По мере того, как ИИ превращает труд в программное обеспечение, возможность коммерциализации внешних профессиональных услуг (например, в юридической или бухгалтерской сфере) становится актуальной темой. Однако мы считаем, что существует также значительная возможность коммерциализации внутренней работы внутри организаций. Эти обязанности часто подпадают под общий термин «операционная деятельность» и могут варьироваться от полного рабочего дня по вводу данных и работе на стойке регистрации до рутинных операционных задач, встроенных в каждую другую роль. Эта работа не так часто попадает в заголовки СМИ, но именно внутренняя работа объединяет компании.
Эти операционные роли связаны с критически важными, но зачастую повторяющимися и рутинными задачами. Компании исторически пытались автоматизировать эти задачи с помощью роботизированной автоматизации процессов (RPA), но мы считаем, что благодаря генеративному искусственному интеллекту теперь возможна настоящая автоматизация с помощью агентов. Мы уже видели первые примеры работы агентов в производственной среде, например, вDecagon для автоматизированной поддержки клиентов. А с учётом того, что такие компании, как Anthropic, запускают такие возможности, как использование компьютеров, чтобы модели могли осмысленно взаимодействовать с существующим программным обеспечением, для основателей появляется чёткая инфраструктура для создания специализированных приложений для интеллектуальной автоматизации.
Эти примеры показывают, каким может быть мир, в котором агенты ИИ способны выполнить первоначальную задачу RPA, превращая то, что раньше было оперативным персоналом, в интеллектуальную автоматизацию и позволяя сотрудникам сосредоточиться на более стратегической работе.
Первоначальное обещание RPA и влияние искусственного интеллекта
Операционные задачи обширны и разнообразны, включая такие, как ввод данных, извлечение документов, передача информации, миграция систем и веб-скрапинг. Эти задачи важны, но им часто не хватает API или прямой интеграции, необходимых для эффективного управления ими с помощью традиционного программного обеспечения. Несмотря на переход к программному обеспечению, пожирающему мир, большая часть работы по-прежнему выполняется с помощью телефонных звонков, электронных таблиц, факсов и бумажных форм.
За последнее десятилетие RPA стало модным словом для обозначения автоматизации такого рода работ. Такие компании, как UiPath, основанная в 2005 году, обещали создать «полностью автоматизированное предприятие» и расширить возможности «сотрудников с помощью автоматизации». Но, несмотря на IPO в 2021 году и текущую оценку, эти компании RPA последнего поколения не смогли выполнить обещание о настоящей автоматизации. Технологии того времени были недостаточно развитыми.
В результате вместо настоящей автоматизации эти компании наблюдали за тем, как их клиенты выполняют те или иные действия, а затем создавали «ботов», которые имитировали нажатия клавиш и щелчки, которые совершал бы человек. Хотя эти боты часто приносили ощутимую пользу бизнесу, если работали правильно, они давали сбой, если процесс не был жёстким и чётко определённым или если в нём происходили изменения. Кроме того, для внедрения этих ботов требовались дорогостоящие консультанты, а значит, RPA был доступен только крупным компаниям, которые могли позволить себе такой жёсткий подход.
Однако мы считаем, что с LLMs теперь возможно реализовать первоначальное видение RPA. Вместо жесткого кодирования каждого детерминированного шага в процессе агентам искусственного интеллекта будет предложено указать конечную цель (например, записаться на прием к клиенту, перенести данные из этого документа в эту базу данных), а затем получить необходимые инструменты и контекст для выполнения этих действий от имени компании. Они будут адаптироваться к различным вводимым данным и способны реагировать на изменения в бизнес-процессах. Благодаря такой гибкости их будет гораздо проще внедрять и поддерживать, чем традиционные системы RPA.
Будущее операций с искусственным интеллектом и его возможности
Мы рады этой возможности в области интеллектуальной автоматизации по двум основным причинам:
Потенциальный рынок огромен. Несмотря на то, что современное программное обеспечение может выполнять всю работу, существует на несколько порядков больше работы, которую оно не может выполнять: работа, которая выполняется с помощью ручки и бумаги, электронных таблиц, телефонных звонков и факсов. Интеллектуальная автоматизация может решить проблему текущих затрат на рабочую силу, связанных с этой работой, которая, по данным Бюро статистики труда, включает более 8 миллионов должностей операторов / секретарей-информаторов, а также затрат, связанных с аутсорсингом этой работы, что составляет значительную часть рынка аутсорсинга бизнес-процессов (BPO) в размере 250 миллиардов долларов.
