Mönster 6: Funktioner med AI i fokus

Utforma nya funktioner med agenter som grundläggande byggstenar, inte eftermontera befintliga arbetsflöden. Dessa funktioner var inte möjliga före AI. De förbättras med tiden genom feedback, inlärning och kontinuerlig optimering.

I det här mönstret fungerar agenter i sense-decide-act-loopar: kontinuerligt övervaka signaler, fatta autonoma beslut inom gränser, utföra åtgärder och lära sig av resultat. De här systemen är inte assistenter. De är intelligenta system som skapar nytt affärsvärde.

Vad det här mönstret är

AI-drivna affärsförmågor börjar med en fråga som de andra arbetssätten aldrig ställer: vad skulle vi kunna göra som vi helt enkelt inte kunde göra tidigare? Svaret är inte en snabbare version av dagens arbete. Det är en ny funktion, ofta en autonom loop som känner av en situation, bestämmer och agerar, och som förbättras över tid. Agenter är byggstenarna i funktionen, inte en förbättring som är fastbultad i ett befintligt flöde.

Det här mönstret är det djupaste uttrycket för utföra-delen av förskjutningen från assist till execute. Eftersom det inte finns något prejudikat måste du uppfinna designen, skyddsräckena och måtten.

Vad agenter gör

Agenter i det här mönstret går längre än att köra definierade arbetsflöden till att fungera autonomt:

• Motorer för kontinuerlig optimering: Prissättning, inventering, schemaläggning.
• AI-inbyggda beslutsloopar: Bedrägeriidentifiering, avvikelsehantering, anpassningsbar routning.
• Plattformar för marknadsanalys: Konkurrensövervakning, trendanalys, identifiering av affärsmöjligheter.
• Förutsägande planeringssystem: Efterfrågeprognoser, kapacitetsplanering, riskmodellering.
• Autonom arbetsflödesgenerering: Agenter som utformar och optimerar sina egna processer.
• Orkestrering med flera agenter: Koordinerade team med specialiserade agenter som löser komplexa problem.

De här funktionerna skapar ett värde som inte kunde finnas utan AI. De är inte snabbare versioner av befintliga processer. De är verkligen nya.

Vad människor gör

Människor fungerar som produktägare. De definierar mål, sätter gränser, övervakar resultat och fattar strategiska beslut om kapacitetsutveckling. De gör inte jobbet. I stället styr de det system som utför det.

Den här rollomvandlingen är den viktigaste av alla mönster. Ansvarsfulla människor är ansvariga för resultat även om de inte själva utför arbetet. De:

• Definiera framgångskriterier och resultatmått för autonoma system.
• Sätt gränserna inom vilka agenter kan verka (och justera dem i takt med att förtroendet byggs upp).
• Övervaka inlärningsslingor för att säkerställa att funktionerna förbättras i rätt riktning.
• Fatta strategiska beslut om när agenternas autonomi ska utökas.
• Styr ansvarsfulla AI-metoder när funktionerna blir mer avancerade.

Så här fungerar driftsmodellen

Att framgångsrikt implementera det här mönstret kräver förändringar inom fyra områden:

Målmognadprofil

Det här mönstret kräver maximal mognad inom samtliga fem förmågedrivare. Det finns inga genvägar.

Mognadsprofil

Viktig insikt: Det här mönstret kräver högsta mognad för alla funktioner. Det finns ingen befintlig process att jämföra med, ingen baslinje för att mäta förbättringar från och inget befintligt arbetsflöde som vägleder designen. Allt måste skapas, inklusive hur du mäter framgång.

Skalningsbrytare: Teknik och data, särskilt orkestrering med flera agenter, telemetri i realtid och utbildningsinfrastruktur. Utan en robust teknisk grund blir autonoma funktioner oförutsägbara och oövervinnerliga.

Rekommenderad struktur för kompetenscenter: Federerad

AI-first-funktioner ägs som produkter, omfattar flera domäner och kräver distribuerade produktteam som arbetar inom delade standarder. CoE tillhandahåller arkitekturmönster, ansvarsfulla AI-ramverk och orkestreringsstandarder. Den levererar inte centralt.

Läs mer om struktur, roller och risknivåstyrning i Skapa ett agentiskt center för excellens.

