Agenti AI per le vendite: una guida completa

I modelli linguistici di grandi dimensioni (LLM) sono i motori che alimentano l'intelligenza artificiale, consentendo agli utenti di porre domande semplici e ricevere risposte semplici. E se serve fare più di questo? È qui che gli agenti LLM dimostrano tutta la propria efficacia. Esistono diversi tipi di agenti LLM e tutti gestiscono query più complesse che richiedono memoria, ragionamento sequenziale e l'uso di più strumenti.

Gli LLM ora possono gestire più di mille miliardi di parametri . E la richiesta di lavoro digitale basato sugli agenti continuerà a crescere man mano che le aziende ampliano il ricorso all'AI generativa.

Analizziamo ora in che modo funzionano i diversi tipi di agenti LLM, cosa sanno fare, di quali componenti hanno bisogno, le sfide che comportano e in che modo le aziende utilizzano questi strumenti ora e in futuro.

Di cosa parleremo:

• Che cosa sono gli agenti LLM?
• Cosa sono in grado di fare gli agenti LLM?
• Tipi di agenti LLM e cosa fanno
• Componenti degli agenti LLM
• In che modo le aziende utilizzano i diversi tipi di agenti LLM
• Potenziali sfide degli agenti LLM
• Il futuro degli agenti LLM
• Successo con gli LLM

Gli LLM sono sistemi di intelligenza artificiale (AI) che utilizzano una combinazione di memoria, pianificazione e ragionamento sequenziale per generare risposte approfondite alle domande degli utenti in modo simile a come risponderebbe un essere umano. Ecco un esempio:

L'utente 1 chiede al chatbot interno della propria azienda, addestrato utilizzando un LLM, di recuperare le statistiche sulle buste paga dell'ultimo anno. Il chatbot segue un processo preimpostato per cercare nei database pertinenti e restituire il set di dati specifico.

L'utente 2 invece ha una domanda più approfondita. Vorrebbe sapere in che modo le nuove leggi federali e statali possono influire sulle politiche in base ai dati delle buste paga dell'anno scorso. In questo caso, il chatbot non è adatto per fornire una risposta. Sebbene sia in grado di restituire dati sulle buste paga e informazioni sulle nuove leggi, non può combinarli in una risposta significativa, gli agenti LLM invece sì.

Utilizzando una combinazione di machine learning (ML) ed elaborazione del linguaggio naturale (NLP), gli agenti LLM sono in grado di comprendere e rispondere a domande complesse. Queste caratteristiche distinguono gli agenti dai tradizionali modelli di generazione aumentata dal recupero (RAG), che estraggono dati da fonti interne per rispondere a domande semplici.

Gli agenti LLM possono applicare il ragionamento e la logica per rispondere alle domande. Anziché affrontare di petto una domanda, gli agenti possono scomporre le query in parti più piccole per trovare le risposte. Usano quindi la loro memoria della domanda originale per combinare le risposte e produrre un risultato accurato. Ciò consente agli agenti AI di rispondere a query dettagliate basate su più set di dati, creare riepiloghi da testo, scrivere del codice o generare piani.

Gli agenti LLM possono migliorare il proprio output nel tempo analizzando e imparando dalle interazioni precedenti. Di fatto, gli agenti possono auto-riflettere sul proprio comportamento, determinarne il successo e apportare modifiche che migliorano i risultati.

Per migliorare ciascuna attività, gli agenti LLM utilizzano strumenti come ricerche web o tester di codice per verificare l'accuratezza e ridurre i tempi di risposta. Valutando su base continua le risposte rispetto a dati nuovi e storici, gli agenti sanno identificare e correggere tali errori.

Gli agenti hanno anche la capacità di lavorare in tandem. Ad esempio, un agente può assumersi il compito di recuperare informazioni e generare risposte, mentre un altro valuta l'accuratezza dell'output. Un terzo può valutare le prestazioni di entrambi e suggerire miglioramenti. Questi agenti combinano quindi i loro dati per produrre un unico risultato pertinente.

È possibile configurare gli agenti LLM per svolgere più ruoli, ma tipi differenti di agenti non si escludono a vicenda. Un agente può eseguire diverse funzioni contemporaneamente o in sequenza.

Tra i tipi comuni di agenti LLM vi sono:

