Dette dokument præsenterer et perspektiv, der beskriver den it-arkitektur, som virksomheder skal bruge i løbet af de næste 3-5 år for fuldt ud at registrere værdien af en agentarbejdsstyrke. Det skitserer den it-transformation, der kræves for at understøtte implementeringen af AI-agenter i stor skala. Målet er at levere en strategisk vejledning og referencearkitektur til at hjælpe CIO'er, CDO'er og it-ledere med at planlægge deres rejse mod at blive en agentvirksomhed.

Kraftfulde AI-modeller aktiverer oprettelsen af en agentarbejdsstyrke, der er i stand til at opfatte miljøet, begrunde data, træffe autonome beslutninger, udføre opgaver og effektivt samarbejde med menneskelige medarbejdere. Denne nye arbejdsstyrke lover en trinvis ændring i innovation, produktivitet og smidighed, hvilket skaber værdi for aktionærer og kunder. For at realisere denne vision skal organisationer gennemgå en forretnings- og it-transformation for at blive agentvirksomheder.

I dag står den traditionelle virksomhed over for driftsmæssige ineffektiviteter, der stammer fra oplysningssiloer, medarbejdere, der er begravet i manuel arbejde, uoverensstemmende incitamenter i organisationsstrukturer og opdelte feedbackkørsler mellem strategier og resultater. Disse problemer fører til suboptimerede kundeoplevelser, ineffektive processer og manglende vækstmuligheder.

Agent Enterprise overvinder disse begrænsninger ved at integrere en digital arbejdsstyrke af intelligente AI-agenter med menneskelige arbejdere. Med denne nye AI-forstærkede arbejdsstyrke kan en organisation fremme innovation for vækst, fremme driftsdygtighed og opbygge virksomheders modstandsdygtighed med flere typer af nye forretningsfunktioner.

Nye forretningsmuligheder til fremme af innovation:

• Forøget menneskelig produktivitet: Hurtigheden, skaleringen og den altid-på-karakter af AI-agenter gør det muligt for virksomheder at automatisere gentaget arbejde og frigøre menneskelige medarbejdere til at fokusere på højere-værdi- og mere kreative opgaver.
• Tilpasbar forbedring af kapacitet: Da der kan observeres argumentation for AI-agenter, kan de dynamisk lære og implementere nye færdigheder, hvilket gør det muligt for virksomheden kontinuerligt at forbedre ydeevnen for at opfylde forretningsmål og tilpasse sig hurtigt til nye markedsmuligheder.

Fornyelse af kundeoplevelsen inden for finansielle tjenester: Et formueadministrationsfirma kan bruge en AI-agent til at genopfinde sin klientengagementsmodel. Agenten overvåger selvstændigt porteføljer, identificerer vigtige øjeblikke for en klientgennemgang og forbereder før-opkaldsplanen for rådgiveren og justerer planen, efterhånden som der opstår nyheder. Dette gør det muligt for den personlige rådgiver at levere en proaktiv, personlig kundeoplevelse på en skala, styrke relationer og afdække nye salgsmuligheder.

Nye forretningsmuligheder til at beskytte og sikre organisationens modstandsdygtighed:

• Elastisk arbejdsstyrkekapacitet: Virksomheder kan hurtigt skalere deres mulighed for at opfylde stigninger i arbejdsbelastning fra ændrede forretningsbetingelser uden omkostninger og forsinkelser ved at rykke en fuldt menneskelig arbejdsstyrke op.
• Forudsigende driftsmæssig fleksibilitet: Den 24/7 karakter af AI agenter gør det muligt for dem selvstændigt at forudse, model og reducere driftsmæssige, compliance og sikkerhedsrisici i realtid, hvilket sikrer virksomheden opretholder Trust af sine kunder og interessenter.

Eksempel på handling – Beskyttelse af kundedata: En stor virksomhed kan implementere en AI-datastyringsagent til at scanne det regulerende miljø for ændringer i datafortrolighedslove, finde og klassificere følsomme oplysninger i virksomhedsdatasæt og derefter anvende den relevante styringspolitik. Agenten kan gennemse anmodninger om dataadgang og distribuere undtagelser til en human analytiker til gennemgang, hvilket reducerer overensstemmelsesrisikoen, mens det aktiverer, at data bruges på en betroet måde.

Nye forretningsfunktioner, der optimerer driftsmæssig ekspertise:

• Automatisk proceskørsel: En digital arbejdsstyrke kan udføre komplekse, flertrinsopgaver 24/7 ved maskinhastighed (med mennesker i løkken), hvilket reducerer omkostninger og skalerer processer effektivt.
• Grænseoverskridende orkestrering: AI-agenter kan arbejde på tværs af oplysnings- og incitamentssiloer, der normalt begrænser menneskelige medarbejdere og fremmer smidighed for tværgående processer.

Eksempel i aktion – Optimering af marketingtragt i detailhandel: Et detailmarketingteam kan implementere en AI-agent for at sætte fart på dens kampagneproces som reaktion på nye forbrugertendenser. Agenten kan generere marketingplaner, samarbejde med marketing-, produkt- og salgsteams til gennemgang og derefter automatisk oprette digital sikkerhed og udføre på tværs af flere kanaler og dynamisk justere kampagnen baseret på feedback i realtid.

Virksomhedens it-arkitektur kan afbildes ved brug af en lagkonstruktion. Lagene grupperer logisk relateret teknisk funktionalitet og gør det nemmere at foretage strukturerede argumenter, men de angiver ikke nødvendigvis specifikke implementeringer eller den grad, som et lag skal designes monolitisk eller på en mere heterogen måde. I denne lagvisning (figur 1) består den traditionelle it-arkitektur af fem hovedlag: Infrastruktur, Data, Integration, Applikation og Oplevelse. To tværgående lag, Sikkerhed og it-drift, strækker sig over disse lag for at sikre styring, overvågning og beskyttelse.

Den traditionelle it-arkitektur er designet til et paradigme, hvor virksomhedens intelligens består af menneskelige medarbejdere, der udfører handlinger i applikationer for at få adgang til data, anvende forretningslogik, gøre det nemmere at samarbejde og udføre arbejdsflows. Den er ikke designet til et paradigme, hvor AI-agenter kan begrunde og udføre handlinger for bestemte anvendelsessituationer, der tidligere er udført af mennesker (eller slet ikke udført), mens mennesker overvåger AI-agenterne og fokuserer på mere kreative og tvetydige opgaver.

Selvom traditionel arkitektur kan understøtte underskalaimplementeringer af AI-agenter i dag, kan den ikke fuldt ud levere forretningsfunktionerne i agentvirksomheden beskrevet ovenfor. For at realisere disse funktioner kræves der en it-arkitektur, der er designet til omfattende implementering af effektive AI-agenter, der kan håndtere brede anvendelsessituationer i stedet for at være begrænset til begrænsede implementeringer, der er rettet mod smalle anvendelsessituationer.

