a16z: Najtrudniejsze oprogramowanie dla przedsiębiorstw i największa szansa w dziedzinie AI

Tytuł oryginalny: Dlaczego świat nadal działa na SAP
Autor oryginału: Eric i Seema Amble, a16z
Tłumaczenie: Peggy, BlockBeats

Uwaga redakcyjna: Podczas gdy dyskusje na temat sztucznej inteligencji nadal koncentrują się na nowych produktach i możliwościach, w oprogramowaniu dla przedsiębiorstw zachodzą ciche, ale fundamentalne zmiany. Celem tego artykułu nie jest pokazanie, jak sztuczna inteligencja stworzy wiele nowych aplikacji, ale jak wkracza w bardziej złożony, choć mniej atrakcyjny scenariusz: systemy podstawowe przedsiębiorstw reprezentowane przez SAP, Salesforce i ServiceNow.

Mówiąc prosto, te trzy rodzaje systemów odpowiadają różnym aspektom działalności przedsiębiorstwa:

· SAP odpowiada za podstawowe zarządzanie zasobami, takie jak finanse, zapasy i produkcja, pełniąc rolę „księgi głównej” firmy;

· Salesforce zarządza procesami obsługi klienta i sprzedaży, określając, w jaki sposób firma generuje przychody;

· ServiceNow obsługuje procesy wewnętrzne i systemy operacyjne, umożliwiając organizacjom sprawne funkcjonowanie. Razem tworzą one infrastrukturę codziennych operacji przedsiębiorstwa.

Z jednej strony systemy te są niezwykle ważne, ale z drugiej strony często trudne w użyciu, skomplikowane i uciążliwe. Firmy dodały do nich wiele dostosowań i procesów, przekształcając je zarówno w pamięć organizacyjną, jak i stopniowo ewoluując w trudne do przeniesienia obciążenie techniczne. Im system jest ważniejszy, tym trudniej go zmienić.

Tutaj pojawia się szansa dla sztucznej inteligencji.

Zamiast zastępować te systemy, bardziej realistycznym rozwiązaniem jest zbudowanie nowej warstwy systemów działających na ich podstawie, co pozwoli na zmniejszenie kosztów migracji w fazie wdrożenia, uproszczenie operacji poprzez współpilotowanie i agencję w fazie użytkowania oraz zastąpienie złożonej personalizacji lekkimi aplikacjami w fazie rozszerzenia. Dlatego prawdziwa zmiana nie polega na tym, czy sam system zostanie zastąpiony, ale na tym, jak zostanie przepisana interakcja między ludźmi a systemem. Sztuczna inteligencja nie zastąpi SAP, Salesforce ani ServiceNow, ale może stopniowo sprawić, że staną się „niewidoczne”. A nowe platformy zdefiniują prawdziwą wartość oprogramowania dla przedsiębiorstw na tej niewidocznej warstwie interfejsu.

Poniżej znajduje się oryginalny tekst:

W miarę rozwoju sztucznej inteligencji, startupy i ich klienci skupiali się głównie na zupełnie nowych możliwościach i produktach, które umożliwiają. Na przykład, różne oszałamiające agenci głosowi, narzędzia do automatyzacji przepływu pracy i platformy do generowania tekstu.

Rzeczywiście, te kierunki już się pojawiły i będą nadal dawać początek wielu ekscytującym firmom (inwestowaliśmy również w niektóre z nich). Ale to, na co sztuczna inteligencja może mieć naprawdę głębszy wpływ, to nie te pozornie ciekawe obszary, ale mniej efektowny, ale bardziej wartościowy kierunek: pomaganie organizacjom w lepszym wykorzystaniu ogromnej ilości oprogramowania, które już mają wdrożone.

Oto pytanie, które może wydawać się nieco obraźliwe, ale po tygodniu spędzonym w firmie z listy Fortune 500 zrozumiesz jego praktyczność: Dlaczego ludzie do dziś używają SAP (wraz z ServiceNow, Salesforce)?

