กลไกการใช้เหตุผล Atlas ขับเคลื่อน Agentforce อย่างไร

ความเร็วของนวัตกรรมในโลกของ AI — และโดยเฉพาะอย่างยิ่ง Generative AI — ยังคงดำเนินไปอย่างรวดเร็ว ด้วยความซับซ้อนทางเทคนิคที่มีอยู่ในปัจจุบัน อุตสาหกรรมจึงพัฒนาอย่างรวดเร็วจากการทำงานอัตโนมัติแบบสนทนาที่ช่วยเหลือไปเป็นการทำงานอัตโนมัติตามบทบาทที่ช่วยเพิ่มศักยภาพในการทำงาน เพื่อให้ปัญญาประดิษฐ์ (AI) เลียนแบบประสิทธิภาพในระดับมนุษย์ เราจำเป็นต้องทำความเข้าใจว่าอะไรที่ทำให้มนุษย์มีประสิทธิผลสูงสุดในการทำงานให้สำเร็จ ซึ่งก็คือ หน่วยงานนั่นเอง มนุษย์สามารถรับข้อมูล พิจารณาเหตุผลในเส้นทางที่เป็นไปได้ต่อไป และดำเนินการ การติดตั้ง AI ในหน่วยงานประเภทนี้ต้องอาศัยความชาญฉลาดและการตัดสินใจในระดับสูงเป็นพิเศษ

ที่ Salesforce เราได้นำความก้าวหน้าล่าสุดในโมเดลภาษาขนาดใหญ่ (LLM) และเทคนิคการให้เหตุผลมาใช้เพื่อเปิดตัว Agentforce Agentforce เป็นชุดตัวแทน AI ที่ใช้งานได้ทันที ซึ่งเป็นแอปพลิเคชันเชิงรุกที่ทำงานอัตโนมัติซึ่งออกแบบมาเพื่อดำเนินการงานเฉพาะทาง และยังมีชุดเครื่องมือสำหรับสร้างและปรับแต่งงานเหล่านั้นอีกด้วย ตัวแทน AI อัตโนมัติเหล่านี้สามารถคิด วิเคราะห์ วางแผน และประสานงานในระดับความซับซ้อนขั้นสูง Agentforce แสดงถึงการก้าวกระโดดครั้งยิ่งใหญ่ในด้านระบบอัตโนมัติของ AI สำหรับการบริการลูกค้า การขาย การตลาด การพาณิชย์ และอื่นๆ อีกมากมาย

บทความนี้จะอธิบายเกี่ยวกับนวัตกรรมที่เกิดขึ้นในกลไกการใช้เหตุผล Atlas ซึ่งเป็นสมองของ Agentforce ซึ่งได้รับการบ่มเพาะที่ Salesforce AI Research และทำหน้าที่จัดกระบวนการต่างๆ อย่างชาญฉลาดและอัตโนมัติเพื่อนำโซลูชันเอเจนต์ระดับองค์กรมาสู่บริษัทต่างๆ

เมื่อต้นปีนี้เราได้เปิดตัว Agentforce Assistant ซึ่งตอนนี้ได้พัฒนาเป็น Agentforce ตัวแทนสำหรับการจัดการความสัมพันธ์ลูกค้า (CRM) แล้ว Agentforce Assistant คือผู้ช่วยสนทนาที่ขับเคลื่อนด้วย Generative AI ที่ได้รับความชาญฉลาดมาจากกลไกที่เรียกว่า การใช้เหตุผลแบบห่วงโซ่แห่งความคิด (CoT) ในกลไกนี้ระบบ AI เลียนแบบการตัดสินใจแบบมนุษย์ด้วยการสร้างแผนที่มีลำดับขั้นตอนในการบรรลุเป้าหมาย