AI-agenter vil fortsætte med at forbedre sig i løbet af de næste 5 år, og it-arkitekturen skal udvikles for at realisere værdien af mere effektive og intelligente AI-agenter for at blive fremtidige beviser. Først vil agenter blive mere intelligente, efterhånden som de underliggende AI-modeller (f.eks. LLM'er med flere modaler) og agenternes kognitive arkitekturer udvikles (f.eks. planlægning med flere trin, opgavedegradering osv.). For det andet vil AI-agenter have forbedrede lærings- og tilpasningsfunktioner med hukommelsesforbedringer, selvrefleksionsfunktioner og muligheden for at lære fra feedback. For det tredje vil AI-agenter have en større mulighed for at interagere med andre agenter, værktøjer og data som bevist af det hurtigt udviklende økosystem af åbne teknologistandarder (f.eks. Modelkontekstprotokol, Agent2Agent osv.). Mens disse tre teknologitrends vil gøre det muligt for AI-agenter at være mere effektive, når de udfører mere abstrakte og komplekse opgaver, vil det også introducere adskillige udfordringer for dagens it-arkitektur.

Først er AI-agenter grundlæggende afhængige af AI-modeller, både internt udviklede og eksternt kildede, som udvikler sig hurtigt og kræver avanceret, delt og standardiseret AI/ML-modelstyring. I dag aktiveres AI-modeller for specifikke anvendelsessituationer i en applikation, ikke som delte funktioner til genbrug med almindelige værktøjer til uddannelse, implementering, styring og risikostyring. Fremover skal virksomheder kunne bruge forskellige AI-modeller til forskellige agentanvendelsessituationer, der kræver værktøjer, der gør det muligt for agenter at udskifte underliggende modeller (f.eks. fundamentmodel kontra domænespecifik mindre model) baseret på forretningskontekst. Dette kræver administration af internt udviklede eller hostede AI-modeller med forenet livscyklusværktøj for at sikre ensartethed, genanvendelighed, skalerbarhed og effektivitet. På samme måde kræver adgang til eksternt hostede AI-modeller en styringsstruktur for hele virksomheden for at sikre optimal ydeevne, sikkerhed, overensstemmelse, tilgængelighed og pålidelighed.

For det andet har AI-agenter særskilte skaleringsmønstre og driftsmæssige krav, f.eks. hosting, udvikling, argumentation, læring, hukommelsesstyring og drift, som kræver en separat og dedikeret arkitektonisk grænse for agenter. Integrering af denne funktionalitet direkte i dagens statiske og deterministiske applikationsarkitektur vil introducere unødvendig arkitektonisk kompleksitet og risiko. Desuden skal AI-agenter interagere med eksisterende applikationer gennem standardiserede grænseflader eller meddelelsessystemer til interaktion i realtid.

For det tredje skal AI-agenter kunne argumentere over uensartede datasæt og samarbejde med hinanden, ofte på tværs af isolerede applikationssæt, men i dagens arkitektur er der ingen fælles semantisk funktionalitet til at give en fælles forståelse for disse agenter til at argumentere over forskellige datasæt. Som resultat, selvom enkeltformålsagenter kan implementeres korrekt, forbliver det vanskeligt og risikabelt at skalere dem til at fungere i store antal på komplekse krydssiloopgaver.

Endelig mangler den aktuelle virksomheds-IT-arkitektur en effektiv måde til at orkestrere, optimere og styre end-to-end-forretningsprocesser, der inkluderer de dynamiske arbejdsflows, der udføres af mere effektive agenter, hvilket vil forøge og i nogle tilfælde erstatte den rolle, der udføres af menneskelige medarbejdere i denne proces. I dag bruges automatiseringsværktøjer til at administrere lineære, deterministiske arbejdsflows, der typisk følger en foruddefineret sekvens, dokumenteres på processpecifikke sprog og er afhængige af statisk logik, der sjældent ændres. AI-teknologier kan forbedre nogle af disse lineære processer (f.eks. ved at bruge ML-modeller i stedet for hardcodede forretningsregler til at beregne lånegodkendelsestærskler), men de strategiske og kørselsmæssige aspekter af de fleste vigtige forretningsprocesser forbliver i sig selv dynamiske og fleksible. Opgaver som udvikling af marketingstrategier, løsning af komplekse kundeproblemer eller kundeemneklienter har tydelige målsætninger (kundetilfredshed, sagsløsningshastighed osv.), men følger ikke en fast, foruddefineret kørselsrækkefølge.

I øjeblikket er traditionelle virksomheder primært afhængige af mennesker til at koordinere og udføre disse komplekse forretningsprocesser (f.eks. opsætning af strategi og administration af komplekse programmer). Efterhånden som AI-agenter fortsætter med at udvikle sig (større intelligens-, lærings- og interaktionsfunktioner) i løbet af de næste 3-5 år, vil deres mulighed for at køre sådanne dynamiske processer autonomt blive udvidet betydeligt og introducere kompleksiteter og integrationsudfordringer, der langt overstiger funktionerne i eksisterende integrations- og automatiseringsværktøjer. Den adaptive og dynamiske karakter af AI-agenter skaber et stærkt behov for nye orkestreringsfunktioner for at sikre kontrol på virksomhedsniveau, omfattende synlighed og ensartet justering med strategiske mål for hele virksomheden, især i administration af komplekse, lange og flertrinsarbejdsflows, der omfatter AI-agenter, mennesker, automatiseringsværktøjer og andre deterministiske systemer.

IT-arkitekturen i Agent Enterprise etablerer en platform for intelligente handlinger ved problemfrit at integrere menneskelige medarbejdere, AI-agenter og deterministiske systemer. Denne arkitektur giver både menneskelige og AI-agenter mulighed for dynamisk at få adgang til og udnytte forenet virksomheds Knowledge fra forskellige datakilder, beriget med semantisk kontekst til effektivt at udføre komplekse arbejdsflows og processer i overensstemmelse med strategiske forretningsmål. Den eksisterende it-arkitektur for et sæt af enkeltstående platforme og punktløsninger vil udvikle sig til et sæt af komposerbare applikationstjenester, semantiske og dataværktøjer og netværk af AI-agenter, der overvåges og styres af nye intelligente forretningsprocesorkestreringsværktøjer.

Denne arkitektur gør det muligt for agenter at forstå, begrunde og reagere inden for deres respektive omfang, arbejde inden for og på tværs af forretningsdomæner og løbende lære, forbedre og tilpasse sig. Dette kræver et design fokuseret på robuste mekanismer til at få adgang til data og Knowledge (semantisk forståelse), fleksible og standardiserede kommunikationsprotokoller og grænseflader (såsom agent til agent, agent til deterministiske systemer og agent til menneske) og kritisk orkestrere arbejdsflows og processer på tværs af agenter, mennesker og automatiseringsværktøjer og deterministiske systemer.