Krótką odpowiedź brzmi: SAP i podobne systemy na dużą skalę przechowują kluczowe dane potrzebne do funkcjonowania przedsiębiorstwa. Co ważniejsze, firmy mocno dostosowały te systemy, nakładając na nie złożone procesy i przydziały ról, z których wiele nie jest nawet wyraźnie udokumentowanych. Migracja z tych systemów jest często kosztowna, czasochłonna i uciążliwa, zazwyczaj wymaga dużego zespołu konsultantów, trwa latami i kosztuje miliardy dolarów. Na przykład modernizacja z SAP ECC do SAP S/4HANA może kosztować 700 milionów dolarów, zająć 3 lata i wymagać zaangażowania 50-osobowego zespołu z Accenture. Nawet po zakończeniu migracji oprogramowanie to jest często używane głównie do generowania statycznych raportów, z niewielką elastycznością w zakresie manipulacji.

Jednak sytuacja ta się zmienia.

Sztuczna inteligencja otwiera nowe możliwości, umożliwiając firmom modernizację, dostosowywanie, zastępowanie tych systemów, a co najważniejsze, bardziej efektywny dostęp do danych w nich przechowywanych i ich wykorzystanie.

Ostatecznie celem sztucznej inteligencji może nie być zastąpienie SAP/ServiceNow/Salesforce, ale sprawienie, że będą bardziej programowalne i przyjazne dla użytkownika. Prawdziwymi zwycięzcami będą platformy, które potrafią robić dwie rzeczy: po pierwsze, wykorzystywać budżet przedsiębiorstwa przeznaczony na transformację cyfrową, aby w sposób wymierny zmniejszyć ryzyko i skrócić cykle; po drugie, stopniowo integrować się z codziennymi operacjami, stając się nerwowym centrum pracy, rozbijając tradycyjne, nieporęczne interfejsy na składowe, sterowalne operacje i lekkie aplikacje wspomagane przez sztuczną inteligencję.

Innymi słowy, sam system rejestru nie zniknie; to, co ulegnie transformacji, to górna warstwa interfejsów interakcji, możliwości automatyzacji i warstwy rozszerzeń, co oznacza kolejny etap konkurencji w dziedzinie oprogramowania.

SAP jest trudny w użyciu, ale nadal nie możemy się bez niego obejść

Aby przygotować grunt pod to pytanie, najpierw krótko omówmy, czym jest SAP i co robi. Na pierwszy rzut oka systemy takie jak te są trudne w obsłudze, operacyjnie skomplikowane i kosztowne w modyfikacji, co sprawia, że praca z nimi jest dość uciążliwa; mimo to pozostają one centralnym filarem działalności globalnych organizacji działających na dużą skalę. Wyobraź sobie, jak wyglądałoby codzienne korzystanie z SAP.

Ale właśnie ta niemożność wyjaśnienia jest okazją.

Niekomfortową, ale bardziej prawdziwą odpowiedzią jest: pod tymi nieporęcznymi interfejsami i niekończącymi się konfiguracjami systemy te są w rzeczywistości niezwykle potężne. Przechowują one podstawowy model danych firmy, definiują mechanizmy uprawnień i kontroli w celu zapewnienia zgodności, integrują obsługę przepływu pracy na skalę operacyjną i łączą zintegrowane relacje z dziesiątkami, a nawet setkami procesów pośrednich. Nie są to aplikacje w rozumieniu internetu konsumenckiego, lecz raczej pamięć organizacyjna skrystalizowana w formie tabel danych, systemów ról, procesów zatwierdzania, logiki księgowej i obsługi wyjątków.

Zastąpienie takich systemów jest nie tylko kosztowne, ale także bardzo ryzykowne. Im więcej firma inwestuje, na przykład w niestandardowe pola, procesy, reguły cenowe i logikę raportowania, tym bardziej system ten staje się jak fosa tworzona przez koszty zmiany, a nawet częścią przewagi konkurencyjnej. Dlatego skalowalność jest tak ważna: każda firma jest wyjątkowa, zmiana jest wszechobecna, na przykład nowe wymogi regulacyjne, nowe produkty, nowe struktury organizacyjne. Platformy te mogą przetrwać w dłuższej perspektywie właśnie dlatego, że można je nieustannie dostosowywać do rzeczywistości.

