Del via

Søyle 5: Teknologi og data

Teknologi og data gir grunnlaget for at agenter må operere pålitelig, sikkert og i stor skala.

Etter hvert som organisasjoner går fra små piloter til foretaksdistribusjon av agenter, blir ad hoc tekniske valg og fragmentert datatilgang raskt begrensende faktorer. Uten klar arkitektur, standarder og livssyklusadministrasjon er det vanskelig å styre AI-løsninger, vanskelig å betjene dem og risikabelt å skalere dem.

Denne søylen fokuserer på hvordan organisasjoner bygger de tekniske og datafundamentene som kreves for å støtte vedvarende AI-innføring fra utvikling og distribusjon til overvåking og kontinuerlig forbedring.

Bemerkning

Drifts- og livssyklusadministrasjon og ansvarlig kunstig intelligens og tillit er tverrgående funksjoner. For å støtte klarere modenhetsvurdering skiller denne modellen dem inn i distinkte søyler, selv om de er innebygd på tvers av sikkerhet, teknologi og prosesskjøring i praksis.

Hvorfor teknologi og data betyr noe for AI-agenter

Agenter er bare like effektive som teknologien og datafundamentene de er avhengige av. Svak integrering, inkonsekvent datatilgang eller skjøre arkitekturer begrenser hva agenter kan gjøre og hindrer dem i å fungere pålitelig på tvers av systemer.

For å fungere effektivt må agenter pålitelig:

  • Forstå arbeidsflytkontekst (prosesstilstand, avhengigheter og forretningsregler).
  • Hent riktig informasjon på riktig tidspunkt.
  • Utføre handlinger på tvers av systemer ved hjelp av sikre, revisjonsbare integrasjoner.

Uten sterk teknologi og datagrunnlag:

  • Agenter kan fortsatt være begrenset til spørsmål og svar eller enkelttrinnsoppgaver.
  • Hver ny agent blir en skreddersydd ingeniørinnsats.
  • Risiko, driftsoverliggende kostnader og inkonsekvens vokser raskere enn forretningsverdi.

Med modne fundamenter på plass, kan du gjenbruke, skrive og orkestrere agenter på tvers av prosesser. Teams kan fokusere på arbeidsflytutforming og verdi realisering i stedet for å gjenoppbygge vvs.

Slik ser høy modenhet ut

Ved høy modenhet opererer organisasjonen med en robust bedriftsnivå AI-plattform.

Kjennetegn inkluderer:

  • Standardisert agentarkitektur og plattformer. Agenter er bygget på godkjente plattformer ved hjelp av delte referansearkitekturer, maler og mønstre.
  • Administrert, automatisert livssyklus for utvikling. Utviklings-, test- og produksjonsmiljøseparasjon, kildekontroll, CI/CD, godkjenninger og tilbakerulling er standard for alle produksjonsagenter.
  • Sikker, styrt data- og integreringstilgang. Agenter bruker godkjente koblinger, administrerte identiteter og styrte datakilder, noe som eliminerer skyggetilgang og legitimasjonsspredning.
  • Eksplisitt beholdning av systemer og integreringer. Systemer, API-er og verktøy som agenter samhandler med, er registrert, eid og behandlet som delte arkitektoniske ressurser.
  • Komponenter som kan brukes på nytt. Vanlige handlinger, arbeidsflyter og integreringer bygges én gang og brukes på nytt for å aktivere flertrinns kjøring på tvers av systemet.
  • Innebygd observerbarhet og evaluering. Bruk, kvalitet, sikkerhet og ytelse registreres automatisk og gjennomgås kontinuerlig.

Ved høy modenhet oppdaterer du arkitekturstandarder etter hvert som nye agentmønstre dukker opp (for eksempel fleragentorkestrering). Forbundsteam bygger og distribuerer agenter raskt uten sentrale flaskehalser fordi rekkverk er innebygd av design.

Slik leser du modenhetstabellen

Tabellen viser hvordan teknologi- og datafunksjoner utvikler seg på tvers av fem forfallsnivåer.

Legg merke til for hvert nivå:

  • Tilstand av teknologi og data: Observerbare tekniske egenskaper.
  • Mulighet til å utvikle seg: Praktiske fokusområder som aktiverer neste fase.

Organisasjoner kan operere på ulike nivåer på tvers av plattformer eller domener. Bruk tabellen til å identifisere det dominerende mønsteret og prioritere forbedringer som fjerner skaleringsbetingelser.

