Apa yang dimaksud dengan Agen AI?

Langkah 1: Persepsi

Pertama, agen AI menerima masukan dari berbagai sumber. Tergantung pada tujuannya, ini dapat mencakup:

• Interaksi pengguna
• API yang menarik data dari sistem eksternal
• Sensor atau log dari aplikasi yang terhubung
• Basis pengetahuan yang tersimpan - seperti lembar inventaris, kebijakan SDM, dll.

Langkah 2: Pemrosesan

Setelah memiliki data, agen AI perlu memahaminya. Agen dapat menggunakan NLP, data terstruktur, atau sinyal waktu nyata untuk memproses input apa pun yang digunakannya. Jika perlu mengambil pengetahuan yang relevan dari database, agen dapat menggunakan retrieval-augmented generation (RAG) untuk mengambilnya.

Langkah 3: Pengambilan Keputusan

Proses pengambilan keputusan akan bergantung pada bagaimana pembangun menyusun agen AI. Mungkin menggunakan logika bisnis yang dipesan lebih dahulu, seperti memutuskan apakah prospek memenuhi syarat berdasarkan formula yang dirancang oleh tim penjualan. 

Ini juga dapat menggunakan prediksi pembelajaran mesin atau pembelajaran penguatan, seperti menandai transaksi sebagai penipuan berdasarkan contoh penipuan di masa lalu.

Alat bantu agen AI terbaik akan memperhitungkan kemampuan menjelaskan AI: seberapa baik agen AI dapat menjelaskan alasan di balik keputusannya.

Langkah 4: Mengambil Tindakan

Setelah memahami, memproses, dan memutuskan, agen AI siap untuk mengambil tindakan.

Tidak ada batasan untuk tindakan yang dapat diambil oleh agen AI. Ini mungkin menindaklanjuti dengan respons teks sederhana, seperti '3 akun ini menunjukkan tanda-tanda potensi churn.

Hal ini dapat memicu panggilan API, seperti mengambil data inventaris waktu nyata dari sistem gudang atau memulai permintaan pengaturan ulang kata sandi.

Agen AI lainnya mengambil tindakan operasional langsung, seperti menyesuaikan harga di toko e-commerce, menjadwalkan panggilan penjualan, mengubah rute pengiriman logistik, atau memodifikasi pengaturan sistem berdasarkan kebijakan keamanan.

Beberapa agen AI bahkan berinteraksi dengan aplikasi eksternal, seperti mengotomatiskan alur kerja dalam sistem CRM, memperbarui catatan pelanggan, atau mengeluarkan pengembalian dana berdasarkan aturan bisnis yang telah ditetapkan. Agen-agen ini dapat menjalankan seluruh alur kerja AI agen dari ujung ke ujung.

Apa pun tindakannya, agen AI memastikan bahwa responsnya selaras dengan proses pengambilan keputusan - dan dalam banyak kasus, agen AI belajar dari hasil untuk meningkatkan tindakan di masa mendatang.

1. Perutean LLM

Pertama dan terutama, Anda harus mengalihdayakan kognisi agen AI Anda ke LLM. Bahkan, terkadang Anda akan mendengar frasa 'agenLLM ', bagian dari agen AI. 

Agen yang baik harus dapat menggunakan LLMs yang berbeda untuk tugas yang berbeda. Tidak ada satu LLM yang paling unggul, terutama dengan tingkat perkembangan yang cepat. Mungkin akan bermanfaat bagi agen AI Anda untuk menggunakan satu model saat menghasilkan teks bentuk panjang, dan model lain saat menganalisis input pengguna.

Apakah semua agen AI adalah agen LLM ? Hampir, tetapi tidak sepenuhnya. Agen AI yang tidak menggunakan LLMs termasuk bot otomatisasi proses robotik, sistem multi-agen seperti sistem kontrol lalu lintas atau swarm intelligence, dan agen pembelajaran penguatan (seperti dalam robotika).

2. Identitas dan Petunjuk

Setiap agen AI membutuhkan identitas, misi, dan tujuan. Mengapa ia ada? Apa yang akan dicapai dan bagaimana cara mencapainya?

