Mønster 6: AI-først-funktioner

Design nye funktioner med agenter som kernekomponenter, ikke eftermonteringer til eksisterende arbejdsprocesser. Disse funktioner var ikke mulige før kunstig intelligens. De forbedres med tiden via feedback, læring og løbende optimering.

I dette mønster opererer agenter i løkker, der bestemmer, hvad der skal besluttes: overvåger løbende signaler, træffer autonome beslutninger inden for grænser, udfører handlinger og lærer af resultater. Disse systemer er ikke assistenter. Det er intelligente systemer, der skaber ny forretningsværdi.

Bemærkning

Dette mønster adskiller sig fra de andre fem mønstre i karakter, ikke kun i grad. Der er ingen eksisterende proces at sammenligne med, ingen grundlinje at forbedre fra og ingen eksisterende arbejdsproces til at vejlede design. Du skal bygge alt, herunder hvordan du måler succes.

Hvad dette mønster er

AI-first forretningskapabiliteter begynder med et spørgsmål, som de andre mønstre aldrig stiller: Hvad kan vi gøre, som vi simpelthen ikke kunne gøre før? Svaret er ikke en hurtigere version af dagens arbejde. Det er en ny egenskab, ofte en autonom løkke, der fornemmer en situation, beslutter og handler, og som forbedrer sig selv over tid. Agenter er komponenterne i egenskaben, ikke en forbedring, der er boltet på et eksisterende flow.

Dette mønster er det dybeste udtryk for udførelsessiden af assist-to-execute-skift. Fordi der ikke er nogen fortilfælde, skal du opfinde design, gelændere, og de foranstaltninger.

Hvad agenter gør

Agenter i dette mønster bevæger sig ud over at udføre definerede arbejdsprocesser til at fungere autonomt:

  • Kontinuerlige optimeringsprogrammer: Prisfastsættelse, lager, planlægning.
  • AI-oprindelige beslutningsløkker: Registrering af svindel, svar på uregelmæssigheder, adaptiv routing.
  • Markedsfølende platforme: Konkurrenceovervågning, tendensanalyse, mulighedsidentifikation.
  • Forudsigende planlægningssystemer: Efterspørgselsprognose, kapacitetsplanlægning, risikomodellering.
  • Generering af autonome arbejdsprocesser: Agenter, der designer og optimerer deres egne processer.
  • Orkestrering af flere agenter: Koordinerede teams af specialiserede agenter, der løser komplekse problemer.

Disse funktioner opretter en værdi, der ikke kunne findes uden kunstig intelligens. De er ikke hurtigere versioner af eksisterende processer. De er virkelig nye.

Hvad mennesker gør

Mennesker fungerer som produktejere. De definerer målsætninger, angiver grænser, overvåger resultater og træffer strategiske beslutninger om kapacitetsudvikling. De gør ikke arbejdet. I stedet styrer de det system, der gør.

Denne rolletransformation er den vigtigste af et hvilket som helst mønster. Ansvarlige mennesker er ansvarlige for resultater, selvom de ikke selv udfører arbejdet. De:

  • Definer succeskriterier og målepunkter for resultater for autonome systemer.
  • Angiv de grænser, som agenter arbejder inden for (og juster dem, efterhånden som tillid opbygges).
  • Overvåg læringsløkker for at sikre, at funktionerne forbedres i den rigtige retning.
  • Træf strategiske beslutninger om, hvornår agentautonomi skal udvides.
  • Styr ansvarlige AI-fremgangsmåder, efterhånden som funktionerne bliver mere avancerede.

Sådan fungerer driftsmodellen

Hvis dette mønster kan installeres, kræver det ændringer på tværs af fire dimensioner:

Dimension Før Efter
Personer Operatorer, der udfører opgaver Produktejere med ansvar for funktioner
Agenter Udfører foruddefinerede trin Autonome sans-, beslutnings- og handlingssløjfer
styring Kontrol af overholdelse af angivne standarder Livscyklus-integrerede kontrolelementer med kontinuerlig overvågning
Målinger Gennemløb og effektivitet Strategisk valgfrihed + læringshastighed + tilpasningshastighed

Målmodenhedsprofil

Dette mønster kræver maksimal modenhed på tværs af alle fem egenskabsdrivere. Der er ingen genveje.

