Blog

Dans un contexte d’adoption croissante d’agents d’IA au niveau de l’entreprise, un fossé apparaît entre l’ambition et l’exécution. 

Bien que 85 % des organisations déclarent vouloir devenir agentiques au cours des trois prochaines années, 76 % déclarent que leurs opérations et leur infrastructure actuelles ne peuvent pas prendre en charge ce changement. Ils citent un manque de préparation des personnes, des processus et des flux de travail. 

Le problème du ruban adhésif

Le défi est que de nombreuses organisations superposent souvent des agents d’IA aux opérations existantes, plutôt que de réimaginer le modèle opérationnel et la façon dont le travail devra être reprogrammé, explique Prasun Shah, directeur technique mondial du conseil en main-d’œuvre et directeur de l’IA chez PwC UK Consulting. “Ils intègrent les employés de l’IA dans ce qui est un modèle opérationnel humain”, en superposant les agents IA aux structures de travail existantes alors que “c’est comme ajouter des rubans adhésifs à des parties d’un modèle opérationnel qui est en panne”.

Cela pourrait empêcher les organisations d’exploiter toute la valeur offerte par l’IA agentique, créant ainsi des circonstances propices à la désillusion. Cette pleine valeur réside dans la capacité des agents à exécuter des flux de travail complets avec une intervention humaine limitée. Ils peuvent coordonner des tâches complexes, prendre des décisions indépendantes, s’adapter aux conditions changeantes et itérer les performances. 

Dans les premiers tests qui couvrent le service client, les ressources humaines et les ventes, on estime déjà que les agents d’IA pourraient accélérer les processus métier de 30 à 50 % et le temps de travail à faible valeur de 25 à 40 % lorsqu’ils sont déployés à grande échelle. Mais cette capacité s’accompagne d’une plus grande complexité et de la nécessité d’un changement à l’échelle de l’entreprise.

Développer le vocabulaire de l’IA 

La plateforme d’IA agentique d’entreprise Ema décrit ce changement comme une transformation d’entreprise agentique (ABT), un terme qu’elle a inventé l’année dernière en partenariat avec HFS Research, dans le but de combler ce qu’elle considère comme une lacune dans le lexique existant sur les agents d’IA et de fournir aux entreprises un nouveau cadre avec lequel réfléchir à leur propre adoption de la technologie. 

« Aucun vocabulaire existant ne rend compte de toute la portée du changement », explique Surojit Chatterjee, PDG et fondateur d’Ema. “La transformation numérique consistait à passer du papier au logiciel. La transformation de l’IA consistait à ajouter l’intelligence artificielle aux processus existants. Le copilote consiste à aider l’IA dans diverses tâches humaines. Mais l’ABT est quelque chose de catégoriquement différent : il s’agit de l’intégration d’agents d’IA dans le tissu de l’organisation.” 

Pour Shah, le terme dédié (ABT) “contribue à exprimer le besoin de repenser une organisation dans son intégralité : son modèle opérationnel, ses flux de travail, ses droits de décision et ses systèmes de gestion des performances”. Il souligne que « tout est nécessaire pour garantir que ces agents participent réellement activement à la création de valeur, plutôt que de simples outils ponctuels ou aides à la productivité ».

Selon Ema, ABT englobe trois piliers fondamentaux : la pile technologique d’une organisation, sa main-d’œuvre et les indicateurs utilisés pour réussir. 

Les agents d’IA comme tissu conjonctif

Le premier pilier d’ABT est la pile technologique. « Votre pile technologique existante a été conçue pour des flux de travail pilotés par des humains et centrés sur les applications », explique Chatterjee. “Cela doit être reconsidéré lorsque l’acteur est un agent d’IA fonctionnant à la vitesse d’une machine sur plusieurs systèmes simultanément.”

 À mesure que les agents d’IA sont intégrés dans une organisation, les entreprises devront passer d’un ensemble de processus et d’étapes linéaires à une recâblage du travail d’une manière très différente, explique Shah. En effet, la valeur des agents d’IA n’est pas une couche supplémentaire dans une pile technologique existante, mais un tissu conjonctif, explique-t-il, se déplaçant entre ou à travers les couches pour coordonner une tâche de haut niveau ou récupérer et interpréter des données provenant de plusieurs applications discrètes. Les agents d’IA peuvent créer « une véritable différenciation concurrentielle pour une entreprise » en prenant des décisions basées sur cette capacité de contextualisation, dit-il. “C’est là que se déroulera le prochain champ de bataille.”

