Przedsiębiorstwa inwestujące w AI stają przed poważnym wyzwaniem - potężne modele generują rekomendacje i automatyzują zadania, ale bez kontekstu biznesowego często mylą się lub marnotrawią zasoby. Devavrat Shah, chief scientist enterprise AI w Celonis, zauważa, że AI działa jak czarna skrzynka, gdy brakuje jej zrozumienia, jak faktycznie działa organizacja.
Problem polega na tym, że współczesne agenty AI pracują w izolacji. Mogą doskonale wykonać pojedyncze zadanie, ale nie rozumieją, jak wpisuje się ono w większy proces decyzyjny, jakie są ograniczenia i warunki biznesowe otaczające daną sytuację. W rezultacie ryzykują przeoczenie kluczowych ograniczeń, popełnienie kosztownych błędów lub zużycie ogromnych zasobów obliczeniowych na zgadywanie, co powinni wiedzieć.
Rozwiązanie zaczyna się od połączenia AI z procesami i danymi, które przedsiębiorstwo już posiada. Dodanie warstwy kontekstowej pozwala agentom zrozumieć przepływy pracy, działać w ramach ustalonych guardrails i generować rekomendacje godne przeglądu przez ludzi. Shah radzi firmom, aby rozpoczęły od konkretnej decyzji biznesowej, zidentyfikowały jej najtrudniejsze etapy i przetestowały, czy AI może je ulepszyć. To podejście - dostosowane do rzeczywistości operacyjnej - stanowi kluczowy krok w przejściu AI z fazy eksperymentów do codziennego użytku w organizacjach.