ארטמיס של Kore.ai: פלטפורמת האייג׳נטים שמנסה להעביר בינה מלאכותית מארגונים מניסוי לייצור

הפלטפורמה Kore.ai Agent Platform {Artemis} מגיעה בדיוק לנקודה שבה הרבה ארגונים נתקעים עם בינה מלאכותית: כולם כבר ראו הדגמות מרשימות, חלק מהמחלקות בנו בוטים או אייג׳נטים פנימיים, אבל הדרך מהתנסות מקומית למערכת שמבצעת פעולות עסקיות אמיתיות עדיין מורכבת מאוד. מנקודת מבט של משתמש קצה ארגוני, הערך של ארטמיס אינו בכך שהיא עונה יפה לשאלות, אלא בכך שהיא מנסה להפוך את עבודת האייג׳נטים למשהו שאפשר לאשר, למדוד, לבקר ולשפר. בארגון גדול, אייג׳נט שמסכם מסמכים הוא נחמד, אבל אייג׳נט שפותח קריאת Jira, שולח הודעה ללקוח, בודק סטטוס תשלום או מפעיל תהליך פנימי כבר דורש בקרות, הרשאות, תיעוד והסלמה אנושית. כאן בדיוק Kore.ai מנסה למקם את ארטמיס כשכבת שליטה ארגונית.

המרכיב המעניין ביותר הוא Agent Blueprint Language, או ABL. לפי תיאור החברה, זו שפה דקלרטיבית ומהודרת להגדרת אייג׳נטים, תהליכי עבודה ומערכות מרובות אייג׳נטים. המשמעות המעשית, אם המימוש אכן עומד בהבטחה, היא מעבר מתכנון חופשי ומסוכן יחסית באמצעות פרומפטים בלבד למבנה שניתן לבדוק, לגרס, לאשר ולנטר. ארטמיס כוללת דפוסי תזמור כמו מפקח, האצלה, העברת טיפול, פיצול משימות, הסלמה ופדרציה בין אייג׳נטים. עבור משתמש עסקי זה יכול להתבטא באפשרות להגדיר תהליך שבו אייג׳נט קולט בקשה, אייג׳נט אחר בודק מדיניות, אייג׳נט נוסף מכין פעולה, ואדם מאשר לפני ביצוע. עבור צוותי IT ואבטחת מידע, היתרון הוא שהלוגיקה אינה קבורה רק בתשובת מודל שפה, אלא אמורה להיות חלק מתוכנית פעולה מוגדרת.

הרכיב Arch מוסיף שכבה נוספת: הוא מתואר כאדריכל אייג׳נטים שמסוגל לתרגם יעדים עסקיים ל-ABL מוכן לייצור, לתכנן טופולוגיה של אייג׳נטים ולשפר אותם לפי עקבות שימוש אמיתיים. זהו רעיון חזק במיוחד, משום שאחד החסמים הגדולים באימוץ אייג׳נטים הוא לא רק הטכנולוגיה, אלא תרגום של צורך עסקי לתהליך יציב. אם מנהל תפעול יכול לתאר תהליך כמו טיפול בבקשות עובדים, בדיקת חשבוניות או ניהול חריגות שירות, והמערכת מציעה מבנה אייג׳נטים עם כללי בקרה, נקודות אישור ותיעוד, זמן ההגעה לערך עשוי להתקצר משמעותית. לצד זאת, לא כדאי להתעלם מהשאלה האם Arch באמת מאפשר בנייה עצמאית לצוותים עסקיים, או שהוא בעיקר מאיץ עבודה של ארכיטקטים, מפתחים ושירותים מקצועיים.

נקודת החוזק הארגונית של ארטמיס היא ההתמקדות בממשל, תאימות ותצפיתיות. Kore.ai טוענת שכל החלטה, נתיב פעולה ותוצאה ניתנים לרישום, מעקב וניתוח בזמן אמת, ושכללי בקרה דטרמיניסטיים נאכפים מחוץ למודל. זו אבחנה חשובה: בארגון מפוקח לא מספיק שהמודל יסביר למה הוא פעל, צריך לדעת מי אישר, איזו מדיניות הופעלה, האם הייתה חריגה, ואיך משחזרים את האירוע בביקורת. עם פריסה ראשונית על Microsoft Azure, אינטגרציות רחבות ויכולת חיבור לערוצים דיגיטליים וקוליים, ארטמיס מתאימה במיוחד לארגונים שכבר חיים בסביבת Microsoft או מחפשים שכבת אייג׳נטים מעל מערכות כמו CRM, helpdesk, ERP ומאגרי ידע. החסרונות הצפויים הם מורכבות הטמעה, תמחור לא שקוף, תלות אפשרית ב-ABL, וחפיפה עם פלטפורמות שכבר קיימות בארגון כמו Microsoft Copilot Studio, Salesforce Agentforce או ServiceNow. לכן, ההמלצה היא לראות בארטמיס פתרון מבטיח לארגונים בוגרים, לא כלי מהיר לצוות קטן שמחפש אוטומציה פשוטה.