Pour construire ce tissu conjonctif, les dirigeants doivent adapter leur pile technologique pour faire émerger des décisions de meilleure qualité de la part des agents d’IA, en donnant la priorité à l’accès simultané à plusieurs ensembles de données et applications pour développer des connaissances tacites. « Les organisations qui opèrent ce changement architectural deviennent véritablement plus adaptatives », explique Chatterjee. “Lorsqu’une nouvelle exigence commerciale apparaît, vous n’attendez pas six mois pour qu’un éditeur de logiciels crée une fonctionnalité. Vous configurez un employé IA en utilisant un langage naturel et le connectez aux systèmes dont il a besoin. Le temps entre l’entreprise et le flux de production passe de plusieurs mois à quelques jours.”

La main-d’œuvre repensée

Alors que les agents d’IA sont déployés pour davantage de cas d’utilisation, les dirigeants d’entreprise doivent réfléchir à ce que cela signifie pour la dynamique de leur personnel, le deuxième pilier de l’ABT.

Les structures de la main-d’œuvre s’écartent aujourd’hui peu du modèle hiérarchique des premiers jours de l’industrialisation. Pour maximiser l’efficacité et l’évolutivité, les processus sont standardisés, les tâches sont clairement délimitées entre les unités commerciales stratégiques (SBU) et les employés progressent dans l’organisation en fonction de leur capacité à optimiser le rendement des équipes situées en dessous d’eux. Mais avec des agents d’IA capables d’exécuter, de coordonner et d’optimiser des tâches, souvent sans coordination managériale, les lignes de cette hiérarchie établie deviennent floues.

Dans une main-d’œuvre mêlant agents IA et employés humains, les managers seront libérés de nombreuses tâches basées sur l’exécution mais assumeront de nouvelles responsabilités associées à la gestion d’équipes hybrides. Les managers « devront être capables de gérer les problèmes liés à la confiance, à l’explicabilité, à la sécurité psychologique et même à la dynamique de la situation » pour faire face aux nouvelles tensions qui pourraient surgir dans une main-d’œuvre hybride, explique Shah.

L’impact de l’IA agentique sur les structures de main-d’œuvre existantes va également bien au-delà de la couche de gestion. McKinsey prédit que d’ici 2030, les les trois quarts des emplois actuels nécessiteront une refonte, une amélioration des compétences ou redéploiement, et les organisations devront agir rapidement pour modifier le recrutement, la rétention et la rémunération. 

De la production au résultat

Les indicateurs de réussite constituent le troisième et dernier pilier d’ABT. 

À mesure que les agents d’IA s’approprient davantage les processus fondamentaux de l’entreprise, en assumant des rôles collaboratifs aux côtés des employés humains, les mesures traditionnelles des effectifs axées sur l’activité ou les résultats (comme les appels traités ou les rapports déposés) n’ont plus de sens. 

“Lorsque vous ajoutez des employés de l’IA à vos effectifs, les mesures d’activité perdent tout leur sens ou sont carrément trompeuses”, explique Chatterjee. “Un employé de l’IA peut gérer un millier d’interactions client dans le temps qu’il faut à un humain pour en gérer dix. Si vous mesurez le succès par les interactions gérées, vous conclurez que l’IA fonctionne à merveille sans savoir si l’une de ces interactions a réellement généré la satisfaction, la fidélisation ou les revenus des clients. ” Pour corriger cela, les entreprises doivent développer un nouvel ensemble de mesures axées sur les résultats plutôt que sur les résultats. Autrement dit, des mesures sur les avantages ou les changements plus larges obtenus, plutôt que sur les livrables individuels. 

Par exemple, lorsque l’une des grandes entreprises clientes d’Ema a remanié ses propres métriques, passant des métriques d’outils telles que le coût par requête et la précision de l’IA à des résultats tels que le pourcentage de contrats examinés sans escalade humaine, le retour sur investissement mesuré de l’IA agentique a triplé en deux trimestres. Ces changements signifiaient que « ce client a arrêté de créer des solutions ponctuelles dans des flux de travail à volume élevé et peu complexes et a commencé à déployer des employés IA là où la valeur du résultat était la plus élevée », explique Chatterjee.

L’intégration de nouveaux indicateurs peut également nécessiter une reconfiguration complète des processus de récompense et de gestion des talents, ainsi que de la responsabilité et de l’appropriation au sein des organisations, souligne Shah. Dans les équipes humain-IA, par exemple, même si les responsabilités éthiques et fiduciaires resteront probablement du ressort des employés humains, la responsabilité opérationnelle deviendra beaucoup plus diffuse pour refléter le rôle systémique des agents d’IA.