Ambil contoh: garis pertahanan pertama untuk tim layanan pelanggan di perusahaan dukungan TI. Tujuan dari agen AI ini mungkin untuk menyelesaikan masalah pelanggan dengan benar sebanyak mungkin, sambil meneruskan kasus-kasus rumit ke agen manusia. 

Instruksi harus mendefinisikan tidak hanya perannya, tetapi juga ambang batas pengambilan keputusannya (misalnya, kapan harus mengeskalasi atau merujuk pengguna ke tempat lain?) dan KPI-nya.

3. Peralatan

Alat adalah cara agen AI mengumpulkan data dan mengambil tindakan. 

Karena sifatnya yang otonom, agen AI dapat memilih alat mana yang harus digunakan untuk menyelesaikan tugasnya. 

Sebagai contoh, agen AI pembuat prospek mungkin memiliki tugas untuk membuat prospek yang berkualitas di Hubspot. Berdasarkan interaksi pengguna, agen dapat memilih untuk memeriksa CRM untuk mencari duplikat, menyarankan konten tertentu untuk pengguna, atau mengajukan pertanyaan lebih lanjut sampai mereka dapat mencetak prospek.

Alat-alat yang dimiliki oleh agen AI dapat mencakup:

• Sistem eksternal, seperti HubSpot, Linear, atau Zendesk
• Eksekusi kode, untuk membuat alat ad hoc
• Kemampuan bawaan
• Agen AI lainnya
• Manusia (misalnya, agen AI memerlukan persetujuan manusia sebelum melaksanakan tugas)

4. Memori dan Pengetahuan

Memori dan pengetahuan agen AI menentukan apa yang diketahuinya dan bagaimana ia menyimpan informasi dari waktu ke waktu. Tidak seperti perangkat lunak tradisional yang hanya mengambil informasi sesuai permintaan, agen AI dapat menyimpan, mengingat, dan membangun interaksi di masa lalu untuk membuat keputusan yang lebih cerdas.

Misalnya, agen AI dukungan pelanggan dapat mengingat upaya pemecahan masalah sebelumnya dengan pengguna dan menghindari pengulangan solusi yang tidak efektif. Agen AI penjualan dapat mengingat interaksi sebelumnya dengan prospek dan menyesuaikan pesan yang sesuai.

Agen AI mengandalkan dua jenis memori utama:

1. Memori jangka pendek - Konteks sementara dari percakapan atau tugas yang sedang berlangsung, seperti preferensi bahasa pengguna.
2. Memori jangka panjang - Pengetahuan yang persisten yang dapat diakses oleh agen dari waktu ke waktu, seperti mengingat volume pesanan atau preferensi pemasok.

Di luar memori, agen AI mengakses sumber pengetahuan terstruktur dan tidak terstruktur seperti basis data dan API, basis pengetahuan perusahaan, atau dokumentasi terkait lainnya.

5. Saluran

Saluran adalah cara agen AI berinteraksi dengan pengguna. Bisa menggunakan teks, gambar, video, atau suara, tergantung pada kasus penggunaannya. Agen ini dapat menjangkau mereka melalui widget situs web, antarmuka webchat , 

Agen AI dapat digunakan pada widget webchat , aplikasi perpesananWhatsApp, Messenger, Telegram, Slack, dll.), atau bahkan disematkan pada alur kerja email.

Untuk interaksi suara, agen suara dapat berintegrasi dengan sistem telepon atau asisten pintar, sementara agen berbasis teks dapat beroperasi dalam obrolan langsung, SMS, atau alat internal perusahaan.

‍

6. Tata Kelola 

Hukum AI berkembang di seluruh dunia, dan membangun agen AI tanpa mempertimbangkan kepatuhan adalah upaya yang sia-sia. Tata kelola memastikan agen AI Anda beroperasi secara etis, transparan, dan dalam batas-batas hukum.