โดยใช้การใช้เหตุผลแบบ CoT Agentforce Assistant สามารถร่วมสร้างและทำงานร่วมกันได้ สิ่งนี้ทำให้มันมีความก้าวหน้ามากเมื่อเทียบกับบอทดั้งเดิม แต่ยังขาดการเลียนแบบสติปัญญาที่เหมือนมนุษย์อย่างแท้จริง มันสร้างแผนที่ประกอบด้วยลำดับของการดำเนินการตอบสนองต่องานและดำเนินการทีละอย่าง อย่างไรก็ตาม หากแผนไม่ถูกต้อง ก็จะไม่มีทางที่จะขอให้ผู้ใช้เปลี่ยนเส้นทางได้ สิ่งนี้ทำให้เกิดประสบการณ์ AI ที่ไม่สามารถปรับตัวได้: ผู้ใช้ไม่สามารถให้ข้อมูลใหม่และเป็นประโยชน์ในขณะที่การสนทนาดำเนินไป

เมื่อเราทดสอบ Agentforce Assistant อย่างเข้มงวดกับผู้ขายหลายพันรายจากองค์กรขายของเราเอง (Org 62) พบว่ามีรูปแบบบางประการเกิดขึ้น:

• ประสบการณ์สนทนาภาษาธรรมชาติของ Copilot นั้นดีกว่าบอทดั้งเดิมมากดังที่คาดหวังไว้ แต่ก็ยังไม่บรรลุเป้าหมายในการเป็นเหมือนมนุษย์อย่างแท้จริง จำเป็นต้องมีการสนทนากันมากขึ้น
• Copilot ทำงานได้ดีเยี่ยมในการบรรลุเป้าหมายของผู้ใช้ด้วยการดำเนินการที่ได้รับการกำหนดค่า แต่ไม่สามารถจัดการกับการสอบถามติดตามเกี่ยวกับข้อมูลที่มีอยู่ในบทสนทนาแล้วได้ จำเป็นต้องใช้บริบทที่ดีขึ้นเพื่อตอบสนองต่อคำถามของผู้ใช้มากขึ้น
• เมื่อเราเพิ่มการดำเนินการมากขึ้นเพื่อสร้างระบบอัตโนมัติให้กับกรณีใช้งานต่างๆ มากขึ้น ประสิทธิภาพของ Copilot ก็เริ่มลดลง ทั้งในแง่ของเวลาแฝง (ระยะเวลาในการตอบสนอง) และคุณภาพการตอบสนอง จำเป็นต้องปรับขนาดให้เหมาะสมกับกรณีการใช้งานและแอปพลิเคชันนับพันที่สามารถได้รับประโยชน์จากมัน

เรามุ่งมั่นที่จะค้นหาวิธีแก้ไขปัญหาเหล่านี้ และนั่นนำไปสู่การกำเนิดของ Agentforce

Agentforce เป็นโซลูชันระบบอัตโนมัติสนทนาแบบองค์กรระดับอุตสาหกรรมรายแรกที่สามารถตัดสินใจเชิงรุกและชาญฉลาดในระดับขนาดใหญ่โดยแทบไม่มีการแทรกแซงจากมนุษย์เลย ความก้าวหน้าหลายประการทำให้สิ่งนั้นเป็นไปได้

