Agentic Enterprise - IT-arkitekturen for den AI-drevne fremtiden | Agentforce | Grunnleggende

Dette dokumentet presenterer et synspunkt som beskriver IT-arkitekturen som virksomheter trenger i løpet av de neste 3-5 årene for å fullt ut fange opp verdien til en agentisk arbeidsstyrke. Det skisserer IT-transformasjonen som kreves for å støtte den store distribusjonen av AI-agenter. Målet er å gi en strategisk veiledning og referansearkitektur som hjelper CIO-er, CDO-er og IT-ledere med å planlegge reisen mot å bli et agentforetak.

Kraftige AI-modeller aktiverer opprettelse av en agentisk arbeidsstyrke som kan føle miljøet, tenke på data, ta autonome beslutninger, utføre oppgaver og samarbeide effektivt med arbeidere. Denne nye arbeidsstyrken lover en trinnvis endring i innovasjon, produktivitet og smidighet, og skaper verdi for aksjonærer og kunder. For å realisere denne visjonen må organisasjoner gjennomgå en forretnings- og IT-transformasjon for å bli Agentiske bedrifter.

I dag står de tradisjonelle virksomhetene overfor operasjonelle ineffektiviteter som skyldes informasjonssiloer, ansatte begravet i manuelt arbeid, ikke-justerte insentiver i organisasjonsstrukturer og uløste tilbakemeldingsløyfer mellom strategier og utfall. Disse problemene fører til ikke-optimale kundeopplevelser, ineffektive prosesser og manglende vekstmuligheter.

Agent Enterprise overvinner disse begrensningene ved å integrere en digital arbeidsstyrke av intelligente AI-agenter med menneskelige arbeidere. Med denne nye AI-forbedrede arbeidsstyrken kan en organisasjon fremme innovasjon for vekst, fremme operasjonell dyktighet og bygge opp virksomhetens motstandskraft med flere typer nye forretningskapasiteter.

Ny forretningskapasitet for å fremme innovasjon:

Forbedret menneskelig produktivitet: Med AI-agenters hastighet, skala og alltid-på-egenskap kan virksomheter automatisere gjentagende arbeid og frigi menneskelige arbeidere til å fokusere på høyere verdier og mer kreative oppgaver.
Forbedring av adaptiv funksjonalitet: Fordi AI-agenters resonnement kan observeres, kan de dynamisk lære og distribuere nye kvalifikasjoner, slik at virksomheten kontinuerlig kan forbedre ytelsen for å oppfylle forretningsmålene og raskt tilpasse seg nye markedsmuligheter.

Eksempel i handling – Innovere kundeopplevelsen innen finansielle tjenester: Et formuesforvaltningsfirma kan bruke en AI-agent til å gjenoppfinne sin klientengasjementsmodell. Agenten overvåker selvstendig porteføljer, identifiserer viktige øyeblikk for en klientgjennomgang og klargjør pre-call-planen for rådgiveren, og justerer planen etter hvert som nyheter dukker opp. Det gjør det mulig for rådgiveren å levere en proaktiv, personlig tilpasset kundeopplevelse i stor skala, styrke relasjoner og avdekke nye salgsmuligheter.

Ny forretningskapasitet for å beskytte og sikre organisasjonens motstandskraft:

Elastisk arbeidsstyrke: Virksomheter kan raskt skalere sin evne til å møte overskudd i arbeidsbelastningen fra endrede forretningsforhold, uten kostnadene og forsinkelsene med å øke en helt menneskelig arbeidsstyrke.
Prediktiv operativ fleksibilitet: AI-agentene kan forutse, modellere og redusere drifts-, samsvars- og sikkerhetsrisikoer i sanntid, slik at virksomheten opprettholder kunders og interessenters Trust.

Eksempel i handling – Beskyttelse av kundedata: Et stort firma kan distribuere en AI-datastyringsagent for å skanne det lovpålagte miljøet for endringer i datapersonvernforskrifter, oppdage og klassifisere sensitiv informasjon i bedriftsdatasett, og deretter bruke den riktige styringspolicyen. Agenten kan se gjennom forespørsler om datatilgang og rute unntak til en humananalytiker for gjennomgang, slik at samsvarsrisikoen reduseres samtidig som data kan brukes på en klarert måte.