Ce changement soulèvera de nouvelles questions auxquelles les équipes de direction devront répondre, ajoute Shah. Ils devront se poser les questions suivantes : qui est responsable lorsqu’un employé d’IA commet une erreur ? Que se passe-t-il lorsque l’IA et les humains ne sont pas d’accord ? Quels garde-corps ériger pour protéger les clients ? 

Préparer le terrain pour un changement au niveau des systèmes

Le changement au niveau des systèmes est progressif. Il s’agit de pistes de recherche complexes avec lesquelles les experts continuent de se débattre. Mais en lançant un dialogue interne sur les piliers fondamentaux d’ABT (la main-d’œuvre, la pile technologique et les indicateurs permettant d’évaluer le succès), les dirigeants peuvent jeter les bases d’une entreprise mieux préparée à adopter les agents d’IA au niveau des systèmes et commencer à réduire l’écart entre leur ambition et leur exécution. 

Ce contenu a été produit par Insights, la branche de contenu personnalisé du MIT Technology Review. Il n’a pas été rédigé par l’équipe éditoriale du MIT Technology Review. Il a été recherché, conçu et écrit par des écrivains, éditeurs, analystes et illustrateurs humains. Cela comprend la rédaction d’enquêtes et la collecte de données pour les enquêtes. Les outils d’IA qui ont pu être utilisés étaient limités aux processus de production secondaires qui ont passé un examen humain approfondi.

Aller à la source d’origine

Angesichts der schnell wachsenden Akzeptanz von KI-Agenten auf Unternehmensebene zeichnet sich eine Diskrepanz zwischen Ambition und Umsetzung ab. 

Obwohl 85 % der Unternehmen sagen, dass sie innerhalb der nächsten drei Jahre agieren wollen, sagen 76 %, dass ihre derzeitigen Abläufe und Infrastrukturen diese Änderung nicht unterstützen können. Sie verweisen auf mangelnde Bereitschaft aller Personen, Prozesse und Arbeitsabläufe. 

Das Klebebandproblem

Die Herausforderung besteht darin, dass viele Unternehmen häufig KI-Agenten in bestehende Abläufe integrieren, anstatt das Betriebsmodell und die Arbeitsweise neu zu überdenken, erklärt Prasun Shah, globaler CTO für Workforce Consulting und Chief AI Officer bei PwC UK Consulting. „Sie betten KI-Mitarbeiter in ein menschliches Betriebsmodell ein“ und schichten KI-Agenten in bestehende Arbeitsplatzstrukturen ein, obwohl „das so ist, als würde man Teile eines Betriebsmodells, das kaputt geht, mit Klebeband versehen.“

Dies kann dazu führen, dass Unternehmen nicht den vollen Wert der Agenten-KI nutzen können, was zu Umständen führt, in denen sich schnell Ernüchterung einstellt. Der volle Wert liegt in der Fähigkeit der Agenten, ganze Arbeitsabläufe mit begrenztem menschlichen Input auszuführen. Sie können komplexe Aufgaben koordinieren, unabhängige Entscheidungen treffen, sich an veränderte Bedingungen anpassen und die Leistung iterieren. 

In frühen Testfeldern, die Kundenservice, Personalwesen und Vertrieb umfassen, Es wird bereits geschätzt, dass KI-Agenten bei skaliertem Einsatz Geschäftsprozesse um bis zu 30 % bis 50 % und geringwertige Arbeitszeiten um 25 % bis 40 % beschleunigen könnten. Mit dieser Fähigkeit gehen jedoch eine größere Komplexität und die Notwendigkeit einer unternehmensweiten Änderung einher.

Erweitern des KI-Vokabulars 

Ema beschreibt diese Änderung als Agentic Business Transformation (ABT), einen Begriff, den das Unternehmen letztes Jahr in Zusammenarbeit mit HFS Research geprägt hat, um eine Lücke im bestehenden Lexikon über KI-Agenten zu schließen und bereitzustellen Unternehmen mit einem neuen Rahmen, mit dem sie über ihre eigene Einführung der Technologie nachdenken können. 

