Agentic AI: Sempadan Perisikan Autonomi Seterusnya dan Kos Tersembunyinya

Laman Utama » Python » Agentic AI: Sempadan Perisikan Autonomi Seterusnya dan Kos Tersembunyinya

Perbualan mengenai kecerdasan buatan telah beralih daripada chatbot mudah kepada sesuatu yang jauh lebih bercita-cita tinggi: sistem AI agentik yang boleh merancang, menaakul dan melaksanakan tugas berbilang langkah secara autonomi . Tidak seperti model generatif tradisional yang bertindak balas kepada satu gesaan, ejen ini memecahkan matlamat yang kompleks, memanggil alatan luaran dan menyesuaikan tindakan mereka dalam masa nyata. Tetapi apabila teknologi ini beralih daripada makmal ke kilang, pejabat dan platform awan, satu siri cabaran muncul yang melangkaui gembar-gembur biasa.

Kajian dan pengumuman industri terkini menggambarkan kedua-dua potensi dan tekanan. Daripada penggunaan tenaga yang boleh menyaingi grid negara kepada keperluan untuk minda kepimpinan baharu, laluan kepada AI ejen yang meluas dipenuhi dengan pelbagai pertimbangan yang sukar . Inilah yang didedahkan oleh penyelidikan terkini dan pandangan pakar tentang hala tuju teknologi ini dan apa yang diperlukan untuk menjadikannya berfungsi.

Kos Tenaga Tersembunyi Ejen Autonomi

Satu kajian dari Institut Sains dan Teknologi Lanjutan Korea (KAIST) telah memberi tumpuan kepada satu isu kritikal: AI agentik boleh menggunakan sehingga 136.5 kali lebih banyak tenaga setiap pertanyaan berbanding chatbot konvensional . Sebabnya terletak pada seni binanya. Walaupun chatbot menjana respons tunggal, ejen boleh menggunakan model bahasa yang besar berbilang kali, menunggu respons alat luaran dan menyelaras beberapa langkah sebelum memberikan jawapan akhir. Dalam satu senario, model 70 bilion parameter menggunakan purata 348.41 watt-jam setiap pertanyaan.

Masalahnya diburukkan lagi oleh masa terbiar. Menurut KAIST, ejen boleh mengambil masa sehingga 153.7 kali lebih lama daripada chatbot untuk menyelesaikan tugas, dan dalam tempoh itu, GPU boleh kekal tidak aktif sehingga 54.5% daripada masa semasa menunggu data luaran . Namun, GPU tersebut masih dikuasakan dan dikhaskan, menambah bil elektrik tanpa melakukan kerja yang produktif. Unjuran terburuk institut itu—13.7 bilion pertanyaan ejen harian, bersamaan dengan trafik carian Google—memerlukan 198.9 GW kuasa pusat data, kira-kira separuh daripada purata penggunaan elektrik AS.

Ini bukan sekadar latihan teori. Agensi Tenaga Antarabangsa menganggarkan pusat data menggunakan 415 TWh pada tahun 2024, dengan potensi peningkatan dua kali ganda kepada 945 TWh menjelang 2030. Di AS, Jabatan Tenaga mengunjurkan penggunaan elektrik pusat data boleh mencapai antara 6.7% dan 12% daripada jumlah penggunaan negara menjelang 2028. Agentic AI mempercepatkan permintaan ini pada kadar yang sukar ditandingi oleh grid elektrik , memandangkan masa tunggu yang panjang untuk infrastruktur penjanaan dan penghantaran baharu.

Mengubah Pembuatan dengan Pembuatan Keputusan Autonomi

Dalam dunia perindustrian, AI ejentik dipuji sebagai lonjakan seterusnya melangkaui automasi. Zebra Technologies, peneraju dalam risikan aset perusahaan, melihatnya sebagai cara untuk mengubah kilang menjadi entiti yang mengatur sendiri. Daripada mengikuti peraturan yang telah diprogramkan, ejen boleh mentafsir data masa nyata daripada inventori, pengeluaran, jualan dan logistik untuk membuat keputusan yang diselaraskan tanpa campur tangan manusia.