Nye forretningsmuligheter som optimaliserer driftskvalitet:

Autonome prosessutførelse: En digital arbeidsstyrke kan utføre komplekse, flertrinnsoppgaver 24/7 med maskinhastighet (med mennesker i sløyfen), noe som reduserer kostnader og skalerer prosesser effektivt.
Transboundary Orchestration (Overgrenset orkestrering): AI-agenter kan arbeide på tvers av informasjons- og insentivsiloer som vanligvis begrenser menneskelige arbeidere, og fremme fleksibilitet for tverrfunksjonelle prosesser.

Eksempel i handling – Optimalisering av markedsføringstrakten innen detaljhandel: Et detaljmarkedsteam kan distribuere en AI-agent for å øke hastigheten på kampanjeprosessen som svar på nye forbrukertendenser. Agenten kan generere markedsføringsplaner, samarbeide med markedsførings-, produkt- og salgsteam for gjennomgang, og deretter automatisk opprette digitale sider og utføre på tvers av flere kanaler, og dynamisk justere kampanjen basert på tilbakemeldinger i sanntid.

IT-arkitekturen i virksomheten kan gjengis med en lagkonstruksjon. Lagene grupperer logisk relatert teknisk funksjonalitet og letter strukturert resonnement, men innebærer ikke nødvendigvis spesifikke implementeringer eller i hvilken grad et lag skal utformes monolittisk eller på en mer heterogen måte. I denne lagvisningen (figur 1) består den tradisjonelle IT-arkitekturen av fem hovedlag: Infrastruktur, Data, Integrasjon, Program og Opplevelse. To tverrlag, Sikkerhet og IT-operasjoner, spenner over disse lagene for å sikre styring, overvåking og beskyttelse.

Den tradisjonelle IT-arkitekturen ble utformet for et paradigme der virksomhetens intelligens befinner seg hos arbeidere som utfører handlinger i programmer for å få tilgang til data, bruke forretningslogikk, forenkle samarbeid og utføre arbeidsflyter. Den er ikke utformet for et paradigme der AI-agenter kan begrunde og iverksette tiltak for bestemte brukstilfeller som tidligere er utført av mennesker (eller ikke utført i det hele tatt), mens mennesker overvåker AI-agentene og fokuserer på mer kreative og tvetydige oppgaver.

Diagram over lag i tradisjonell IT-arkitektur

Tradisjonell arkitektur kan støtte distribusjoner i underskala av AI-agenter i dag, men den kan ikke levere hele forretningsfunksjonaliteten til Agent Enterprise som beskrevet ovenfor. For å realisere disse funksjonene kreves en IT-arkitektur utformet for omfattende distribusjon av kraftige AI-agenter som kan håndtere brede bruksområder i stedet for å være begrenset til begrensede distribusjoner rettet mot smale bruksområder.

AI-agenter vil fortsette å forbedre seg i løpet av de neste fem årene, og IT-arkitekturen må utvikles for å realisere verdien av mer kraftige og intelligente AI-agenter for å bli fremtidige bevis. Først vil agenter bli mer intelligente etter hvert som de underliggende AI-modellene (som flermodale LLM-er) og agentenes kognitive arkitekturer utvikler seg (for eksempel flertrinns planlegging, oppgavedekomponering og så videre). Deretter vil AI-agenter ha forbedret lærings- og tilpasningsegenskaper med forbedret minne, egenrefleksjonsfunksjoner og muligheten til å lære fra tilbakemeldinger. For det tredje vil AI-agenter ha større mulighet til å samhandle med andre agenter, verktøy og data, som bevist av det raskt utviklende økosystemet med standarder for åpen teknologi (for eksempel Modellkontekstprotokoll, Agent2Agent og så videre). Selv om disse tre teknologitrendene vil gjøre AI-agenter mer effektive når de utfører mer abstrakte og komplekse oppgaver, vil de også introdusere mange utfordringer for dagens IT-arkitektur.