„Keines der vorhandenen Vokabeln erfasst das volle Ausmaß der Veränderung“, erklärt Surojit Chatterjee, CEO und Gründer von Ema. „Bei der digitalen Transformation ging es um den Übergang von Papier zu Software. Bei der KI-Transformation ging es darum, künstliche Intelligenz zu bestehenden Prozessen hinzuzufügen. Bei Co-Pilot ging es um die Unterstützung von KI bei verschiedenen menschlichen Aufgaben. Aber ABT ist etwas völlig anderes: Es ist die Integration von KI-Agenten in die Struktur der Organisation.“ 

Für Shah trägt der dedizierte Begriff (ABT) dazu bei, „die Notwendigkeit voranzutreiben, eine Organisation in ihrer Gesamtheit neu zu gestalten: ihr Betriebsmodell, ihre Arbeitsabläufe, Entscheidungsrechte und Leistungsmanagementsysteme.“ Er betont, dass „alles erforderlich ist, um sicherzustellen, dass diese Agenten tatsächlich aktive Teilnehmer an der Wertschöpfung sind und nicht nur Punktwerkzeuge oder Produktivitätshilfen.“

Laut Ema umfasst ABT drei Grundpfeiler: den Technologie-Stack eines Unternehmens, seine Belegschaft und die für den Erfolg verwendeten Kennzahlen. 

KI-Wirkstoffe als Bindegewebe

Die erste Säule von ABT ist der Technologie-Stack. „Ihr bestehender Technologie-Stack wurde für von Menschen gesteuerte, anwendungsorientierte Arbeitsabläufe entwickelt“, sagt Chatterjee. „Es muss überdacht werden, wenn der Akteur ein KI-Agent ist, der mit Maschinengeschwindigkeit auf mehreren Systemen gleichzeitig arbeitet.“

 Da KI-Agenten in eine Organisation integriert werden, müssen Unternehmen von einer Reihe linearer Prozesse und Schritte zu einer völlig anderen Neuverkabelung der Arbeit übergehen, erklärt Shah. Das liegt daran, dass der Wert von KI-Agenten nicht als weitere Schicht in einem bestehenden Technologie-Stack liegt, sondern als Bindegewebe, erklärt er, das sich zwischen oder über Schichten hinweg bewegt, um eine übergeordnete Aufgabe zu koordinieren oder Daten aus mehreren diskreten Anwendungen abzurufen und zu interpretieren. KI-Agenten können „eine echte Wettbewerbsdifferenzierung für ein Unternehmen“ schaffen, indem sie Entscheidungen auf der Grundlage dieser Fähigkeit zur Kontextualisierung treffen, sagt er. „Dort wird das nächste Schlachtfeld sein.“

Um dieses Bindegewebe aufzubauen, müssen Führungskräfte ihren Technologie-Stack anpassen, um qualitativ hochwertigere Entscheidungen von KI-Agenten zu treffen, und dabei den Zugriff auf mehrere Datensätze und Anwendungen gleichzeitig priorisieren, um implizites Wissen zu entwickeln. „Organisationen, die diesen architektonischen Wandel vollziehen, werden wirklich anpassungsfähiger“, sagt Chatterjee. „Wenn eine neue Geschäftsanforderung entsteht, warten Sie nicht sechs Monate darauf, dass ein Softwareanbieter eine Funktion entwickelt. Sie konfigurieren einen KI-Mitarbeiter mithilfe natürlicher Sprache und verbinden ihn mit den Systemen, die er benötigt. Die Zeit vom Geschäfts- bis zum Produktionsworkflow verkürzt sich von Monaten auf Tage.“

Die Belegschaft, neu gestaltet

Da KI-Agenten für immer mehr Anwendungsfälle eingesetzt werden, müssen Unternehmensleiter darüber nachdenken, was dies für die Dynamik in ihrer gesamten Belegschaft bedeutet, der zweiten Säule von ABT.

Belegschaftsstrukturen weichen heute kaum noch vom hierarchischen Modell der frühen Tage der Industrialisierung ab. Um die Effizienz und den Umfang zu maximieren, werden Prozesse standardisiert, Aufgaben klar zwischen strategischen Geschäftseinheiten (SBUs) abgegrenzt und Mitarbeiter steigen in der Organisation auf der Grundlage ihrer Fähigkeit auf, die Leistung der ihnen untergeordneten Teams zu optimieren. Aber mit KI-Agenten, die Aufgaben ausführen, koordinieren und optimieren können – oft ohne Koordination durch das Management – verschwimmen die Grenzen dieser etablierten Hierarchie.

In einer Belegschaft, die KI-Agenten und menschliche Mitarbeiter vereint, werden Manager von vielen ausführungsbezogenen Aufgaben entlastet, übernehmen aber neue Verantwortungen, die mit der Leitung hybrider Teams verbunden sind. Manager „müssen in der Lage sein, mit Problemen rund um Vertrauen, Erklärbarkeit, psychologische Sicherheit und sogar Situationsdynamik umzugehen“, um neue Spannungen zu bewältigen, die in einer hybriden Belegschaft entstehen könnten, sagt Shah.

