Modello 6: funzionalità basate sull'IA

Progettare nuove funzionalità con gli agenti come blocchi predefiniti di base, non adattarli ai flussi di lavoro esistenti. Queste funzionalità non erano possibili prima dell'IA. Migliorano nel tempo attraverso feedback, apprendimento e ottimizzazione continua.

In questo modello, gli agenti operano in cicli di percezione-decisione-azione: monitorano continuamente i segnali, prendono decisioni autonome entro determinati limiti, eseguono azioni e apprendono dai risultati. Questi sistemi non sono assistenti. Sono sistemi intelligenti che creano un nuovo valore aziendale.

Che cos'è questo modello

Le funzionalità aziendali basate innanzitutto sull'IA partono da una domanda che gli altri approcci non pongono mai: che cosa potremmo fare che prima semplicemente non potevamo fare? La risposta non è una versione più veloce del lavoro di oggi. Si tratta di una nuova funzionalità, spesso un ciclo autonomo che rileva una situazione, decide e agisce e che si migliora nel tempo. Gli agenti sono gli elementi costitutivi della funzionalità, non un miglioramento aggiunto a posteriori a un flusso esistente.

Questo schema è l'espressione più profonda del versante execute del passaggio da assist a execute. Perché non c'è un precedente, è necessario inventare il design, le guardiere e le misure.

Cosa fanno gli agenti

Gli agenti in questo modello si spostano oltre l'esecuzione di flussi di lavoro definiti per operare in modo autonomo:

• Motori di ottimizzazione continua: prezzi, inventario, pianificazione.
• Cicli decisionali nativi dell'intelligenza artificiale: rilevamento delle frodi, risposta alle anomalie, routing adattivo.
• Piattaforme di rilevamento del mercato: monitoraggio competitivo, analisi delle tendenze, identificazione delle opportunità.
• Sistemi di pianificazione predittiva: previsione della domanda, pianificazione della capacità, modellazione dei rischi.
• Generazione di flussi di lavoro autonomi: agenti che progettano e ottimizzano i propri processi.
• Orchestrazione multi-agente: team coordinati di agenti specializzati che risolvono problemi complessi.

Queste funzionalità creano valore che non poteva esistere senza intelligenza artificiale. Non sono versioni più veloci dei processi esistenti. Sono davvero nuovi.

Cosa fanno gli esseri umani

Gli esseri umani agiscono come proprietari di prodotti. Definiscono obiettivi, impostano limiti, monitorano i risultati e prendere decisioni strategiche sull'evoluzione delle capacità. Non fanno il lavoro. Invece, governano il sistema che lo fa.

Questa trasformazione del ruolo è la più significativa di qualsiasi modello. Gli esseri umani responsabili sono responsabili dei risultati anche se non eseguono il lavoro stesso. ovvero:

• Definire i criteri di successo e le metriche dei risultati per i sistemi autonomi.
• Definite i confini entro cui operano gli agenti (e modificateli man mano che aumenta la fiducia).
• Monitorare i cicli di apprendimento per garantire che le funzionalità migliorino nella giusta direzione.
• Prendere decisioni strategiche su quando espandere l'autonomia dell'agente.
• Gestire le procedure di IA responsabili man mano che le funzionalità diventano più sofisticate.

Funzionamento del modello operativo

La distribuzione corretta di questo modello richiede modifiche in quattro dimensioni:

Profilo di maturità di destinazione

Questo modello richiede la maturità massima per tutti e cinque i driver di funzionalità. Non ci sono scorciatoie.

Profilo di maturità

Informazioni dettagliate chiave: questo modello richiede la maggiore maturità per tutte le funzionalità. Non esiste alcun processo con cui fare un confronto, nessun riferimento rispetto a cui misurare i miglioramenti e nessun flusso di lavoro esistente che possa orientare la progettazione. Tutto deve essere costruito, compreso il modo in cui si misura il successo.

Scale-breaker: tecnologia e dati, in particolare l'orchestrazione multi-agente, i dati di telemetria in tempo reale e l'infrastruttura di apprendimento. Senza una solida base tecnica, le capacità autonome diventano imprevedibili e ingovernabili.

Struttura centro di eccellenza consigliata: federata

Le funzionalità ai-first sono di proprietà di prodotti, si estendono su più domini e richiedono team di prodotti distribuiti che operano all'interno di standard condivisi. Il CoE fornisce modelli di architettura, framework di intelligenza artificiale responsabili e standard di orchestrazione. Non viene fornito a livello centrale.

Scopri di più su struttura, ruoli e governance basata sui livelli di rischio in Creare un Centro di eccellenza per agenti.

