לפי טור דעה של האנליסט זאוס קרוואלה שפורסם ב-SiliconANGLE, חברת .NiCE Ltd השיקה השבוע את הדור הבא של פלטפורמת NiCE Cognigy. התזה העומדת בבסיס ההשקה היא שהאתגר המרכזי של ארגונים אינו טמון בפיתוח של סוכני בינה מלאכותית, אלא בהפעלה אמינה שלהם לאורך מסעות לקוח מלאים, תוך שמירה על נראות ובקרה הנדרשות בארגונים גדולים. קרוואלה מציין כי בעוד שהתעשייה התמקדה בשנתיים האחרונות בשאלה איזה סוכן בינה מלאכותית הוא החכם ביותר, יכולות המודלים משתפרות ומוזלות במהירות, כך שרמת החשיבה והאינטליגנציה הגולמית הופכת לחלק הפחות מבדל במערך הטכנולוגי.
הגרסה החדשה כוללת את Agentic Experience Studio בעיצוב מחודש, רכיב מלווה בשם AI Assist שמסייע בבנייה, בדיקה ושיפור של סוכנים, רכיבי "skills" לשימוש חוזר המאגדים הנחיות וכלים, מעקב מפורט אחר כל שלב בשיחה (turn-by-turn tracing) ותמיכה מובנית במודלי קול-אל-קול (voice-to-voice). מודלים ברירת מחדל של דיבור-לטקסט, טקסט-לדיבור ומודלי שפה גדולים כלולים כעת במחיר לפי שיחה, כאשר מודלי פרימיום של Deepgram, ElevenLabs ו-Anthropic זמינים במספר לחיצות ומחויבים לפי צריכה.
הפער בין יכולת מודל לאמינות במוקד השירות
בתדרוך אנליסטים לקראת ההשקה, הציגה נו הו, מנהלת שיווק מוצר בכירה ב-NiCE Cognigy, תרשים הממחיש כמה זמן מערכת בינה מלאכותית מסוגלת לפעול בכוחות עצמה בטרם נדרשת התערבות אנושית. לפי הנתונים שהוצגו, בשנת 2020 היה מדובר בשניות, ב-2024 בדקות, והשנה מדובר בכ-16 שעות. עם זאת, הערת השוליים בנתונים הראתה כי החישוב בוצע לפי שיעור הצלחה של 50%. הו ציינה כי מערכת בעלת יכולת אינה בהכרח מערכת אמינה, וכי כאן בדיוק נמדדת חשיבותה של הפלטפורמה.
קרוואלה מסביר כי עבור מנהלי חוויית לקוח, שיעור הצלחה של 50% עשוי להוות הישג מחקרי, אך במוקד שירות לקוחות הוא עלול לגרום לנטישת לקוחות או להפרת תאימות. ככל שמודלי שפה הופכים למוצר מדף גנרי, הערך עובר למערכת העוטפת אותם: בדיקות, ניטור, גבולות גזרה (guardrails) ומנגנוני נסיגה דטרמיניסטיים. חברת NiCE אינה מפתחת מודלי חזית, ומפתחי מודלי חזית אינם מנהלים מוקדי שירות, ולכן הצבת הפלטפורמה כשכבה המקנה אמינות מהווה מהלך ממוקד עבור החברה.
פישוט סביבת הפיתוח והרחבת הנגישות ב-CXone
טרם רכישתה, Cognigy ביססה את מעמדה באמצעות הטמעות מורכבות בסביבות ייצור עבור מותגים גדולים כגון Lufthansa, Mercedes ו-DHL. עם זאת, הגמישות ויכולות ההתאמה האישית הוסיפו מורכבות. קלמנט בוטייה, מנהל ניהול מוצר ב-NiCE Cognigy המוביל את צוות הפיתוח של הגרסה ואת מפת הדרכים של הפלטפורמה, ציין כי ריבוי האפשרויות בעת הגדרת סוכן יצר חיכוך שהאט את תהליך ההתחלה.
סביבת העבודה החדשה מאפשרת למפתחים להקים סוכן בלחיצות בודדות, כאשר המודלים מוגדרים מראש, בעוד שכלים למשתמשים מתקדמים – כולל גישה מלאה להנחיית המערכת (system prompt) – נותרו זמינים במדורים ייעודיים. NiCE שואפת להרחיב את השימוש ב-Cognigy בקרב בסיס הלקוחות המותקן של CXone כולו, ולא רק בצוותי מומחים בארגוני ענק. בוטייה תיאר שלושה פרופילי משתמשים: עסקים קטנים יותר הבונים סוכנים פשוטים, מנהלי מוקדים וראשי צוותים, ומהנדסים בחברות בעלות מורכבות טכנולוגית גבוהה. הכלי AI Assist פונה לשני הפרופילים הראשונים; במהלך הדגמה הוא בנה סוכן, בדק אותו, תיקן תקלות שנמצאו ופרס אותו ל-WhatsApp. הורדת רף הכניסה מגדילה את מספר הסוכנים הנבנים על ידי גורמים פחות מנוסים, מה שהופך את מאפייני המשילות לסיפור האמיתי של גרסה זו.