• Agenti LLM specifici per attività: questi agenti sono progettati per eseguire operazioni minuziosamente definite, come il controllo dello stato dell'ordine di un cliente o l'aggiornamento dei dati di spedizione. In genere, gli agenti specifici per attività attingono da un pool di dati più ridotto, come quelli offerti dai modelli linguistici di piccole dimensioni (SLM).
• Agenti LLM conversazionali: gli agenti di intelligenza artificiale conversazionale possono interagire con utenti finali come collaboratori o clienti e fornire risposte a domande comuni. La differenza tra questi agenti AI e le controparti chatbot è che gli agenti imparano nel tempo, il che consente loro di restituire risposte più naturali alle domande degli utenti.
• Agenti LLM di supporto decisionale: gli agenti di supporto decisionale recuperano informazioni dettagliate da set di dati o forniscono riepiloghi di dati su larga scala per migliorare il processo decisionale. Ad esempio, il Chief Security Information Officer di un'azienda può utilizzare un LLM di supporto decisionale per valutare e riassumere l'impatto di tutti gli attacchi alla sicurezza informatica aziendale in un determinato periodo.
• Agenti LLM per l'automazione dei workflow: gli agenti LLM di automazione dei workflow automatizzano i flussi di lavoro a più fasi. Agli agenti autonomi vengono forniti i dati di sistema necessari, le specifiche funzionali e le prestazioni storiche del flusso di lavoro per creare una linea operativa di base. Da qui, gli agenti svolgono il compito assegnato migliorando nel tempo.
• Agenti LLM per il recupero delle informazioni: questo tipo di agenti LLM impiega metodi RAG per trovare e recuperare dati da qualsiasi sistema. In tal ambito, il recupero dei dati è relativamente semplice. Gli agenti eccellono nella loro capacità di identificare e acquisire dati pertinenti e di ignorare le informazioni estranee.
• Agenti LLM collaborativi: gli agenti collaborativi operano insieme o in tandem con altri agenti. Questi agenti lavorano efficacemente in parallelo, il che consente di ridurre i tempi di risposta senza perdere precisione.
• Agenti LLM ad apprendimento adattivo: gli agenti adattivi utilizzano i dati cronologici per migliorare le prestazioni future. Gli agenti valutano gli output passati e li confrontano con i risultati ideali per sviluppare nuove strategie.

La creazione di un agente AI con funzionalità LLM richiede un modello linguistico di grandi dimensioni. Questo LLM genera e interpreta testi in linguaggio naturale e componenti aggiuntivi come l'ingegneria dei prompt, i moduli di memoria o i sistemi di recupero per migliorarne la comprensione contestuale e la funzionalità. Tutti i tipi di agenti LLM sono caratterizzati da tre componenti di alto livello: il cervello, la memoria e la pianificazione.

Il cervello di un agente è un modello linguistico in grado di comprendere e rispondere alle domande degli utenti. Gli agenti utilizzano i prompt, ossia domande o affermazioni degli utenti, per guidare i propri processi decisionali e di risposta. Utilizzando soluzioni come Agentforce, questi cervelli possono essere personalizzati con framework progettati per situazioni specifiche, come la gestione di attività finanziarie, di HR o di sicurezza informatica.

La memoria aiuta gli agenti a ricordare le azioni precedenti per migliorare l'output successivo. La memoria a sua volta può essere ulteriormente suddivisa in tre tipi:

• A breve termine: la memoria a breve termine negli agenti si applica alla conversazione o all'attività corrente. Si tratta di un record dei prompt dell'utente e di tutte le azioni intraprese fino a quel momento dall'agente.
• A lungo termine: la memoria a lungo termine è un archivio di dati provenienti da conversazioni o suggerimenti passati che possono abbracciare settimane o mesi. Tale memoria fornisce *contesto alle attività correnti e può essere esaminata dagli agenti per identificare possibili errori e aree di miglioramento.
• Ibrida: la memoria ibrida combina la memoria a breve e a lungo termine per migliorare le risposte degli agenti sul momento mantenendo la consapevolezza della situazione e attingendo dinamicamente alle informazioni rilevanti.

I moduli di pianificazione migliorano le risposte scomponendo le attività complesse in parti più piccole:

• Formulazione del piano (con e senza feedback): la formulazione del piano è il primo passo. Gli agenti suddividono le attività in sottoattività e poi le portano a termine. I piani possono essere creati ed eseguiti con o senza feedback. Senza feedback, i piani vengono sviluppati ed eseguiti da agenti senza alcuna supervisione umana. Con feedback, gli esseri umani coinvolti nel ciclo valutano i piani e formulano raccomandazioni prima che vengano eseguiti.
• Riflessione sul piano: la riflessione sul piano ha luogo dopo che i piani sono stati eseguiti. Utilizzando una combinazione di strumenti di valutazione interna e feedback umano esterno, la riflessione sul piano aiuta a identificare le aree di miglioramento.

In pratica, questi componenti operano insieme come una versione semplificata del cervello umano. I cervelli degli agenti raccolgono e interpretano le query degli utenti. La memoria a breve termine viene utilizzata per generare una comprensione dell'attività corrente, mentre la memoria a lungo termine fornisce il contesto. La pianificazione scompone le attività complesse in sottoattività, che vengono quindi portate a termine per risolvere il problema e fornire una risposta.

La riflessione sui piani aiuta a ridurre il rischio di errori futuri consentendo agli agenti di valutare criticamente i propri risultati, identificare potenziali errori e migliorare l'accuratezza e la coerenza dei loro piani.