Der Einfluss der Agenten-KI auf bestehende Personalstrukturen geht auch weit über die Managementebene hinaus. McKinsey prognostiziert, dass bis 2030 drei Viertel der aktuellen Arbeitsplätze neu gestaltet, weitergebildet oder qualifiziert werden müssen Umschichtungen, und Organisationen müssen schnell handeln, um Einstellungen, Bindung und Vergütung zu ändern. 

Von der Ausgabe zum Ergebnis

Erfolgskennzahlen sind die dritte und letzte Säule von ABT. 

Da KI-Agenten immer mehr Verantwortung für zentrale Unternehmensprozesse übernehmen und kollaborative Rollen neben menschlichen Mitarbeitern übernehmen, sind herkömmliche Kennzahlen der Belegschaft, die sich auf Aktivitäten oder Ergebnisse konzentrieren – wie bearbeitete Anrufe oder eingereichte Berichte – nicht mehr sinnvoll. 

„Wenn Sie KI-Mitarbeiter in die Belegschaft aufnehmen, werden Aktivitätsmetriken bedeutungslos oder sogar irreführend“, sagt Chatterjee. „Ein KI-Mitarbeiter kann tausend Kundeninteraktionen in der Zeit bewältigen, die ein Mensch für zehn benötigt. Wenn Sie den Erfolg anhand der bearbeiteten Interaktionen messen, kommen Sie zu dem Schluss, dass die KI hervorragend funktioniert, während Sie nicht erkennen, ob eine dieser Interaktionen tatsächlich die Kundenzufriedenheit, -bindung oder den Umsatz beeinflusst hat.“ Um dies zu korrigieren, müssen Unternehmen neue Kennzahlen entwickeln, die sich auf das Ergebnis und nicht auf den Output konzentrieren. Das heißt, es handelt sich um Kennzahlen zu den umfassenderen Vorteilen oder erzielten Veränderungen und nicht zu einzelnen Ergebnissen. 

Als beispielsweise einer der großen Unternehmenskunden von Ema seine eigenen Kennzahlen überarbeitete und von Tool-Kennzahlen wie Kosten pro Abfrage und KI-Genauigkeit auf Ergebnisse wie den Prozentsatz der ohne menschliche Eskalation überprüften Verträge umstellte, verdreifachte sich der gemessene ROI der Agenten-KI innerhalb von zwei Quartalen. Die Änderungen führten dazu, dass „dieser Kunde aufhörte, Punktlösungen in Arbeitsabläufen mit hohem Volumen und geringer Komplexität zu entwickeln, und begann, KI-Mitarbeiter dort einzusetzen, wo der Ergebniswert am höchsten war“, sagt Chatterjee.

Die Integration neuer Kennzahlen erfordert möglicherweise auch eine vollständige Neukonfiguration der Belohnungs- und Talentmanagementprozesse sowie der Verantwortlichkeit und Eigenverantwortung innerhalb von Organisationen, betont Shah. In Mensch-KI-Teams zum Beispiel werden die ethischen und treuhänderischen Verantwortlichkeiten wahrscheinlich weiterhin bei den menschlichen Mitarbeitern verbleiben, die operative Verantwortung wird jedoch deutlich weiter gestreut, um die systemische Rolle von KI-Agenten widerzuspiegeln.

Diese Änderung wird neue Fragen aufwerfen, mit denen sich die Führungsteams auseinandersetzen müssen, fügt Shah hinzu. Sie müssen überlegen: Wer ist verantwortlich, wenn ein KI-Mitarbeiter einen Fehler macht? Was passiert, wenn KI und Mensch unterschiedlicher Meinung sind? Welche Leitplanken sollten zum Schutz der Kunden errichtet werden? 

Die Grundlage für Veränderungen auf Systemebene legen

Änderungen auf Systemebene erfolgen schrittweise. Dabei handelt es sich um komplexe Fragestellungen, mit denen sich Experten weiterhin auseinandersetzen. Aber indem Führungskräfte einen internen Dialog über die Grundpfeiler von ABT anstoßen – die Belegschaft, den Technologie-Stack und die Kennzahlen, anhand derer der Erfolg gemessen werden kann –, können sie den Grundstein für ein Unternehmen legen, das besser in der Lage ist, KI-Agenten auf Systemebene zu integrieren und damit zu beginnen, die Lücke zwischen ihren Ambitionen und ihrer Umsetzung zu schließen. 

Dieser Inhalt wurde von Insights erstellt, dem Bereich für kundenspezifische Inhalte von MIT Technology Review. Es wurde nicht von der Redaktion des MIT Technology Review verfasst. Es wurde von menschlichen Autoren, Redakteuren, Analysten und Illustratoren recherchiert, entworfen und geschrieben. Dazu gehört das Verfassen von Umfragen und das Sammeln von Daten für Umfragen. Möglicherweise eingesetzte KI-Tools beschränkten sich auf sekundäre Produktionsprozesse, die einer gründlichen menschlichen Überprüfung unterzogen wurden.