Teknologi og forfallsdato for data

Nivå Tilstand av teknologi og data Mulighet til å gå videre
100: Første
  • Agentarbeid er utforskende og fragmentert.
  • Teams eksperimenterer med ledetekster eller lette agenter uten en definert teknologiplan.
  • Datatilgang er ad hoc, ofte begrenset til dokumenter i Microsoft 365 eller direkte systemsamtaler uten konsekvent hentingsstrategi.
  • Ingen klarhet i når du skal bruke SaaS-agenter kontra å bygge egendefinerte agenter, og ingen delt datagrunnlag for agenter å resonnere over.
  • Det finnes ingen konsekvente plattform-, ALM- eller integreringsstandarder.
  • Teams bygger agenter som isolerte konseptbevis uten standardarkitektur.
  • Løsningene er skjøre, udokumenterte og vanskelige å gjenbruke eller skalere.
  • Definer en opprinnelig teknologiplan.
  • Standardiser på et lite sett med godkjente plattformer. Agent Builder i Microsoft 365 Copilot er for eksempel standard for raske, kunnskapsbaserte agenter i Microsoft 365. Copilot Studio er standarden for agenter som krever arbeidsflyter, integreringer og bedriftslivssyklusadministrasjon.
  • Beholdning der relevante data bor, for eksempel i Microsoft 365 eller driftssystemer, og dokumenttilkoblingshull.
200: Gjentalige
  • Teams begynner å møtes på et lite sett med plattformer (for eksempel Agent Builder eller Copilot Studio), men valgene er inkonsekvente og drevet av teampreferanser i stedet for brukstilfeller.
  • Data er delvis forberedt: Microsoft 365-innhold er tilgjengelig, men strukturerte forretningsdata forblir siloed på tvers av systemer med begrensede koblinger godkjent eller tilgjengelig.
  • Agenter er avhengige av grunnleggende hentings- eller punktintegreringer, noe som begrenser pålitelighet og gjenbruk.
  • Skille mellom utviklings- og testmiljøer kan eksistere, men ALM og telemetri er inkonsekvente.
  • Versjonskontroll brukes inkonsekvent, og dokumentasjonen er lett.
  • Mønstre drives av individuell teamopplevelse i stedet for bedriftsveiledning.
  • Standardiser hvor du bygger agenter: Bruk Agent Builder eller Copilot Studio med vilje basert på omfang og kompleksitet.
  • Definer referansearkitekturer og integreringsmønstre.
  • Standardiser ALM-praksis og innføre grunnleggende telemetri.
  • Opprett standard løsningsmaler, godkjente koblinger og grunnleggende CI/CD-datasamlebånd for å fremme konsekvens og redusere omarbeiding.
300: Definert
  • Det finnes en dokumentert teknologiplan.
  • Organisasjonen skiller konsekvent mellom SaaS-agenter,Copilot Studio-agenter og mer avanserte byggbaner.
  • Dataarkitektur følger et tydelig mønster: Microsoft 365 for samarbeidsinnhold og Fabric OneLake for enhetlige forretningsdata.
  • Data organiseres ved hjelp av en medaljongarkitektur, slik at agenter kan få bakkesvar i validerte kilder.
  • Organisasjonen dokumenterer hvor kritiske data bor og hvordan agenter skal få tilgang til dem.
  • Standardplattformer, referansearkitekturer og integreringsmønstre defineres og brukes på nytt.
  • ALM-praksis er etablert for produksjonsagenter.
  • Teams bruker et strukturert designrammeverk for å planlegge utvikling av agenter.
  • Styrke skalerbarhet, sikkerhet og overholdelse.
  • Bygg inn overvåking, logging og evaluering i standardarkitekturen, og sørg for at datatilgangsmønstrene styres fullstendig.
  • Valider enkeltagent kontra behov for flere agenter gjennom strukturerte eksperimenter.
  • Utvid og sertifiser datasett for domener med høy verdi.
400: Kompatible
  • Teknologi og datafundamenter er foretaksklasse.
  • Det er tydelig synlighet i systemer, API-er og data som brukes på tvers av arbeidsflyter.
  • Tilgangsmønstre for sikker utforming, sentralisert telemetri og automatiserte evalueringer er standard.
  • Distribusjoner er automatiserte og pålitelige.
  • Sentralisert overvåking og telemetri gir synlighet i agentatferd og ytelse på tvers av organisasjonen.
  • Bruk Copilot Studio for prosessorienterte agenter og Microsoft Foundry for avanserte scenarioer der det er nødvendig.
  • Skifte fra sentral kjøring til forbundslevering.
  • Bygg inn rekkverk i plattformer, utvid selvbetjent trygt, og utvikle standarder for å støtte høyere autonomi og nye agentmønstre.
  • Evaluer nye funksjoner og mønstre, og inkorporer dem i standarder der de legger til verdi.
500: Effektiv
  • Teknologi- og datafundamenter utvikler seg kontinuerlig basert på telemetri og nye agentmønstre.
  • Arbeidsflytdatamodeller og -integreringer vedlikeholdes aktivt som delte virksomhetsressurser.
  • Forbundsteam bygger uavhengig, mens rekkverk håndhever kvalitet som standard.
  • Organisasjonen driver en moden, optimalisert AI-plattform.
  • Arkitektur støtter komplekse scenarioer med flere agenter og forbundsutvikling i stor skala.
  • Kontinuerlig forbedring av tekniske standarder er innebygd i driftsmodellen.
  • Opprettholde fortreffelighet gjennom kontinuerlig arkitektonisk gjennomgang, eksperimentering og kunnskapsdeling.
  • Invester i plattformutvikling for å holde deg i forkant av nye AI-mønstre og krav.

