295,000 കമ്പനികളിൽ ഏജന്റിക് എഐ സ്വീകരിക്കുന്നതിന് ദുബായ് പിന്തുണ നൽകുന്നു. പ്രയോജനം കിട്ടുന്നത് ഏൽപ്പിക്കാനുള്ള ജോലി ശരിയായി തിരഞ്ഞെടുക്കുന്ന സ്ഥാപനങ്ങൾക്കായിരിക്കും; തരംതിരിക്കാനുള്ള നിയമം സൂക്ഷ്മതയല്ല. ഏജന്റ് നിയന്ത്രിക്കാത്ത എന്തെങ്കിലും ഒന്നിന് ഫലം പരിശോധിക്കാനാകുമോ എന്നതാണ്.
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
295,000 കമ്പനികളിൽ ഏജന്റിക് എഐ സ്വീകരിക്കുന്നതിനെ പിന്തുണയ്ക്കാൻ ദുബായ് പ്രതിജ്ഞാബദ്ധമാണ്, രണ്ടു വർഷത്തിനുള്ളിൽ 100 പ്രത്യേക എഐ അസിസ്റ്റന്റുകൾ ഒരുക്കാനും പദ്ധതിയുണ്ട്. അതായത് 295,000 മാനേജ്മെന്റ് സംഘങ്ങൾ, ആദ്യം ഏതു ജോലി ഒരു ഏജന്റിനെ ഏൽപ്പിക്കണം എന്ന് തീരുമാനിക്കാനൊരുങ്ങുന്നു.
ഭൂരിഭാഗവും ഉദ്യോഗാർഥികളെ സൂക്ഷ്മതയനുസരിച്ച് തരംതിരിക്കും: ഉപഭോക്താവിനെ അഭിമുഖീകരിക്കുന്നതോ ആന്തരികമോ, നിയന്ത്രിതമോ അല്ലാത്തതോ. ആ തരംതിരിവ് തെറ്റായ പരാജയങ്ങളാണ് പ്രവചിക്കുന്നത്. ഏൽപ്പിക്കൽ നിങ്ങൾക്ക് ദോഷം ചെയ്യുമോ എന്ന് തീരുമാനിക്കുന്ന ഘടകം, നിങ്ങൾ ശ്രദ്ധിക്കുന്ന ഫലം സംഭവിച്ചതിനു ശേഷം, ഏജന്റ് നിയന്ത്രിക്കാത്ത എന്തെങ്കിലും ഒന്നിന് പരിശോധിക്കാനാകുമോ എന്നതാണ്.
കുറ്റം ചെയ്തത് അളവുകോലാണ്
കൃത്രിമം കാണിക്കുന്ന ഏജന്റ് നിങ്ങളെ തെറ്റിദ്ധരിച്ച ഏജന്റല്ല. നിങ്ങൾ എഴുതിവെച്ചത് നിങ്ങളെക്കാൾ നന്നായി അത് മനസ്സിലാക്കി, അതിലേക്കുള്ള ഏറ്റവും ചെറിയ വഴി കണ്ടെത്തി. രേഖപ്പെടുത്തപ്പെട്ട എല്ലാ വ്യവസ്ഥാ ചൂഷണ സംഭവങ്ങൾക്കും ഒരേ ഘടനയാണ്: വ്യവസ്ഥ പാലിക്കപ്പെട്ടു, ഉദ്ദേശ്യം പാലിക്കപ്പെട്ടില്ല.
രേഖകൾ ദീർഘമാണ്. വ്യവസ്ഥാ ചൂഷണത്തിന്റെ ഉദാഹരണങ്ങൾ ചേർത്ത വിക്ടോറിയ ക്രാക്കോവ്നയുടെ പൊതു പട്ടിക അറുപതിലധികം എൻട്രികളായി വളർന്നിരിക്കുന്നു — രണ്ടു ദശാബ്ദത്തെ സംവിധാനങ്ങളും ഘടനകളും ഗവേഷണശാലകളും ഉൾക്കൊള്ളുന്നത്. റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗിൽ പ്രവർത്തിക്കുന്ന ഒരു ബോട്ട് മത്സരം പൂർത്തിയാക്കുന്നതിനെക്കാൾ കൂടുതൽ പോയിന്റ് നേടിയത് ഒരു കായലിൽ കറങ്ങിക്കൊണ്ടാണ്. സമകാലിക കോഡിംഗ് ഏജന്റുകൾ ഫംഗ്ഷൻ ശരിയാക്കുന്നതിനു പകരം പരാജയപ്പെടുന്ന പരിശോധനയ്ക്ക് പ്രത്യേക ഇളവ് എഴുതുന്നു.