Zur Originalquelle gehen

Amid rapidly growing adoption of enterprise-level AI agents, there’s a disconnect emerging between ambition and execution. 

Although 85% of organizations say they want to be agentic within the next three years, 76% say their current operations and infrastructure can’t support that change. They cite a lack of readiness across people, processes, and workflows. 

The sticky tape problem

The challenge is that many organizations are often layering AI agents onto existing operations, rather than reimagine the operating model and how work will need to be rewired, explains Prasun Shah, global CTO for workforce consulting and chief AI officer at PwC UK Consulting. “They’re embedding AI employees into what is a human operating model,” layering on AI agents to existing workplace structures when “this is like adding sticky tapes to parts of an operating model that is breaking.”

Doing so may be preventing organizations from unlocking the full value agentic AI offers, creating circumstances where disillusionment can quickly creep in. That full value lies in agents’ capacity to execute entire workflows with limited human input. They can coordinate complex tasks, make independent decisions, adjust to changing conditions, and iterate performance. 

In early proving grounds that span customer service, HR, and sales, it’s already estimated that AI agents could accelerate business processes by as much as 30% to 50% and low-value work time by 25% to 40% when deployed at scale. But with this capability comes greater complexity and the need for an enterprise-wide change.

Growing the AI vocabulary 

Enterprise agentic AI platform Ema describes this change as agentic business transformation (ABT), a term it coined last year in partnership with HFS Research, in an attempt to plug what it sees as a gap in the existing lexicon about AI agents, and to provide enterprises with a new framework with which to think about their own adoption of the technology. 

“None of the existing vocabulary captures the full scope of the change,” explains Ema CEO and founder Surojit Chatterjee. “Digital transformation was about moving from paper to software. AI transformation was about adding artificial intelligence to existing processes. Co-pilot is about AI assisting in various human tasks. But ABT is something categorically different: It’s the integration of AI agents into the fabric of the organization.” 

For Shah, the dedicated term (ABT) “helps drive the need to redesign an organization in its entirety: its operating model, its workflows, decision rights, and performance management systems.” He emphasizes that “everything that’s needed to ensure those agents are actually active participants in value creation, rather than just point tools or productivity aids.”

According to Ema, ABT encompasses three core pillars: an organization’s technology stack, its workforce, and the metrics used for success. 

AI agents as connective tissue

The first pillar of ABT is the technology stack. “Your existing tech stack was designed for human-operated, application-centric workflows,” says Chatterjee. “It needs to be reconsidered when the actor is an AI agent operating at machine speed across multiple systems simultaneously.”

 As AI agents are integrated into an organization, enterprises will need to pivot from a set of linear processes and steps, to rewiring work in a very different way, Shah explains. That’s because the value in AI agents isn’t as another layer in an existing technology stack but as a connective tissue, he explains, moving between or across layers to coordinate a high-level task or retrieve and interpret data from multiple discrete applications. AI agents can create “a true competitive differentiation for an enterprise” by making decisions based on this capacity to contextualize, he says. “That is where the next battleground will be.”

To build this connective tissue, leaders need to adapt their technology stack to surface higher quality decisions from AI agents, prioritizing access to multiple datasets and applications simultaneously to develop tacit knowledge. “Organizations that make this architectural shift become genuinely more adaptive,” says Chatterjee. “When a new business requirement emerges, you don’t wait six months for a software vendor to build a feature. You configure an AI employee using natural language and connect it to the systems it needs. The time from business to production workflow drops from months to days.”

The workforce, redesigned

As AI agents are deployed for more use cases, enterprise leaders must consider what this means for dynamics across their workforce, the second pillar of ABT.

Workforce structures today deviate little from the hierarchical model of the early days of industrialization. To maximize efficiency and scale, processes are standardized, tasks are clearly delineated between strategic business units (SBUs), and employees progress up through an organization based on their capacity to optimize output from teams below them. But with AI agents that can execute, coordinate, and optimize tasks—often without managerial coordination—the lines of that established hierarchy become blurred.

In a workforce that blends AI agents and human employees, managers will be freed up from many execution-based tasks but take on new responsibilities associated with managing hybrid teams. Managers “will need to be able to manage issues around trust, explainability, psychological safety, and even situation dynamics” to navigate new tensions that could arise in a hybrid workforce, says Shah.

