Del via

Søjle 5: Teknologi og data

Teknologi og data giver det fundament, som agenter skal bruge for at fungere pålideligt, sikkert og i stor skala.

I takt med at organisationer flytter fra små piloter til udrulning af agenter i virksomheden, bliver tekniske ad hoc-valg og fragmenteret adgang til data hurtigt til at begrænse faktorer. Uden klar arkitektur, standarder og livscyklusstyring er det svært at styre AI-løsninger, svært at betjene dem og risikobeskæde at skalere dem.

I denne søjle fokuseres der på, hvordan organisationer bygger de tekniske og datafundamenter, der er nødvendige for at understøtte vedvarende ai-adoption fra udvikling og udrulning til overvågning og løbende forbedring.

Bemærkning

Drift og livscyklusstyring og ansvarlig AI og tillid er tværgående funktioner. For at understøtte en tydeligere modenhedsvurdering adskiller denne model dem i særskilte søjler, selvom de er integreret på tværs af sikkerhed, teknologi og procesudførelse i praksis.

Hvorfor teknologi og data betyder noget for AI-agenter

Agenter er kun lige så effektive som den teknologi og det datagrundlag, de er afhængige af. Svag integration, inkonsekvent dataadgang eller skrøbelige arkitekturer begrænser, hvad agenter kan gøre, og forhindrer dem i at fungere pålideligt på tværs af systemer.

For at fungere effektivt skal agenter på en pålidelig måde:

  • Forstå arbejdsproceskontekst (procestilstand, afhængigheder og forretningsregler).
  • Hent de rigtige oplysninger på det rigtige tidspunkt.
  • Udfør handlinger på tværs af systemer ved hjælp af sikre integrationer, der kan overvåges.

Uden stærk teknologi og datagrundlag:

  • Agenter kan forblive begrænset til spørgsmål og svar eller opgaver i ét trin.
  • Hver ny agent bliver en skræddersyet teknisk indsats.
  • Risiko, driftsomkostninger og uoverensstemmelser vokser hurtigere end forretningsværdien.

Med modne fundamenter på plads kan du genbruge, skrive og orkestrere agenter på tværs af processer. Teams kan fokusere på design af arbejdsprocesser og værdirealisering i stedet for at genopbygge VVS.

Sådan ser høj modenhed ud

Ved høj modenhed arbejder organisationen med en robust AI-platform i virksomhedsklassen.

Egenskaber omfatter:

  • Standardiseret agentarkitektur og -platforme. Agenter er bygget på godkendte platforme ved hjælp af delte referencearkitekturer, skabeloner og mønstre.
  • Administreret, automatiseret udviklingslivscyklus. Udvikling, test og produktionsmiljøadskillelse, kildekontrol, CI/CD, godkendelser og annullering er standard for alle produktionsagenter.
  • Sikker, styret data- og integrationsadgang. Agenter bruger godkendte connectors, administrerede identiteter og styrede datakilder, hvilket eliminerer skyggeadgang og spredte legitimationsoplysninger.
  • Eksplicit oversigt over systemer og integrationer. Systemer, API'er og værktøjer, som agenter interagerer med, opfindes, ejes og behandles som delte arkitektoniske aktiver.
  • Genanvendelige komponenter. Almindelige handlinger, arbejdsprocesser og integrationer bygges én gang og genbruges for at muliggøre udførelse på tværs af flere systemer.
  • Indbygget observability og evaluering. Forbrug, kvalitet, sikkerhed og ydeevne registreres automatisk og gennemgås løbende.

Ved høj modenhed opdaterer du arkitekturstandarder, efterhånden som nye agentmønstre opstår (f.eks. orkestrering af flere agenter). Organisationsnetværksteams bygger og udruller hurtigt agenter uden centrale flaskehalse, fordi gelændere er integreret i design.

Sådan læser du modenhedstabellen

Tabellen viser, hvordan teknologi og datafunktioner udvikler sig på tværs af fem modenhedsniveauer.

Bemærk for hvert niveau:

  • Teknologitilstand og data: Observerbare tekniske egenskaber.
  • Mulighed for fremskridt: Praktiske fokusområder, der muliggør næste fase.

Organisationer kan arbejde på forskellige niveauer på tværs af platforme eller domæner. Brug tabellen til at identificere det dominerende mønster og prioritere forbedringer, der fjerner skaleringsbegrænsninger.