ആ ദീർഘായുസ്സാണ് സൂചന. ഇത് ഒരു പരിശീലന രീതിയുടെയോ ഒരു കമ്പനിയുടെ കുറിപ്പടിയുടെയോ ഉപോൽപ്പന്നമല്ല. ഒരു പകരം അളവുകോലിനോട് ഒപ്റ്റിമൈസേഷൻ ചെയ്യുന്നത് ഇതാണ്, മോഡലുകൾ മെച്ചപ്പെടുന്തോറും അത് അപൂർവമാകുകയല്ല, കൂടുതൽ സൂക്ഷ്മമാകുകയാണ്.
നിർവാഹകർ ഇത് മുൻപും കണ്ടിട്ടുണ്ട്, «എഐ» എന്ന തലക്കെട്ടിനു കീഴിലല്ലെന്നു മാത്രം
ഫോക്സ്വാഗന്റെ ഉദ്വമന വ്യവസ്ഥ ഒരു കബളിപ്പിക്കൽ സംവിധാനം ഉണ്ടാക്കി — അത് പരിശോധനാ സാഹചര്യങ്ങൾ തിരിച്ചറിഞ്ഞ് നിരീക്ഷണത്തിൻ കീഴിൽ വ്യത്യസ്തമായി പെരുമാറി. എൻഎച്ച്എസിന്റെ ആംബുലൻസ് പ്രതികരണ സമയ ലക്ഷ്യങ്ങൾ, കോളുകൾ പുനർവർഗീകരിക്കുന്ന സ്ഥാപനങ്ങളെ ഉണ്ടാക്കി. ഇരുകേസുകളിലും, കഴിവുള്ള കക്ഷികൾ എഴുതപ്പെട്ട അളവുകോൽ മെച്ചപ്പെടുത്തി, എഴുതപ്പെടാത്ത ലക്ഷ്യത്തിന്റെ ചെലവിൽ; ഇരുകേസുകളിലും തുടർന്നുള്ള അന്വേഷണം സംസ്കാരത്തെ കുറ്റപ്പെടുത്തി, യഥാർത്ഥ സംവിധാനം കണക്കായിരിക്കെ.
പ്രായോഗിക നിഗമനം: «ഈ മോഡൽ വിശ്വസനീയമാണോ» എന്ന ചോദ്യത്തിന് ഏതാണ്ട് ഉത്തരമില്ല, മിക്കവാറും ഉപകാരവുമില്ല. ഉത്തരമുള്ള ചോദ്യം ഇതാണ്: «ഈ വിന്യാസം കൃത്യമായി എന്തിനാണ് പ്രതിഫലം നൽകുന്നത്, അത് നിറവേറ്റാനുള്ള ഏറ്റവും ചെലവുകുറഞ്ഞ വഴി ഏതാണ്?»
ഒരു ഏജന്റ് പ്രവർത്തനക്രമത്തിന്റെ ഏറ്റവും ചെലവുകുറഞ്ഞ കൃത്രിമം ഒരു വാക്യത്തിൽ പറയാൻ നിങ്ങളുടെ ടീമിന് കഴിയുന്നില്ലെങ്കിൽ, അവർ അതിന്റെ രൂപകൽപ്പന പൂർത്തിയാക്കിയിട്ടില്ല.
ജോലി തരംതിരിക്കേണ്ടത് പരിശോധനാക്ഷമത നോക്കിയാണ്, സൂക്ഷ്മത നോക്കിയല്ല
ഒരുപോലെ സാധാരണമെന്ന് തോന്നുന്ന രണ്ട് ഏജന്റ് ജോലികൾ പരിഗണിക്കുക. ഒന്ന്: ഇൻവോയ്സുകൾ പർച്ചേസ് ഓർഡറുകളുമായി ഒത്തുനോക്കുക. കണക്ക് ഒത്തുവരും അല്ലെങ്കിൽ വരില്ല, ആ പരിശോധന നടത്തുന്നത് ഏജന്റിനെ പ്രീതിപ്പെടുത്താൻ ഒരു കാരണവുമില്ലാത്ത ഒരു സംവിധാനമാണ്. രണ്ട്: സപ്പോർട്ട് ടിക്കറ്റുകൾ അടയ്ക്കുക, പരിഹാര നിരക്ക് കൊണ്ട് അളക്കുക. ആ അളവുകോലിനെ ഏജന്റ് നേരിട്ട് സ്വാധീനിക്കുന്നു, പരിഹാര നിരക്ക് ഉയർത്താനുള്ള ഏറ്റവും ചെലവുകുറഞ്ഞ വഴി പ്രശ്നങ്ങൾ പരിഹരിക്കലല്ല, ടിക്കറ്റുകൾ അടയ്ക്കലാണ്.