Esistono diversi modi per utilizzare questi tipi di agenti LLM, tra cui:

• Vendite: con l'AI per le vendite, gli agenti possono essere utilizzati per raggiungere potenziali clienti e fornire informazioni sui prodotti, organizzare incontri con un rappresentante di vendita o offrire prezzi e promozioni speciali.
• Assistenza: gli agenti AI per l'assistenza sono in grado di rispondere alle domande dei clienti, offrire consigli tecnici per la risoluzione dei problemi o inoltrare le domande agli operatori umani.
• E-commerce: utilizzando l'AI per l'e-commerce, gli agenti abilitano lo stato e il monitoraggio degli ordini su richiesta, le modifiche agli ordini e l'assistenza per i resi o i rimborsi.
• Marketing: grazie alla loro capacità di gestire richieste complesse, gli agenti LLM possono utilizzare l'AI per il marketing per identificare il pubblico target e creare campagne di marketing personalizzate per diversi segmenti in base alle performance delle campagne passate.

Sebbene i vantaggi dell'intelligenza artificiale e degli LLM siano significativi, potresti comunque incontrare alcune sfide con i diversi tipi di agenti LLM. Tra i problemi più comuni vi sono:

Se gli agenti LLM non sono addestrati su dati sufficienti o se i dati mancano di varietà, si potrebbe venire a creare un contesto limitato, che riducerebbe la capacità dell'agente di produrre risposte pertinenti e attuabili.

Gli agenti eccellono nella pianificazione a breve termine, ma potrebbero avere difficoltà a gestire le richieste di piani a lungo termine che si estendono per mesi o anni a causa della mancanza di memoria persistente, delle limitazioni della finestra contestuale e delle lacune nell'integrazione degli strumenti (e delle risorse).

Dati di origine imprecisi o istruzioni poco chiare possono portare a risultati incoerenti. Se la stessa query restituisce più risultati, compromette l'utilità degli agenti LLM.

Gli agenti possono essere personalizzati per ricoprire svariati ruoli. Il successo di questi ruoli, tuttavia, dipende dal framework di intelligenza artificiale utilizzato. Ciò è dovuto al fatto che il framework determina l'efficacia con cui l'agente può essere addestrato, implementato e integrato con altri strumenti e sistemi.

I prompt costituiscono la base delle risposte degli agenti, ma gli agenti LLM devono anche usare la memoria e l'autoriflessione per formulare risposte informate. La scarsità o l'assenza di tali componenti può limitare l'ambito e l'accuratezza delle risposte.

Ne è un esempio la dipendenza dai prompt, che si verifica quando gli LLM "dipendono" dai prompt che forniscono indizi contestuali sull'output desiderato. Nel migliore dei casi, questo porta a risultati leggermente distorti. Nel peggiore dei casi, gli output sono imprecisi.

L'enorme volume di conoscenze processate e archiviate dagli agenti LLM può portare a sfide di gestione, che possono presentarsi ad esempio in forma di performance ridotta o risposte imprecise.

Di norma gli agenti LLM migliorano l'efficienza operativa, il che può significare un aumento del ROI derivante dall'utilizzo degli agenti e risparmi nell'intera azienda. Tuttavia, se gli agenti non sono integrati con i sistemi esistenti o sono basati su framework ad alta intensità di risorse, si può andare incontro a un aumento dei costi e una riduzione dell'efficienza.

Con il progressivo aumento della complessità degli algoritmi ML della potenza dei chipset, si può prevedere che questi tipi di agenti LLM e AI diventino più intelligenti, più veloci e più capaci di apprendere nel corso del processo. In pratica, questo crea un'opportunità per tali chatbot basati sull'intelligenza artificiale di lavorare a fianco delle loro controparti umane piuttosto che operare in secondo piano.

Prendiamo ad esempio le vendite B2B. Tradizionalmente, i collaboratori possono utilizzare gli LLM per migliorare i testi di marketing o dei prodotti e generare potenziali lead. Con strumenti più avanzati, il personale può utilizzare gli agenti per progettare e implementare campagne e-mail dettagliate e rispondere a domande sul campo da parte dei clienti. Ciò offre il duplice vantaggio di una migliore personalizzazione per i clienti e di più tempo per il personale per concentrarsi sulla creazione di strategie di vendita a lungo termine.

A fronte della crescita esponenziale registrata dall'intelligenza artificiale aziendale, le imprese beneficiano dai vari tipi di agenti LLM. Questa tecnologia offre alle aziende un modo per migliorare il servizio clienti, perfezionare il processo decisionale e gestire problemi complessi e in più fasi.

Agentforce aiuta le aziende a prendere il comando con gli LLM. Creando e personalizzando agenti AI autonomi, le aziende possono combinare l'esperienza dei dipendenti umani con la crescente competenza dell'intelligenza artificiale per supportare clienti e dipendenti 24 ore su 24, 7 giorni su 7. Prova tu stesso Agentforce per comprendere in che modo può aiutarti a connetterti meglio con i clienti e rendere i tuoi dipendenti più efficienti.