Først baserer AI-agenter seg fundamentalt på AI-modeller, både internt utviklede og eksternt kildede, som utvikler seg raskt og krever avansert, delt og standardisert AI/ML-modellbehandling. I dag aktiveres AI-modeller for bestemte brukstilfeller i et program, ikke som delte funksjoner for gjenbruk med vanlige verktøy for opplæring, distribusjon, styring og risikobehandling. Fremover må virksomheter ha mulighet til å bruke forskjellige AI-modeller for ulike agentiske brukstilfeller som krever verktøy som gir agenter mulighet til å bytte ut underliggende modeller (for eksempel grunnmodell kontra domene-spesifikk mindre modell) basert på forretningskontekst. Dette krever behandling av internt utviklede eller driftede AI-modeller med forent livssyklusverktøy for å sikre konsistens, gjenbrukbarhet, skalerbarhet og effektivitet. På samme måte krever tilgang til eksternt driftede AI-modeller et foretaksomfattende kontrollrammeverk for å sikre optimal ytelse, sikkerhet, samsvar, tilgjengelighet og pålitelighet.

Deretter har AI-agenter distinkte skaleringsmønstre og driftskrav som hosting, utvikling, resonnement, læring, minnebehandling og operasjoner, som krever en egen og dedikert arkitektonisk grense for agenter. Å bygge inn denne funksjonaliteten direkte i dagens statiske og deterministiske programarkitektur vil føre til unødvendig arkitektonisk kompleksitet og risiko. I tillegg bør AI-agenter samhandle med eksisterende programmer via standardiserte grensesnitt eller meldingssystemer for interaksjon i sanntid.

For det tredje må AI-agenter kunne tenke over forskjellige datasett og samarbeide med hverandre, ofte på tvers av isolerte programstakk, men i dagens arkitektur er det ingen felles semantisk funksjonalitet for å gi en delt forståelse for at disse agentene skal tenke over forskjellige datasett. Resultatet er at selv om agentene med ett formål kan distribueres riktig, er det fortsatt vanskelig og risikabelt å skalere dem til å operere i store antall på komplekse, krysssilooppgaver.

Til slutt mangler den nåværende IT-arkitekturen for virksomheten en effektiv måte å orkestrere, optimalisere og styre ende-til-ende-forretningsprosesser som inkluderer de dynamiske arbeidsflytene som utføres av mer effektive agenter, som vil utvide og i noen tilfeller erstatte rollen som utføres av arbeidere i den prosessen. I dag brukes automatiseringsverktøy til å behandle lineære, deterministiske arbeidsflyter som vanligvis følger en forhåndsdefinert sekvens, dokumenteres på prosessspesifikke språk, og baseres på statisk logikk som sjelden endres. AI-teknologier kan forbedre noen av disse lineære prosessene (for eksempel bruke ML-modeller i stedet for hardkodede forretningsregler til å beregne terskler for godkjenning av lån), men de strategiske og utførelsesaspektene til de fleste av de kritiske forretningsprosessene forblir iboende dynamiske og fleksible. Oppgaver som å utvikle markedsføringsstrategier, løse komplekse kundeproblemer eller prospektere kunder, har klare mål (kundetilfredshet, hastighet på saksløsning og så videre), men følger ikke en fast, forhåndsdefinert utførelsessekvens.

For øyeblikket er tradisjonelle virksomheter hovedsakelig avhengige av at brukere koordinerer og utfører disse komplekse forretningsprosessene (som å angi strategi og administrere komplekse programmer). Etter hvert som AI-agenter fortsetter å utvikle seg (større intelligens, læring og interaksjonsegenskaper) i løpet av de neste 3-5 årene, vil deres evne til å utføre slike dynamiske prosesser selvstendig utvides betydelig, og innføre kompleksiteter og integrasjonsutfordringer som langt overskrider mulighetene til eksisterende integrasjons- og automatiseringsverktøy. Den tilpassede og dynamiske naturen til AI-agenter skaper et sterkt behov for nye orkestreringsfunksjoner for å sikre kontroll på bedriftsnivå, omfattende synlighet og konsistent tilpassing til organisasjonsomfattende strategiske mål, spesielt ved behandling av komplekse, lange og flertrinns arbeidsflyter som omfatter AI-agenter, personer, automatiseringsverktøy og andre deterministiske systemer.