Jednak problem polega na tym, że ta sama skalowalność, która czyni je potężnymi, czyni je również kruchymi. Każde dostosowanie jest potencjalnym polem minowym dla przyszłych aktualizacji; każdy proces roboczy przekształca się w skomplikowany labirynt; każdy interfejs jest ciągłym obciążeniem dla użytkownika.

Ta kruchość jest niemal wszechobecna. Chociaż CRM został szeroko przyjęty, zadowolenie użytkowników zawsze było mieszane; wysoki stopień dostosowania ERP jest niemal zawsze związany z opóźnieniami w projektach i przekroczeniem budżetu. Pracownicy są przytłoczeni przez rozproszone procesy robocze, muszą przełączać się między różnymi aplikacjami około 1200 razy dziennie, co odpowiada marnowaniu około 4 godzin tygodniowo; 47% pracowników z branży cyfrowej ma trudności ze znalezieniem informacji potrzebnych do wykonywania swojej pracy. Projekty cyfrowej transformacji na dużą skalę również często zawodzą, a szacunki sugerują, że około 70% z nich nie osiąga założonych celów. Wydatki generowane przez te problemy są ogromne, a sam rynek wdrażania oprogramowania i integracji systemów osiągnie w 2023 roku skalę około 380 miliardów dolarów.

W ramach tych procesów i punktów problemowych sztuczna inteligencja stworzyła możliwość zmiany sposobu wdrażania i wykorzystywania oprogramowania. Prostym sposobem zrozumienia tej możliwości jest przyjrzenie się cyklowi życia oprogramowania dla przedsiębiorstw: najpierw jest wdrożenie lub migracja, potem codzienne użytkowanie, a na końcu ciągłe rozwijanie go w odpowiedzi na zmiany w biznesie. Na każdym etapie istotną pracą jest przełożenie chaotycznej ludzkiej intencji na wykonalne i podlegające kontroli poprawne operacje rejestrowane w systemie.

Następnie możemy osobno zbadać, w jaki sposób sztuczna inteligencja poprawia wykorzystanie tradycyjnego systemu programowego na każdym etapie.

Etap wdrożenia

Zacznijmy od etapu wdrożenia, który jest najbardziej ryzykowny, najbardziej wrażliwy na budżet, a jednocześnie najbardziej wyraźnie nagradzający. Chodzi konkretnie o przekształcenie rozproszonych informacji badawczych, takich jak spotkania, dokumenty, zlecenia, w ustrukturyzowane wymagania i automatyczne generowanie wymaganego procesu wdrożenia, w tym mapowanie procesów i pól, konfigurację i kod, skrypty testowe, plany przełączania, podręczniki migracji oraz czyszczenie i walidację danych przed uruchomieniem. Proces ten jest niezwykle złożony i podatny na błędy. Niemiecki gigant handlu detalicznego, Lidl, porzucił kiedyś swój projekt transformacji SAP po zainwestowaniu 500 milionów dolarów.

W tej fazie grupa firm buduje narzędzia wspomagające migrację i wdrażanie, takie jak różne systemy współpilotowania, narzędzia do zarządzania projektami i inne. Oto kilka typowych przykładów:

· Axiamatic oferuje warstwę zabezpieczeń AI dla ERP, która buduje wykres wiedzy projektowej, aby wskazać potencjalne problemy w zakresie wymagań i zarządzania zmianami w Slack lub Teams, zmniejszając ryzyko i przyspieszając postęp projektu S/4HANA. Został zintegrowany z SAP Build i osadzony w procesach doradczych KPMG, EY, IBM i innych.

· Conduct to narzędzie współpilotowania mapowania kodu i procesów, które może generować warstwę semantyczną i dokumentację techniczną podczas migracji z ECC do S/4. Wspomaga zadawanie pytań i udzielanie odpowiedzi w przypadku niestandardowych tabel i interfejsów API, aby przyspieszyć wewnętrzną adaptację.