Стартапы в значительной степени обладают возможностями для развития в этой сфере. Зачастую для таких рабочих процессов не существует готовых программных продуктов, поскольку они разрабатываются под заказ: люди были продуктом. В результате для этих должностей никогда не разрабатывались «системы учёта» так, как для других должностей (например, Salesforce для продаж, Workday для отдела кадров), а это значит, что нет программного обеспечения, которое можно было бы «добавить» в существующий набор продуктов. Этот рынок широко открыт для стартапов.
В частности, мы рассматриваем рыночные возможности в двух основных областях: горизонтальные решения на основе ИИ, которые выполняют определённую функцию в широком спектре отраслей, и вертикальные решения по автоматизации, которые создают комплексные рабочие процессы, адаптированные для конкретных отраслей.
Горизонтальные средства искусственного интеллекта
Сегодня каждая компания, занимающаяся интеллектуальной автоматизацией, создаёт схожий набор возможностей и внутренних инструментов. Это даёт стартапам прекрасную возможность упростить процесс, сосредоточившись на одном конкретном базовом компоненте.
Например, почти каждая компания, занимающаяся интеллектуальной автоматизацией, должна анализировать неструктурированные данные и выводить контекстуализированные, структурированные данные. Многие компании создали это внутри компании, а такие компании, как Reducto и Extend, работают над тем, чтобы стать горизонтальными платформами для решения этой конкретной задачи.
Мы считаем, что существует множество других основных строительных блоков, необходимых для сложной интеллектуальной автоматизации, включая, помимо прочего, создание сканеров веб-данных, структурирование данных из неструктурированных источников или запись данных в устаревшие системы.
Комплексная вертикальная автоматизация
Ранее мыписалио том, что нас воодушевляет возможность инвестировать в вертикальное программное обеспечение (программное обеспечение, предназначенное для одной конкретной отрасли). Мы считаем, что это особенно хорошо подходит для интеллектуальной автоматизации, поскольку операционным агентам потребуется более узкий контекст и глубокая интеграция для достижения точности и согласованности, которых ожидают клиенты.
В каждой отрасли есть бэк-офисные операции, которые можно автоматизировать, и мы уже видели, как стартапы используют LLM для автоматизации одного потока в качестве стратегического инструмента для более глубокого внедрения в конкретные отрасли.
- В сфере здравоохранения, например, Tennr автоматизировал процесс управления обращениями. Обращения — это источник жизненной силы для любой развивающейся медицинской практики, но раньше для принятия обращения требовалось много ручного труда (например, получение факса, извлечение информации из факса сотрудниками приемной и ручной ввод информации о пациенте в систему). Компания Tennr создала интеллектуальную систему автоматизации для решения этой проблемы передачи информации. Она использует большие языковые модели для извлечения неструктурированных данных из PDF-файлов и факсов, проверки информации, а затем автоматически записывает эти данные обратно в систему (EHR). Это значительно сокращает время, необходимое для принятия реферала, что позволяет клиентам быстрее привлекать новых клиентов.
- В сфере логистики брокеры по грузоперевозкам тратят огромное количество времени на обработку входящих заказов и отслеживание грузов. Теперь, используя интеллектуальную автоматизацию, такие компании, как Happyrobot, могут автоматически проверять статус груза и получать обновления с помощью голосовых помощников на базе ИИ, а такие компании, как Vooma, могут получать неструктурированные данные по электронной почте для автоматизации ценообразования и ввода заказов в систему управления грузоперевозками (TMS).
Эти компании часто фокусируются на автоматизации очень узкого, но распространённого и важного рабочего процесса в своих отраслях, часто связанного с передачей данных и информации. Они не стремятся стать «системой учёта» — по крайней мере, на начальном этапе — и, таким образом, могут избежать сложных проблем, связанных с заменой устаревших систем. Они также начинают с автоматизации рабочих процессов, приносящих доход, и становятся приоритетом для своих клиентов. А поскольку автоматизация начинается в начале рабочего процесса, эти стартапы получают доступ к исходным данным и последующим рабочим процессам.
Мы считаем, что такой подход — выигрышная формула для стартапов в сфере интеллектуальной автоматизации, и мы готовы сотрудничать с теми, кто воспользуется этой возможностью в разных отраслях.
Заключение
Мы невероятно взволнованы будущим интеллектуальной автоматизации. LLM предоставили стартапам возможность выполнить первоначальное обещание RPA. Автоматизируя задачи, традиционно выполняемые рабочими, они теперь могут использовать рынки и возможности, которые раньше были слишком малы или их было слишком сложно реализовать.
Related Posts
Как ИИ-агенты строят будущую работу: возможности, примеры использования и влияние на предприятие
Машинное обучение как услуга (MLaaS): Подробный обзор
