Semasa kami membina dan mengoptimumkan sistem logistik dengan agen AI di AINNA, satu pengajaran menjadi semakin jelas: jangan mulakan dengan penuh arahan terperinci tentang cara tugas perlu dilaksanakan. Mulakan dengan meminta agen itu memberitahu apa yang ia lihat dalam persekitaran operasi. Kebanyakan masa, kami sudah tahu hasil atau KPI yang dikehendaki, tetapi apabila kita memberi arahan terlalu terperinci terlalu awal, kita sebenarnya mengunci agen AI kepada cara berfikir dan kaedah sedia ada. Hasilnya mungkin sama, tetapi prosesnya boleh menjadi kaku, kompleks, atau kurang cekap.
Saya kini lebih suka memulakan dengan permintaan ringkas: “Berikan gambaran keseluruhan apa yang anda lihat, apa yang tidak optimum, dan apa cadangan anda.” Baru selepas itu saya memutuskan perkara mana perlu dilaksanakan. Perubahan ini mengalih peranan agen AI daripada sekadar pengikut arahan kepada rakan pembangunan penyelesaian masalah. Ia mungkin mengenal pasti langkah berlebihan, proses tindan, peluang pengautomasian yang lebih baik, arkitektur yang lebih efisien, risiko operasi yang terlepas pandang, atau cara yang lebih ringkas untuk mencapai hasil yang sama.
Aliran kerja yang saya gunakan dengan lebih kerap adalah mudah: perhatikan, diagnosis, cadangkan, cabar, dan laksanakan. Pertama, biarkan agen AI memahami persekitaran sistem. Kemudian biarkan ia mengenal pasti ketidakefisienan, mencadangkan penambahbaikan, mencabar pendekatan sedia ada, dan hanya setelah itu melaksanakan.
Antara kesilapan besar dalam penggunaan agen AI ialah menganggap prompting yang lebih baik bermaksud memberi lebih banyak arahan. Kadang-kadang, prompting yang lebih baik bermaksud memberi agen kebebasan mencari laluan yang lebih baik. Objektif mesti kekal jelas, tetapi kaedah tidak semestinya perlu datang daripada kita.
Di situlah agen AI menjadi benar-benar berguna-bukan sekadar mengautomasikan kerja, tetapi membantu mereka semula cara kerja sepatutnya dilakukan.
#AI #AIAgents #AgenticAI #Automation #DigitalTransformation #AIProductivity #BusinessStrategy #NeuralOps