Teknologi og datamodenhed

Niveau Teknologi og datatilstand Mulighed for at gøre fremskridt
100: Indledende
  • Agentarbejde er udforskende og fragmenteret.
  • Teams eksperimenterer med prompter eller letvægtsagenter uden en defineret teknologiplan.
  • Dataadgang er ad hoc, ofte begrænset til dokumenter i Microsoft 365 eller direkte systemkald uden en konsekvent hentningsstrategi.
  • Der er ingen klarhed over, hvornår man skal bruge SaaS-agenter i forhold til at bygge brugerdefinerede agenter, og der er ingen fælles datagrundlag, som agenter skal have grund til.
  • Der findes ingen ensartede platform-, ALM- eller integrationsstandarder.
  • Teams opbygger agenter som isolerede konceptbeviser uden nogen standardarkitektur.
  • Løsninger er skrøbelige, udokumenterede og svære at genbruge eller skalere.
  • Definer en indledende teknologiplan.
  • Standardiser på et lille sæt godkendte platforme. Agent Builder i Microsoft 365 Copilot er f.eks. standarden for hurtige, vidensbaserede agenter i Microsoft 365. Copilot Studio er standarden for agenter, der kræver arbejdsprocesser, integrationer og administration af virksomhedslivscyklus.
  • Lager, hvor relevante data lever, f.eks. i Microsoft 365- eller driftssystemer, og dokumentforbindelseshuller.
200: Gentagelig
  • Teams begynder at konvergere på et lille sæt platforme (f.eks. Agent Builder eller Copilot Studio), men valgmulighederne er inkonsekvente og drevet af teampræference i stedet for use case fit.
  • Data er delvist forberedt: Microsoft 365-indhold er tilgængeligt, men strukturerede forretningsdata forbliver i silo på tværs af systemer med begrænsede connectors, der er godkendt eller tilgængelige.
  • Agenter er afhængige af grundlæggende hentning eller punktintegrationer, hvilket begrænser pålideligheden og genbrug.
  • Der kan være en adskillelse mellem udviklings- og testmiljøer, men ALM og telemetri er inkonsekvente.
  • Versionsstyring bruges uoverensstemmende, og dokumentation er let.
  • Mønstre er baseret på individuel teamoplevelse i stedet for virksomhedsvejledning.
  • Standardiser, hvor du bygger agenter: Brug Agent Builder eller Copilot Studio bevidst baseret på omfang og kompleksitet.
  • Definer referencearkitekturer og integrationsmønstre.
  • Standardiser ALM-praksisser, og præsenter grundlæggende telemetri.
  • Opret standardløsningsskabeloner, godkendte connectors og grundlæggende CI/CD-pipelines for at fremme ensartethed og reducere omarbejde.
300: Defineret
  • Der findes en dokumenteret teknologiplan.
  • Organisationen skelner konsekvent mellem SaaS-agenter,Copilot Studio-agenter og mere avancerede buildstier.
  • Dataarkitektur følger et klart mønster: Microsoft 365 til samarbejdsindhold og Fabric OneLake for unified business data.
  • Data organiseres ved hjælp af en medaljonsarkitektur, der gør det muligt for agenter at få svar i validerede kilder.
  • Organisationen dokumenterer, hvor vigtige data lever, og hvordan agenter skal få adgang til dem.
  • Standardplatforme, referencearkitekturer og integrationsmønstre defineres og genbruges.
  • ALM-praksis er etableret for produktionsagenter.
  • Teams bruger en struktureret designstruktur til at planlægge agentudvikling.
  • Styrk skalerbarhed, sikkerhed og observabilitet.
  • Integrer overvågning, logføring og evaluering i standardarkitekturen, og sørg for, at mønstre for dataadgang er fuldt styrede.
  • Valider enkeltagent- i forhold til behov med flere agenter via strukturerede eksperimenter.
  • Udvid og certificer datasæt for domæner med høj værdi.
400: Stand til
  • Teknologi og datafundamenter er i virksomhedsklassen.
  • Der er tydelig synlighed i systemer, API'er og data, der bruges på tværs af arbejdsprocesser.
  • Sikre adgangsmønstre, centraliseret telemetri og automatiserede evalueringer er standard.
  • Udrulninger er automatiserede og pålidelige.
  • Centraliseret overvågning og telemetri giver indsigt i agentens funktionsmåde og ydeevne på tværs af organisationen.
  • Brug Copilot Studio til procesorienterede agenter og Microsoft Foundry til avancerede scenarier, hvor det er nødvendigt.
  • Skift fra central udførelse til levering i organisationsnetværk.
  • Integrer gelændere på platforme, udvid selvbetjening sikkert, og udvikl standarder for at understøtte højere autonomi og nye agentmønstre.
  • Evaluer nye funktioner og mønstre, og indarbejd dem i standarder, hvor de tilføjer værdi.
500: Effektiv
  • Teknologi- og datafundamenter udvikler sig løbende baseret på telemetri og nye agentmønstre.
  • Arbejdsprocesdatamodeller og -integrationer vedligeholdes aktivt som delte virksomhedsaktiver.
  • Fødererede teams arbejder uafhængigt, mens retningslinjer sikrer kvalitet som standard.
  • Organisationen driver en moden, optimeret AI-platform.
  • Arkitektur understøtter komplekse fleragentscenarier og organisationsnetværksudvikling i stor skala.
  • Løbende forbedring af tekniske standarder er integreret i driftsmodellen.
  • Bevar ekspertisen gennem løbende arkitektonisk gennemgang, eksperimentering og vidensdeling.
  • Invester i platformudvikling for at være på forkant med nye AI-mønstre og -krav.