· Auctor zapewnia możliwość dostarczania wdrożeń opartych na agentach dla integratorów systemów i profesjonalnych zespołów serwisowych. Może automatycznie przekształcać proces wykrywania w ustrukturyzowane wymagania i dalej służyć jako zapis systemowy do zarządzania SOW, dokumentami projektowymi, historiami użytkowników, konfiguracją i planami testowymi.

· Supersonik koncentruje się na umożliwianiu korzystania z produktu, dostarczając agentów wizualnych i głosowych do nauczania w kontekście, zmniejszając zapotrzebowanie na inżynierów rozwiązań oraz wspierając wdrożenia i ekspansję sterowane przez kanał i klienta.

· Tessera buduje funkcje integracji systemów opartych na sztucznej inteligencji, aby bezpośrednio łączyć się z istniejącym systemem ERP firmy, oceniać stan jego wdrożenia, automatycznie identyfikować i naprawiać problemy podczas procesu migracji oraz osiągać kompleksowe zarządzanie transformacją.

Wartość tych firm polega na przyspieszaniu, tanieniu i ułatwianiu transformacji. Odzbija się to szczególnie w kilku aspektach: wczesne wykrywanie problemów na etapie wymagań i zarządzania zmianami, aby uniknąć ich późniejszego powiększania; skracanie cyklu czasowego, ponieważ nawet miesięczne opóźnienie może skutkować kosztami w wysokości milionów dolarów; przekształcanie rozproszonych danych projektowych w uporządkowaną wiedzę, aby wewnętrzne zespoły mogły szybciej przejąć kontrolę; oraz zmniejszenie zależności od dużych zespołów integracyjnych poprzez zautomatyzowane mapowanie, generowanie dokumentów, testowanie i szkolenia.

Wierzymy, że na tym polu jest jeszcze miejsce na więcej startupów, zwłaszcza tych, które współpracują z istniejącymi partnerami, zamiast stosować narzędzia konfrontacyjne. Konkretne kierunki obejmują:

· Agenci wdrażający powiązani z wynikami i ryzykiem projektu, na przykład, wykorzystywani do śledzenia wymagań, różnicowania konfiguracji, symulacji przełączania, generowania kodu i wykrywania różnic;

· Narzędzia dokumentacji semantycznej, aby zapewnić, że wiedza pozostaje aktualna i łatwo dostępna;

· Agenci upoważniający do przekształcania szkoleń i promocji kanałów w możliwości produktowe nadające się do wielokrotnego użytku.

Ponieważ startupy są w stanie faktycznie zmniejszyć obciążenie przedsiębiorstwa, mogą ustalać ceny na podstawie kosztu alternatywnego zaoszczędzanego dla przedsiębiorstwa i bezpośrednio wykorzystywać budżety transformacyjne, które CIO i CFO już przeznaczyli, jednocześnie wypierając te nadmierne projekty integracji systemów.

Użytkowanie i konserwacja

Następnie, gdy system oprogramowania jest w pełni wdrożony, zaczyna się prawdziwe wyzwanie. Codzienne użytkowanie oznacza ciągłe poruszanie się po złożonych i chaotycznych interfejsach tych systemów. Codzienna praca często obejmuje dziesiątki interfejsów, a rotacja personelu nieustannie resetuje nagromadzone doświadczenie, podczas gdy duża liczba procesów peryferyjnych nigdy nie otrzymuje odpowiedniego wsparcia na poziomie produktu. Użytkownicy muszą poświęcać czas na wyszukiwanie pól, ręczne synchronizowanie danych między różnymi systemami lub częste zwracanie się do zespołu operacyjnego z prośbami takimi jak „czy możesz uruchomić dla mnie to sprawozdanie”. Wynikiem tego są wolniejsze cykle procesów, częste błędy i ciągłe koszty szkoleń.

Możliwości sztucznej inteligencji polegają na budowaniu bardziej przyjaznej i wydajnej warstwy na istniejących systemach.