מודל עבודה היברידי בין אוטונומיה לתהליכים מוגדרים
למרות העיסוק הנרחב באוטונומיה, מרבית הארגונים אינם ערוכים למסור מסעות לקוח שלמים לידי סוכן אוטונומי. בוטייה פירט שלושה אופני פעולה: הבנת שפה טבעית מסורתית (NLU), מודל היברידי, ומודל סוכני מלא (fully agentic). לדבריו, המודל ההיברידי משקף את המקום שבו נמצאים מרבית הלקוחות כיום, בעוד שהטמעות סוכניות מלאות מצויות בתחילת עקומת האימוץ. גישה זו מאפשרת לארגונים להיכנס לתחום בהדרגה ולהתקדם לעבר אוטונומיה מלאה בקצב שלהם.
המוצר תוכנן לתמוך בגישה זו: סוכן יכול לשמש כשכבת תיאום המפעילה תהליכים קיימים ככלים, או שתהליכים מובנים יכולים לפעול לפני הסוכן, למשל כדי לסנן מספרי כרטיסי אשראי או מידע אישי לפני שהנתונים מגיעים למודל. הו הגדירה את המהלך כאבולוציה ולא כהחלפה, כך שסביבות ייצור קיימות, ממשקי תכנות יישומים (APIs) ואינטגרציות ממשיכים לפעול ללא שינוי, דבר המהווה יתרון משמעותי מול מתחרים שהם AI-native שהצעתם דורשת למעשה בנייה מחדש.
ניטור ובדיקות מרובות משתנים להערכת ביצועים
בוטייה הדגיש כי ללא מנגנון משוב על תהליך הבנייה, לא ניתן לפתח סוכן איכותי. יכולות המעקב החדשות (tracing) מציגות כל שלב בשיחה: איזו מיומנות נטענה, איזה כלי הופעל ובאילו פרמטרים, ומתי הסוכן העביר את הטיפול לתהליך מובנה. רכיב הסימולטור תומך כעת בבדיקות מרובות משתנים של עד 10 גרסאות שונות, תוך שימוש במודל שפה בתפקיד שופט (LLM-as-judge) המריץ לקוחות סינתטיים מול הסוכן. בהדגמה הריץ בוטייה את אותו הסוכן מול שני מודלים שונים, ומצא כי אחד מהם פעל מהר יותר וצרך פחות אסימונים (tokens), מה שהופך את בחירת המודל להחלטה כלכלית מבוססת נתונים.
תקשורת קול-אל-קול וחיבור לסוכנים אישיים
התמיכה במודלי קול-אל-קול עשויה להיות היכולת הראשונה שלקוחות יטמיעו בפועל. בוטייה ציין כי לקוחות פתוחים לשימוש בשרשור של דיבור-לטקסט וטקסט-לדיבור, אך מודלי קול-אל-קול נשמעים טוב יותר. בהדגמה שנערכה, הסוכן העביר קריאות לכלים למודל נפרד תוך כדי המשך הדיבור, מה שהעניק לשיחה צליל טבעי יותר.
בנוסף, Cognigy משמשת כעת הן כלקוח והן כשרת של פרוטוקול Model Context Protocol (MCP) ותומכת בחיבורים בין סוכנים, כולל לקוח המקשר בין Cognigy לסוכנים שנבנו בכלי פיתוח של Microsoft. חברת NiCE מפתחת במשותף עם Meta ו-Sierra את פרוטוקול Personal Agent Protocol, שטרם הופעל בפועל. בוטייה תיאר את Cognigy כדלת הכניסה למוקד השירות, שבה סוכן אישי של הצרכן יידרש לבצע אימות לפני שיוכל להמשיך בתהליך מול המותג.
המלצות למנהלי טכנולוגיות מידע
במאמרו מציע קרוואלה מספר צעדים למנהלי טכנולוגיות מידע:
- למפות את הגבול ההיברידי: לקבוע אילו תהליכים יישארו דטרמיניסטיים, כגון תשלומים, אימות זהות וגילויי נאותות רגולטוריים, ואילו תהליכים יועברו לסוכן.
- לקבוע ניטור מלא (tracing) כתנאי לעלייה לאוויר: אין לאפשר לסוכן להגיע לסביבת ייצור ללא יכולת להסביר מדוע ננקטה כל פעולה.
- להשתמש בסימולציות להכרעה בבחירת מודלים: להשוות חלופות לפי עלות לשיחה שנפתרה ולא לפי התרשמות אנקדוטלית.
- לקחת אחריות על עמידה ברגולציה: בוטייה הדגיש כי האחריות משותפת, והפלטפורמה מספקת כלים אך אינה יכולה לשלוט באופן מלא במה שמוזן אליה.
- להתייחס לגבולות גזרה כסעיף תקציבי: כל מגבלה מוסיפה אסימונים וזמני תגובה, ולכן יש להשקיע תקציב זה במקומות שבהם הסיכון הוא הגבוה ביותר.
- להיערך ללקוחות מבוססי מכונה: במקום לחסום סוכנים אישיים, יש לקבוע מראש מדיניות אילו סוכנים יורשו לפעול ומה יתאפשר להם לבצע.
לסיכום מציין קרוואלה כי ההשקה הנוכחית מתמקדת במקום שבו ייווצר ערך ככל שסוכני AI מבשילים: בעוד שאינטליגנציה נעשית זולה יותר, אמינות, משילות והיכולת לשלב חשיבה אוטונומית עם בקרה דטרמיניסטית נותרות האתגר המרכזי של ארגונים.