Agen AI yang diatur dengan baik mengikuti:

• Kepatuhan terhadap kebijakan - Selaras dengan pedoman, nada, dan aturan bisnis merek.
• Pelaporan & pelacakan KPI - Memantau kinerja, bias, dan akurasi keputusan.
• Persetujuan & Human-in-the-Loop (HITL ) - Memerlukan validasi manusia untuk tindakan penting.
• Mekanisme umpan balik - Terus menerus melakukan perbaikan berdasarkan masukan dan pengawasan pengguna.‍
• Jejak kepatuhan & audit - Mencatat keputusan dan tindakan untuk memenuhi persyaratan peraturan.

Layanan Pelanggan

Salah satu aplikasi agen AI yang paling umum adalah bot dukungan pelanggan yang sederhana.

Agen virtual ini dapat mengarahkan pelanggan ke kebijakan tertentu, memberikan saran produk yang dipersonalisasi, atau bahkan menangani tugas-tugas akun seperti mengatur ulang kata sandi.

Sudah menjadi hal yang biasa bagi perusahaan untuk menawarkan chatbot layanan pelanggan - tetapi chatbot berbasis aturan di masa lalu sering kali mencerminkan hal negatif pada sebuah merek. Sekarang ini, agen LLM dinamislah yang melayani pengguna organisasi.

Kita memasuki masa kematian chatbot AI dan kebangkitan agen AI. Bahkan (atau terutama) bot dukungan pelanggan perlu ditingkatkan.

Generasi Pemimpin

Mayoritas agen AI yang digunakan di Botpress - setidaknya pada saat artikel ini ditulis - adalah beberapa bentuk agen penghasil prospek.

Agen penghasil prospek adalah bagian dari agen penjualan AI. Mereka sering kali memberikan informasi penting kepada pengguna dan mengumpulkan prospek yang memenuhi syarat di sepanjang jalan, mengarahkan mereka ke tim penjualan tanpa intervensi manual. 

Waiver Group, sebuah perusahaan konsultan layanan kesehatan, mampu meningkatkan prospek mereka sebesar 25% setelah menggunakan bot untuk menggantikan formulir 'hubungi kami'. Waiverlyn akan berkomunikasi dengan pengunjung situs web, mengkualifikasikan prospek, dan memesan acara Google Calendar - semuanya tanpa campur tangan manusia.

Manajemen Pengetahuan

Kasus penggunaan yang lebih baik ditangani oleh bot daripada manusia, manajemen pengetahuan dapat menjangkau mulai dari dokumentasi internal hingga sistem layanan mandiri yang berhadapan langsung dengan pelanggan.

Karyawan dapat membuang waktu berjam-jam untuk mencari informasi penting yang terkubur dalam wiki, PDF, email, atau tiket dukungan. Agen AI dapat merespons pertanyaan bahasa alami dengan informasi akun, kebijakan, atau langkah pemecahan masalah yang relevan. 

Di sisi pelanggan, ini mungkin terlihat seperti bot asuransi yang membantu pengguna menemukan formulir dan panduan yang relevan.

Alur Kerja dan Orkestrasi Tugas

Alur kerja dan orkestrasi tugas Agen AI tidak hanya menjalankan tindakan tunggal - mereka mengoordinasikan beberapa langkah di berbagai sistem. (Hal ini terkadang dikenal sebagai orkestrasi AI).

• Agen AI pengadaan dapat secara otomatis membuat permintaan pembelian, memeriksa ulang permintaan tersebut dengan anggaran, dan mengirimkannya untuk mendapatkan persetujuan manajer sebelum melakukan pemesanan. 
• Di bagian SDM, agen AI orientasi dapat menjadwalkan pelatihan, menyediakan akses perangkat lunak, dan mengatur penggajian untuk karyawan baru tanpa perlu ada yang mengangkat jari. 
• Agen AI di bidang TI dapat melakukan triase tiket dukungan, memeriksa log sistem, dan meneruskan masalah yang belum terselesaikan ke teknisi.