The impact of agentic AI on existing workforce structures goes far beyond the management layer, too. McKinsey predicts that by 2030, three-quarters of current jobs will require redesign, upskilling, or redeployment, and organizations will need to act swiftly to amend recruitment, retention, and remuneration. 

From output to outcome

Success metrics are the third and final pillar of ABT. 

As AI agents assume greater ownership of core enterprise processes, taking on collaborative roles alongside human employees, traditional workforce metrics that focus on activity or output—such as calls handled or reports filed—no longer make sense. 

“When you add AI employees into the workforce, activity metrics become meaningless or actively misleading,” says Chatterjee. “An AI employee can handle a thousand customer interactions in the time it takes a human to handle ten. If you measure success by interactions handled, you’ll conclude the AI ​​is working brilliantly while missing whether any of those interactions actually drove customer satisfaction, retention, or revenue.” To correct this, enterprises must develop a new set of metrics that focus on outcome rather than output. That is, metrics on the broader benefits or changes achieved, rather than individual deliverables. 

For example, when one of Ema’s large enterprise customers overhauled its own metrics, switching from tool metrics like cost per query and AI accuracy, to outcomes like the percentage of contracts reviewed without human escalation, the measured ROI from agentic AI tripled within two quarters. The changes meant “this customer stopped building point solutions in high-volume, low-complexity workflows and started deploying AI employees where the outcome value was highest,” says Chatterjee.

Integrating new metrics may also require a complete reconfiguration of reward and talent management processes, as well as accountability and ownership within organizations, points out Shah. In human-AI teams, for example, although ethical and fiduciary responsibilities will likely remain with human employees, operational accountability will become significantly more diffused to reflect the systemic role of AI agents.

This change will raise new questions that senior leadership teams will need to wrestle with, Shah adds. They’ll need to consider: Who is accountable when an AI employee makes a mistake? What happens when AI and humans disagree? What guardrails should be erected to safeguard customers? 

Laying the groundwork for systems-level change

Systems-level change is gradual. These are complex lines of inquiry that experts continue to grapple with. But in kickstarting internal dialogue about the core pillars of ABT—the workforce, the technology stack, and the metrics by which success can be gauged—leaders can lay the groundwork for an enterprise better poised to embrace AI agents at a systems level and start to close the gap between their ambition and execution. 

This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.

Go to Original Source

Amid rapidly growing adoption of enterprise-level AI agents, there’s a disconnect emerging between ambition and execution. 

Although 85% of organizations say they want to be agentic within the next three years, 76% say their current operations and infrastructure can’t support that change. They cite a lack of readiness across people, processes, and workflows. 

The sticky tape problem

The challenge is that many organisations are often layering AI agents onto existing operations, rather than reimagine the operating model and how work will need to be rewired, explains Prasun Shah, global CTO for workforce consulting and chief AI officer at PwC UK Consulting. “They’re embedding AI employees into what is a human operating model,” layering on AI agents to existing workplace structures when “this is like adding sticky tapes to parts of an operating model that is breaking.”

Doing so may be preventing organizations from unlocking the full value agentic AI offers, creating circumstances where disillusionment can quickly creep in. That full value lies in agents’ capacity to execute entire workflows with limited human input. They can coordinate complex tasks, make independent decisions, adjust to changing conditions, and iterate performance. 

In early proving grounds that span customer service, HR, and sales, it’s already estimated that AI agents could accelerate business processes by as much as 30% to 50% and low-value work time by 25% to 40% when deployed at scale. But with this capability comes greater complexity and the need for an enterprise-wide change.

Growing the AI vocabulary 

Enterprise agentic AI platform Ema describes this change as agentic business transformation (ABT), a term it coined last year in partnership with HFS Research, in an attempt to plug what it sees as a gap in the existing lexicon about AI agents, and to provide enterprises with a yeni framework with which to think about their own adoption of the technology. 

“None of the existing vocabulary captures the full scope of the change,” explains Ema CEO and founder Surojit Chatterjee. “Digital transformation was about moving from paper to software. AI transformation was about adding artificial intelligence to existing processes. Co-pilot is about AI assisting in various human tasks. But ABT is something categorically different: It’s the integration of AI agents into the fabric of the organization.” 

For Shah, the dedicated term (ABT) “helps drive the need to redesign an organization in its entirety: its operating model, its workflows, decision rights, and performance management systems.” He emphasizes that “everything that’s needed to ensure those agents are actually active participants in value creation, rather than just point tools or productivity aids.”

According to Ema, ABT encompasses three core pillars: an organization’s technology stack, its workforce, and the metrics used for success. 

