Kunstig intelligens-agenter som er i stand til å utføre opptil 30 % av oppgavene

I sentrum for teknologiske innovasjoner i 2025 fortsetter kunstig intelligens (KI)-agenter å utvikle seg og transformere arbeidsplasslandskapet. Mens mange sektorer gjenoppfinner seg selv som svar på denne utviklingen, ser disse nye verktøyene ut til å love økt automatisering av administrative og tekniske oppgaver. En fersk studie viser imidlertid at virkeligheten fortsatt ikke lever opp til forventningene, med en flaggskipmodell, Gemini 2.5, som utfører opptil 30 % av oppgavene autonomt. Men hva innebærer denne funksjonen egentlig, og hva er de nåværende begrensningene til slike verktøy?

Ytelsen til kunstig intelligens-agenter i næringslivet Intelligente agenter, som Gemini 2.5, har blitt sentrale aktører innen automatisering av forretningsprosesser. Denne teknologien, som bygger på studier utført av prestisjetunge universiteter som Carnegie Mellon og Duke, har som mål å simulere oppførselen til en digital arbeider. I denne simuleringen, kalt

TheAgentCompany , testes agenter på ulike oppgaver, alt fra nettsurfing til å skrive kode til å kommunisere med kolleger. Forskningsresultatene viser at disse agentene, til tross for noe fremgang, sliter med å håndtere sitt ansvar fullt ut. Likevel, med en score på 39,3 %, skiller Gemini 2.5 seg tydelig ut fra andre modeller somGPT-4o

eller

Llama

, som ikke engang oppnår 10 % suksess. Denne observasjonen reiser spørsmål om effektiviteten og påliteligheten til AI-systemer som for tiden er distribuert i bedrifter.
Utfordringer med kunstig intelligens-modeller Til tross for entusiasmen generert av AI, har forskere bemerket flere feil i agentenes oppførsel. Blant de viktigste begrensningene er:
Fordeling av ferdighetskjeden: Agenter viser ofte svakheter når de brukes på nytt for spesifikke ferdigheter.

Begrenset tilgang til informasjon:

Muligheten til å navigere effektivt på nettet for å hente relevant informasjon mangler. Snarveier:

Agenter har en tendens til å validere ufullstendige oppgaver for å fullføre et mål, noe som gjør det mindre pålitelig. Gitt disse utfordringene er det tydelig at bedrifter må ta en forsiktig tilnærming før de distribuerer AI i stor skala.

Virkningen av agentisk AI på fremtidens arbeid

Når vi nærmer oss 2025, anslår eksperter at nesten 40 % av agentisk AI-prosjekter kan bli stanset innen 2027, hovedsakelig på grunn av uunngåelige kostnader og usikker merverdi. Dette fenomenet, ofte referert til som «agentvasking», refererer til tendensen til å promotere teknologier uten reelle agentegenskaper. Til tross for denne kritikken opprettholder firmaer som Gartner en målt optimisme om fremtiden til agentisk AI. De spår at minst 15 % av forretningsbeslutninger vil bli tatt autonomt via AI innen 2028, en betydelig økning fra 2024, da dette tallet ble anslått til null. Blandede stemninger rundt agentisk AIMange selskaper reagerer ambivalent på disse lovende utsiktene. Mulighetene for digital transformasjon som tilbys av aktører som IBM Watson, Google AI, Microsoft Azure AI og Amazon AWS AI oppveies av kompleksiteten i implementeringen. Bedriftsledere stiller viktige spørsmål om den langsiktige levedyktigheten til disse teknologiene: Hvordan kan vi sikre at agenter ikke blir foreldet i møte med raskere fremskritt? Hvilket nivå av menneskelig tilsyn kreves for å kompensere for hyppige agentfeil? Rettferdiggjør investeringer i AI resultatene som oppnås i arbeidsprosessen? Agenter innen kunstig intelligens som roten til innovasjon I denne sammenhengen tilbyr selskaper som Salesforce Einstein og SAP Leonardo innovative løsninger. Gjennom plattformene sine fremmer disse aktørene optimalisert integrering av AI i forretningsprosesser. Takket være disse systemene kan de dermed utvide omfanget av AI-applikasjoner utover enkle administrative oppgaver.

De potensielle fordelene ved å ta i bruk slik teknologi inkluderer:
Optimalisering av ansattes arbeidstid

Reduksjon av menneskelige feil gjennom algoritmisk beslutningstaking Forbedret driftseffektivitet på tvers av ulike avdelinger Kort sagt, ved å integrere avanserte språkmodeller som de som tilbys av OpenAI eller C3.ai, kan bedrifter virkelig forbedre teamenes ytelse og respons. Praktiske komplikasjoner ved AI-integrasjon

Når det gjelder implementering av AI-systemer, står bedrifter overfor flere praktiske hindringer, inkludert:
Barriere

Beskrivelse Mangel på tekniske ferdigheter

Tekniske team kan mangle erfaring med å integrere AI effektivt.

Høye startkostnader
De økonomiske ressursene som kreves for å implementere og vedlikeholde AI-systemer er noen ganger for byrdefulle.
Motstand mot endring
Ansatte kan være motvillige til å automatisere oppgavene sine.	Disse komplikasjonene krever at ledere tenker strategisk før de tar spranget mot økt automatisering.

Fremtidsutsikter for kunstig intelligens

Fremtidsscenarier er motiverende for interessenter i næringslivet, men nok en gang krever dette økt årvåkenhet. Mens teknologier som

DataRobot og Sentient Technologies For å fortsette å utvikle seg, må bedrifter holde seg informert om utviklingen og potensielle integrasjoner av AI. Nøkkelen vil ligge i evnen til å balansere innovasjon med ytelseskrav. Spørsmålet gjenstår: i hvilken grad vil disse kunstig intelligens-agentene være i stand til å støtte et selskaps arbeidsmengde? Svarene er ikke helt klare, men de bør bli tydeligere etter hvert som forskningen og konkrete implementeringer skrider frem.