Vad du behöver och inte behöver

Du behöver:

• Produktägarskap med dedikerade team: Varje funktion behöver en produktägare och ett team med mandat, färdigheter och kontinuitet för att utveckla den över tid. Den här utvecklingen är inte ett projekt som slutar.
• Autonomigränser med kontinuerlig övervakning: Definiera tydliga gränser som anpassas när förtroende byggs. Starta konservativt och expandera baserat på bevis.
• Kontinuerliga inlärningsslingor: Funktionen förbättras genom varje interaktion. Utforma för lärande från början, eftersom det är mycket svårare att bygga in det i efterhand.
• Inbäddade ansvarsfulla AI-metoder: Etik och säkerhet måste vara inbyggda i arkitekturen, inte aktiveras efter distributionen. Den här metoden omfattar biastestning, rättviseutvärdering och förklaringsdesign.
• Experimenteringskultur med felsäkra kontroller: Teams behöver behörighet att prova nya metoder och rensa säkerhetsnät när saker går fel. Kulturer som straffar fel kan inte bygga inlärningssystem.
• Arkitektur för flera agenter: Om din funktion omfattar koordinerade agenter, utformar du för agent-till-agent-samordning från början. Det är dyrt att anpassa arkitekturen för flera agenter.

Du behöver inte:

• Inkrementell automatisering: Det här mönstret handlar inte om att göra befintliga processer 10% snabbare.
• Central IT-leverans: Dessa funktioner behöver dedikerade produktteam med domänexpertis.
• Efteranpassning av befintliga arbetsflöden: Designa från grunden för AI-intern körning. Begränsningar för äldre arbetsflöden begränsar vad som är möjligt.
• Engångsversioner: Dessa funktioner måste kontinuerligt lära sig och förbättras. En funktion som inte lär sig försämras med tiden.
• Traditionell projekthantering: Använd produkthantering med experimentcykler. Milstolpar och slutprodukt är fel styrningsmodell för inlärningssystem.

Ansvarsfull AI i stor skala

AI-drivna funktioner utgör frontlinjen för autonom AI-drift. Ansvarsfulla AI-metoder är särskilt viktiga här eftersom:

• Agenter arbetar med hög autonomi och begränsad mänsklig tillsyn i realtid.
• Fel kan spridas i maskinhastighet innan människor kan ingripa.
• Inlärningssystem kan utveckla oväntade beteenden när de optimerar.
• Påverkansskalan, både positiv och negativ, är större än något annat mönster.

Skapa ansvarsfull AI i din arkitektur från dag ett:

• Förklaring: Kan du förstå varför systemet fattade ett specifikt beslut? Annars kan du inte identifiera eller korrigera drift.
• Biasövervakning: Utvärdera kontinuerligt om inlärningen förstärker fördomar eller skapar orättvisa resultat.
• Återställningsfunktion: Kan du återgå till ett tidigare tillstånd om en utbildningsuppdatering går fel?
• Mänskligt åsidosättande: Även i helt autonoma system, definiera de villkor under vilka en människa kan ingripa och hur ingripandet genomförs.

Läs mer i Tillämpa ansvarsfulla AI-principer.

Värde- och framgångsmått

Värdet här är förekomsten av en funktion som inte fanns tidigare och de nya resultat som skapas. Utgå från mått på värdeskapande och existens, inte procenttal för effektivitet, eftersom det inte finns någon tidigare baslinje att förbättra utifrån.

Hur värde ser ut

• Nya funktioner som inte var möjliga före AI.
• Nya intäkter, tjänster eller affärsmodeller.
• Autonom respons med en hastighet och omfattning som ingen manuell process kan uppnå.
• En sammansatt fördel när funktionen lär sig och förbättras.

Framgångsmått att följa upp

Så här mäter du

• Microsoft Foundry-utvärderingar och observabilitet spårar agentbeteende och bedömer kvalitet och säkerhet, något som är särskilt viktigt där det inte finns någon baslinje.
• Definiera måttet på framgång i förväg eftersom funktionen inte har något prejudikat. Bestäm hur "bra" ser ut innan du startar.
• Microsoft Agent 365 styr och mäter den autonoma miljön, inklusive identifiering av identiteter och skuggagenter.