IT-arkitekturen til Agentic Enterprise etablerer en plattform for intelligente handlinger ved å sømløst integrere menneskelige arbeidere, AI-agenter og deterministiske systemer. Denne arkitekturen gir både menneskelige og AI-agenter dynamisk tilgang til og utnytte forent Enterprise Knowledge fra ulike datakilder, beriket med semantisk kontekst for å effektivt utføre komplekse arbeidsflyter og prosesser i tråd med strategiske forretningsmål. Den eksisterende IT-arkitekturen for et sett isolerte plattformer og poengløsninger vil utvikle seg mot et sett med komponerbare programtjenester, semantiske og dataverktøy og nettverk av AI-agenter som overvåkes og styres av nye intelligente forretningsprosessorkestreringsverktøy.

Denne arkitekturen gir agenter mulighet til å føle, forklare og handle innenfor sine respektive omfang, arbeide innenfor og på tvers av forretningsdomener og kontinuerlig lære, forbedre og tilpasse seg. Dette krever en utforming fokusert på robuste mekanismer for tilgang til data og Knowledge (semantisk forståelse), fleksible og standardiserte kommunikasjonsprotokoller og grensesnitt (som agent til agent, agent til deterministiske systemer og agent til menneske) og kritisk, orkestrere arbeidsflyter og prosesser på tvers av agenter, mennesker, og automatiseringsverktøy og deterministiske systemer.

For å realisere den arkitektoniske visjonen for en plattform for intelligente handlinger anbefales disse designprinsippene som anbefalt fremgangsmåte:

Komponerbarhet og modularitet: Utform arkitektoniske elementer som modulære komponenter med standardiserte grensesnitt for å muliggjøre rask og dynamisk samling av agentfunksjoner, arbeidsflyter og frontvendte flater. Prioriter tydelige grensesnittkontrakter og abstraksjon for å gi AI-agenter størst mulig fleksibilitet ved utforming av arbeidsflyter.
Data og semantikk først: Sikre omfattende, nøyaktig, rask, sikker og kostnadseffektiv tilgang til data, med delt semantisk forståelse slik at agenter effektivt kan tenke på tvers av isolerte systemer. Dette krever at du behandler data (og metadata) som et produkt, med verktøy for å sikre kvalitet, linje, styring og tilgang, og en måte å gi semantisk forståelse som deles på tvers av agenter og personer på.
IT og forretningsobservasjon innebygd: Bygg inn endelige overvåkings-, sporings-, evaluerings- og forklaringsfunksjoner i hele arkitekturen for å få innsikt i agentenes resonnement, virkemåte, systeminteraksjoner og innvirkning på forretnings-KPI-er for å muliggjøre kontinuerlig optimalisering av agentenes ytelse. Dette inkluderer kostnadsoptimalisering (FinOps), bærekraftsmålinger og operasjonell telemetri samtidig som Trust, samsvar og ansvarlig ressursforbruk opprettholdes. I og med at AI-agenter i utgangspunktet ikke er deterministiske, er observabilitet avgjørende for å sikre at AI-agenter kan operere på en klarert, samsvarende og reviderbar måte med menneskelig tilsyn.
Trust-overall: Håndhev dynamiske, detaljerte tillatelser basert på hensikten med agentens oppgaver (datatilgang, handlinger og så videre), og implementer omfattende sikkerhetspraksis, inkludert red teaming, automatisk CVE-skanning, sårbarhetsdeteksjon og risikobaserte valideringskontroller. Mer detaljerte og dynamiske kontroller er nødvendig i og med risikoen for at agenter fører til risiko for gjennomgripende drift på grunn av deres mulighet til å operere ved maskinhastigheter. Forsikre deg om at alle AI-genererte utdata (fra agenter eller modeller) er nøye validert mot definerte policyer for samsvar, sikkerhet, toksisitet og systematiske avvik før bruk eller levering, noe som krever loggings- og forklaringsmekanismer med verifiserbare revisjonsspor for AI-beslutninger, -handlinger, -innhold og -forutsigelser.
Agent først med menneskelig overvåking: Gi AI-agenter mulighet til å være standardverktøyet for å løse forretningsbrukstilfeller uten å ta hensyn til andre punkter (for eksempel kostnader, teknisk egnethet) og utforme IT-systemer som skal være tilgjengelig for agentiske arbeidsflyter. Dette inkluderer muligheten for at personer kan overvåke, intervensjonere i og overstyre alle trinn i en agents prosess. Agenter krever egenrefleksjonsfunksjonalitet for å proaktivt søke menneskelig veiledning hvis deres tillit til beslutningstaking faller under forhåndsprogrammerte terskler.
Reaktiv og multimodal interaksjon: Aktiver arkitekturen til å støtte omfattende agentoppkall og -svarmekanismer på tvers av alle interaksjonstyper, inkludert agent-til-agent-protokoller, menneskelige multimodale inndata (tale, tekst, visuell), forretningshendelser, systemsignaler og strømmedata. Aktiver både hendelsesdrevet og sanntidsbehandlingsfunksjonalitet for å sikre at agenter kan reagere på et hvilket som helst sanntidssignal fra hvilken som helst kilde eller format.
AI-klar infrastruktur: Forsikre deg om at infrastrukturen kan skaleres elastisk med innebygd overflødighet for å håndtere svingende AI-arbeidsbelastninger, og integrere ML/LLM pipelines i data- og programarkitektur, samtidig som samsvar med krav til dataoppbevaring beholdes.
Åpen økosystem: Prioriter interoperabilitet og unngå teknologilåsing ved å favorisere åpne standarder, protokoller og veldefinerte grensesnitt (API-er, hendelser) for å dra nytte av teknologiekosystemet.

