-Agenten in der Praxis so schwer zu validieren. Sie können isolierte Verhaltensweisen oder enge Benchmark-Aufgaben messen, aber Sie können dem System von End-to-End nicht vertrauen, es sei denn, Sie haben gesehen, dass es irgendwie in einem kombinatorischen Raum von Situationen funktioniert, was niemand hat.

Im Gegensatz dazu können Probleme mit geschlossener Welt testen. Die Eingänge sind eingeschränkt. Die erwarteten Ausgänge sind definierbar. Sie können Behauptungen schreiben. Sie können Kantenfälle simulieren. Sie können wissen, wie „richtig“ aussieht.

Und wenn Sie noch einen Schritt weiter gehen, die Logik Ihres Agenten mithilfe einer ereignisorientierten Architektur in kleinere, gut gescopte Komponenten zerlegt, wird dies noch besser nachgefertigter. Jeder Agent im System hat a enge Verantwortung. Sein Verhalten kann unabhängig getestet werden, seine Eingaben und Ausgänge verspottet oder wiederholt und ihre Leistung isoliert bewertet.

Wenn das System modular ist und der Umfang jedes Moduls geschlossen ist, können Sie Testsätze erstellen, die Ihnen tatsächlich Vertrauen bieten.

Dies ist die Grundlage für das Vertrauen in die Produktion KI.

Bauen der richtigen Fundament

Die Zukunft der KI im Unternehmen beginnt nicht mit AGI. Es beginnt mit Automatisierung, die funktioniert. Das bedeutet, sich auf strukturierte, begrenzte und reichhaltige Schloss für echte Auswirkungen zu konzentrieren.

Sie brauchen keinen Agenten, der alles kann. Sie benötigen ein System, das zuverlässig etwas tun kann:

• Eine Behauptung korrekt gestrichen.
• Ein Dokument wurde genau analysiert.
• Ein Kunde folgte pünktlich.

Diese Siege summieren sich. Sie reduzieren die Kosten, die Freizeit und bauen Vertrauen in die KI als zuverlässigen Bestandteil des Stapels auf.

Und dorthin zu gelangen, erfordert keine Durchbrüche in der schnellen Technik oder beim Aufwetten auf das nächste Modell, um es auf magische Weise zu verallgemeinern. Es erfordert, was gute Ingenieure immer getan haben: Probleme abzubauen, komponierbare Systeme zu bauen und Komponenten auf nachweislich und beobachtbare Weise zusammenzuarbeiten.

Ereignisorientierte Mehragentysteme sind keine Silberkugel, sondern nur eine praktische Architektur für die Arbeit mit unvollkommenen Werkzeugen auf strukturierte Weise. Sie lassen Sie isolieren, wo Intelligenz benötigt wird, enthalten, wo sie nicht sind, und bauen Systeme auf, die sich vorhersehbar verhalten, selbst wenn einzelne Teile dies nicht tun.

Hier geht es nicht darum, die Grenze zu verfolgen. Es geht darum, grundlegende Software -Engineering auf eine neue Klasse von Problemen anzuwenden.