حددت McKinsey أربع خطوات لتوسيع agentic AI بالاعتماد على بيانات عالية الجودة

أصدرت ماكنزي توصيات للشركات التي تحاول توسيع نطاق agentic AI لكنها تواجه عقبات ليس في النماذج بل في البيانات. النقطة الأساسية مباشرة: بدون قاعدة بيانات مشتركة وسير عمل واضحة وحوكمة قوية، لا يخرج الوكلاء أبداً من المشاريع التجريبية إلى عمليات الأعمال الحقيقية.

لماذا المشاريع التجريبية تتعثر

وفقاً لماكنزي، جربت ما يقرب من ثلثي الشركات بالفعل وكلاء الذكاء الاصطناعي، لكن أقل من 10% تمكنت من توسيع نطاقها إلى مستوى يحقق قيمة عمل كبيرة. في ثمانية من كل عشر حالات، تصبح البيانات هي العقبة: فهي تقع في أنظمة مجزأة، ولها سياقات مختلفة، وتفشل في فحوصات الجودة الموحدة، وغير مناسبة للحلول المستقلة. طالما يقوم الإنسان يدوياً بربط المصادر وإعادة التحقق من النتائج، يمكن للمشروع التجريبي أن يعمل.

عندما تحتاج نفس الإجراءات إلى أن تُنفذ باستمرار وفي الوقت الفعلي، تبدأ البنية في الانهيار. تصبح المشكلة أكثر حدة مع زيادة الاستقلالية. يمكن لوكيل واحد أن يزور تسلسلياً عدة أنظمة ويتخذ قرارات بناءً على معلومات مجزأة، بينما يمكن لمجموعة من الوكلاء المتخصصين أن ينقلوا الأخطاء لبعضهم البعض.

لذلك تضع ماكنزي في المركز ليس النموذج نفسه، بل قدرة الشركة على توفير للوكلاء إمكانية الوصول المستقرة إلى البيانات والتعريفات الواضحة والتتبع وقواعد الوصول. وإلا، تبدو الأتمتة رائعة في عرض توضيحي لكنها تتعطل تحت أول حجم خطير من العمليات.

أربع خطوات أولية

تقترح ماكنزي عدم إعادة هيكلة الشركة بأكملها مرة واحدة، بل البدء بأربع خطوات مترابطة تربط الإستراتيجية والعمارة والنموذج التشغيلي. المنطق هو: أولاً اختر العمليات التي تدفع لها الاستقلالية فعلاً، ثم جهز البنية التحتية، وعندها فقط قم بتوسيع النطاق. هذا النهج ضروري لتجنب قضاء أشهر على مشاريع تجريبية مكلفة دون تأثير قابل للتكرار ومنع نقل مشاكل البيانات القديمة إلى البنية التحتية الجديدة للوكلاء.

• اختر 1-2 من سير العمل عالية التأثير وقيّمها حسب القيمة والجدوى والتأثير الإستراتيجي
• حدّث طبقات العمارة للبيانات بحيث يمكن للوكلاء تبادل السياق بأمان
• انتقل من التنظيفات لمرة واحدة إلى المراقبة المستمرة لجودة البيانات المنظمة وغير المنظمة
• قدّم نموذجاً تشغيلياً وحوكمة: الأدوار وحقوق الوصول والسجلات والسياسات ونقاط الموافقة البشرية

يتم التأكيد الخاص على تنفيذ جميع الخطوات الأربع بشكل منسق. إذا اختارت شركة حالة الاستخدام الصحيحة لكنها احتفظت بالعمارة القديمة، سيواجه الوكيل أنظمة غير متوافقة. إذا كانت العمارة حديثة بالفعل لكن تفتقد قواعد الوصول وتسجيل الإجراءات، فإن التوسع السريع سيصبح خطراً على الأمان والامتثال وجودة قرارات الأعمال. توصي ماكنزي أيضاً بالتحقق من النهج على مشاريع تجريبية موجهة بمقاييس واضحة والبحث فوراً عن البيانات التي يمكن إعادة استخدامها لاحقاً في سير عمل مجاورة.

ما الأساس المطلوب

تفهم ماكنزي العمارة الجاهزة للوكيل ليست كأحادي جديد بل مجموعة من الطبقات المعيارية. يجب أن تدخل البيانات الشركة مرة واحدة ثم تُستخدم للتحليلات وتعلم الآلة والذكاء الاصطناعي التوليدي، دون خطوط أنابيب متوازية منفصلة لكل مهمة. تلعب الطبقة الدلالية دوراً مهماً: فهي تصف ما تعنيه كل كيان وكيف تتعلق الكائنات بعضها بالبعض وما هي قواعد الأعمال التي تنطبق.

عملياً، يؤدي هذا إلى علم الأنطولوجيا والرسوم البيانية للمعرفة والمنتجات البيانية بملكية واضحة وجودة وواجهات وصول محددة. تؤكد ماكنزي بشكل منفصل على العمل مع البيانات غير المنظمة: المستندات والصور والمراسلات وسجلات الحالات. لكي يستخدمها الوكلاء بشكل موثوق، يجب تصنيفها وتصنيفها وفهرستها عبر embeddings وربطها ببقية نموذج البيانات المؤسسي.

بالنسبة للبيانات المنظمة، الأولوية مختلفة: ليس التنظيف اليدوي الدوري بل المراقبة المستمرة للجودة والتحقق الآلي والكشف عن الحالات الشاذة وتتبع الأنساب. يجب تطبيق نفس المعايير على البيانات التي ينشئها الوكلاء أنفسهم. الطبقة الأخيرة هي الحوكمة حول دورة حياة الوكيل.

يجب على الشركة أن تحدد مسبقاً ما يُسمح للوكلاء بفعله والبيانات التي يمكنهم الوصول إليها وأين تكون الموافقة البشرية ضرورية ومن المسؤول عن النتائج. يتضمن هذا توفير بيانات الاعتماد والقياس الدقيق وسجلات الإجراءات والمراقبة الصحية والفحوصات الآلية لامتثال السياسة. في هذا الترتيب، تمتلك فرق الأعمال سير عملها ونماذج المجال، بينما تمتلك فريق البيانات والذكاء الاصطناعي المركزي المنصات المشتركة والحماية والإشراف.

ماذا يعني هذا

ينتقل السوق تدريجياً من السؤال "أي نموذج تختار" إلى "على أي البيانات والعمليات ستعمل". بالنسبة للشركات، هذه أنباء سيئة للعروض السريعة، لكنها خبر سار لمن هم مستعدون لبناء agentic AI كجزء من نظام تشغيل العمل بدلاً من تجربة معزولة.