Modenhedsprofil

Funktionsdriver Målniveau Hvorfor
Teknologi og data 500 (effektiv) Skalabruddet. Orkestrering af flere agenter, telemetri i realtid og læringsinfrastruktur.
AI-strategi og -erfaring 500 (effektiv) Kapaciteten er strategien, udført med kontinuerlig iteration.
Forretningsstrategi 500 (effektiv) En ny forretningsfunktion med tilpassede, autonome processer.
Styring og sikkerhed 500 (effektiv) Styring af forudsigende risici og kontinuerlig overholdelse af angivne standarder for autonome systemer.
Organisation og kultur 500 (effektiv) Et selvbærende community og en læringskultur, der kan opfinde og drive det nye.

Nøgleindsigt: Dette mønster kræver den højeste modenhed på tværs af alle funktioner. Der er ingen eksisterende proces at sammenligne med, ingen oprindelig plan til måling af forbedring fra og ingen eksisterende arbejdsproces, der kan vejlede design. Alt skal bygges, herunder hvordan du måler succes.

Skalaafbryder: Teknologi og data, især orkestrering af flere agenter, telemetri i realtid og læringsinfrastruktur. Uden et robust teknisk fundament bliver autonome funktioner uforudsigelige og uoverskuelige.

Ai-first-funktioner ejes som produkter, strækker sig over flere domæner og kræver distribuerede produktteams, der arbejder inden for delte standarder. CoE leverer arkitekturmønstre, ansvarlige AI-strukturer og orkestreringsstandarder. Det leverer ikke centralt.

Tip

Den afgørende rolle i dette mønster er den produktansvarlige for agenten. Dette er et produkt, ikke et projekt. Det har brug for disciplin inden for produktstyring: en køreplan, en efterslæb, en definition af succes og et team, der er engageret i den langsigtede udvikling. Uden denne rolle bygges funktionen én gang og forbedres aldrig.

Få mere at vide om struktur, roller og risikobaseret styring i Opret et agentisk Center of Excellence.

Hvad du har brug for og ikke har brug for

Du skal:

  • Produktejerskab med dedikerede teams: Hver egenskab har brug for en produktejer og et team med mandat, færdigheder og kontinuitet til at udvikle det over tid. Denne udvikling er ikke et projekt, der slutter.
  • Autonomigrænser med kontinuerlig overvågning: Definer klare grænser, der tilpasses, efterhånden som tillid opbygges. Start konservativt, og udvid baseret på beviser.
  • Kontinuerlige læringsløkker: Funktionen forbedres gennem alle interaktioner. Design til læring fra starten, fordi det er meget sværere at tilføje det senere.
  • Integreret ansvarlig AI-praksis: Etik og sikkerhed skal være indbygget i arkitekturen og ikke slået til efter udrulningen. Denne fremgangsmåde omfatter forudindtagethedstest, retfærdighedsevaluering og design til forklaring.
  • Eksperimenteringskultur med fejlsikre kontrolelementer: Teams skal have tilladelse til at prøve nye tilgange og rydde sikkerhedsnet, når tingene går galt. Kulturer, der straffer fiasko, kan ikke opbygge læringssystemer.
  • Multiagentarkitektur: Hvis din funktionalitet omfatter koordinerede agenter, skal du fra starten designe til agent-til-agent-koordinering. Eftermontering af multi-agent-arkitektur er dyrt.

Du behøver ikke:

  • Trinvis automatisering: Dette mønster handler ikke om at gøre eksisterende processer 10% hurtigere.
  • Central it-levering: Disse funktioner kræver dedikerede produktteams med domæneekspertise.
  • Eftermontering af eksisterende arbejdsprocesser: Design fra bunden til oprindelig udførelse med kunstig intelligens. Begrænsninger for ældre arbejdsprocesser begrænser, hvad der er muligt.
  • Engangsbuilds: Disse funktioner skal løbende lære og blive bedre. En funktion, der ikke lærer, forringes over tid.
  • Traditionel projektstyring: Brug produktstyring med eksperimentcyklusser. Milepæle og leverancer er den forkerte styringsmodel for læringssystemer.

Ansvarlig AI i stor skala

AI-first-funktioner repræsenterer grænsen for autonom AI-handling. Ansvarlig AI-praksis er især vigtig her, fordi:

  • Agenter arbejder med høj autonomi og begrænset menneskeligt tilsyn i realtid.
  • Fejl kan overføres ved maskinhastighed, før mennesker kan gribe ind.
  • Læringssystemer kan udvikle uventede funktionsmåder, efterhånden som de optimeres.
  • Skalaen for påvirkning, både positiv og negativ, er større end noget andet mønster.