• การประสานงานตามการกระตุ้นของ ReAct เทียบกับ CoT การทดลองและการทดสอบอย่างกว้างขวางแสดงให้เห็นว่าการกระตุ้นแบบการใช้เหตุผลและการกระทำ (ReAct) ให้ผลลัพธ์ที่ดีกว่ามากเมื่อเทียบกับเทคนิค CoT ในกลไก ReAct ระบบจะดำเนินการตามวงจรของเหตุผล การกระทำ และการสังเกต จนกระทั่งบรรลุเป้าหมายของผู้ใช้ แนวทางการวนซ้ำแบบนี้ช่วยให้ระบบพิจารณาข้อมูลใหม่ และถามคำถามเพื่อชี้แจงหรือยืนยันเพื่อให้บรรลุเป้าหมายของผู้ใช้อย่างแม่นยำที่สุด นอกจากนี้ยังนำไปสู่ประสบการณ์การสนทนาแบบภาษาที่ลื่นไหลและเป็นธรรมชาติมากยิ่งขึ้น
• การจำแนกหัวข้อ เราได้แนะนำแนวคิดใหม่ที่เรียกว่าหัวข้อ ซึ่งจะเชื่อมโยงกับความตั้งใจของผู้ใช้ หรือหน้าที่ที่ต้องทำ เมื่อมีอินพุตจากผู้ใช้เข้ามา อินพุตดังกล่าวจะถูกแมปไปยังหัวข้อ ซึ่งมีชุดคำสั่ง นโยบายทางธุรกิจ และการดำเนินการที่เกี่ยวข้องเพื่อตอบสนองคำขอเหล่านั้น กลไกนี้ช่วยกำหนดขอบเขตของงานและพื้นที่โซลูชันที่สอดคล้องกันสำหรับ LLM ช่วยให้ปรับขนาดระบบได้อย่างง่ายดาย คำแนะนำภาษาธรรมชาติที่ฝังอยู่ในหัวข้อต่างๆ ให้คำแนะนำและแนวทางป้องกันเพิ่มเติมสำหรับ LLM ดังนั้น หากเราต้องการให้ดำเนินการบางอย่างในลำดับที่แน่นอน นั่นอาจเป็นคำสั่งหัวเรื่องในภาษาธรรมชาติได้ หากมีนโยบายทางธุรกิจ เช่น “คืนสินค้าฟรีไม่เกิน 30 วัน” ก็สามารถระบุเป็นคำแนะนำและส่งต่อให้กับ LLM ได้ เพื่อให้สามารถนำนโยบายเหล่านี้ไปพิจารณาและแจ้งการโต้ตอบของผู้ใช้ได้ตามความเหมาะสม แนวคิดเหล่านี้ช่วยให้ตัวแทนสามารถปรับขนาดการดำเนินการได้หลายพันครั้งอย่างปลอดภัยและมั่นคง
• ใช้ LLM สำหรับการตอบกลับ ก่อนหน้านี้ เราจำกัดระบบให้ตอบสนองเฉพาะผลลัพธ์การดำเนินการเท่านั้น ซึ่งจำกัดความสามารถในการตอบสนองโดยอิงตามข้อมูลที่มีอยู่ในบทสนทนาอย่างมาก ด้วยการเปิดระบบเพื่อให้ LLM ตอบสนองโดยใช้บริบทในประวัติการสนทนา เราได้สร้างประสบการณ์การสนทนาที่สมบูรณ์แบบยิ่งขึ้นมาก ขณะนี้ ผู้ใช้สามารถขอคำชี้แจงและถามคำถามติดตามผลลัพธ์ก่อนหน้าได้ ส่งผลให้มีอัตราการบรรลุเป้าหมายโดยรวมสูงขึ้น
• ความคิด/การใช้เหตุผล การกระตุ้นให้ LLM แบ่งปันความคิดหรือให้เหตุผลในการเลือกดำเนินการบางอย่างช่วยป้องกันการสรุปข้อมูลเอาเองได้อย่างมาก สิ่งนี้มีข้อได้เปรียบเพิ่มเติมในการให้การมองเห็นพฤติกรรมของ LLM เพื่อให้ผู้ดูแลระบบและนักพัฒนาปรับแต่งตัวแทนให้ตรงกับความต้องการของพวกเขาได้ การใช้เหตุผลนั้นมีอยู่ในเครื่องมือสร้างตัวแทนตามค่าเริ่มต้น และผู้ใช้ยังสามารถถามตัวแทนด้วยคำถามติดตามเพื่อให้พวกมันสามารถอธิบายการใช้เหตุผลได้ สิ่งนี้ไม่เพียงแต่ป้องกันการสรุปข้อมูลเอาเอง แต่ยังช่วยสร้างความไว้วางใจอีกด้วย

นอกเหนือจากกลไกการใช้เหตุผล Atlas แล้ว Agentforce ยังมีคุณลักษณะที่น่าสังเกตอื่นๆ อีกหลายประการที่ทำให้แตกต่าง