Zebra mengenal pasti tiga kawasan di mana impaknya akan paling ketara:

• Pengurusan inventori yang bijakEjen menganalisis trend penggunaan, ketersediaan pembekal dan bermusim untuk mengoptimumkan tahap stok, sekali gus mengurangkan pembaziran dan modal yang terikat dalam barangan.
• Jaminan kualitiVisi komputer yang dikuasakan oleh AI memeriksa setiap produk untuk kecacatan, salah label atau tarikh yang tidak boleh dibaca, mengesan isu tanpa menghentikan barisan.
• Pengoptimuman tenaga kerjaDi kilang besar, ejen melaraskan jadual syif secara automatik, memberikan tugasan berdasarkan kemahiran dan menampung ketidakhadiran, sekali gus membebaskan penyelia untuk kerja strategik.

Untuk memastikan ini berfungsi dalam masa nyata, kecerdasan buatan pinggir adalah penting . Peranti perindustrian baharu dengan unit pemprosesan saraf (NPU) menjalankan model secara tempatan, mengurangkan kependaman dan memastikan operasi berterusan walaupun sambungan awan menurun. Keputusan awal adalah memberangsangkan: satu kajian kes rakan kongsi menunjukkan diagnosis insiden 98% lebih pantas dan pengurangan 50% dalam kebolehubahan operasi, berserta sekurang-kurangnya penurunan 50% dalam kos pengangkutan kecemasan.

Mendefinisikan Semula Kerja: Peranan CHRO dalam Era Agentik

Analisis terkini Gartner memberi amaran bahawa kebangkitan AI agentik akan memaksa pemimpin sumber manusia untuk memikirkan semula keseluruhan pendekatan mereka. Tidak seperti AI generatif, yang membantu, AI agentik melaksanakan keseluruhan aliran kerja secara autonomi , daripada saringan pengambilan pekerja awal kepada onboarding dan pengurusan gaji. Ini mengubah tugas CHRO daripada menyelia penerimaan teknologi kepada mengurus perubahan budaya dan mereka bentuk semula peranan pekerjaan.

Cabaran utamanya ialah tadbir urus. Ejen autonomi yang membuat keputusan tentang pengambilan pekerja, prestasi atau pampasan mesti diaudit untuk berat sebelah dan pematuhan privasi. Pemimpin HR perlu mewujudkan rangka kerja yang jelas tentang bila dan bagaimana ejen boleh bertindak , di samping mengenal pasti kemahiran manusia yang kekal penting dalam dunia di mana tugas rutin dikendalikan oleh perisian. Gartner menekankan bahawa ini bukanlah masalah teknologi tetapi masalah strategik, yang memerlukan kepimpinan aktif dari pihak atasan.

Membina Ekosistem: AWS dan Inisiatif Rakan Kongsi

Amazon Web Services bertaruh besar pada AI ejen sebagai pemacu pendapatan untuk rangkaian rakan kongsinya. Di Sidang Kemuncak Rakan Kongsi AWS New York, syarikat itu melancarkan beberapa inisiatif untuk membantu rakan kongsi menunjukkan nilai perniagaan. Program Realisasi Nilai Perniagaan (BVR) yang baharu menyediakan metodologi, penanda aras dan pembiayaan berasaskan hasil untuk membuktikan ROI, menangani penemuan McKinsey bahawa hanya 39% organisasi boleh mengukur impak AI.

AWS juga memperkenalkan satu set alat ejen—termasuk Amazon Quick, Kiro dan ejen untuk keselamatan, DevOps dan FinOps—dengan tempoh percubaan percuma. Yuran pasaran untuk perkhidmatan profesional telah dikurangkan daripada 2.5% kepada 0.5% dan ciri jualan berkuasa AI baharu membantu rakan kongsi mengenal pasti peluang. Syarikat itu menganggarkan bahawa AI ejen boleh menjana sehingga $200 bilion nilai baharu untuk ekosistem rakan kongsi dalam beberapa tahun akan datang.

