Kada se AI agenti slažu oko podataka, ali ne oko njihova značenja
SAP ističe da AI agenti koji dijele iste podatke mogu donositi proturječne odluke. Razlog je što sirovi podaci rijetko sadrže poslovni kontekst – procese, politike i prioritete koji određuju što ti podaci znače za tvrtku. Kako agenti preuzimaju sve više odlučivanja, ti nedostaci postaju teže obuzdati. Irfan Khan, predsjednik i glavni produktni direktor za SAP Data & Analytics, kaže: „Ako pristupate podacima iz izvornog okruženja i oni nemaju kontekst, vjerojatno ćete donijeti loše informiranu odluku.“
U multi-agent sustavima javljaju se tri problema: isti brojevi različitim funkcijama vode do različitih zaključaka; agenti koji pojedinačno rade ispravno zajedno daju pogrešan ishod; i točnost se pogoršava kako se podaci nakupljaju. Tradicionalne podatkovne strategije izdvajaju zapise iz izvornih sustava i centraliziraju ih, čime ih odvajaju od semantike i procesnog konteksta. Fragmentacija se pojačala s više data lakeova uz on-premises sustave, flat datoteke i object storeove. U multi-agent okruženju nedostatak konteksta više nije samo podatkovni problem, nego koordinacijski neuspjeh.
Primjer: agent za nabavu traži dulje rokove plaćanja, agent za likvidnost odgađa plaćanja radi očuvanja likvidnosti, a agent za usklađenost zadržava plaćanja dok sve provjere ne prođu. Svaki radi svoj posao, ali zajedno blokiraju plaćanja dobavljačima, kritični dobavljači počinju deprioritizirati tvrtku, a nijedan sustav ne prijavljuje kvar.
Kontekst
SAP-ova arhitektura business data fabric zamišljena je tako da očuva značenje podataka dok se kreću među sustavima, umjesto da ih odvoji od izvornog poslovnog konteksta. Ona povezuje podatke i njihovu semantiku s procesima, politikama i drugim poslovnim znanjem koje upravlja upotrebom podataka, a agentima omogućuje pristup informacijama u distribuiranim okruženjima. Zajednički kontekst uključuje i „pamćenje tvrtke“: KPI-jeve, operativne prakse i akumulirano poslovno znanje koje tvrtka želi da agenti dosljedno primjenjuju. Cilj je dati agentima zajednički referentni okvir, a ne da svaki zasebno optimizira svoj dio tijeka rada.
Zajednički sloj semantike i politika omogućuje agentu da procijeni je li još na ispravnom putu izvršenja i kada se treba povući umjesto djelovati.
Ključne brojke
Izvor navodi tri problema koji se javljaju kada više agenata djeluje bez zajedničke poslovne semantike. U Khanovoj usporedbi koordinacijskog nedostatka spominje se 20 pojedinaca kojima se zadatak prosljeđuje bez zajedničkog sastanka i evidencije o napretku.
Što to znači
Dijeljeni podaci sami po sebi nisu dovoljni. Ako agenti nemaju zajedničko razumijevanje kako tvrtka očekuje da se podaci tumače i primjenjuju, lokalno ispravne odluke mogu proizvesti pogrešan poslovni ishod. To je važno jer se koordinacijski kvarovi mogu sakriti: zadatak može biti dovršen, a rezultat ipak pogrešan. Zato je potrebno kodirati i ograničenja, ne samo ciljeve – agent mora znati što ne smije učiniti i koji uvjeti moraju biti ispunjeni prije djelovanja, primjerice potvrditi dostupnost robe prije odobrenja otpreme.
Što slijedi
Iz teksta proizlazi da tvrtke moraju uspostaviti zajednički sloj semantike i politika te kontrolni sloj za agente. U SAP-ovoj business AI platformi agent harness i agent hub pružaju takav kontrolni sloj. Daljnji korak je osigurati da agenti dijele pamćenje tvrtke i pravila izvršenja, kako bi se smanjili proturječni zaključci i koordinacijski kvarovi.