Alih-alih bisnis menyatukan alat otomatisasi yang berbeda untuk setiap proses, agen AI bertindak sebagai orkestra terpusat - menangani seluruh alur kerja secara dinamis, membuat keputusan waktu nyata, dan beradaptasi dengan perubahan kondisi.

Jenis otomatisasi alur kerja AI ini adalah salah satu kasus penggunaan yang paling umum untuk agen AI. Kecerdasan buatan mudah diterapkan pada tugas-tugas kecil sehari-hari yang menyita waktu pekerja pengetahuan.

Rekan Pilot Pengembang

Agen AI menjadi sangat penting bagi para pengembang, mempercepat pengkodean, debugging, dan dokumentasi. AI co-pilot dapat melengkapi kode secara otomatis, menandai kesalahan, dan menyarankan pengoptimalan secara real time.

Selain pengkodean, agen-agen ini membantu dalam peninjauan pull request, pemeriksaan keamanan, dan pelacakan ketergantungan. Bagi tim engineering, co-pilot AI berarti siklus pengembangan yang lebih cepat, lebih sedikit bug, dan lebih sedikit waktu yang dihabiskan untuk tugas-tugas yang berulang.

Asisten Virtual

Terkadang, yang Anda butuhkan hanyalah sedikit bantuan ekstra. Seseorang untuk melakukan penelitian, menganalisis metrik, atau mengkonsolidasikan informasi. Mungkin Anda membutuhkan penjadwal pribadi untuk mengirim pengingat tentang tugas-tugas yang akan datang, atau asisten yang dapat menyusun email dan meringkas laporan.

Kesenjangan ini dapat diisi oleh asisten agen AI, program perangkat lunak yang menjalankan tugas atas nama Anda.

Konsep asisten AI sudah tidak asing lagi bagi kita - seperti Siri dan Alexa ( asisten suara yang paling terkenal). Agen AI memungkinkan langkah selanjutnya dari perencanaan yang sangat personal.

Jika Anda merencanakan liburan, asisten agen perjalanan AI tidak hanya dapat menyarankan lokasi untuk tujuan baru dan mengidentifikasi hotel, tetapi juga memilih penerbangan dan hotel yang optimal - lalu memesannya atas nama Anda.

1. Dapat diperluas dan fleksibel

Agen AI tidak terbatas pada alur kerja yang kaku. Mereka secara dinamis memilih alat, API, dan model berdasarkan konteks, sehingga jauh lebih mudah beradaptasi.

2. Pengambilan keputusan secara otonom 

Alih-alih menentukan setiap alur, agen AI membuat keputusan secara real-time dan menjalankan tugas secara menyeluruh. Mereka lebih cepat dibuat dan jauh lebih efisien setelah digunakan.

3. Dapat diskalakan di seluruh kasus penggunaan 

Agen AI yang dibangun untuk dukungan pelanggan dapat diperluas untuk menangani penjualan, alur kerja internal, atau otomatisasi SDM tanpa membangun ulang secara menyeluruh.

4. Ketersediaan sepanjang waktu

Agen AI beroperasi secara terus menerus, menangani tugas, merespons pengguna, dan menjalankan alur kerja tanpa waktu henti.

5. Efisiensi biaya pada skala besar

Agen AI mengurangi kebutuhan tim manual yang besar dalam dukungan pelanggan, penjualan, dan operasi internal dengan tetap mempertahankan layanan berkualitas tinggi.

6. Otomatisasi ujung ke ujung

Agen AI tidak hanya menjawab pertanyaan; mereka menjalankan alur kerja, memicu tindakan dalam CRM, mengelola persetujuan, dan membuat keputusan nyata, sehingga mengurangi hambatan operasional.

7. Integrasi sistem yang mulus

Agen AI terhubung dengan alat bantu seperti Salesforce, HubSpot, Zendesk, Slack, dan sistem kepemilikan, untuk memastikan stack teknologi yang terpadu.

8. Waktu yang lebih cepat untuk mendapatkan nilai (TTV)

Tidak seperti proyek otomasi tradisional, agen AI belajar dari interaksi dan terus meningkatkan diri, sehingga mempercepat penerapan dan ROI.

