Agentic AI, הדור הבא של בינה מלאכותית המתמקד בפיתוח סוכנים אוטונומיים המבצעים משימות באופן עצמאי, צובר תאוצה בארגונים. על פי גרטנר, עד שנת 2028 כשליש מהאפליקציות הארגוניות (33%) יכילו מרכיבים של בינה מלאכותית "סוכנית" (Agentic AI). גם חברת המחקר IDC פרסמה לאחרונה סקר שביצעה בקרב מובילים טכנולוגיים בארגונים, שמצא כי 84% מהם מגדיר שימוש ארגוני ב-AI, המתבסס לרוב על Agentic AI, כהשקעה מרכזית בטכנולוגיה ארגונית.
בינה מלאכותית סוכנית, פועלת באופן עצמאי כדי להשיג מטרות מוגדרות, ומשדרגת את האוטומציה לרמה חדשה. היא מאפשרת אינסוף יישומים כמעט בכל תחום ארגוני – אוטומציה של משימות, תמיכה ושירות לקוחות אוטונומיים, ניהול IT, ניהול חווית העובד, שיווק ומכירות מותאמים אישית ועוד.
מערכות אלו מבינות את ההקשר הרחב, מקבלות החלטות, מבצעות פעולות, לומדות מהעבר ומשתפרות, וכן מסתגלות לסביבה משתנה. הן פועלת באופן יזום כדי לפתור בעיות מורכבות ולהשיג תוצאות רצויות, תוך הפגנת אוטונומיה (למשל התמודדות עצמאית עם תקלות) ו"אינטליגנציה" (ניתוח המצב וקבלת החלטות) ברמה גבוהה יותר. בינה מלאכותית סוכנית מציינת קפיצת מדרגה לעומת מערכות קלאסיות שפועלות לפי חוקים קשיחים ואינן מסתגלות לשינויים. היא מאפשרת אוטומציה חכמה של תהליכים מורכבים מקצה לקצה – מניהול שרשרת אספקה ועד שירות לקוחות מותאם אישית. דמיינו מערכת שמזהה הזדמנויות עסקיות, מתקשרת עם לקוחות, מבצעת התאמות עצמאיות – והכל ללא צורך בהתערבות אנושית ישירה.
בין החברות הבולטות בתחום אפשר למצוא חברות מבוססות בתחום התוכנה הארגונית שהרחיבו את המודלים שלהם באמצעות טכנולוגיות של AI סוכני, כמו ServiceNow ו-Salesforce, לצד חברות ממוקדות יותר כמו Beam AI, AIsera, ו-Ampcome.
בתעשייה נעשה לעיתים שימוש במונח "סוכני AI", אך חשוב להבחין: בעוד סוכן AI הוא רכיב שפועל מול מערכת ספציפית, בינה מלאכותית סוכנית פועלת כמערכת שלמה, המפעילה מספר סוכנים מתואמים להשגת מטרה מורכבת. סוכנים אלה עושים הרבה יותר מאשר "לבצע משימות", וניתן לחלקם למספר סוגים עיקריים: סוכני מידע כללי, המשתמשים ב-RAG בסביבות לא רגולטוריות; סוכני מידע מוקשח, הפועלים על בסיס כללים מוגדרים; סוכני ביצוע, שמבצעים פעולות במערכות שונות; סוכני סיוע, שמשוחחים עם משתמשים; וסוכני ניהול, שמתכננים ומנהלים תהליכים דרך סוכנים אחרים. לצד שימוש במודלי שפה גדולים (LLMs), סוכני AI מסתמכים גם על לימוד מכונה קלאסי – כדי לזהות אנומליות, לחזות תרחישים ולפעול באופן אופטימלי.
בדרך כלל הפעולה מתחילה בשיחה עם המערכת, הדומה לשיחה עם עוזר/ת AI. השיחה יכולה להתבצע במלל כתוב או בשיחה קולית. לאחר ניתוח הבקשה של המשתמש, המערכת צריכה לתכנן ולהפעיל את התהליך האוטומטי המורכב. באמצעות סוכן ניהול, המערכת מקצה משימות לסוכנים שונים המתכננים את הפעולה שלהם לאור המטרה. במקרים רבים, לאור התשובות מהסוכנים, המערכת צריכה להמשיך בדו-שיח עם המשתמש ולבקש הבהרות או מידע נוסף. כאשר התהליך מוכן, המערכת מפעילה אותו, מנטרת את הפעילות, מבצעת תיקוני מסלול אוטומטיים, לומדת מהתהליך ומשלימה את השיחה עם המשתמש.
כדי לזהות את התחומים שבהם ניתן להפיק את מרב התועלת מהטמעת Agentic AI, כדאי להתמקד בתהליכים המאופיינים בנפח פעילות – תחומים שבהם מתבצעות משימות רבות, בתדירות גבוהה ולמשך זמן ממושך, רמת חזרתיות – משימות שחוזרות על עצמן בתבנית דומה, עם מינימום חריגים הדורשים שיקול דעת אנושי, והשפעה ישירה על חוויית הלקוח או על היעילות התפעולית- אזורים שבהם שיפור במהירות, בדיוק או בזמינות יכול לייצר ערך מיידי, בין אם בהפחתת עלויות ובין אם בשיפור שביעות הרצון. כאשר שלושת התנאים הללו מתקיימים, הסיכוי להפקת ערך עסקי מהיר עולה משמעותית.
תחומים נפוצים לכך כוללים מוקדי שירות לקוחות, תמיכה טכנית, קליטת עובדים ולקוחות, ניהול מלאי ותיאום פנים-ארגוני. לפי נתוני חברת AIsera, ארגונים שהטמיעו פלטפורמות Agentic AI הצליחו לפתור אוטומטית עד 75% מקריאות השירות, לצמצם עלויות תמיכה בשיעור של עד 90%, ולהגדיל את שביעות רצון הלקוחות ב-85%.
שיקול מרכזי נוסף הוא האם לפתח פתרון עצמאי או להשתמש בפלטפורמה קיימת. בעוד שלעיתים ניתן להסתפק בפיתוח פנימי עבור מערכות RAG פשוטות (המפיקות תשובות באמצעות אחזור מידע רלוונטי), פיתוח מערכות Agentic AI באופן עצמאי מסתמן כמשימה מורכבת ויקרה. כיום, פלטפורמות מוכנות כוללות אלגוריתמים מתקדמים, ניהול תהליכים, אבטחת מידע ותחזוקה שוטפת – ומהוות פתרון מהיר, בטוח וגמיש יותר לרוב הארגונים, ומאפשרות להתמקד בערך המוסף ולא בפיתוח.
יואל יעקבסן הוא CTO קבוצת EMET