For å kunne aktivere og skalere den agentiske transformasjonen må virksomhetene gå utover å bare forbedre gjeldende lag. De må vurdere å eksplisitt introdusere fire ekstra arkitektoniske lag (figur 2) utformet spesielt for å dekke behovene til AI-agenter.

Agentlaget er dedikert til utvikling og styring av AI-agenter, som omfatter kognitive evner som planlegging, resonnement, minne, verktøyutnyttelse, tilstandsbehandling og livssykluskontroll. Dette laget tar hånd om de unike tekniske og operasjonelle kravene til AI-agenter, sikrer interoperabilitet på tvers av programmer og datalager gjennom standardiserte protokoller og letter agent-til-agent-samarbeid. Det eksisterende programlaget vil utvikles til programtjenester for å bli dynamisk satt sammen for agentiske arbeidsflyter.

Arkitekturlagdiagram som viser de 11 lagene i Agentic Enterprise

Det semantiske laget blir introdusert for å løse frakoblingen mellom rådata fra virksomheten og den semantiske forståelsen som AI-agenter trenger. Den koder og administrerer eksplisitt forretningsenheter, konsepter, definisjoner og relasjoner, og skaper en bedriftens ontologi og representasjon av forretnings Knowledge for å muliggjøre delt semantisk forståelse som driver mer komplekse arbeidsflyter for flere agenter som utfører oppgaver på høyere nivå. Ut over en datakatalog oversetter det semantiske laget en spørring med naturlig språk til presise spørringer mot bestemte datalager, harmoniserer resultatene og returnerer et kontekstuelt og rikere svar for agenten. Det eksisterende datalaget forener seg i mellomtiden via tilpassing av sentraliserte innsjøer samtidig som det utvider datatilgangen via en AI-klar datastruktur for å støtte driftsmodellprinsipper for datamasker.

AI/ML-laget sentraliserer styringen av bedriftens AI-funksjoner, inkludert store språkmodeller, store handlingsmodeller og domene-spesifikke ML-modeller, håndterer både internt utviklede AI-modeller gjennom hele livssyklusen og den kontrollerte tilgangen/bruken til eksterne AI-tjenester. Til forskjell fra tradisjonelle arkitekturer der AI-modeller er innebygd i programmer, etablerer dette laget AI-modeller som førsteklasses komponenter og delte tjenester i virksomheten. Den fokuserer på bedriftsstyrt AI-funksjonalitet (ikke AI-funksjonalitet fra eksterne leverandører). Dette laget gir intelligens for ulike agenter og andre AI-arbeidsbelastninger i virksomheten med standardiserte mekanismer for Trust, sikkerhet, samsvar og distribusjon.