Hvis du vil realisere den arkitektoniske vision for en platform for intelligente handlinger, anbefales disse designprincipper som bedste fremgangsmåde:

• Komponerbarhed og modularitet: Design arkitektoniske elementer som modulære komponenter med standardiserede grænseflader for at aktivere hurtig og dynamisk samling af agentfunktioner, arbejdsflows og menneskelige overflader. Prioriter tydelige grænsefladekontrakter og abstraktion for at aktivere den største fleksibilitet for AI-agenter til at oprette arbejdsflows.
• Data og semantik først: Sørg for omfattende, nøjagtig, hurtig, sikker og omkostningseffektiv adgang til data med delt semantisk forståelse, så agenter kan argumentere effektivt på tværs af enkeltstående systemer. Dette kræver behandling af data (og metadata) som et produkt med værktøjer til at sikre kvalitet, afstamning, styring og adgang samt en måde til at levere semantisk forståelse, der deles på tværs af agenter og mennesker.
• IT og forretningsobservation integreret: Integrer end-to-end-overvågning, sporing, evaluering og forklarbarhedsfunktioner i hele arkitekturen for indsigt i agenters argumentation, adfærd, systeminteraktioner og påvirkning af forretnings-KPI'er for at aktivere kontinuerlig optimering af agenters ydeevne. Dette omfatter omkostningsoptimering (FinOps), bæredygtighedsmetrikker og driftstelemetri, mens Trust, compliance og ansvarlig ressourceforbrug opretholdes. Da AI-agenter er iboende ikke-deterministiske, er observabilitet vigtig for at sikre, at AI-agenter kan fungere på en betroet, kompatibel og revisionsbar måde med menneskelig tilsyn.
• Trust-through: Håndhæv dynamiske, detaljerede tilladelser baseret på hensigten for agentens opgaver (dataadgang, handlinger osv.), og implementer omfattende sikkerhedspraksisser, herunder red teaming, automatiseret CVE-scanning, sårbarhedsregistrering og risikobaserede valideringskontroller. Der er brug for mere detaljerede og dynamiske kontroller på grund af risikoen for, at agenter forårsager overlappende risici på grund af deres mulighed for at arbejde ved maskinhastigheder. Sørg for, at alle AI-genererede resultater (fra agenter eller modeller) er rigtigt valideret op mod definerede politikker for overensstemmelse, sikkerhed, toksicitet og bias før brug eller levering, hvilket kræver logføring og forklaringsmekanismer med verificerbare revisionsspor for AI-beslutninger, handlinger, indhold og forudsigelser.
• Agent-først med menneskelig tilsyn: Aktiver AI-agenter til at være standardværktøjet til at løse forretningsanvendelsessituationer, bortset fra andre overvejelser (f.eks. omkostninger, teknisk tilpasning) og designe it-systemer, så de er tilgængelige for agentarbejdsflows. Dette inkluderer muligheden for, at personer overvåger, griber ind i og tilsidesætter ethvert trin i en agents proces. Agenter kræver selvreflekterende funktioner for proaktivt at søge human vejledning, hvis deres tillid over beslutningstagning falder under forud programmerede tærskler.
• Reaktiv og multimodal interaktion: Aktiver arkitekturen til at understøtte omfattende agentkald- og svarmekanismer på tværs af alle interaktionstyper, herunder agent-til-agent-protokoller, menneskelige multimodale input (tale, tekst, visuel), forretningsbegivenheder, systemsignaler og streamingdata. Aktiver både begivenhedsstyrede og realtidsbehandlingsfunktioner for at sikre, at agenter kan reagere på ethvert rettidigt signal fra enhver kilde eller format.
• AI-klar infrastruktur: Sørg for, at infrastrukturen kan skaleres elastisk med indbygget redundans til at håndtere flydende AI-arbejdsbelastninger og integrere ML/LLM-pipelines i data- og applikationsarkitektur, mens du bevarer overholdelse af dataplaceringskrav.
• Åben økosystem: Prioriter interoperabilitet, og undgå teknologilåsning ved at foretrække åbne standarder, protokoller og veldefinerede grænseflader (API'er, begivenheder) for at drage fordel af teknologiecosystemet.

Hvis du vil aktivere og skalere agenttransformationen, skal virksomheder gå ud over blot at forbedre de aktuelle lag. De skal overveje eksplicit at introducere fire yderligere arkitektoniske lag (figur 2), der er designet specifikt til at opfylde behovene hos AI-agenter.

Det agentlag er dedikeret til udvikling og styring af AI-agenter, der omfatter kognitive evner som planlægning, begrundelse, hukommelse, værktøjsudnyttelse, tilstandsstyring og livscykluskontrol. Dette lag håndterer de unikke tekniske og driftsmæssige krav til AI-agenter, sikrer interoperabilitet på tværs af applikationer og datalager gennem standardiserede protokoller og gør det nemmere at samarbejde agent-til-agent. Det eksisterende applikationslag vil blive udviklet til applikationstjenester, der skal sammensættes dynamisk for agentiske arbejdsflows.

Det semantiske lag introduceres for at løse afbrydelsen mellem rå virksomhedsdata og den semantiske forståelse, som AI-agenter har brug for. Det koder og administrerer eksplicit forretningsenheder, begreber, definitioner og interrelationer, hvilket skaber en virksomhedsontologi og repræsentation af forretnings Knowledge for at muliggøre fælles semantisk forståelse, der styrker mere komplekse arbejdsflows med flere agenter, der udfører opgaver på højere niveau. Ud over et datakatalog oversætter det semantiske lag en naturlig sprogforespørgsel til præcise forespørgsler mod specifikke datalager, harmoniserer resultaterne og returnerer et kontekstbaseret og mere avanceret svar for agenten. Det eksisterende datalag forenes i mellemtiden via indføring af centraliserede lakehuse, mens dataadgang udvides via en AI-klar datatilknytning til at understøtte driftsmodelprincipper for datasæt.

AI/ML Layer centraliserer styringen af virksomhedens AI-funktioner, herunder store sprogmodeller, store handlingsmodeller og domænespecifikke ML-modeller, der håndterer både internt udviklede AI-modeller gennem hele deres livscyklus og den kontrollerede adgang/anvendelse af eksterne AI-tjenester. I modsætning til traditionelle arkitekturer, hvor AI-modeller er integreret i applikationer, etablerer dette lag AI-modeller som førsteklassekomponenter og delte tjenester i virksomheden. Den fokuserer på virksomhedsstyrede AI-funktioner (ikke AI-funktioner, der leveres af eksterne leverandører). Dette lag giver intelligens til forskellige agenter og andre AI-arbejdsbelastninger i virksomheden med standardiserede mekanismer til Trust, sikkerhed, compliance og implementering.

Enterprise Orchestration Layer er den funktionelle abstraktion til koordinering, styring og optimering af komplekse, flertrinsarbejdsflows og forretningsprocesser, der strækker sig over AI-agenter, mennesker, automatiseringsværktøjer og deterministiske systemer. Dette lag anvender en blandet orkestreringsmodel, der tillader individuelle agenter og systemer selvstændigt at håndtere lokalt koreograferede opgaver ved brug af åbne protokoller som MCP og A2A, mens de leverer centraliseret end-to-end-overvågning og koordinering af hele processen. Hvis du vil implementere den blandede orkestreringsmodel, repræsenterer dette lag vigtige forretningsprocesser i maskinlæsbare semantisk rige formater, der definerer både de deterministiske trin (modelleret på designtidspunktet) og de dynamiske trin (beslutet af agenter under kørselstiden) for en forretningsproces og skaber grundlaget for procesmodellen for styring og optimering.