Byg ansvarlig AI ind i din arkitektur fra første dag:

  • Forklaring: Kan du forstå, hvorfor systemet har truffet en bestemt beslutning? Hvis ikke, kan du ikke opdage eller korrigere afdrift.
  • Overvågning af bias: Evaluerer løbende, om læring styrker forskelle eller skaber urimelige resultater.
  • Annulleringsfunktion: Kan du vende tilbage til en tidligere tilstand, hvis en læringsopdatering går galt?
  • Menneskelig tilsidesættelse: Selv i fuldt autonome systemer skal det defineres, under hvilke betingelser et menneske kan gribe ind, og hvordan denne intervention gennemføres.

Få mere at vide i Anvend ansvarlige AI-principper.

Målepunkter for værdi og succes

Værdi her er eksistensen af en egenskab, der ikke eksisterede før, og de nye resultater, den opretter. Start med mål for værdiskabelse og tilstedeværelse, ikke effektivitetsprocenter, fordi der ikke er noget tidligere udgangspunkt at forbedre ud fra.

Sådan ser værdien ud

  • Nye funktioner, der ikke var mulige før kunstig intelligens.
  • Nye indtægter, tjenester eller forretningsmodeller.
  • Autonom respons med en hastighed og i en skala, som ingen manuel proces kan opnå.
  • En sammensat fordel, efterhånden som funktionaliteten lærer og forbedres.

Målepunkter for succes, der skal spores

Kategori Eksempel på målinger Hvad det fortæller dig
Værdioprettelse (overskriften) Ny omsætning eller forretningsmodel oprettet, funktionalitet eksistens ("kan vi nu gøre X"), ny rækkevidde ulåst Angiver, om funktionen opretter en værdi, der ikke fandtes før.
Autonomi og løkken Beslutningsventetid fra signal til handling, selvkørende fuldførelseshastighed for opgaver, gennemløb og skalering af løkker, enhedsomkostninger pr. autonom opgave Om sense-decide-act-løkken fungerer ved maskinhastighed og -skala.
Kvalitet og sikkerhed Evaluering, forankring og sikkerhedsscorer, eskalering og fallback-rate Om det autonome system forbliver korrekt og sikkert, når det kører.
Gennemløb for innovation Tid til at starte en ny funktion, antallet af funktioner i produktionen, genbrug på tværs af scenarier Uanset om du gentagne gange kan nå grænsen, ikke kun én gang.
Styring Andel af agenter under administreret identitet, politikoverholdelse, antal skyggeagenter Om den selvstyrende ejendom forbliver styret i takt med, at den vokser.

Sådan måler du

  • Microsoft Foundry-evalueringer og observerbarhed sporer agentens adfærd og vurderer kvalitet og sikkerhed, hvilket er vigtigst, hvor der ikke er nogen baseline.
  • Definer målingen af succes på forhånd, fordi egenskaben ikke har noget fortilfælde. Beslut, hvordan "godt" skal se ud, før du starter.
  • Microsoft Agent 365 styrer og måler den autonome ejendom, herunder identitets- og skyggeagentregistrering.

Tip

Vurder ikke en helt ny kapacitet ud fra gamle effektivitetsmålinger. "Hvor meget tid sparede vi" forudsætter en proces, der ikke eksisterede. Mål, om egenskaben nu findes, hvilken ny værdi den opretter, og hvor sikkert den autonome løkke kører. Opfind målingen sammen med funktionen.

Almindelige anti-mønstre

Svigt på dette område skyldes, at grænsearbejde behandles som et normalt projekt.

Antimønster Sådan ser det ud Hvad du skal gøre i stedet
Skjult produktivitet Funktionaliteten "net-new" er i virkeligheden blot en eksisterende opgave, der er blevet gjort hurtigere. Test ideen: Kan du overhovedet gøre dette før AI? Hvis ja, hører den til i et andet mønster.
Gamle målepunkter for nyt arbejde Succes vurderes ud fra den tid, der spares, i forhold til et udgangspunkt, der ikke findes. Definer målinger for eksistens og værdioprettelse på forhånd.
Bygning, før fundamentet er klar Funktionen startes, før teknologi, data og styring er modne nok. Infrastrukturen kan ikke understøtte læringsløkker, telemetri og overvågning, så systemet er uforudsigeligt uden at kunne se, hvorfor det fungerer, som det gør. Opnå tilstrækkelig modenhed i teknologi, data og styring først. Byg orkestrering, telemetri i realtid og læringsløkke før funktionen.
Læring uden gelændere Systemet lærer af driftsdata uden tilsyn, styrker utilsigtede mønstre, optimerer til det forkerte mål eller forstærker den skævhed, der findes i dataene. Definer, hvad systemet skal og ikke skal lære, før du aktiverer læring, og overvåg det løbende.
Ingen opdigtede værn Sikkerhedsgrænser antages fra andre mønstre, der ikke passer. Design gelændere specielt til denne funktion, da der ikke er nogen fortilfælde.
Ansvarlig AI-gennemgang planlagt til efter lanceringen Teamet planlægger at håndtere ansvarlig AI, når funktionen er bevist. Inden da er arkitekturen fast, og omkostningerne ved ændringer er høje. Inkorporer ansvarlig AI fra starten.
Project tankegang anvendt på et produkt Teamet rammer en "go-live"-milepæl og tager det udførte arbejde i betragtning. Funktionen vedligeholdes ikke, læringsløkker overvåges ikke, og systemet forringes over tid. Behandl det som et produkt med ubegrænset ledelsesforpligtelse, ikke et projekt, der slutter ved lanceringen.
Eksperimenter uden styring Grænseagenter vokser uden identitet eller tilsyn. Styr med administreret identitet og en registreringsdatabase fra starten.