Vanlige antimønstre

Se etter disse tegnene på at teknologi- og datafundamenter kan begrense ai-agentens innføring.

Nivå 100 – Initial: «Demodrevet eksperimentering»

  • Teams bygger agenter helt i ledetekster uten reelle data eller handlingsintegrering. Denne tilnærmingen lager imponerende demoer som ikke klarer seg i reelle arbeidsflyter eller kanttilfeller.
  • Teams omgår riktige koblinger og styring for å «bare få det til å fungere», noe som skaper sikkerhets-, samsvars- og pålitelighetsrisikoer.
  • Agenter kjører fra personlige kontoer eller testmiljøer uten en klar eier, definert livssyklus eller vei til produksjon.
  • Teams fremmer eksperimentell kode eller konfigurasjoner direkte til produksjon uten ALM, testing eller tilbakerullingsplaner.

Nivå 200 – Repeterbar: «Hero engineering»

  • Teams implementerer uavhengig koblinger på nytt til de samme systemene, noe som fører til duplisering og inkonsekvens.
  • Bare noen få personer forstår hvordan systemer virkelig fungerer, og dokumentasjonen er sparsom eller utdatert.
  • Noen agenter har utviklings-, test- og produksjonsmiljøer. Andre gjør det ikke. Overføring til produksjon er manuell og feilutsatt.
  • Fremdriften avhenger av bestemte ingeniører i stedet for gjenbrukbare mønstre og delte tjenester.
  • Teams forstår noen dataavhengigheter, men ikke nok til å aktivere ende-til-ende-kjøring.

Nivå 300 – definert: «Prosess over aktivering»

  • Tunge arkitekturkrav gjelder for enkle agenter, noe som bremser leveringen og frustrerer teamene.
  • Referansearkitekturer og standarder finnes, men er ikke innebygd i maler eller verktøy.
  • Mønstre fungerer for piloter, men valideres ikke i stor skala, på tvers av domener eller under belastning.
  • En liten gruppe tar alle avgjørelser, som begrenser gjennomstrømming, forårsaker frustrasjon og får lagene til å løsne.

Nivå 400 – Kapabel: «Stabil, men treg»

  • Plattformene er solide, men bare noen få team kan bygge eller distribuere agenter.
  • Instrumentbord finnes, men innsikt driver ikke prioritering, forbedring eller pensjonsbeslutninger.
  • Teams begrenser agenter tett selv når data viser at de trygt kan gjøre mer.
  • Fokuset er på å justere eksisterende agenter i stedet for å aktivere nye mønstre eller funksjoner.

Nivå 500 – Effektiv: "Selvtilfreds modenhet"

  • Teams anser plattformer og standarder som komplette, til tross for raskt utviklende agentmønstre.
  • Rekkverk eksisterer, men oppdateres ikke, noe som fører til divergens og inkonsekvens over tid.
  • Teams avviser fleragentorkestrering, høyere autonomi eller nye utførelsesmønstre som «fremtidig arbeid».
  • Etter hvert som agenter blir mer kapable, oppdaterer ikke team kontroller og evalueringer i samme tempo.

Bruke denne søylen i praksis

Teknologi og data er muliggjørere.

Etter hvert som adopsjonen modnes:

  • Teknisk strenghet bør redusere friksjonen, ikke bremse teamene ned.
  • Standarder bør akselerere sikker eksperimentering og gjenbruk.
  • Plattformtelemetri bør informere styring, operasjoner og verdirealisering.

Sterke teknologi- og datastiftelser gjør det mulig for organisasjoner å skalere AI-agenter trygt fordi pålitelighet, sikkerhet og kontroll støtter innovasjon.

Neste trinn:

Deretter kan du utforske hvordan organisasjonsberedskap og kultur gjør det mulig for personer, roller og insentiver å støtte vedvarende, agent-første måter å arbeide på.

Søyle 6: Organisasjonsberedskap og kultur

  • Last updated on