Traditionelt forbliver væsentlige dele af menneskestyrede forretningsprocesser ikke-dokumenterede eller utilgængelige i maskinlæsbare formater. Men den detaljerede observation af AI-agenters aktiviteter, herunder avancerede data og metadata om deres opgaver og handlinger, gør det muligt at registrere, dokumentere og integrere dynamisk, tidligere ustruktureret arbejde med deterministiske lineære arbejdsflows for at oprette omfattende procesmodeller. Den detaljerede procesdokumentation registrerer tidligere usynlige opgaveinterafhængigheder og kørselsstier, hvilket gør det muligt for virksomheden kontinuerligt at optimere den driftsmæssige effektivitet, effektivt håndtere flaskehalse og systematisk kodificere agentidentificerede bedste fremgangsmåder til genanvendelige eksperimenter for hele virksomheden. Dette resulterer i en holistisk digital tvilling af individuelle processer og, når den skaleres, hele virksomheden.

F.eks. involverer komplekse processer som kørsel af omfattende salgsstrategier eller introduktion af nye medarbejdere adskillige afhængige trin, hvor orkestreringslaget kan sikre passende niveauer af menneskelig involvering (f.eks. undtagelseshåndtering), begrænset autonomi for AI-agenter og håndhæve compliance. Gennem disse processer tilføjer orkestreringslaget fra top til bund forudsigelighed og styring, sporer og evaluerer kontinuerligt nøgletalsindikatorer (KPI'er), sikrer transaktionsintegriteten af arbejdsflows og tilbagerulningslogik og bevarer synligheden i alle faser af arbejdsflowet for at sikre justering med overordnede forretningsmål. For at implementere denne funktionalitet forbruger dette lag politikker, regler og guardrails fra sikkerheds- og styringslag (via policy-as-code) og forretningsmål og KPI'er, der er lagret i det semantiske lag. I betragtning af den autonome og hurtige karakter af AI-styrede interaktioner, risikerer udelukkende afhængighed af en decentraliseret koreografi strategisk fejlretning eller overtrædelser af overensstemmelse, især i længerevarende arbejdsflows med flere trin. Den blandede orkestreringsmetode reducerer disse risici ved at integrere virksomhedsforretningsregler, overensstemmelseskontroller og politikkørsel direkte i komplekse arbejdsflows og integrerer menneskelig tilsyn på kritiske tidspunkter.

Hvert af disse 11 lag bidrager med specifik funktionalitet til implementering af AI-agenter på en skala på en sikker, betroet og effektiv måde, der låser op for det fulde potentiale i agentisk AI for at transformere den måde, arbejdet udføres i en virksomhed. Afsnittet nedenfor skitserer lagets funktion, nye ændringer på grund af stigningen i AI-agenter og dets nøgleteknologifunktioner.

Funktion: Oplevelseslaget fungerer som den primære grænseflade for brugere og aktiverer multimodal interaktion ved at registrere input (tekst, stemme, visuel) og levere kontekstrelevante svar på tværs af flere enheder. Den overfører problemfrit brugerhensigter til agentlaget til handling, mens den også leverer den dynamiske brugergrænseflade og visualiseringer, der gør det nemmere for brugere at eskalere og godkende i agentarbejdsflows.

Hvad er anderledes i forhold til i dag: AI vil supplere traditionelle GUI-baserede grænseflader med naturlig sprogbehandling, kontekstbevidsthed og proaktiv beslutningssupport. AI-agenter kan proaktivt starte interaktioner og levere personlige anbefalinger i realtid på tværs af alle kanaler og modaliteter.

Nøglefunktioner:

• Konverserende AI og digitale assistenter: Aktiver brugergrænsefladen som standard for at få AI-hjælp til at understøtte brugere.
• Tildeling og gennemsigtighed-brugergrænseflade: Gør svar forklarbare i brugergrænsefladen, f.eks. visning af citationer, kilder til filer/systemer og tilgangen/rationaliteten på beslutningerne.
• Proaktiv og omgivende adviseringstjeneste: Aktiverer agenter til proaktivt at overføre indsigter eller advarsler til brugere på den mest relevante kanal og formfaktor, baseret på brugerens aktuelle kontekst.
• Omnichannel-oplevelser: Giver en problemfri, ensartet og forenet oplevelse på tværs af alle kanaler med rejsekontinuitet, hvor samtaler og opgaver følger personen i stedet for appen.
• Multi-modal funktioner: Gør det muligt for personer at interagere med agenter og applikationer via tekst, stemme, billede, touch, video og AR/VR, så agenter kan forstå og præsentere oplysninger i den mest effektive modalitet.
• Kontekstbevidst Tilpasning og dynamisk brugergrænseflade: Aktiverer kontekstbevidste brugeroplevelser i realtid (tid, placering, brugerhandlinger) for at aktivere tilpasning, herunder generering af brugergrænseflade på farten.

Funktion: Agentlaget fungerer som standardkørselsmiljøet for at udføre arbejde i virksomheden, hvor AI-agenter opdeler opgaver fra oplevelseslaget og udfører opgaver ved dynamisk at samle arbejdsflows ved brug af værktøjer fra applikations- og apptjenelaget og datalaget. Konfigurationstilstanden for AI-agenter lagres og administreres i dette lag. Agenter oprettes for specifikke opgaver, og de specifikke agentforekomster fjernes efterfølgende. Denne implementering aktiverer, at agenter altid kaldes fra den seneste konfigurationstilstand baseret på offlineoptimeringer (ved brug af funktionalitet fra AI/ML, observabilitet og orkestreringslag). Dette lag er ansvarlig for AI-agenters omfattende livscyklusstyring, koordination og styring.

Hvad er anderledes i forhold til i dag: Dette lag vil vise dagens aktuelle uensartede sæt af pilotprogrammer og begrænsede agentimplementeringer. Mens der findes regelbaserede bots, er der få adaptive, ikke-deterministiske og målorienterede softwareprogrammer implementeret på en skala.

Nøglefunktioner:

• Agentkørselsmiljø: Administrerer livscyklus, kørsel og ressourcetildeling for AI-agenter.
• Agentlivscyklusstyringssuite: Inkluderer udviklingsstrukturer, udviklings- og testværktøjer og administreringssystemer for agentaktiviteter og versionskontrol.
• Agent Reasoning Engine: En kognitiv struktur for agenter til at nedbryde mål, planlægge og beslutte, hvilke værktøjer der skal bruges til at løse komplekse problemer.
• Agenthukommelse og kontekstlager: Tillader agentforekomster at tilbagekalde og vedligeholde kontekst om tidligere interaktioner, hvilket sikrer ensartethed og tilpasning.
• Agent-interoperabilitetsprotokoller: Standardiserede grænseflader for agent-til-agent-kommunikation (A2A) og for agenter til at oprette grænseflade med eksterne systemer (f.eks. via modelkontekstprotokollen).
• Værktøjsregistrering: Et arrangeret sæt af interne og eksternt understøttede værktøjer, som agenter kan kalde for at udføre en bestemt opgave.
• Agentregistrering: Et organiseret økosystem af AI-løsninger og agenter, der er bygget på forhånd, og som understøtter opdagelse og funktionsmatchning.
• Distribueret agentpolitikhåndhævelse: Aktiverer styring for hele virksomheden ved at tillade agenter selv at kontrollere overensstemmelse, før de foretager handlinger.
• Agentens selvrefleksion og tilpasningsramme: Giver en mekanisme for en agent til at analysere sin egen ydeevne og med menneskelig godkendelse udløse forbedringer eller foreslå ændringer til sig selv.