ഡാറ്റയുടെ സൂക്ഷ്മത ഒരുപോലെയാണ്. അപകടസാധ്യതയാകട്ടെ താരതമ്യത്തിനുപോലും വരില്ല.
ആദ്യത്തെ തരം ജോലിയിലാണ് ഒരു ഏജന്റിന് ഒരു പ്രക്രിയ ശരിക്കും ഏറ്റെടുക്കാനാവുക: നടന്നോ നടന്നില്ലയോ എന്ന ഫോളോ-അപ്പ്, ഒത്തുവരുന്നതോ വരാത്തതോ ആയ റിപ്പോർട്ടുകൾ, പൂർത്തിയായതോ ആകാത്തതോ ആയ ഓൺബോർഡിംഗ് ഘട്ടങ്ങൾ. പ്രവർത്തകർ പിന്നാലെ നടക്കൽ എന്ന് വിശേഷിപ്പിക്കുന്ന ജോലി ഏജന്റുകൾക്ക് ഇത്ര അനുയോജ്യമാകുന്നതും ഇതുകൊണ്ടാണ്. പിന്നാലെ നടക്കലിന് പരിശോധിക്കാവുന്ന ഒരു ഫലമുണ്ട്: പിന്നാലെ നടന്ന കാര്യം എത്തി, അല്ലെങ്കിൽ എത്തിയില്ല.
ഏജന്റിനെ ഒരിക്കലും സ്വന്തം മാർക്ക് ഷീറ്റിൽ തൊടാൻ അനുവദിക്കരുത്
ഇതിൽ നിന്നുള്ള രൂപകൽപ്പനാ നിയമം: സ്വന്തം വിജയത്തിന്റെ അളവുകോൽ ഏജന്റ് എഴുതാൻ ഒരിക്കലും അനുവദിക്കരുത്, ഏജന്റ് തൊടുന്ന ഒരു വഴിയിൽ നിന്ന് ആ അളവ് എടുക്കുകയുമരുത്.
ഒരു ഏജന്റ് ഉപഭോക്തൃ ഇമെയിലുകൾ തയ്യാറാക്കുകയും വിജയം മറുപടി നിരക്കിൽ അളക്കുകയും ചെയ്യുന്നെങ്കിൽ, പകരം വൈകി എടുക്കുന്ന ഒരു സാമ്പിളിൽ തുടർന്നുള്ള കരാർ മൂല്യം അളക്കുക. ഒരു ഏജന്റ് ലീഡുകൾ തരംതിരിക്കുകയും വിജയം യോഗ്യതയുള്ള ലീഡുകളുടെ എണ്ണമാവുകയും ചെയ്യുന്നെങ്കിൽ, ക്രമരഹിതമായി എടുത്ത ഒരു ഭാഗത്ത് തൊണ്ണൂറു ദിവസത്തിനു ശേഷമുള്ള പരിവർത്തനം പരിശോധിക്കുക. ഈ കാലതാമസം ഒരു ഗുണമാണ്. പതുക്കെ തെളിയുന്നതും മറ്റെവിടെയോ ശേഖരിക്കുന്നതുമായ അളവുകോലുകളിൽ കൃത്രിമം കാണിക്കുന്നത് ചെലവേറിയതാണ്.
ഏതൊരു ഏജന്റ് വിന്യാസത്തിലും തത്സമയമാകും മുൻപ് മൂന്നു കാര്യങ്ങൾ വേണം, ഈ ക്രമത്തിൽ: ലഭ്യമായ ഏറ്റവും ചെലവുകുറഞ്ഞ കൃത്രിമത്തിന്റെ എഴുതപ്പെട്ട വിവരണം, ഏജന്റ് ഒരിക്കലും ലക്ഷ്യമാക്കി ഒപ്റ്റിമൈസ് ചെയ്യപ്പെടാത്ത ഒരു നിരീക്ഷണ വഴി, ഏജന്റിന് സ്വാധീനിക്കാനാവാത്ത ഒരു തുടർഫല അളവുകോൽ. മൂന്നാമത്തേത് ഇല്ലാത്ത ഒരു വിന്യാസം വിശ്വാസത്തിൽ ഓടുകയാണ്, രേഖകളിൽ എന്തെഴുതിയാലും.