AI agents as connective tissue

The first pillar of ABT is the technology stack. “Your existing tech stack was designed for human-operated, application-centric workflows,” says Chatterjee. “It needs to be reconsidered when the actor is an AI agent operating at machine speed across multiple systems simultaneously.”

 As AI agents are integrated into an organization, enterprises will need to pivot from a set of linear processes and steps, to rewiring work in a very different way, explains Shah. That’s because the value in AI agents isn’t as another layer in an existing technology stack but as a connective tissue, he explains, moving between or across layers to coordinate a high-level task or retrieve and interpret data from multiple discrete applications. AI agents can create “a true competitive differentiation for an enterprise” by making decisions based on this capacity to contextualize, he says. “That is where the next battleground will be.”

To build this connective tissue, leaders need to adapt their technology stack to surface higher quality decisions from AI agents, prioritizing access to multiple datasets and applications simultaneously to develop tacit knowledge. “Organizations that make this architectural shift become genuinely more adaptive,” says Chatterjee. “When a yeni business requirement emerges, you don’t wait six months for a software vendor to build a feature. You configure an AI employee using natural language and connect it to the systems it needs. The time from business to production workflow drops from months to days.”

The workforce, redesigned

As AI agents are deployed for more use cases, enterprise leaders must consider what this means for dynamics across their workforce, the second pillar of ABT.

Workforce structures today deviate little from the hierarchical model of the early days of industrialization. To maximize efficiency and scale, processes are standardized, tasks are clearly delineated between strategic business units (SBUs), and employees progress up through an organization based on their capacity to optimize output from teams below them. But with AI agents that can execute, coordinate, and optimize tasks—often without managerial coordination—the lines of that established hierarchy become blurred.

In a workforce that blends AI agents and human employees, managers will be freed up from many execution-based tasks but take on yeni responsibilities associated with managing hybrid teams. Managers “will need to be able to manage issues around trust, explainability, psychological safety, and even status dynamics” to navigate yeni tensions that could arise in a hybrid workforce, says Shah.

The impact of agentic AI on existing workforce structures goes far beyond the management layer, too. McKinsey predicts that by 2030, three-quarters of current jobs will require redesign, upskilling, or redeployment, and organizations will need to act swiftly to amend recruitment, retention, and remuneration. 

From output to outcome

Success metrics are the third and final pillar of ABT. 

As AI agents assume greater ownership of core enterprise processes, taking on collaborative roles alongside human employees, traditional workforce metrics that focus on activity or output—such as calls handled or reports filed—no longer make sense. 

“When you add AI employees into the workforce, activity metrics become meaningless or actively misleading,” says Chatterjee. “An AI employee can handle a thousand customer interactions in the time it takes a human to handle ten. If you measure success by interactions handled, you’ll conclude the AI is working brilliantly while missing whether any of those interactions actually drove customer satisfaction, retention, or revenue.” To correct this, enterprises must develop a yeni set of metrics that focus on outcome rather than output. That is, metrics on the broader benefits or changes achieved, rather than individual deliverables. 

For example, when one of Ema’s large enterprise customers overhauled its own metrics, switching from tool metrics like cost per query and AI accuracy, to outcomes like the percentage of contracts reviewed without human escalation, the measured ROI from agentic AI tripled within two quarters. The changes meant “this customer stopped building point solutions in high-volume, low-complexity workflows and started deploying AI employees where the outcome value was highest,” says Chatterjee.

Integrating yeni metrics may also require a complete reconfiguration of reward and talent management processes, as well as accountability and ownership within organizations, points out Shah. In human-AI teams, for example, although ethical and fiduciary responsibilities will likely remain with human employees, operational accountability will become significantly more diffused to reflect the systemic role of AI agents.

This change will raise yeni questions that senior leadership teams will need to wrestle with, Shah adds. They’ll need to consider: Who is accountable when an AI employee makes a mistake? What happens when AI and humans disagree? What guardrails should be erected to safeguard customers? 

Laying the groundwork for systems-level change

Systems-level change is gradual. These are complex lines of inquiry that experts continue to grapple with. But in kickstarting internal dialogue about the core pillars of ABT—the workforce, the technology stack, and the metrics by which success can be gauged—leaders can lay the groundwork for an enterprise better poised to embrace AI agents at a systems level and start to close the gap between their ambition and execution. 

This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.

Orijinal Kaynağa Git

Voici 12 des plus grands moments clés de Google I/O 2026, dont de nouveaux sur Gemini Omni, Gemini 3.5 Flash et plus encore.

Accéder à la source d’origine

Hier sind 12 der wichtigsten Keynote-Momente der Google I/O 2026, darunter neue über Gemini Omni, Gemini 3.5 Flash und mehr.

Zur Originalquelle gehen