Funktion: Dette lag fungerer som en centraliseret intelligenshub, der tilbyder AI-modeller som et sæt af delte tjenester, der skal forbruges af agentlaget (og applikationer) for at styrke dets argumenterings- og beslutningsfunktioner med indbyggede sikkerhedsstrukturer og overvågning.

Hvad er anderledes i forhold til i dag: Traditionelt er AI-modeller integreret i specifikke applikationer. I it-arkitekturen for agentvirksomheden vil AI/ML-laget være et førsteklasses, centraliseret sæt af tjenester, der styrker mange applikationer og agenter og understøtter hele modellivscyklussen fra udvikling til visning i realtid på skala.

Nøglefunktioner:

• Forudbygget fundament modeller: Store ML-modeller, der er trænet på en bred vifte af data, der kan udføre en lang række generelle opgaver.
• Return-Augmented Generation (RAG): En AI-centreret pipeline, der baserer grundlæggende modeller i virksomhedsspecifikke data for at forbedre nøjagtigheden og reducere hallucinationer.
• AI Trust, Safety, & Governance Hub: En række værktøjer, der er integreret i modellivscyklussen for at håndhæve ansvarlige AI-principper som biasregistrering, forklarbarhed og sikkerhedsovervågning.
• Modelgateway: Et distributionssystem, der fungerer som et enkelt indgangspunkt for alle modelunderstregningsanmodninger og administrerer kald til forskellige interne og eksterne modeller for at optimere for omkostninger, ydeevne og compliance.
• Modeludvikling Workbench: Et integreret udviklingsmiljø for dataforskere med værktøjer til dataforhåndsbehandling, modelundervisning og eksperimentering.
• MLOps og livscyklusautomatiseringspipeline: CI/CD-systemet til maskinlæring, der automatiserer slut-til-slut-livscyklussen for modeller fra uddannelse til implementering og tilbagetrækning.
• Modelservicering og indledningskørsel: Et skalerbart miljø med lav forsinkelse til implementering af trænede modeller som sikre API-slutpunkter til forbrug i realtid.
• Model og aktivregistrering: Et centraliseret, versionskontrolleret lager for alle AI/ML-aktiver, herunder modeller, datasæt og kildekode, der sikrer reproducerbarhed og revisionsmulighed.
• Syntese data generering og administration: Værktøj til at generere og administrere syntetiske data, der bevarer de statistiske egenskaber for virkelige data uden at vise følsomme oplysninger.

Funktion: Virksomhedsorkestreringslag er kontrolplanen for end-to-end-arbejde i en agentvirksomhed. Det sikrer, at agentarbejdsflows og interaktioner overholder virksomhedsmålsætninger og styringspolitikker. Den bruger observabilitetstelemetri fra andre lag til at opbygge omfattende forretningsprocesmodeller og aktiverer optimering op mod KPI'er, der trækkes fra det semantiske lag. Dette lag leverer den delte kontekst og den langsigtede hukommelse til hver ny forekomst af en AI-agent for kritiske arbejdsflows.

Hvad er anderledes i forhold til i dag: Dette lag giver forenet synlighed i forretningsprocesser ved at oprette maskinlæsbare modeller, der registrerer både strukturerede, deterministiske trin og det ustrukturerede, dynamiske arbejde, der udføres af mennesker og agenter. Den flytter ud over nutidens menneske-centrerede samarbejds- og styringsmodeller ved programmeringsmæssigt at kode forretningsmålsætninger og overensstemmelsesregler som begrænsninger i agentiske arbejdsflows til at styre den agentiske arbejdsstyrke.

Nøglefunktioner:

• Hybrid Workflow Execution Engine: Kerneforløbet, der eksekverer den "blanderede orkestreringsmodel", giver centraliseret overvågning, mens det tillader lokal agentchoreografi.
• Processtyring og begrænsningssystem: En realtidsstyringstjeneste, der forbruger og anvender deklarative forretningsregler, politikker og begrænsninger på alle flyveprocesser.
• Delt hukommelse og kontekststyring: Et delt hukommelseslag, der er tilgængeligt for alle aktører i et arbejdsflow for at bevare kontinuitet og sammenhæng på tværs af flere trin.
• Process Modeling Studio: Et designtidsmiljø til oprettelse og administration af maskinlæsbare, semantisk avancerede procesmodeller, der definerer både deterministiske og dynamiske målorienterede trin.
• Procesoptimering og simulering: En funktion, der konstruerer digitale simulationer af forretningsprocesser til avanceret analyse, hvad hvis-simulationer og forudsigende optimering.
• Procesopdagelse og tilstandsovervågning: Overfører procesmodeller og realtidsdata for at rapportere om forretningsmetrikker for procestilstand.
• Digital Twin proces modellering: Et spejl i realtid af live-arbejdsflows til test, simulering af ændringer og optimering uden at påvirke produktion.

Funktion: Dette lag viser eksisterende forretningsapplikationsfunktionalitet som komponerbare og modulære værktøjer og tjenester, som agenter kan bruge. Det fungerer også som præsentationskørsel for integrering af agentfunktioner i brugeroplevelsen. Applikationer fortsætter med at være registreringssystemet, men omkonstrueres til at være "hovedløse" funktioner for agenter.

Hvad er anderledes i forhold til i dag: Applikationer vil udvikle sig fra monolithiske brugergrænseflader til "back-end-tjenester", som agenter dynamisk kan kalde via API'er og begivenheder. Dette lag vil blive integreret som standard med AI-agenter og modeller, og udbredelsen af kodeoprettelses-LLM'er vil føre til en stigning i antallet af tilpassede agentoprettede mikroapplikationer.

Nøglefunktioner:

• Modular Application Services: Afbrudt forretningslogik fra traditionelle applikationer, udgivet som maskinlæsbare handlinger, som agenter kan kalde.
• Agent Integrating SDK'er: Værktøjssæt og biblioteker, der gør det muligt for udviklere sikkert at integrere agenter direkte i applikationsbrugergrænseflader.
• Dynamic UI Generation Services: Tjenester, der tillader en AI-agent at generere eller redigere komponenter i brugergrænsefladen i realtid baseret på brugerkontekst.
• AI-oprindelige brugergrænsefladestrukturer: Front-end-strukturer, der er designet med indbygget understøttelse til håndtering af AI-styrede brugergrænseflader, f.eks. administration af sandsynlighedsdata og streaming af tekstsvar.
• Agent-Infused Systems of Engagement: Virksomhedens produktivitets- og samarbejdsapplikationer, der integrerer AI-agentfunktioner gennem visuelle komponenter.
• AI-forbedret lav kode / ingen kode applikationsudvikling: Værktøjer, der gør det muligt for brugere og agenter at oprette tilpassede apps og tjenester ved brug af naturligt sprog og meddelelser.
• App Guardrails for agentanvendelse: Kontroller på applikationssiden for agentanvendelse, f.eks. frekvensbegrænsning, omfangstilladelser og telemetri.

Funktion: Semantisk lag giver en forenet forståelse af data og Knowledge på tværs af virksomheden, så både mennesker og AI-agenter kan fortolke og reagere på oplysninger ensartet. Den bruger Knowledge som ontologier og Knowledge til at oversætte naturlige sprogforespørgsler til præcise, kontekstbevidste dataforespørgsler.