Kundehistorier

Disse offentliggjorte Microsoft-kundehistorier viser, hvordan ekspertviden kan skaleres med velfunderede agenter med kildehenvisninger, mens menneskerne fortsat står til ansvar.

Kunde Rapporteret resultat
Microsoft (Spørg Microsoft) Et multiagentsystem med specialiserede underagenter baseret på specifikt indhold leverer op til 61% lavere ventetid og op til 70% færre menneskelige eskaleringer, hvor engagerede besøgende langt mere tilbøjelige til at tilmelde sig.
Fujitsu En sammensat AI orkestrerer flere specialiserede agenter og en orchestratoragent, der svarer "som et team". Denne multiagentarkitektur, der ikke fandtes i konventionel generativ AI, forbedrer oprettelsen af forslag med 67%.
Kvantehovedgruppe Klip planlægning af feltudvikling fra 3 uger til 20 minutter med geospatial optimering på Azure og en Copilot Studio forespørgselsagent.
Fysik Wallah Understøtter to millioner studerende med "Gyan Guru" AI-vejleder på Azure OpenAI.
Rolls-royce Øget maskinudnyttelse med 30% med forudsigende AI på Azure Databricks og Microsoft Cloud for Manufacturing.
Estée Lauder-selskaberne Reducér tiden til at frembringe forbrugerindsigter fra uger til minutter med "ConsumerIQ"-agenten i Copilot Studio og Azure OpenAI.

Microsoft agentiske egenskaber for dette mønster

I følgende eksempler fremhæves egenskaber, der er særligt relevante for AI-first-funktioner. Brug disse eksempler som udgangspunkt for at matche funktioner til dine scenarier og brugersegmenter, og udforsk derefter Microsoft agentøkosystem for at få det komplette billede.

Byg funktionaliteten

Jord, tilslut, og observer

Evaluer og test, før du sender

På dette niveau af autonomi og kompleksitet er løbende evaluering en central teknisk disciplin og ikke en tjekliste før lanceringen.

  • Agentevaluering i Copilot Studio kører strukturerede evalueringer, der scorer svar på tværs af kvalitetsdimensioner som f.eks. nøjagtighed, forankring og opgavefuldførelse. Brug den til at validere agentens funktionsmåde på tværs af alle input, herunder edge cases og adversarial scenarier, før og efter hver ændring.
  • Copilot Agent Kit (tidligere kaldet Copilot Studio Kit) udvider testdækningen med massetest, automatiserede regressionskørsler og et scoringsdashboard. For ai-first-systemer, der forbedres over tid, er gentagelige og auditable evalueringsbelægninger afgørende for at bevare tilliden, efterhånden som funktionaliteten udvikler sig.

Sådan ved du, at du er klar

Dette mønster er for organisationer, der arbejder ved den højeste modenhed. Overvej det, når:

  • Du har avancerede teams, der kan designe, køre og forbedre autonome systemer.
  • Du har det tekniske fundament: orkestrering af flere agenter, telemetri i realtid og en læringsløkke.
  • Du kan opfinde gelændere og succesmålinger, hvor der ikke findes nogen.
  • Du kan styre en selvstændig ejendom med administreret identitet og kontinuerlig overholdelse.
  • Du anvender allerede flere af de andre fremgangsmåder med succes.

Næste trin

Tag vurderingen af agentparathed

Eller udforsk den fulde model til indførelse af agentisk kunstig intelligens.

Udforsk andre mønstre mere detaljeret:

  • Last updated on