• Agent Blueprint Language: שפה דקלרטיבית להגדרת אייג׳נטים, תהליכי עבודה ומערכות מרובות אייג׳נטים.
• Arch, אדריכל אייג׳נטים מבוסס AI: רכיב שמטרתו לתרגם יעדים עסקיים למבנה אייג׳נטים ותהליכים מוכנים לייצור.
• Dual-Brain Architecture: שילוב בין חשיבה אייג׳נטית מבוססת מודל לבין זרימות עבודה דטרמיניסטיות שניתן לשלוט בהן.
• תזמור מרובה אייג׳נטים: תמיכה בדפוסים כמו פיקוח, האצלה, העברת טיפול, פיצול משימות והסלמה.
• ממשל ותצפיתיות: רישום החלטות, נתיבי פעולה, תוצאות ומדיניות לצורכי בקרה וביקורת.
• פריסה ארגונית גמישה: תמיכה מוצהרת בענן ציבורי, אזורים ריבוניים, ענן פרטי ופריסה מקומית.
• אינטגרציות רחבות: תמיכה מוצהרת ביותר מ-300 אינטגרציות וביותר מ-40 ערוצי קול ודיגיטל.

• מיקוד נכון בבעיה האמיתית: לא עוד צ׳אטבוט, אלא ניסיון לבנות שכבת תפעול לאייג׳נטים בארגון.
• חשיבה עמוקה על ממשל ובקרה: תיעוד, עקיבות, מדיניות והרשאות נמצאים בלב ההצעה.
• גישה טובה לארגונים גדולים: התמיכה בפריסה גמישה, תאימות ואינטגרציות הופכת את הכלי לרלוונטי במיוחד לארגונים מפוקחים.
• רעיון ABL מעניין מאוד: הגדרת אייג׳נטים כשרטוט שניתן לבדוק ולאשר עשויה להפחית סיכון לעומת פרומפטים חופשיים.
• שילוב בין אוטונומיה לבקרה: הארכיטקטורה הדו-מוחית יכולה לעזור לארגונים לאמץ אייג׳נטים בלי לוותר על כללי תהליך ברורים.

• מורכבות צפויה: פלטפורמה ברמה כזו כנראה דורשת תכנון, אינטגרציה והכשרה.
• תמחור לא שקוף: לא נמצאו פרטי מחיר ברורים בממצאים, מה שמקשה על הערכת החזר השקעה.
• תלות אפשרית בספק: שימוש ב-ABL עשוי ליצור שכבה קניינית שקשה להעביר למערכות אחרות.
• השקה Azure-first: ארגונים שאינם בסביבת Microsoft עשויים להיתקל במגבלות או זמינות מאוחרת יותר.
• פער אפשרי בין הבטחה למציאות: טענות כמו בניית אייג׳נטים תוך ימים דורשות בדיקה מעשית בסביבת לקוח אמיתית.

• גישה טכנולוגית כללית: ארטמיס אינה מוצגת כמודל שפה עצמאי, אלא כפלטפורמת תזמור, ממשל והרצה לאייג׳נטים ארגוניים.
• ABL: שכבת הגדרה דקלרטיבית ומהודרת המיועדת לתיאור אייג׳נטים, זרימות עבודה, מדיניות ודפוסי תיאום בין אייג׳נטים.
• Arch: רכיב מבוסס AI שמטרתו לסייע בתכנון אייג׳נטים, יצירת שרטוטים ושיפורם לפי עקבות שימוש.
• Dual-Brain Architecture: שילוב בין רכיבי reasoning אייג׳נטיים לבין זרימות דטרמיניסטיות, עם זיכרון משותף וזמן ריצה נשלט.
• מודלים נתמכים: הממצאים מצביעים על גישה שאמורה להיות מודל-אגנוסטית, אך יש לוודא בפועל תמיכה ב-Azure OpenAI, Anthropic, Gemini, מודלים פתוחים או מודלים פנימיים של לקוח.
• נקודת בדיקה טכנית: חשוב לוודא האם לקוחות יכולים לבחור מודלים, להגדיר מדיניות שימוש לפי מודל, ולמנוע שליחת נתונים רגישים לספקים חיצוניים.

• מנהלי מערכות מידע: ארגונים שרוצים להעביר אייג׳נטים מסביבת ניסוי לסביבת ייצור.
• צוותי אבטחת מידע ותאימות: גופים שצריכים עקיבות, מדיניות, הרשאות וביקורת.
• צוותי טרנספורמציה דיגיטלית: יחידות שמחפשות תשתית רוחבית לאוטומציה מבוססת AI.
• מחלקות תפעול ושירות: צוותים שרוצים לחבר אייג׳נטים ל-CRM, helpdesk, מערכות ידע ותהליכי טיפול.
• ארגונים מפוקחים: בנקאות, בריאות, קמעונאות, טלקום ומגזרים שבהם פעולה אוטונומית דורשת בקרה הדוקה.
• פחות מתאים: סטארטאפים קטנים, משתמשים פרטיים או צוותים שמחפשים כלי no-code פשוט וזול.

• תקני אבטחה מוצהרים: לפי הממצאים, Kore.ai מציינת עמידה או התאמה ל-SOC 2 Type II, ISO 27001, PCI DSS, FedRAMP Moderate Authorized, HIPAA-aligned, HiTrust ו-GDPR.
• בקרות נתונים: מצוינים בידוד דיירים, טוקניזציה בזמן אמת של PII, עקבות ביקורת בלתי ניתנות לשינוי ואפשרויות שהיית נתונים אזורית.
• ממשל אייג׳נטים: כל פעולה, החלטת מדיניות ונתיב ביצוע אמורים להיות מתועדים, מתוזמנים וניתנים לשיוך לבקרות רגולטוריות.
• התאמה לארגונים מפוקחים: הדגש על פריסה פרטית, אזורים ריבוניים ופריסה מקומית הופך את הפלטפורמה לרלוונטית לבנקאות, בריאות וגופים ממשלתיים.
• נקודת זהירות: יש לוודא האם התקנים חלים ספציפית על Artemis או על פלטפורמת Kore.ai הרחבה, והאם נתוני לקוח משמשים לאימון מודלים.