9. Akurasi dan kepatuhan yang lebih baik 

Agen AI dapat mengikuti pedoman merek, kerangka kerja hukum, dan logika keputusan, memastikan mereka beroperasi sesuai dengan kebijakan bisnis.

Sistem Multi-Agen

Sistem multi-agen (MAS) terdiri dari beberapa agen AI yang berinteraksi untuk mencapai tujuan menyeluruh. 

Sistem ini biasanya dirancang untuk menangani tugas-tugas yang terlalu besar, kompleks, atau terdesentralisasi untuk dikelola oleh satu agen AI. Perutean agen AI yang tepat memastikan bahwa tugas yang tepat ditugaskan ke agen yang tepat.

Setiap agen dalam sistem multi-agen dapat bertindak secara independen, memahami dan menginterpretasikan lingkungan, membuat keputusan, dan kemudian mengambil tindakan untuk memenuhi tujuannya. Efisiensi MAS dinilai melalui sistem evaluasi agen AI, yang dapat mencakup wawasan kuantitatif dan kualitatif.

Sebagai contoh, sebuah perusahaan riset pasar dapat menggunakan MAS di mana satu agen mengumpulkan laporan industri, agen lainnya mengekstrak wawasan utama, agen ketiga meringkas temuan ke dalam ringkasan yang siap untuk klien, dan agen keempat memantau keakuratan data dan menyempurnakan output dari waktu ke waktu.

Agen Refleks Sederhana

Agen refleks sederhana beroperasi berdasarkan seperangkat aturan kondisi-tindakan yang telah ditetapkan sebelumnya. Mereka bereaksi terhadap persepsi saat ini dan tidak mempertimbangkan riwayat persepsi sebelumnya.

Mereka cocok untuk tugas-tugas dengan kompleksitas terbatas dan rentang kemampuan yang sempit. Contoh agen refleks sederhana adalah termostat pintar.

‍

Agen Refleks Berbasis Model

Agen berbasis model mempertahankan model internal lingkungan mereka dan membuat keputusan berdasarkan pemahaman model mereka. Hal ini memungkinkan mereka untuk menangani tugas-tugas yang lebih kompleks. 

Mereka digunakan dalam pengembangan teknologi mobil swakemudi, karena mereka dapat mengumpulkan data seperti kecepatan mobil, jarak antara mobil di depannya, dan tanda berhenti yang mendekat. Agen dapat membuat keputusan yang tepat tentang kapan harus mengerem berdasarkan kecepatan dan kemampuan pengereman mobil.

Agen Berbasis Utilitas

Agen berbasis utilitas membuat keputusan dengan mempertimbangkan utilitas yang diharapkan dari setiap tindakan yang mungkin dilakukan. Agen ini sering digunakan dalam situasi di mana sangat penting untuk menimbang berbagai pilihan dan memilih salah satu yang memiliki utilitas tertinggi yang diharapkan. Jika Anda ingin agen merekomendasikan berbagai hal - seperti tindakan atau jenis komputer yang berbeda untuk tugas tertentu - agen berbasis utilitas dapat membantu.

Agen Pembelajaran

Agen pembelajaran dirancang untuk beroperasi di lingkungan yang tidak dikenal. Mereka belajar dari pengalaman mereka dan mengadaptasi tindakan mereka dari waktu ke waktu. Pembelajaran mendalam dan jaringan saraf sering digunakan dalam pengembangan agen pembelajaran.

Mereka sering digunakan dalam e-commerce dan teknologi platform streaming untuk mendukung sistem rekomendasi yang dipersonalisasi, karena mereka mempelajari apa yang pengguna sukai dari waktu ke waktu. 

Agen Keyakinan-Keinginan-Niat

Agen Belief-Desire-Intention memodelkan perilaku seperti manusia dengan mempertahankan keyakinan tentang lingkungan, keinginan, dan niat. Mereka dapat bernalar dan merencanakan tindakan mereka dengan tepat, sehingga cocok untuk sistem yang kompleks.