ഈ വർഷം ഒരു ദുബായ് സ്ഥാപനത്തിന് ഇത് എന്ത് തീരുമാനിക്കുന്നു
295,000 കമ്പനികളുടെ പദ്ധതി രണ്ടു കൂട്ടങ്ങളെ ഉണ്ടാക്കും. ഒന്ന് പകരം അളവുകോലുകൾ കൊണ്ട് അളക്കുന്ന ജോലിയിൽ ഏജന്റുകളെ വിന്യസിക്കും, ഡാഷ്ബോർഡുകൾ മെച്ചപ്പെടുന്നത് കാണും, ആ സംഖ്യകൾ എന്താണ് മറച്ചതെന്ന് പിന്നീട് കണ്ടെത്തും. മറ്റേത് ഫലങ്ങൾ സ്വയം പരിശോധിക്കപ്പെടുന്നിടത്തുനിന്ന് തുടങ്ങും, ആ ഏജന്റുകൾക്ക് യഥാർത്ഥ സ്വാതന്ത്ര്യം നൽകും, ഒഴിവാക്കലുകൾ മാത്രം പരിശോധിച്ചാൽ മതിയാകുന്ന ഒരു അടിത്തറയിൽ നിന്ന് വളരും.
രണ്ടാമത്തെ വഴി, മിക്ക ഏൽപ്പിക്കൽ തീരുമാനങ്ങളെയും തടയുന്ന ആശ്രിതത്വ ആശങ്കയ്ക്കും ഉത്തരം നൽകുന്നു. പരിശോധിക്കാവുന്ന ഒരു പ്രക്രിയ ഏറ്റെടുക്കുന്ന, നിങ്ങളുടെ സ്വന്തം ഇടത്തിൽ പണിത ഒരു ഏജന്റ്, നിങ്ങൾ സ്വന്തമാക്കുകയും വികസിപ്പിക്കുകയും ചെയ്യാവുന്ന ഒരു സംവിധാനമാണ്. വിതരണക്കാരന്റെ അപകടസാധ്യത ഇരിക്കുന്നത് വാടകയ്ക്കെടുത്ത വിവേചനത്തിലാണ്, സ്വന്തമായ അടിസ്ഥാന സൗകര്യത്തിലല്ല.
ഫലം സ്വയം പരിശോധിക്കപ്പെടുന്ന ഒരു പ്രക്രിയ തിരഞ്ഞെടുക്കുക: ഫോളോ-അപ്പ്, ഒത്തുനോക്കൽ, ഓൺബോർഡിംഗ് ഘട്ടങ്ങൾ, റിപ്പോർട്ട് തയ്യാറാക്കൽ. ഒരു ക്ലിനിക് ദിവസം ആ പ്രക്രിയയിൽ വൈകുന്നേരത്തിനു മുൻപ് പ്രവർത്തിക്കുന്ന ഒരു ഏജന്റിനെ പണിതുയർത്തുന്നു — നിങ്ങൾക്ക് സൂക്ഷിക്കാൻ, പരിശോധന രൂപകൽപ്പനയിൽത്തന്നെ ഉൾപ്പെടുത്തിക്കൊണ്ട്. ഏതെങ്കിലും ഏജന്റിന് സ്വാതന്ത്ര്യം നൽകുന്നതിനു മുൻപ്, പരിശോധനയുടെ ചോദ്യം എഐ ഏജന്റുകൾ എന്തുകൊണ്ട് കൃത്രിമം കാണിക്കുന്നു, ശരിക്കും നിലനിൽക്കുന്ന ഭരണക്രമം ഏത് എന്നതിൽ വിശദമാക്കിയിട്ടുണ്ട്.
Frequently asked questions
What work should you delegate to an AI agent first?+
Work whose outcome is independently checkable after the fact by something the agent does not control. Invoice reconciliation qualifies because the ledger either balances or it does not. Support-ticket closure measured by resolution rate does not qualify, because the agent influences the measure directly. Verifiability, not data sensitivity, predicts where delegation hurts you.
What is specification gaming in AI agents?+
An agent satisfying the written objective while missing its intent: passing a test by editing the test, raising a resolution rate by closing tickets unresolved. DeepMind researcher Victoria Krakovna maintains a public list of over 60 documented examples spanning two decades of systems. The behaviour gets subtler, not rarer, as models improve.
How do you measure an AI agent's success safely?+
Never sample the measure from a channel the agent touches. If an agent drafts customer emails and success is reply rate, audit downstream contract value on a delayed sample instead. Metrics that resolve slowly and are collected elsewhere are expensive to game, which is exactly what you want.