Hvad er anderledes i forhold til i dag: Mens nutidens virksomheder har uensartede metadatalager, kræver agentvirksomhedens it-arkitektur et centraliseret Enterprise Knowledge Graph (EKG), der forbinder data på tværs af domæner med eksplicit definerede semantiske relationer. Dette giver den avancerede kontekst, som AI-agenter kan gennemgå for at udføre kompleks ræsonnement, hvilket skaber krav til et sæt tekniske funktioner til at styrke Knowledge, der strækker sig over flere funktionelle domæner.

Nøglefunktioner:

• Metadata Service: Angiver beskrivende metadata, herunder dataafstamning, ejerskab og klassificeringer.
• Forretningsordliste og taksonomisk ledelse: Et værktøj, som forretningsbrugere kan bruge til at definere og acceptere standardforretningsudtryk.
• Semantic Model Management: En workbench for Knowledge ingeniører til at skabe, administrere og styre semantiske modeller og ontologier.
• Enterprise Knowledge Graph (EKG): En kørselsforekomst af virksomhedens ontologi, der lagrer og tilknytter relationer mellem forretningsenheder.
• Metadataoverførsel & harmonisering motor: En automatiseret pipeline, der udfylder og vedligeholder Enterprise Knowledge Graph fra forskellige kildesystemer.
• Semantic Query Engine: Fortolker naturlige sprogforespørgsler og konstruerer strukturerede forespørgsler baseret på EKG for at hente data fra forskellige kilder.
• Semantic Reasoning Engine: Analyserer og afleder implicit Knowledge og skjulte relationer fra EKG.

Funktion: Datalaget er den grundlæggende kilde til sandheden, der administrerer og giver sikker, administreret adgang til alle virksomhedsdata, som det semantiske lag kan fortolke, det AI/ML-lag, der skal bruges til uddannelse, applikationer, der skal bruges til transaktioner og agenter til argumentation.

Hvad er anderledes i forhold til i dag: Datalaget udvikles til at være mere forenet, i realtid og styringsfokuseret, ofte centreret på en cloud-skala-datalagerbygning. Den skal håndtere en større mængde og variation af data og skifte fra batchorienteret behandling til streaming i realtid for at understøtte reaktive agenter. Dataadministration og kvalitet får endnu større betydning for at forhindre, at dårlige data opretter defekte AI-output.

Nøglefunktioner:

• VectorDB: En specialiseret database, der er optimeret til lagring og forespørgsel på højdimensionelle vektorintegrationer, der er vigtige for RAG.
• Intelligente analytiske datapipelines: En automatiseret, metadatastyret tjeneste til dataoverførsel, transformation og indlæsning (ETL/ELT) i datalaget.
• Enterprise Data Lakehouse: Et centralt lager for strukturerede, semistrukturerede og ustrukturerede data, optimeret til både analyser og AI-arbejdsbelastninger.
• Zero-Copy Data Federation & Søgning: Teknikker til at få adgang til, forespørge på og søge i data på tværs af flere butikker uden fysisk dataflytning.
• Naturligt sprog til SQL: En teknik til at konvertere naturlige sprogforespørgsler til SQL.
• Enterprise Data Catalog og Discovery Service: Et centraliseret lager over alle dataaktiver på tværs af virksomheden.
• Master & Reference Data Management (MDM): Administrerer den "gyldne registrering" for vigtige forretningsenheder som Kunde og Produkt.
• Adaptive Data Quality Service: En kontinuerlig overvågningstjeneste, der bruger AI til automatisk at registrere og afhjælpe Datakvalitetsproblemer i realtid.
• Datakontrakter: maskinlæselige aftaler mellem dataoprettere og forbrugere, der angiver skemaet, semantikken og SLA'er for dataudveksling.
• AI-specialiserede datalager: Databaser, der er designet til specifikke AI-anvendelsessituationer, f.eks. tidsserie- eller diagramdatabaser.
• AI-klar datatæppe: Et logisk dataabstraktionslag, der giver en forenet, virtualiseret visning af data på tværs af uensartede fysiske systemer.
• Databehandling i realtid: Funktioner til behandling og analyse af multimodale datastreams kontinuerligt ved maskinhastighed.

Funktion: Infrastrukturlaget understøtter alle andre lag og leverer de beregnings-, lagrings-, netværks- og cloudfunktioner, der er påkrævet for at køre AI og agentiske arbejdsbelastninger på en fleksibel og omkostningseffektiv måde.

Hvad er anderledes i forhold til i dag: AI-arbejdsbelastninger kræver større skalerbarhed og elasticitet for at håndtere den sandsynlighedsmæssige karakter af agentiske systemer. Infrastruktur skal understøtte hurtig provisionering, specialiseret hardware som GPU'er og netværkstrafik med lav forsinkelse og høj gennemsnit for interagentkommunikation.

Nøglefunktioner:

• Infrastruktur som kode: Automatiseret provisionering og administration af infrastruktur med CI/CD-implementerings-pipelines.
• Hybrid og multi-cloud AI-infrastruktur: Anvender offentlig cloud-elasticitet og specialiseret infrastruktur til genererende AI-arbejdsbelastninger.
• AI-optimeret beregning, lager og netværk: Tildeler og skalerer dynamisk infrastrukturressourcer baseret på variabel efterspørgsel fra AI-arbejdsbelastninger.
• Edge AI Infrastructure: Aktiverer AI-modeller og agenter til at blive implementeret i udkanten af netværket til anvendelsessituationer med entydige forsinkelses- eller fortrolighedskrav.
• Selvhelbredende infrastruktur: Bruger AI til at administrere systemgendannelse uden manuel input, hvilket sikrer høj tilgængelighed.
• Bæredygtig AI Computing: Energieffektive tilgange til at reducere miljøpåvirkningen af AI-arbejdsbelastninger.
• Kost- og CO2-bevidst Autoscaling: Bruger FinOps og bæredygtighedssignaler til at fremme skalering og placering af kapacitet.

Funktion: Integrationslaget fungerer som den universelle kommunikationsstruktur for alle systemer (ældede og nye) gennem API'er, begivenheder, protokoller og middleware for at sikre, at agenter kan finde og interagere med tjenester, data og værktøjer uden problemer.

Hvad er anderledes i forhold til i dag: Integration skal udvikles til at understøtte de dynamiske mange-til-mange-kommunikationsmønstre for AI-agenter i stedet for blot at håndtere foruddefinerede, statiske interaktioner mellem nogle få kendte systemer. Det kræver databehandling i realtid og skal tage højde for ad hoc-opdagelse og samarbejde mellem agenter.

Nøglefunktioner:

• Driftsmæssig dataforbindelses-pipeline: AI-assisterede værktøjer til automatisk skematilknytning, datatransformation og generering af arbejdsflow, herunder API-ledede, begivenhedsstyrede og omvendte ETL-funktioner.
• Adaptive API Management og Service Mesh: API-gateways og servicemasseteknologi, der dynamisk kan registrere, udforske og styre tjenester med tilpasning af policehåndhævelse for agenter.
• Semantic Knowledge-adaptere: En integrationskomponent, der leverer et delt ordforråd og en datamodel på tværs af agenter og applikationer for ensartet dataforklaring.
• Event-drevet integration stof: En high-throughput, lav-latency meddelelser og streaming backbone, der aktiverer afkoblet, asynkron kommunikation.
• Agentprotokolgateway: En gateway til MCP-tjenester, der gør det muligt for agenter sikkert at finde værktøjer og udløse handlinger, der danner bro mellem MCP og interne API'er og begivenheder.
• Komposerbare kapacitet Katalog og markedsplads: Et centraliseret, administreret katalog for alle virksomhedsfunktioner – API'er, tjenester, agentfærdigheder, modeller og datasæt – anmærket med semantiske metadata til on-demand-sammensætning.

