専門家は、AIエージェントと一緒に走る前に、クロールをしてから歩くことをアドバイスします

マルチエージェントAIシステムの時代へようこそ。ここでは、個人およびプロフェッショナルな生産性を飛躍的に向上させる可能性が広がっています。しかし、これらの先進的な生成AI（Gen AI）ツールを組織に統合することは簡単なことではありません。デロイトの最近のレポートによると、自動エージェント開発への関心が高まっており、26%の組織がこの分野を模索しています。52%以上の経営者がエージェントAIの開発に意欲的で、45%がマルチエージェントシステムへの拡大を目指しています。その可能性にもかかわらず、これらのシステムはすべての課題に対する万能薬ではありません。

レポートでは、エージェントAIが人間の介入を最小限に抑えて自律的に目標を達成することで、持続可能なビジネス価値の創出を大きく強化できると強調されています。しかし、Gen AIが直面する規制の不確実性、リスク管理、データ不足、労働力の問題などの障害は、エージェントシステムの複雑さが増すことでさらに拡大すると指摘しています。

デロイトコンサルティングのAI責任者であるジム・ローワン氏は、従来のボットが主に入力に対して反応するのに対し、エージェントAIは計画を立て、タスクの優先順位を決め、ほとんど人間の監督なしで複雑なワークフローを実行できると強調しました。しかし、彼はこれらのシステムの導入にはコストがかかる可能性があると警告し、スケーラブルなクラウドプラットフォーム、高度なデータ分析ツール、強力なサイバーセキュリティ対策を含む堅牢なデータインフラの重要性を強調しました。

AIエージェントを導入しようとする組織にとって、シンプルなスタートが鍵です。ペンシルベニア大学の教授であるベンジャミン・リー氏は、すでに簡単なタスクに生成AIを使用している企業は、エージェントAIを活用するのに有利な位置にあると提案しています。これらの組織には、複雑なタスクをAI用にシンプルなタスクに分解することに慣れている従業員がおり、すでに生産性の向上を経験しています。

ローワン氏は、制御された環境でマルチエージェントシステムをテストするパイロットプログラムから始める段階的なアプローチを推奨しています。彼は現在のAIの状態を幼児に例え、エージェントAIはより進んでおり、特定の機能を実行できるティーンエイジャーに似ていると述べました。

AIエージェントをさらに統合するには、組織は簡単なタスクに生成AIの使用を奨励し、複雑なタスクを管理可能な部分に分解する戦略を立てるべきです。このアプローチにより、インテリジェントエージェントによる生産性の向上が透明で理解しやすく、信頼できるものになります。

ローワン氏はまた、Gen AIの領域を支配してきた大型の言語モデルよりも小型の言語モデルを使用することを推奨しています。これらの小型モデルは、サプライチェーン管理からソフトウェア開発、財務分析まで、さまざまな役割でより効果的です。リー氏も同意し、インテリジェントエージェントは複雑なタスクをシンプルなタスクに分解し、専門モデルを使用して結果を一貫した応答に統合できると述べました。

AIエージェントの効果的な機能には高品質なデータが不可欠です。不正確、不完全、または一貫性のないデータは、信頼できない出力やアクションにつながり、採用とリスクの両方の課題を引き起こします。したがって、堅牢なデータ管理と知識モデリングへの投資が不可欠です。

労働力のスキル向上も重要な領域であり、ローワン氏は技術スキルとAIエージェントとの協働能力の両方でのトレーニングの必要性を強調しました。十分に準備された労働力は、AIエージェントの可能性を最大限に引き出すために不可欠です。

AIエージェントのパフォーマンスの継続的な監視と改善も必要です。これには、パフォーマンスデータの収集と分析、改善領域の特定、パフォーマンスを最適化するための調整が含まれます。

ポリシーの観点から、企業はエージェントAIの使用に関する明確なガイドラインを確立する必要があります。Digital.aiのインテリジェンス部門のグローバルリーダーであるベン・サップ氏は、誰がエージェントAIを使用できるか、他のエージェントとの相互作用の許可、システムが相互作用または衝突する際の意思決定の階層を決定することの重要性を指摘しました。

サップ氏は、金融サービス企業がAIモデルを使用して変更の失敗を予測する例を提供しました。失敗の確率に基づいて、人間は変更をより深くレビューするか承認するかを決定できます。エージェントAIでは、失敗確率が1%未満の場合、システムは人間の介入なしで変更を自動的に承認し、プロセスを効率化できます。

要するに、エージェントAIは生産性を向上させ、持続可能なビジネス価値を創出する大きな可能性を秘めていますが、その成功的な導入には、技術、データ、労働力、ポリシーの課題を慎重に考慮する必要があります。