Ciò di cui hai bisogno e non hai bisogno

È necessario:

• Proprietà del prodotto con team dedicati: ogni funzionalità richiede un proprietario del prodotto e un team con il mandato, le competenze e la continuità per svilupparlo nel tempo. Questo sviluppo non è un progetto che termina.
• Limiti di autonomia con monitoraggio continuo: Definite limiti chiari che si adattano man mano che aumenta la fiducia. Inizia in modo prudente ed espandi in base alle evidenze.
• Cicli di apprendimento continuo: la funzionalità migliora ogni interazione. Progettare per imparare dall'inizio perché è molto più difficile aggiungerlo in un secondo momento.
• Procedure di IA responsabili incorporate: l'etica e la sicurezza devono essere integrate nell'architettura, non eseguite dopo la distribuzione. Questo approccio include test di distorsione, valutazione dell'equità e progettazione della spiegazione.
• Cultura della sperimentazione con controlli non sicuri: Teams deve disporre dell'autorizzazione per provare nuovi approcci e cancellare le reti di sicurezza quando si verificano problemi. Le culture che puniscono gli errori non possono creare sistemi di apprendimento.
• Architettura multi-agente: se la funzionalità prevede agenti coordinati, progettare il coordinamento da agente a agente fin dall'inizio. L'adeguamento a un'architettura multi-agente è costoso.

Non è necessario:

• Automazione incrementale: questo modello non consente di velocizzare i processi esistenti 10%.
• Distribuzione IT centrale: queste funzionalità richiedono team di prodotti dedicati con competenze di dominio.
• Adattamento di flussi di lavoro esistenti: progettare da zero per l'esecuzione nativa dell'intelligenza artificiale. I vincoli del flusso di lavoro legacy limitano ciò che è possibile.
• Compilazioni monouso: queste funzionalità devono apprendere e migliorare continuamente. Una funzionalità che non apprende degrada nel tempo.
• Gestione dei progetti tradizionale: usare la gestione dei prodotti con cicli di esperimento. Le attività cardine e i risultati finali rappresentano il modello di governance errato per i sistemi di apprendimento.

Intelligenza artificiale responsabile su larga scala

Le funzionalità ai-first rappresentano la frontiera del funzionamento autonomo dell'IA. Le procedure di IA responsabili sono particolarmente critiche perché:

• Gli agenti operano con un'elevata autonomia e una supervisione umana limitata in tempo reale.
• Gli errori possono propagarsi alla velocità della macchina prima che gli esseri umani possano intervenire.
• I sistemi di apprendimento possono sviluppare comportamenti imprevisti durante l'ottimizzazione.
• La scala dell'impatto, sia positiva che negativa, è maggiore di qualsiasi altro modello.

Creare un'intelligenza artificiale responsabile nell'architettura dal primo giorno:

• Spiegazione: è possibile capire perché il sistema ha preso una decisione specifica? In caso contrario, non è possibile rilevare o correggere la deriva.
• Monitoraggio delle distorsioni: valutare continuamente se l'apprendimento rafforza le distorsioni o crea risultati inequitabili.
• Funzionalità di rollback: è possibile ripristinare uno stato precedente se si verifica un errore in un aggiornamento di apprendimento?
• Intervento umano: anche nei sistemi completamente autonomi, stabilire le condizioni in cui una persona può intervenire e come tale intervento viene attuato.

Per altre informazioni, vedere Applicare i principi di IA responsabili.

Metriche di valore e successo

Il valore qui è l'esistenza di una funzionalità che non esisteva prima e i nuovi risultati creati. Condurre con misure di creazione di valore ed esistenza, non percentuali di efficienza, perché non esiste una baseline precedente per migliorare.

Che aspetto ha il valore

• Nuove funzionalità che non erano possibili prima dell'IA.
• Nuovi modelli di ricavi, servizi o business.
• Risposta autonoma a una velocità e su una scala che nessun processo manuale potrebbe raggiungere.
• Un vantaggio composto man mano che la capacità apprende e migliora.

Metriche di successo da monitorare

Come misurare

• Le valutazioni di Microsoft Foundry e l’osservabilità tracciano il comportamento dell’agente e valutano qualità e sicurezza, un aspetto particolarmente importante quando non esiste un parametro di riferimento.
• Definire la misura del successo in anticipo perché la funzionalità non ha precedenti. Definisci cosa significa "bene" prima di lanciare.
• Microsoft Agent 365 governa e misura l'ecosistema autonomo, inclusa l'individuazione delle identità e degli agenti ombra.