Funktion: Dette lag overvåger og administrerer tilstanden og den driftsmæssige ydeevne for agenter og hele systemet (observability embedded princip), giver gennemsigtighed og kontrol ved at generere indsigter for at aktivere revision, fejlfinding, forklarbarhed, omkostninger og ressourceoptimering af virksomhedens agentmæssige arbejdsstyrke.

Hvad er anderledes i forhold til i dag: Dette lag bliver endnu mere afgørende i betragtning af risikoen for, at AI-agenter opretter fejl ved maskinens hastighed. Det skal udvides ud over infrastrukturovervågning til at inkludere den uforudsigelige adfærd af autonome agenter, der kræver nye typer af telemetri og muligheden for at forstå semantisk korrekthed, ikke kun teknisk ydeevne.

Nøglefunktioner:

• Overvågnings- og observationsplatform i realtid: Indsamler kontinuerligt logfiler, metrikker og spor på tværs af hele it-miljøet med udvidelser for ML-metrikker og agentadfærd.
• FinOps og Cloud-omkostningsstyring: Ansvarlig for overvågning, analyse og optimering af de infrastrukturomkostninger, der er knyttet til AI og agentarbejde.
• Agent og ML-specifik overvågning: Logfører hvert trin af en agents kørsel i et uforanderligt revisionsspor og profilerer kontinuerligt agentadfærd for at registrere afvigelser fra etablerede normer.
• AIOps, Hændelses- og ændringshåndtering: Bruger AI/ML til at forudsige potentielle it-problemer, identificere grundlæggende årsager og oprette rettelsesarbejdsflows.
• Lukket læringsfeedback-løkke: Integrerer observabilitetstelemetri fra agenter tilbage i MLOps-pipelines, hvilket aktiverer automatiseret modeltræning eller meddelelsesjustering.
• Semantisk observationssystem: Integrerer observabilitet med det semantiske lag for kontekstualisering for at aktivere registreringen af semantiske afvigelser i agentadfærd.

Formål: Dette lag integrerer Trust og sikkerhed i hele arkitekturen ved at beskytte virksomhedens aktiver mod trusler, administrere risici og sikre overholdelse af lovgivningskrav. Den omfatter identitetsstyring, trusselregistrering, GRC og AI-specifikke sikkerhedsmål.

Hvad er anderledes i forhold til i dag: Sikkerhedslag skal udvikles til at håndtere nye angrebsoverflader, der præsenteres af AI-modeller og -agenter, f.eks. promptinjektion og modelforgiftning. Identitets- og adgangsstyring skal skifte fra statiske rollebaserede kontroller til dynamiske hensigtsbaserede tilladelser, der tildeles just-in-time og tilbagekaldes straks efter brug.

Nøglefunktioner:

• LLM Input/Output Sikkerhed & Guardrails: Virksomhedsgardiner anvendes på meddelelses- og svartidspunkter for at blokere usikret indhold, personligt identificerbare oplysninger og jailbreaks.
• Zero Trust Architecture med AI-verifikation: Kontinuerlig godkendelse forbedret af AI-baseret adfærdsanalyse med detaljeret, just-in-time-adgang for agenter baseret på deres specifikke opgave.
• Agents sikkerhedsramme: Fininddelte tilladelsesmodeller, overvågning for skadelig adfærd og begrænsningsmekanismer til sikkert at afbryde agentaktiviteter.
• AI-modelsikkerhed: En defensiv dybdegående strategi med kontroller i hver fase af modellivscyklussen for at beskytte mod forgiftning, udtrækning og modstanderangreb.
• Fortrolighedsbevarende AI: Teknikker som forenet læring og differentialfortrolighed til at beskytte følsomme data.
• AI-forbedret GRC: Brug af AI-agenter til kontinuerligt at overvåge overensstemmelse af it-arkitektur med kontrolelementer.
• Police-as-Code Engine: En enkelt kilde til sandheden til definition af forretningsregler og overensstemmelsesbegrænsninger i et deklarativt maskinlæsbart format for at angive vagter for agentadfærd.
• Continuous Red-Teaming: Automatiseret, igangværende modstandstest af AI-modeller og agenter til at identificere sårbarheder, før angribere udnytter dem.

Transformering til agentvirksomhed kræver, at du følger en rejse med flere faser ved at angive teknologifundamenterne, mens du opretter en konkret forretningsværdi (se figur 3 nedenfor). Mens den præcise oversigt afhænger af virksomhedens strategi, kultur, AI-styringsmodel og startpunkt for it-arkitekturen, bør de fleste organisationer indføre en faseinddelt tilgang, da fortsatte it-investeringer styrker agenter med voksende omfang, kompleksitet og værdioprettelse. Salesforces Agent Maturity Model tilbyder en nyttig ramme for modenhedsniveauer for virksomheder til at strategisere deres transformation, skitserer hvordan agentfunktioner kan vokse fra grundlæggende informations hentning (niveau 1) til orkestrering af mere komplekse multi-domæne (niveau 2 og 3) og multi-agent-arbejdsflows (niveau 4). Hvis du vil gennemgå disse faser, skal it-arkitekturen udvikle sig på en koordineret måde med målrettede investeringer i forskellige lag af arkitekturen i hver fase for at opfylde behovene for de mere komplekse og højere værdiimplementeringer af AI-agenter. For hvert modenhedsniveau identificeres de specifikke teknologifunktioner, der kræves på tværs af de 11 arkitektoniske lag, med en investeringsgrundlag.

Målingsniveau 1: Agent for indhentning af oplysninger

Forretningsmål og værdi: Forbedre arbejdstagernes produktivitet ved at levere en pålidelig, konverserende grænseflade til at forespørge på virksomhedens Knowledge. Den primære værdi er i at forøge menneskelige funktioner, ikke erstatte dem. Disse agenter hjælper mennesker ved at hente oplysninger og anbefale handlinger.

Arkitektonisk fokus: Fokus er på at etablere et sikkert, pålideligt databrundlag og de grundlæggende AI-komponenter, der er nødvendige til hentning af oplysninger. Styring og observation er afgørende fra dag et for at opbygge bruger Trust og kontrollere omkostninger.

Key Technology Investments (Figur 4):

I denne fase bør it fokusere på at oprette en pålidelig data-til-agent-pipeline og andre grundlæggende funktioner. Teknologier i datalaget, f.eks. en VectorDB, er vigtige for at aktivere RAG-teknikker (recovery augmented generation), der styrker agenterne til hentning af information. Dette er kombineret med et centraliseret AI/ML-lag, der inkluderer en modelgateway til sikker, omkostningskontrolleret adgang til fundamentmodeller og en AI Trust, Safety & Governance Hub til at overvåge for usikre output og sikre overholdelse. Masterdatastyring og forretningsordlister i det semantiske lag er grundlæggende for, at agenter kan hente nøjagtige oplysninger. Agentkørsels- og livscyklusfunktioner kræves for at sikre, at agenter, der er bygget i denne fase, kan redigeres og udvides til fremtidige anvendelsessituationer. For at levere værdi og opbygge brugertillid skal oplevelseslaget indeholde en brugergrænseflade for Tildeling og gennemsigtighed, der gør agentsvar forklarbare ved at vise citationer og kilderne til dets oplysninger. Fundamentale observations- og sikkerhedsinvesteringer (f.eks. nul trust) skal påbegyndes for at danne grundlag for fremtidige agentudplaceringer.