Tego typu firmy dążą do tego, aby pomóc zespołom w uzyskaniu większej wartości z istniejących systemów. W praktyce często jest to kopilot obecny w Slacku lub na pasku bocznym przeglądarki, który potrafi odpowiedzieć na pytania dotyczące tego, gdzie znaleźć określone dane lub jak wykonać określoną operację za pomocą wyszukiwania semantycznego, a także wykonywać bezpieczne czynności, jeśli dostępne są interfejsy API, takie jak tworzenie zleceń roboczych, wprowadzanie zapisów do dziennika, aktualizowanie warunków współpracy z dostawcami i inne. Narzędzia te mogą również łączyć wiele systemów, tworząc złożone przepływy pracy międzyaplikacyjne, takie jak pobieranie zamówień z zeszłego kwartału z SAP, weryfikacja warunków umowy w Coupa, przygotowywanie wyjaśnień odchyleń w ServiceNow i uwzględnianie zgód ludzi, ścieżek audytu i szczegółowych kontroli uprawnień po drodze. Doskonałe produkty śledzą również sposób korzystania z nich, oszczędzając czas, zmniejszając liczbę błędów i monitorując inne wskaźniki.

Jednakże rzeczywistość jest taka, że znacząca ilość krytycznych zadań w przedsiębiorstwach nie jest udostępniana za pośrednictwem standaryzowanych interfejsów API, lecz istnieje w różnych interfejsach, takich jak przestarzałe klienci, wirtualne środowiska desktop i słabo udokumentowane zaplecze administracyjne. Dlatego też nowoczesne agenty obsługiwane przez komputer stały się niezbędnym uzupełnieniem kopilotów opartych na interfejsach API. Rozszerzają one zasięg automatyzacji na te ostatnie 30% do 40% procesów, do których nie można uzyskać dostępu za pośrednictwem interfejsów.

Ich główną funkcją nie jest tylko klikanie przycisków, ale raczej zdolność do stabilnego wykonywania zadań w chaotycznym środowisku. Agenci ci muszą rozumieć struktury interfejsów, lokalizować stabilne elementy, przywracać wykonywanie w wyskakujących oknach lub zmianach układu oraz rejestrować postępy w kluczowych punktach w celu bezpiecznego przywrócenia po przerwach. Gdy te możliwości zostaną połączone z mechanizmami weryfikacji (takimi jak kontrola różnic, uzgodnienia, testowanie w środowisku sandbox) i kontrolami przedsiębiorstwa (jednolity logowanie, zarządzanie kluczami, zasada minimalnych uprawnień, ścieżki audytu), mogą one przekształcić pracę, która wcześniej polegała na interwencji manualnej, w możliwe do kontrolowania, powtarzalne procesy zautomatyzowane, takie jak sortowanie zleceń pracy, kroki zamknięcia okresu, aktualizacje klientów, dostosowywanie cen, nawet w częściach SAP, ServiceNow, Salesforce, które pierwotnie nie były przeznaczone do automatyzacji.

Można to zrozumieć następująco: API zwiększają efektywność standardowych ścieżek, podczas gdy moc obliczeniowa umożliwia automatyzację nawet długotrwałych procesów.

Firmy takie jak Factor Labs i Sola już wdrożyły takich agentów w środowiskach produkcyjnych, zastępując tradycyjne wydatki na outsourcing procesów biznesowych i pomagając dużym organizacjom osiągnąć skalowalność automatyzacji zadań.

Warstwa ekspansji

Wreszcie, nawet jeśli SAP, ServiceNow i Salesforce stają się bardziej przyjazne dla użytkownika, sama firma ciągle się rozwija, co oznacza, że zapisy w systemie również muszą ewoluować. Nowe produkty, nowe zasady, nowe fuzje i przejęcia, nowe wymogi regulacyjne oraz duża liczba procesów o długim ogonie, które nigdy nie są warte indywidualnego, samodzielnego rozwoju modułu podstawowego, stale zmuszają oprogramowanie do dostosowywania się do rzeczywistego stanu firmy. W przeszłości zespoły miały zwykle tylko dwie możliwości: albo głęboko dostosowywać system i ponosić związane z tym koszty kruchości, albo rozwijać rozproszone, samodzielne aplikacje, ale wtedy napotykały trudności z integracją, zarządzaniem i konserwacją.