Anti-pattern comuni

Gli errori in quest'area provengono dal trattamento del lavoro di frontiera come un progetto normale.

Storie dei clienti

Queste storie pubblicate di clienti Microsoft mostrano conoscenze specialistiche ampliate su larga scala con agenti basati su fonti e corredati di citazioni, mentre le persone mantengono la responsabilità.

Funzionalità agentiche di Microsoft per questo schema

Gli esempi seguenti evidenziano le funzionalità particolarmente rilevanti per le funzionalità incentrate sull’IA. Usare questi esempi come punto di partenza per la corrispondenza delle funzionalità per gli scenari e i segmenti di utenti e quindi esplorare l'ecosistema agente di Microsoft per l'immagine completa.

Sviluppare la capacità

• Orchestrazione multi-agente di Copilot Studio coordina agenti specializzati in scenari low-code.
• I toolkit pro-code, tra cui Foundry SDK e Kernel semantico, offrono ai team di progettazione il controllo completo.
• Bring Your Own Model for prompts in Copilot Studio consente di instradare nodi di prompt specifici a un modello di propria scelta, inclusi modelli distribuiti o ottimizzati in modo personalizzato, anziché usare l'impostazione predefinita della piattaforma. Usare questa funzionalità quando un passaggio del flusso di lavoro richiede un modello ottimizzato per un'attività, un dominio o un profilo di costo specifico che il modello predefinito non soddisfa.
• Microsoft Foundry e il Microsoft Foundry Agent Service creano e ospitano agenti personalizzati con codice.

Metti a terra, collega e osserva

• Azure AI Search e l'ancoraggio recuperano il contesto attuale affinché gli agenti possano ragionare in base allo stato in tempo reale.
• Il protocollo di contesto del modello e l'interoperabilità da agente a agente consentono agli agenti e agli strumenti di lavorare insieme in un ecosistema aperto.
• Microsoft Entra Agent ID fornisce a ogni agente un'identità per l'accesso con privilegi minimi.
• Le valutazioni di Microsoft Foundry e l'osservabilità tracciano, valutano e verificano la sicurezza del sistema. Alcune di queste funzionalità sono in evoluzione tra l'anteprima e la disponibilità generale, quindi verifica lo stato.
• Microsoft Agent 365 gestisce l'infrastruttura man mano che il numero di agenti aumenta.

Valutare e testare prima di spedire

A questo livello di autonomia e complessità, la valutazione continua è una disciplina di ingegneria di base, non un elenco di controllo preliminare.

• La valutazione dell'agente in Copilot Studio esegue valutazioni strutturate che valutano le risposte tra dimensioni di qualità, ad esempio accuratezza, base e completamento delle attività. Usarlo per convalidare il comportamento dell'agente nell'intera gamma di input, inclusi i case perimetrali e gli scenari antagonisti, prima e dopo ogni modifica.
• Copilot Agent Kit (in precedenza noto come Copilot Studio Kit) estende la copertura dei test con test in blocco, esecuzioni di regressione automatizzate e un dashboard di assegnazione dei punteggi. Per i sistemi basati innanzitutto sull’IA che migliorano nel tempo, evidenze di valutazione ripetibili e verificabili sono essenziali per mantenere la fiducia man mano che la capacità evolve.

Come sapere che sei pronto

Questo modello è destinato alle organizzazioni che operano al massimo livello di maturità. Consideralo quando:

• Sono disponibili team avanzati che possono progettare, eseguire e migliorare sistemi autonomi.
• La base tecnica è l'orchestrazione multi-agente, i dati di telemetria in tempo reale e un ciclo di apprendimento.
• Puoi definire paletti e criteri di successo laddove non esistono.
• È possibile gestire un ambiente autonomo con identità gestite e conformità continua.
• Stai già eseguendo bene diversi degli altri pattern.

Passaggi successivi

Oppure esplora il modello completo di maturità per l'adozione dell'intelligenza artificiale agentica.

Esplorare altri modelli in modo più dettagliato:

• Modello di abilitazione dell'intelligenza artificiale dei dipendenti
• Modello di responsabilizzazione degli esperti aziendali
• Modello di servizi IT e dell'area di lavoro
• Modello di trasformazione del processo aziendale principale
• Modello di coinvolgimento esterno

Informazioni correlate

• Progettare soluzioni degli agenti: principi e modelli
• Hub degli agenti: inizia qui per l'informatica agentica in Microsoft
• Agenti per Microsoft 365 Copilot
• Perché un'azienda necessita di Agent 365?
• Catalogo modelli Azure AI Foundry
• Strumenti di sviluppo e integrazioni di Microsoft Foundry