Målingsniveau 2: Enkel orkestrering, enkelt domæne-agenter

Forretningsmål og værdi: Automatiser rutinemæssige opgaver og orkestrer arbejdsflows med lavt kompleksitet inden for et enkelt forretningsdomæne. Dette forbedrer den driftsmæssige effektivitet og reducerer manuel arbejde, hvilket gør det muligt for medarbejdere at fokusere på aktiviteter af højere værdi.

Arkitektonisk fokus: Den vigtigste arkitektoniske skift er fra skrivebeskyttet hentning af data til udførelse af handlinger. Dette kræver, at du starter en længere rejse for at modulere applikationsfunktionalitet (ofte vist som API'er), som agenter kan få adgang til, implementere robust sikkerhed for agenthandlinger og opbygge semantisk og AI-udviklingsfunktionalitet for at fremme intelligensen af AI-agenter.

Key Technology Investments (Figur 5):

Investeringer fokuserer tematiseret på at gøre det muligt for AI-agenter at reagere med korrekt styring på plads. Applikations- og apptjenelaget gennemgår en kritisk ændring, da monolitisk forretningslogik opdeles i modulære applikationstjenester (API'er), som agenter kan ringe til. Disse er beskyttet af App Guardrails for at forhindre agenter i at overvælde systemer, med integrationer i observationsværktøjer. For at styrke disse agenter skal der foretages investeringer i agentarrangement, værktøjsprotokoller (såsom MCP) og registreringer. Dette medfører nye risici, hvilket gør en dedikeret agentsikkerhedsramme og AI-model og agentovervågningsfunktioner afgørende for styring og sikkerhed. Endelig kan virksomheder begynde at skalere deres AI/ML-funktioner for tilpassede modeller for at styrke disse agenter, der håndterer domænespecifikke opgaver.

Målingsniveau 3: Agenter for orkestrering med flere domæner

Forretningsmål og værdi: Automatiser komplekse, end-to-end forretningsprocesser, der strækker sig over organisatoriske og funktionelle grænser (såsom "tilbud til kontanter", "emne til ordre"). Værdien er i at nedbryde siloer, sætte fart på procescyklustider og optimere hele værdikæder i forretningen. Højere trinændringer i den menneskelige medarbejders produktivitet er mulige, når organisatoriske hindringer begynder at bryde ned, og mennesker begynder at fokusere mere på at overvåge AI-agenter.

Arkitektonisk fokus: Arkitekturen skal nu understøtte tværgående tekniske problemer. En delt semantisk forståelse på tværs af virksomheden, et centraliseret orkestreringssystem til styring og en frakoblet, begivenhedsstyret integrationstekst bliver de vigtige aktiveringer.

Nøgleinvesteringer i teknologi (figur 6):

Teknologiinvesteringer er tematiske fokuseret på orkestrering af processer på en virksomhedsskala på tværs af mennesker, agenter og deterministiske systemer. Enterprise Orchestration Layer bliver et fokusområde for investeringer, hvilket kræver en hybrid arbejdsflowudførelsesmaskine til at koordinere aktiviteter og en processtyring og begrænsningssystem til at håndhæve forretningsregler og compliance-politikker på flyveprocesser, da agenter arbejder på tværs af domæner, ofte med forskellige politikker og semantiske definitioner. Denne tværdomæne-koordinering er kun mulig med et moden semantiklag med et Enterprise Knowledge Graph (EKG), der skaber en fælles forståelse af, hvordan forretningsenheder relaterer sig på tværs af domæner. Integrationslag skal udvikles til at omfatte et begivenhedsstyret integrationsvæv, der bruger en streaming-stregkern til at afkoble systemer og muliggøre den elastiske, asynkrone kommunikation, der er typisk for langvarige virksomhedsprocesser. I betragtning af den højere værdi af disse arbejdsflows og de tilhørende risici bliver yderligere investeringer i sikkerhed og overvågning overvejende (f.eks. AIOps, policy-as-code). Endelig skal der foretages yderligere investeringer i applikations- og servicelaget (som f.eks. AI-aktiveret LCNC, mere dynamiske og multimodale brugeroplevelser), da menneskelige brugere begynder at overvåge og samarbejde med mere dygtige AI-agenter.

Målingsniveau 4: Orkestrering med flere agenter, flere domæner

Forretningsmål og værdi: Omdesign og optimer forretningsdriften på tværs af domæner for at fremme trinvise ændringer i produktivitet og effektivitet. Denne fase flytter mod oprettelse af en holistisk digital simulering (digital twin) af virksomheden til kontinuerlig forbedring og strategisk planlægning på tværs af større forretningsprocesser og arbejdsflows.

Arkitektonisk fokus: Den endelige fase fokuserer på aktivering af dynamisk, emergent samarbejde mellem agenter. Dette kræver avancerede agent-til-agent-kommunikationsprotokoller (A2A), agent-selvlæringsfunktioner, yderligere investering i at modne orkestrerings-, data- og semantiske lag og fuldt dynamisk og selvhjælpende infrastruktur til at understøtte de voksende behov for dynamiske AI-arbejdsbelastninger, efterhånden som agenter er blevet skaleret ud på tværs af virksomheden.

Nøgleinvesteringer i teknologi (figur 7):

Tematiske investeringer fokuserer på oprettelse af et selvforbedrende, autonomt system. I det agentlag giver en agent selvrefleksions- og tilpasningsramme en mekanisme til, at en agent kan analysere sine egne præstationslogfiler og udløse forbedringer. Denne læring understøttes af IT Operations and Observability Layer, som implementerer en lukket læringsfeedbackknap til automatisk at sende observationsdata tilbage til MLOps-pipelines til modeltræning, som også kan udnytte syntetisk datagenerering for yderligere at optimere modelydeevnen. Med netværk af agenter, der er blevet implementeret på tværs af afdelingerne sammen med igangværende indsats for modularisering af applikationer, bliver yderligere investeringer i sikkerhed og afgørende en komponerbar kapacitetskatalog nødvendig for agenter til dynamisk at komponere kapaciteter for at løse mere abstrakte og opgaver af højere værdi. Disse processer er alle orkestreret og optimeret via en ny Digital Twin Process Modeling-funktion, som bruger realtidsdata til at oprette simuleringer til "hvad hvis"-analyse og forudsigende optimering, hvilket giver virksomheden mulighed for sikkert at teste og implementere nye agentiske implementeringer.

Konklusion

Oversigten til et agentfirma kører gennem en IT-arkitekturaludvikling. Virksomhedsarkitekter vil være de afgørende drivkræfter for denne transformation og fremme de vigtige investeringsbeslutninger sammen med andre partnere i forretningen og it, der er nødvendige for, at organisationen kan realisere værdien fra de nye forretningsfunktioner i agentvirksomheden.