Agen Berbasis Logika

Agen berbasis logika menggunakan penalaran deduktif untuk mengambil keputusan, biasanya melalui aturan logika. Agen ini sangat cocok untuk tugas-tugas yang membutuhkan penalaran logis yang kompleks.

Agen Berbasis Sasaran

Agen berbasis tujuan bertindak untuk mencapai tujuan mereka dan dapat menyesuaikan tindakan mereka. Mereka memiliki pendekatan yang lebih fleksibel dalam pengambilan keputusan berdasarkan konsekuensi masa depan dari tindakan mereka saat ini.

Aplikasi umum untuk agen berbasis tujuan adalah robotika - seperti agen yang menavigasi gudang. Agen ini dapat menganalisis jalur potensial dan memilih rute yang paling efisien menuju tujuan mereka.

Langkah 1: Mengidentifikasi kasus penggunaan percontohan

"Ayo kita buat agen AI!" Jika atasan Anda mengatakan hal ini setelah membaca berita utama terbaru tentang 'tahun agen AI', maka terserah Anda untuk mengidentifikasi jenis agen AI seperti apa yang harus Anda uji coba.

Sangat mudah untuk tersesat dalam hype, tetapi pendekatan terbaik adalah memulai dengan kasus penggunaan yang jelas dan berdampak tinggi.

Pertimbangkan di mana agen dapat mengurangi beban kerja, meningkatkan akurasi, atau meningkatkan pengambilan keputusan, seperti kualifikasi prospek, dukungan pelanggan, atau pencarian pengetahuan internal.

Kasus penggunaan percontohan yang kuat harus cukup sempit untuk diimplementasikan dengan cepat tetapi cukup berharga untuk menunjukkan dampaknya. Pilihan yang tepat akan memudahkan untuk mendapatkan dukungan, membuktikan ROI, dan meletakkan dasar untuk adopsi AI yang lebih luas.

Langkah 2: Temukan platform yang tepat

Alat bantu yang tepat akan sepenuhnya bergantung pada keadaan Anda - seberapa banyak keahlian pengembangan internal yang Anda miliki? Berapa banyak waktu? Apa yang Anda ingin agen Anda capai (tidak hanya untuk kasus penggunaan percontohan Anda, tetapi juga untuk jangka panjang)?

Dalam banyak kasus, masuk akal untuk menggunakan platform AI daripada memulai dari awal. Pilihan optimal sering kali adalah platform vertikal dan fleksibel: perangkat lunak pembangun yang memungkinkan Anda membangun kasus penggunaan apa pun dan terhubung ke alat eksternal apa pun. 

Anda bisa melihat daftar alat bantu pembuatan agen AI terbaik, platform chatbot terbaik, atau bahkan platform open source terbaik. Tapi saya akan jujur saja - saya cukup bias terhadap platform kami. Botpress digunakan oleh 35% perusahaan Fortune 500 dan 500.000+ pembangun. Kami telah menggunakan agen AI selama bertahun-tahun, dan gratis untuk mulai menggunakannya, jadi Anda tidak akan rugi.

Langkah 3: Mengintegrasikan alat bantu

Jika agen AI Anda akan membuat prospek Hubspot, Anda akan mulai dengan mengintegrasikan platform AI Anda dengan Hubspot. 

Meskipun platform yang baik akan dilengkapi dengan integrasi yang sudah dibuat sebelumnya, kasus penggunaan khusus akan membutuhkan pekerjaan lebih lanjut untuk menyesuaikan konektor agen Anda. Jika tim Anda mengintegrasikan beberapa sistem - baik alat internal maupun perangkat lunak pihak ketiga - agen Anda dapat bertindak sebagai orkestrator AI, memastikan sinkronisasi yang lancar di seluruh platform.

Langkah 4: Menguji dan menyempurnakan

Langkah keempat adalah menguji agen Anda secara menyeluruh menggunakan alat pengujian bawaan platform Anda. Sesuaikan parameter, frasa perintah, dan alur kerja berdasarkan hasil pengujian untuk memastikan agen berkinerja baik dalam skenario nyata.