Sztuczna inteligencja oferuje trzecią ścieżkę: budowanie małych, kontrolowanych doświadczeń aplikacyjnych na szczycie systemu podstawowego w szybszym tempie, bez zakłócania jego działania.

Budowanie nowych narzędzi i możliwości automatyzacji na szczycie tradycyjnych systemów można postrzegać jako dodanie bardziej „użytecznej” warstwy doświadczenia na szczycie zestawu nie do końca przyjaznego dla użytkownika oprogramowania. Podstawowym wzorem jest najpierw zbudowanie zunifikowanej płaszczyzny danych i działań: odczytywanie danych z rekordów systemowych za pośrednictwem API i zdarzeń (uzupełnione o bezpieczne pobieranie danych z interfejsu, gdy jest to konieczne), standaryzacja ich do semantycznego modelu obiektów biznesowych, takich jak zamówienia, dostawcy, zlecenia pracy itp., a następnie zapewnienie zestawu interfejsów operacyjnych z kontrolą uprawnień, mechanizmami zatwierdzania i możliwościami audytu w oparciu o to.

Na tej podstawie zespoły mogą szybko tworzyć doświadczenia aplikacyjne skoncentrowane na konkretnych scenariuszach, które są bardziej nowoczesne i bliższe rzeczywistym potrzebom. Na przykład, zamiast wysyłać personel zaopatrzeniowy do przechodzenia przez dziesiątki kroków w SAP, aby wprowadzić dostawcę do systemu, udostępnia się pojedynczą, lekką aplikację do wprowadzania dostawców, która zbiera dane, przeprowadza walidację, krąży zatwierdzenia i ostatecznie zapisuje dane z powrotem do SAP. Podobnie, zamiast zmuszać zespoły ds. operacji przychodowych do przełączania się między wieloma interfejsami w Salesforce, aby modyfikować warunki odnowienia, udostępnia się edytor o wysokiej prędkości podobny do arkusza kalkulacyjnego, który umożliwia modyfikację wsadową, sprawdzanie zgodności, podgląd wpływu i ostatecznie przesyłanie zmian wraz z pełnym rejestrem audytu. Lub, zamiast wielokrotnie budować nowe systemy portalu, udostępnia się zunifikowany punkt wejścia operacyjnego dla zespołów pierwszej linii do wykonywania codziennych operacji o wysokiej częstotliwości w różnych systemach, takich jak tworzenie zwrotów, przedłużenie limitów kredytowych, inicjowanie wtórnych zgłoszeń o błędach, naliczanie wydatków itp., bez konieczności ciągłego przełączania się między wieloma stronami.

Te warstwy rozszerzeń mogą również łączyć różne systemy w ramach przepływów pracy i możliwości automatyzacji, co jest trudne do priorytetyzowania przez pojedynczego dostawcę. Na przykład, poprzez automatyzację sterowaną zdarzeniami: gdy faktura zostanie wystawiona, a różnica przekracza 3%, automatycznie wygeneruj wyjaśnienie i prześlij je do zatwierdzenia; lub gdy zlecenie zostanie ponownie otwarte dwukrotnie, automatycznie utwórz zgłoszenie, wyznacz odpowiedzialną osobę, zaktualizuj status klienta i wprowadź przegląd przez człowieka w kluczowych momentach.

Z czasem najbardziej wartościowe praktyki stopniowo utrwalą się w postaci wielokrotnie używanych modułów intencji, takich jak od wyceny do otrzymania zapłaty, wdrożenie dostawcy, rozliczenie końcoworoczne i tak dalej. Moduły te nie tylko definiują, co należy zrobić, ale co ważniejsze, jak wykonywać te operacje w sposób bezpieczny i zgodny z przepisami w określonym środowisku przedsiębiorstwa.