Almindelige anti-mønstre

Hold øje med disse tegn på, at teknologi og datafundamenter kan begrænse indførelsen af ai-agenten.

Niveau 100 – indledende: "Demodrevet eksperimentering"

  • Teams bygger agenter udelukkende i prompter uden reel data- eller handlingsintegration. Denne fremgangsmåde opretter imponerende demoer, der ikke kan overleve reelle arbejdsprocesser eller edge-sager.
  • Teams tilsidesætter korrekte connectors og styring for at "bare få det til at fungere", hvilket skaber risici for sikkerhed, overholdelse af angivne standarder og pålidelighed.
  • Agenter kører fra personlige konti eller testlejere uden klar ejer, livscyklus eller sti til produktion.
  • Teams fremhæver eksperimentel kode eller konfigurationer direkte til produktion uden ALM-, test- eller annulleringsplaner.

Niveau 200 – gentages: "Hero engineering"

  • Teams implementerer igen uafhængigt konnektorer til de samme systemer, hvilket fører til duplikering og inkonsistens.
  • Kun få personer forstår, hvordan systemer fungerer, og dokumentation er sparsom eller forældet.
  • Nogle agenter har udviklings-, test- og produktionsmiljøer. Det gør andre ikke. Fremme til produktion er manuel og fejlbehæftet.
  • Status afhænger af bestemte teknikere i stedet for genanvendelige mønstre og delte tjenester.
  • Teams forstår nogle dataafhængigheder, men ikke nok til at muliggøre udførelse fra ende til anden.

Niveau 300 – defineret: "Proces over muliggørelse"

  • Tunge arkitekturkrav gælder for simple agenter, hvilket gør leveringen langsommere og frustrerer teams.
  • Der findes referencearkitekturer og standarder, men de er ikke integreret i skabeloner eller værktøjer.
  • Mønstre fungerer for piloter, men valideres ikke i stor skala, på tværs af domæner eller under belastning.
  • En lille gruppe træffer alle beslutninger, som begrænser gennemløbet, medfører frustration og får teams til at frigøre sig.

Niveau 400 – Kompetent: "Stabil, men langsom"

  • Platforme er solide, men kun få teams kan bygge eller udrulle agenter.
  • Der findes dashboards, men indsigt er ikke drivkraften bag prioritering, forbedring eller udfasning.
  • Teams begrænser agenter stramt, selv når data viser, at de trygt kan gøre mere.
  • Fokus er på at justere eksisterende agenter i stedet for at aktivere nye mønstre eller egenskaber.

Niveau 500 – effektiv: "Selvtilfreds modenhed"

  • Teams anser platforme og standarder for at være komplette på trods af agentmønstre i hastig udvikling.
  • Guardrails findes, men opdateres ikke, hvilket fører til divergens og uoverensstemmelse over tid.
  • Teams afviser orkestrering med flere agenter, højere autonomi eller nye udførelsesmønstre som "fremtidigt arbejde".
  • Efterhånden som agenterne bliver mere dygtige, opdaterer teams ikke kontrolelementer og evalueringer i samme tempo.

Brug af denne søjle i praksis

Teknologi og data er katalysatorer.

Efterhånden som din adoption modnes:

  • Teknisk stringens bør reducere friktion, ikke bremse teams ned.
  • Standarder bør fremskynde sikker eksperimentering og genbrug.
  • Platformtelemetri skal informere om styring, drift og værdirealisering.

Stærke teknologi- og datafundamenter gør det muligt for organisationer med sikkerhed at skalere AI-agenter, fordi pålidelighed, sikkerhed og kontrol understøtter innovation.

Næste trin

Derefter skal du udforske, hvordan organisationsparathed og kultur gør det muligt for personer, roller og incitamenter at understøtte vedvarende, agent første måder at arbejde på.

Søjle 6: Organisationsparathed og kultur

  • Last updated on