Langkah 5: Menyebarkan dan memantau

Meskipun tahap pembuatan dan penerapan sering kali menjadi pusat perhatian, jangan meremehkan pentingnya pemantauan jangka panjang dengan analisis bot. 

Platform Anda harus dilengkapi dengan alat pemantauan untuk melacak interaksi dan kinerja agen Anda setelah penerapan. Kumpulkan wawasan dan sempurnakan pengaturan sesuai kebutuhan, dengan memanfaatkan mekanisme umpan balik yang disediakan oleh platform. 

Dan ingat: agen AI terbaik memerlukan pembaruan. Beberapa agen AI dengan performa terbaik di lapangan telah diperbarui ratusan kali sejak pertama kali dirilis. ROI Anda hanya akan semakin tinggi jika Anda semakin sering mengubah agen Anda.

Mulailah dari yang kecil, lalu kembangkan

Kita memasuki era organisasi yang disempurnakan dengan AI - namun tidak ada yang akan melakukan lompatan sekaligus. Mulailah dengan kasus penggunaan percontohan yang kuat yang dapat memberikan hasil yang cepat sebelum memperluas agen AI Anda.

Kami menyebutnya sebagai metode Crawl-Walk-Run. Anda dapat membaca lebih lanjut tentang metode ini di Cetak Biru Implementasi Agen AI kami.

Memastikan sumber data berkualitas tinggi

Seperti kata pepatah lama: sampah masuk, sampah keluar. Jika agen AI Anda tidak mengambil informasi dari database yang dikelola dengan baik, dampaknya akan terbatas.

Jika agen Anda menggunakan Hubspot untuk melacak siklus kesepakatan dan menganalisis prediktor yang dimenangkan dan yang kalah, maka perwakilan penjualan Anda harus waspada dalam melacak panggilan dan data prospek mereka.

Menetapkan KPI dan metrik keberhasilan yang jelas

Sulit untuk mengetahui seberapa sukses agen AI Anda jika Anda tidak dapat mengukur dampaknya dengan benar.

Tentukan KPI di awal - apakah itu akurasi respons, waktu yang dihemat, tingkat konversi, atau pengurangan biaya. Tolok ukur ini akan membantu memandu peningkatan dan menunjukkan ROI.

Gunakan RAG

Menggunakan generasi yang ditambah dengan pengambilan memungkinkan agen AI Anda untuk mendapatkan jawaban dari data terbaru, seperti basis pengetahuan, CRM, atau dokumentasi perusahaan.

Hal ini mengurangi kemungkinan halusinasi, dan memastikan bahwa respons yang diberikan akurat dan relevan secara kontekstual.

Baca Panduan Lengkap untuk RAG

Ingin membuat RAG bekerja untuk Anda? Kami bisa membantu.

Baca Sekarang

Akses selalu gratis

Risiko Kepatuhan

Agen AI harus mematuhi peraturan seperti GDPR, HIPAA, SOC 2, dan kebijakan khusus industri. 

Risiko kepatuhan adalah salah satu alasan terbesar mengapa para pembuat memilih untuk membuat agen AI di platform, daripada membangun dari awal. Jika pekerjaan Anda bukan kepatuhan AI, sumber daya Anda lebih baik dihabiskan untuk menyerahkannya kepada para profesional.

Salah menangani data pengguna, gagal mencatat keputusan, atau menghasilkan respons yang tidak sesuai dapat mengakibatkan konsekuensi hukum dan finansial.

Halusinasi

Halusinasi terjadi ketika sistem AI percakapan menghasilkan informasi yang salah atau menyesatkan. Kesalahan ini telah menjadi pusat skandal seperti kegagalan chatbot Air Canada atau bot yang menjual Chevy Tahoe seharga $1.

Agen AI yang dibuat dengan hati-hati jarang berhalusinasi. Kualitas responsnya dapat dijaga dengan generasi yang ditambah dengan pengambilan, validasi manusia, atau lapisan verifikasi. Bahkan, ada beberapa cara untuk menjaga agar agen AI tidak berhalusinasi.