Vanliga antimönster

Fel på detta område kommer från behandling av gränsarbete som ett normalt projekt.

Kundberättelser

Dessa publicerade Microsofts kundberättelser visar hur expertkunskap kan skalas upp med faktabaserade agenter med källhänvisningar, samtidigt som människor fortfarande är ansvariga.

Microsoft agentiska funktioner för det här mönstret

Följande exempel belyser funktioner som är särskilt relevanta för AI-första funktioner. Använd de här exemplen som utgångspunkt för att matcha funktioner i dina scenarier och användarsegment och utforska sedan Microsoft agentekosystem för att få en fullständig bild.

Utveckla förmågan

• Copilot Studio-fleragentsorkestrering samordnar specialiserade agenter i lågkodsscenarier.
• Pro-code toolkits, inklusive Foundry SDK och Semantic Kernel, ger teknikteam fullständig kontroll.
• Med funktionen använda din egen modell för uppmaningar i Copilot Studio kan du dirigera specifika uppmaningsnoder till en modell som du själv väljer, inklusive anpassat distribuerade eller finjusterade modeller, i stället för att använda plattformens standardmodell. Använd den här funktionen när ett steg i arbetsflödet kräver en modell som är optimerad för en specifik uppgift, domän eller kostnadsprofil som standardmodellen inte uppfyller.
• Microsoft Foundry och Microsoft Foundry Agent Service utvecklar och är värd för anpassade pro-code-agenter.

Jorda, ansluta och observera

• Azure AI-sökning och förankring hämtar aktuell kontext så att agenter resonerar utifrån det aktuella läget.
• Med modellkontextprotokollet och agent-till-agent-samverkan kan agenter och verktyg samarbeta i ett öppet ekosystem.
• Microsoft Entra agent-ID ger varje agent en identitet för åtkomst med minst behörighet.
• Microsoft Foundrys utvärderingar och observerbarhet spårar, utvärderar och säkerhetsgranskar systemet. Flera av dessa funktioner utvecklas över förhandsversion och allmän tillgänglighet, så bekräfta status.
• Microsoft Agent 365 styr egendomen när antalet agenter växer.

Utvärdera och testa innan du skickar

På den här nivån av autonomi och komplexitet är kontinuerlig utvärdering ett centralt teknikområde, inte en checklista före lanseringen.

• Agentutvärdering i Copilot Studio genomför strukturerade utvärderingar som poängsätter svar utifrån kvalitetsdimensioner som korrekthet, förankring och uppgiftsslutförande. Använd den för att verifiera agentbeteendet för alla indata, inklusive gränsfall och kontradiktoriska scenarier, före och efter varje ändring.
• Copilot Agent Kit (kallades tidigare Copilot Studio Kit) utökar testtäckningen med masstestning, automatiserade regressionskörningar och en bedömningsinstrumentpanel. För AI-första system som förbättras med tiden är repeterbara och granskningsbara utvärderingsbevis avgörande för att upprätthålla förtroendet när funktionen utvecklas.

Så här vet du att du är redo

Det här mönstret är för organisationer som arbetar med högsta mognad. Tänk på det när:

• Du har avancerade team som kan utforma, köra och förbättra autonoma system.
• Du har den tekniska grunden: orkestrering med flera agenter, telemetri i realtid och en inlärningsloop.
• Du kan uppfinna skyddsräcken och framgångsåtgärder där det inte finns några.
• Du kan styra en autonom egendom med hanterad identitet och kontinuerlig efterlevnad.
• Du tillämpar redan flera av de andra mönstren på ett bra sätt.

Nästa steg

Eller utforska den fullständiga mognadsmodellen för agentisk AI-implementering.

Utforska andra mönster mer detaljerat:

• Ai-aktiveringsmönster för medarbetare
• Mönster för affärsexpertens egenmakt
• Mönster för arbetsplats- och IT-tjänster
• Kärnmönster för affärsprocesstransformering
• Mönster för externt engagemang

Relaterad information

• Lösningar för arkitektagent: Principer och mönster
• Agenthubben: Börja här för agentbaserad databehandling på Microsoft
• Agenter för Microsoft 365 Copilot
• Varför behöver ett företag Agent 365?
• Azure AI Foundry modellkatalog
• Microsoft Foundry-utvecklarverktyg och -integreringar