Produkty takie jak Cell wprowadzone przez General Magic sprawiają, że podstawowa możliwość budowania takich spersonalizowanych przepływów pracy staje się konkretna: możesz przesłać specyfikację OpenAPI, aby przekształcić każdy interfejs w operację wywołującą; następnie, za pomocą prostego skryptu osadzonego w natywnym pasku poleceń, bezpośrednio wykonaj prawdziwe wywołania API, wspierane przez funkcje analityczne, architekturę wielopodmiotową, kontrole bezpieczeństwa i mechanizmy zarządzania uprawnieniami. Dlatego też praca skupia się na komponowaniu odpowiednich operacji i strategii w istniejących, zaufanych systemach, zamiast na odbudowie zestawu interfejsów.

Jak będzie wyglądał koniec gry?

Nasza ocena wskazuje, że te tradycyjne systemy w większości nadal będą istnieć, ale nie będą już głównym interfejsem, w którym odbywa się praca. Systemy ERP, CRM, ITSM i inne są głęboko osadzone w przedsiębiorstwach i nie mogą być zastąpione w tempie regularnego oprogramowania; będą ewoluować powoli i nadal będą istnieć jako system rejestru. Naprawdę zmieni się system działań skierowanych do użytkownika, zbudowany na ich podstawie: Sztuczna inteligencja stanie się domyślnym punktem dostępu do zrozumienia, jak działają systemy, jak orkiestrować przepływy pracy między systemami i jak tworzyć lekkie, nowoczesne aplikacje, które omijają tradycyjne interfejsy. Innymi słowy, warstwa, która wcześniej służyła jako pomost, stanie się prawdziwą autostradą.

W tym paradygmacie oprogramowanie, które może odnieść długotrwały sukces, nie będzie już przypominać chatbotów, ale będzie bardziej przypominać system operacyjny: zunifikowaną płaszczyznę danych i działań zbudowaną na semantycznym modelu obiektów biznesowych i wyposażoną w solidne mechanizmy bezpieczeństwa i zarządzania, aby umożliwić niezawodne działanie sztucznej inteligencji w środowisku produkcyjnym. Dla użytkowników końcowych nie ma potrzeby uczenia się, którego konkretnego interfejsu, pola lub kodu transakcji należy użyć, ani wielokrotnego uczenia się na nowo po zmianach interfejsu lub procesu; wystarczy opisać pożądany wynik, a system pomoże go osiągnąć. W trakcie procesu system będzie zadawał niezbędne pytania wyjaśniające, wyświetlał podgląd wykonania, a następnie finalizował operację w ramach odpowiednich mechanizmów zatwierdzania i audytu.

Na przykład można wydać następujące polecenia: utwórz zwrot i powiadom klienta, utwórz zgłoszenie incydentu poziomu 2 i pobierz trzy ostatnie powiązane zdarzenia lub zakończ proces wdrożenia dostawcy, w tym zebranie informacji, przejście przez proces zatwierdzania i ustalenie warunków płatności. Obecnie operacje te często wymagają przełączania się między SAP, Salesforce, Service Now i arkuszami kalkulacyjnymi. Jednak w nowym paradygmacie zostaną one zintegrowane w jednolity przepływ wykonania.

Wynikiem tej transformacji jest mniejsza liczba błędów i cofania, mniejsze uzależnienie od doświadczenia, szybsze cykle przetwarzania i znacznie niższe koszty szkoleń, ponieważ cała interakcja jest oparta na intencji, uwzględnia rolę i domyślnie korzysta z samoobsługi.

Rów oddzielający będzie również stale narastał w przypadku rzeczywistego użytkowania: każdy pomyślnie wykonany przepływ pracy zostanie zapisany jako możliwy do wielokrotnego użycia zamiar; każde zarządzanie wyjątkami zostanie przekształcone w nowe ograniczenia bezpieczeństwa; każdy artefakt z procesów migracji stanie się częścią stale aktualizowanej struktury systemu; każda integracja pogłębi zrozumienie, jak naprawdę działa firma. Z czasem ta warstwa sztucznej inteligencji stanie się głównym punktem wejścia dla zespołu, aby zrozumieć wpływ zmian, zapobiegać dryfowaniu systemu, mierzyć zwrot z inwestycji i tworzyć nowe procesy, nawet jeśli same podstawowe systemy się nie zmieniły.

[Link do oryginalnego artykułu]