Kurangnya Penjelasan

Jika agen AI mengambil keputusan, tim Anda harus dapat memahami bagaimana dan mengapa. Sistem kotak hitam yang memberikan hasil tanpa transparansi dapat mengikis kepercayaan, sehingga sulit untuk mendiagnosis kesalahan, memastikan kepatuhan, atau menyempurnakan kinerja.

Penjelasan sangat penting untuk industri yang diatur, di mana keputusan harus dapat diaudit. Teknik seperti pencatatan penalaran agen, sumber-sumber yang muncul ke permukaan, dan menggabungkan validasi human-in-the-loop dapat membantu menjaga agar keputusan yang digerakkan oleh AI tetap jelas dan dapat dipertanggungjawabkan. 

Jika penjelasan tidak dibangun, tim Anda akan menghabiskan lebih banyak waktu untuk membenarkan tindakan agen daripada mengambil manfaat darinya.

Sumber Daya yang Sedang Berlangsung

Agen AI bukanlah sumber daya yang 'diatur dan dilupakan'. Mereka adalah proyek perangkat lunak nyata yang membutuhkan pemantauan dan peningkatan yang berkelanjutan dari waktu ke waktu. Pemeliharaan adalah suatu keharusan yang, jika diabaikan, akan menghambat keberhasilan agen.

Kabar baiknya, hal ini hanya akan menjadi kerugian jika tim Anda tidak merencanakannya. Jika Anda siap untuk memulai investasi AI, sumber daya berkelanjutan yang diperlukan untuk agen AI dapat dengan mudah dilihat dari hasilnya.

1. Otonomi

Agen AI dapat beroperasi tanpa campur tangan manusia, membuat keputusan dan bertindak secara mandiri. Otonomi mereka memungkinkan agen AI untuk menangani tugas-tugas yang kompleks dan membuat keputusan waktu nyata tentang cara terbaik untuk menyelesaikan suatu proses, tetapi tanpa manusia yang mengkodekan langkah-langkah spesifik untuk tugas yang diberikan.

Meskipun gagasan tentang agen otonom mungkin memunculkan gambaran tentang HAL 9000, komputer yang dapat berbicara dari film 2001: A Space Odyssey, agen AI masih bergantung pada instruksi manusia. Pengguna atau pengembang perlu menghabiskan waktu untuk memberi tahu agen apa yang harus dilakukan - tetapi agen akan memecahkan masalah bagaimana cara terbaik untuk menyelesaikan tugas.

2. Pembelajaran berkelanjutan

Umpan balik sangat penting untuk peningkatan agen AI dari waktu ke waktu. Umpan balik ini dapat berasal dari dua sumber: kritikus atau lingkungan itu sendiri.

Pengkritik dapat berupa operator manusia atau sistem AI lain yang mengevaluasi kinerja agen. Lingkungan agen AI dapat memberikan umpan balik dalam bentuk hasil yang dihasilkan dari tindakan agen.

Lingkaran umpan balik ini memungkinkan agen untuk beradaptasi, belajar dari pengalamannya, dan membuat keputusan yang lebih baik di masa depan. Agen ini akan belajar untuk menciptakan hasil yang lebih baik seiring dengan bertambahnya tugas yang diberikan. Karena kemampuannya untuk belajar dan berkembang, agen AI dapat beradaptasi dengan lingkungan yang berubah dengan cepat.‍

3. Reaktif dan proaktif

Agen AI bersifat reaktif dan proaktif di lingkungan mereka. Karena mereka menerima input sensorik, mereka dapat mengubah arah tindakan berdasarkan perubahan lingkungan.

Sebagai contoh, termostat cerdas dapat merasakan suhu ruangan yang semakin dingin saat badai petir yang tak terduga dimulai. Hasilnya, ini akan mengurangi intensitas AC. 

Tetapi, ini juga proaktif - jika matahari menyinari ruangan pada waktu yang kurang-lebih sama setiap hari, maka secara proaktif akan meningkatkan penyejuk udara bertepatan dengan munculnya kehangatan matahari.