Daripada Eksperimen kepada Operasi: Mengintegrasikan Ejen ke dalam Proses Perniagaan

Bagi kebanyakan organisasi, halangan sebenar bukanlah teknologi itu sendiri tetapi bagaimana untuk menerapkannya ke dalam aliran kerja sedia ada. Carlos de Marco, Naib Presiden Produk di Auronix, berhujah bahawa nilai sebenar AI agentik terletak pada keupayaannya untuk menghubungkan proses yang terfragmentasi . Dalam peruncitan, sebagai contoh, ejen boleh membimbing pelanggan melalui pembelian, menyemak inventori, menyelaras pembayaran dan memulakan sokongan—tetapi hanya jika ia mempunyai akses kepada CRM, sistem pembayaran dan data logistik.

Ini memerlukan perubahan dalam pemikiran. Daripada menganggap AI sebagai alat yang berdiri sendiri, syarikat mesti melihatnya sebagai lapisan operasi. Organisasi yang paling berjaya ialah organisasi yang tidak bertanya 'apa yang boleh dilakukan oleh AI?' tetapi 'proses manakah yang ingin kita ubah?' Di Mexico, e-dagang mencecah 941 bilion peso pada tahun 2025, namun banyak syarikat masih beroperasi dengan data yang tersisih, sekali gus mengehadkan impak sebarang penggunaan AI.

Data, Tadbir Urus dan Bakat: Asas Kejayaan

SoftServe, sebuah firma kejuruteraan digital global, menekankan bahawa keberkesanan AI agentik bergantung sepenuhnya pada kualiti data asas. Satu kajian bersama dengan MIT Technology Review mendapati bahawa 72% organisasi menjangkakan ejen AI akan mengurus sebahagian besar atau semua kitaran hayat perisian dalam tempoh dua tahun , tetapi di Amerika Latin, pemecahan data kekal sebagai penghalang utama. 58% pemimpin perniagaan mengatakan keputusan penting adalah berdasarkan data yang tidak tepat atau tidak konsisten.

John Howard, Naib Presiden SoftServe untuk Amerika Latin, menekankan bahawa ejen hanya boleh dipercayai mengikut data dan kebenaran di sebaliknya . Syarikat mesti menyatukan seni bina data mereka terlebih dahulu, mewujudkan tadbir urus dan beralih daripada projek rintis terpencil kepada infrastruktur AI kongsi. Bakat adalah satu lagi bahagian: permintaan beralih daripada pembangun tradisional kepada pakar dalam automasi, data dan kejuruteraan agen. SoftServe sendiri melatih 80% kakitangannya dalam AI sepanjang tahun 2025 melalui platform AI Edu Space.

Akhirnya, perubahan budaya tidak boleh diabaikan. Pemimpin mesti berkembang daripada mengawal tugas kepada mengatur aliran kerja di mana manusia dan ejen bekerjasama. Titik buta terbesar ialah menganggap AI sebagai alat untuk diselia dan bukannya sebagai lapisan pengurusan . Hanya dengan mereka bentuk aliran kerja kongsi dan pengawasan manusia yang kritikal, syarikat boleh mengubah AI ejentik daripada eksperimen yang menjanjikan kepada kelebihan daya saing yang mampan.

Agentic AI bukan sekadar chatbot yang lebih pantas atau pembantu yang lebih pintar. Ia mewakili perubahan asas dalam cara kerja dilakukan—daripada pusat data yang memerlukan tenaga kepada kilang yang menguruskan diri sendiri, daripada proses HR automatik kepada perjalanan pelanggan bersepadu. Teknologi ini sedang berkembang pesat, tetapi kejayaannya bergantung pada penyelesaian masalah sukar infrastruktur, kualiti data, tadbir urus dan kepimpinan. Perlumbaan besar seterusnya dalam AI mungkin bukan tentang membina model yang lebih pintar, tetapi tentang menjadikannya berfungsi tanpa merosakkan sistem yang dijalankannya.