Sigue a ZDNET: Agréganos como fuente preferida en Google.

Takeaways de interruptor de ZDNET

• McKinsey implementó y observó más de 50 AI de AI de agente durante un año.
• Los empleados digitales requieren mucho trabajo para ponerse al día.
• Los agentes de IA no son la mejor respuesta a todas las micción comerciales.

Según muchas cuentas, los agentes de IA son considerados compañeros de trabajo digital en la fuerza sindical coetáneo. Entonces, como con los trabajadores humanos, deberían estar sujetos a una revisión anual de desempeño, ¿verdad?

La clan de McKinsey hizo exactamente eso, liberando los resultados de un Revisión de desempeño de un año de los agentes de IA que la firma de consultoría había estado implementando y observando. ¿Cómo lo hicieron estos empleados digitales en su primer año en el trabajo? Las conclusiones del equipo de McKinsey: requieren mucho trabajo para ponerse al día; No siempre son la mejor respuesta a todas las micción comerciales; Y sus homólogos humanos no siempre están impresionados con el trabajo de los agentes.

Además: Microsoft competirá con AWS para ofrecer un mercado de aplicaciones y agentes de IA

El Documentación de Progress, escrito por Lareina Yee, Michael Chui y Roger Roberts, todos con McKinsey, revisaron al menos 50 AI de AI de agente que los autores lideraron en McKinsey, entre otros. Luego de un año con los agentes de IA, llegaron a seis lecciones aprendidas.

1. Los agentes funcionan mejor interiormente de los flujos de trabajo

La implementación de agentes de IA en aras de tener agentes de IA no lo cortará, Yee y sus colegas aconsejan. Se manejo más de inyectar agentes para aumentar los flujos de trabajo.

“Los esfuerzos de IA agente que se centran en reinventar fundamentalmente los flujos de trabajo completos, es afirmar, los pasos que involucran a personas, procesos y tecnología, tienen más probabilidades de ofrecer un resultado positivo”, según la revisión. Comience con el direccionamiento de los puntos de dolor del beneficiario secreto, sugieren los coautores. Las organizaciones con flujos de trabajo intensivos en documentos, como compañías de seguros o firmas legales, por ejemplo, se benefician de que los agentes manejen pasos tediosos.

2. Los agentes no siempre son la respuesta

“Para ayudar a evitar inversiones desperdiciadas o complejidad no deseada, topar el papel de los agentes como lo hacen al evaluar a las personas para un equipo de detención rendimiento”, aconsejan Yee y sus coautores. “La pregunta secreto para hacer es: ‘¿Cuál es el trabajo a hacer y cuáles son los talentos relativos de cada miembro potencial del equipo o agente para trabajar juntos para ganar esos objetivos?'”

Encima: ¿Tienes AI FOMO? 3 apuestas audaces pero realistas que su negocio puede probar hoy

Si la IA Agentic es demasiado para un problema o si el problema requiere enfoques estandarizados y repetitivos con mengua variabilidad, quede con opciones más simples como la automatización basada en reglas, el investigación predictivo o el maniquí de verbo egregio (LLM).

3. Ai ‘slop’ ha sido un problema recurrente

Uno de los problemas más comunes observados por el equipo de McKinsey son los “sistemas de agente que parecen impresionantes en las demostraciones pero frustran a los usuarios que son verdaderamente responsables del trabajo”, con “AI Slop o resultados de mengua calidad”. Como resultado, los usuarios pierden confianza en los agentes y dejan de usarlos.

“Las empresas deben alterar mucho en el progreso de agentes, al igual que el progreso de los empleados”, recomiendan los coautores. Al igual que con los empleados humanos, “los agentes deben cobrar descripciones de trabajo claras, incorporados y cobrar comentarios continuos para que se vuelvan más efectivos y mejoren regularmente”.

4. Es difícil rastrear grandes cantidades de agentes

“Al trabajar con solo unos pocos agentes de IA, revisar su trabajo y detectar errores puede ser en su mayoría sencillo”, dijeron Yee y su equipo. “Pero a medida que las empresas despliegan cientos, o incluso miles, de los agentes, la tarea se vuelve desafiante. Cuando hay un error, y siempre habrá errores a medida que las empresas escalen agentes, es difícil descubrir precisamente lo que salió mal”.

Además: 6 Insights Los líderes del servicio deben entender sobre la IA de agente

El equipo aprendió esta enseñanza verificando el rendimiento del agente en cada paso del flujo de trabajo, empleando herramientas de observabilidad. “La construcción de monitoreo y evaluación en el flujo de trabajo puede permitir a los equipos advertir errores temprano, refinar la deducción y mejorar continuamente el rendimiento, incluso a posteriori de que se despliegan los agentes”.

5. Los agentes muestran el mejor valía cuando se comparten en las funciones

Los agentes pueden ser costosos y redundantes si sus diseñadores recrean la rueda para cada tarea que surge. “Las empresas a menudo crean un agente único para cada tarea identificada”, señaló el equipo de McKinsey. “Esto puede conducir a una exceso y desechos significativos porque el mismo agente a menudo puede ganar diferentes tareas que comparten muchas de las mismas acciones, como ingerir, extraer, inquirir y analizar”.

Además: cómo los agentes de IA pueden gestar $ 450 mil millones para 2028, y lo que se interpone en el camino

Volver en agentes reutilizables requieren primero identificar tareas recurrentes, aconsejaron. “Desarrolle agentes y componentes de agentes que se pueden reutilizar fácilmente en diferentes flujos de trabajo y simplificar que los desarrolladores accedan a ellos”.

6. Los agentes nunca funcionarán completamente por su cuenta

Siempre habrá una condición de que los trabajadores humanos “supervisen la precisión del maniquí, garanticen el cumplimiento, el uso del sensatez y manejaran los casos de borde”, enfatizaron los coautores. Rediseñe el trabajo “para que las personas y los agentes puedan colaborar acertadamente juntas. Sin ese enfoque, incluso los programas de agente más avanzados corren el peligro de fallas silenciosas, errores de agravación y rechazo del beneficiario”.

Como resultado, la evaluación del rendimiento del agente del próximo año además puede terminar menos que culminante.