Enterprise Orchestration Layer er den funksjonelle abstraksjonen for å koordinere, styre og optimalisere komplekse, flertrinns arbeidsflyter og forretningsprosesser som spenner over AI-agenter, mennesker, automatiseringsverktøy og deterministiske systemer. Dette laget benytter en blandet orkestreringsmodell som tillater at individuelle agenter og systemer selvstendig håndterer lokalt koreograferte oppgaver ved bruk av åpne protokoller som MCP og A2A, samtidig som de gir sentralisert overvåking og koordinering av hele prosessen. For å implementere den blandede orkestreringsmodellen representerer dette laget viktige forretningsprosesser i maskinlesbare semantisk rike formater som definerer både de deterministiske trinnene (modellert under utformingstid) og de dynamiske trinnene (besluttet av agenter under kjøretid) i en forretningsprosess, og skaper prosessmodellgrunnlaget for styring og optimalisering.

Tradisjonelt forblir betydelige deler av menneskedrevne forretningsprosesser udokumenterte eller utilgjengelige i maskinlesbare former. Den detaljerte observabiliteten til AI-agenters aktiviteter, inkludert rike data og metadata om oppgavene og handlingene deres, gjør det imidlertid mulig å fange opp, dokumentere og integrere dynamisk, tidligere ustrukturert arbeid med deterministiske lineære arbeidsflyter for å opprette omfattende prosessmodeller. Den detaljerte prosessdokumentasjonen fanger opp tidligere usynlige oppgaveinnbyrdes avhengigheter og utførelsesbaner, slik at virksomheten kontinuerlig kan optimalisere driftseffektiviteten, effektivt løse flaskehalser og systematisk kodifisere agentidentifiserte anbefalte fremgangsmåter til gjenbrukbare, organisasjonsomfattende spillebøker. Dette fører til en helhetlig digital tvilling av individuelle prosesser, og når den skaleres, hele virksomheten.

Komplekse prosesser som å utføre omfattende salgsstrategier eller introdusere nye ansatte, innebærer for eksempel mange gjensidig avhengige trinn der orkestreringslaget kan sikre passende nivåer av menneskelig engasjement (for eksempel håndtering av unntak), begrenset autonomi for AI-agenter og håndheve samsvar. Gjennom disse prosessene gir orkestreringssjiktet fra øverst til nederst forutsigbarhet og styring, sporer og evaluerer kontinuerlig viktige ytelsesindikatorer (KPI-er), sikrer transaksjonell integritet for arbeidsflyter og tilbakeføringslogikk og opprettholder synlighet i alle faser av arbeidsflyten for å sikre justering med overordnede forretningsmål. For å implementere denne funksjonaliteten bruker dette laget policyer, regler og sikkerhets- og styringslag (via policy-as-code) og forretningsmål og KPI-er lagret i det semantiske laget. Gitt den autonome og raske naturen til AI-drevne interaksjoner, risikerer bare å bruke en desentralisert koreografi strategiske feiljusteringer eller overtredelser av samsvar, spesielt i langvarige, flertrinns arbeidsflyter. Den blandede orkestreringsmetoden reduserer disse risikoene ved å bygge inn foretaksomfattende forretningsregler, samsvarskontroller og policykontroll direkte i komplekse arbeidsflyter, og integrerer personovervåking på kritiske tidspunkter.

Hvert av disse 11 lagene bidrar med spesifikk funksjonalitet til å distribuere AI-agenter i stor skala på en sikker, klarert og effektiv måte som låser opp det fulle potensialet til agentisk AI for å transformere hvordan arbeid utføres i en bedrift. Delen nedenfor beskriver sjiktets funksjon, nye endringer på grunn av økningen av AI-agenter og dens viktige teknologifunksjoner.

Funksjon: Opplevelseslaget fungerer som det primære grensesnittet for brukere, og aktiverer multimodal interaksjon ved å fange opp inndata (tekst, tale, visuell) og levere kontekstuelt relevante svar på tvers av flere enheter. Den sender sømløst brukerhensikter til agentlaget for handling, samtidig som den gir det dynamiske grensesnittet og visualiseringene som letter brukereskaleringer og godkjenninger i agentiske arbeidsflyter.

Hva er annerledes enn i dag: AI vil utvide tradisjonelle grafisk brukergrensesnittbaserte grensesnitt med behandling med naturlig språk, kontekstuell bevissthet og proaktiv beslutningsstøtte. AI-agenter vil kunne initiere interaksjoner proaktivt og levere tilpassede, sanntidsanbefalinger på tvers av alle kanaler og modaliteter.