• การดำเนินการเชิงรุก การป้อนข้อมูลของผู้ใช้เป็นวิธีหนึ่งในการทริกเกอร์ตัวแทน นอกจากนี้ ตัวแทน Agentforce ยังสามารถถูกเรียกใช้งานโดยการดำเนินการข้อมูลบน CRM หรือกระบวนการทางธุรกิจและกฎเกณฑ์ เช่น การอัปเดตสถานะเคส อีเมลที่ได้รับโดยแบรนด์ หรือการประชุมที่จะเริ่มต้นในอีก 5 นาที กลไกเหล่านี้มอบความกระตือรือร้นในระดับหนึ่งแก่ตัวแทน ซึ่งทำให้สามารถนำไปใช้ได้ในสภาพแวดล้อมทางธุรกิจแบบไดนามิกต่างๆ และขยายประโยชน์ใช้สอยให้กับทั้งฝ่ายธุรการและฝ่ายหลังสำนักงาน
• การดึงข้อมูลแบบไดนามิก เคสการใช้งานทางธุรกิจส่วนใหญ่เกี่ยวข้องกับการค้นหาข้อมูลหรือการดำเนินการ หนึ่งในกลไกที่แพร่หลายที่สุดในการป้อนข้อมูลคงที่ให้กับตัวแทนคือการต่อลงดิน อย่างไรก็ตาม ความสามารถของตัวแทนในการแตะข้อมูลไดนามิกเป็นสิ่งที่ปลดล็อกศักยภาพอันมากมายของกรณีการใช้งานและแอปพลิเคชัน
  
  Agentforce รองรับกลไกต่างๆ มากมายในการเข้าถึงข้อมูลแบบไดนามิก ประการแรกคือการสร้างโดยการเสริมจากภายนอก หรือ RAG การใช้การค้นหาเชิงความหมายบนข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างใน Data Cloud ผ่าน RAG ช่วยให้ตัวแทนสามารถดึงข้อมูลที่เกี่ยวข้องใดๆ จากแหล่งข้อมูลภายนอกและฐานข้อมูลได้
  
  ประการที่สอง ด้วยการนำเสนอเครื่องมือค้นหาข้อมูลทั่วไป เช่น การค้นหาบนเว็บ และการถาม-ตอบเกี่ยวกับความรู้ เราได้เพิ่มความสามารถของตัวแทนในการจัดการงานที่ซับซ้อน ลองนึกภาพการค้นคว้าข้อมูลบริษัทหรือผลิตภัณฑ์ทางออนไลน์โดยใช้การค้นหาทางเว็บ และรวมเข้ากับความรู้ภายในเกี่ยวกับกฎและนโยบายของบริษัท จากนั้นดำเนินการในรูปแบบของการสรุปข้อมูลทางอีเมลไปยังผู้ติดต่อ การรวมข้อมูลจากหลายแหล่งทำให้ตัวแทนจัดการงานทางธุรกิจได้อย่างมีประสิทธิภาพและมีประสิทธิผลมากขึ้น
  
  สุดท้ายตัวแทนสามารถปรับใช้ในโฟลว์, API และคลาส Apex ได้ การดำเนินการดังกล่าวช่วยให้ข้อมูลบริบททั้งหมดในเวิร์กโฟลว์ รวมไปถึงข้อมูลสำหรับสถานการณ์ต่างๆ สามารถส่งผ่านไปยังตัวแทนได้ ทำให้ไม่จำเป็นต้องสร้างโซลูชันแบบกำหนดเองและจัดการแต่ละสถานการณ์แยกกัน กลไกทั้งหมดเหล่านี้ที่ช่วยให้ตัวแทนสามารถเข้าถึงข้อมูลไดนามิกได้ ช่วยให้ตัวแทนเข้าใจสภาพแวดล้อมของตนได้ดีขึ้น ซึ่งจะช่วยเพิ่มการโต้ตอบหลายเท่า
• โอนไปยังตัวแทนที่เป็นมนุษย์AI ไม่สามารถกำหนดได้แน่ชัด และสามารถสรุปข้อมูลเอาเองได้ นั่นคือเหตุผลที่เราได้ริเริ่ม เลเยอร์การพิทักษ์ของ Einstein|การรับข้อมูลที่ปลอดภัย ที่แข็งแกร่งเพื่อให้การตรวจจับความข้อมูลเชิงลบ สัญญาการเก็บรักษาข้อมูลเป็นศูนย์ การป้องกันการแทรกพร้อมท์ และกลไกอื่นๆ อีกมากมาย เราได้กำหนดกฎเกณฑ์ไว้ในระบบของเราเพื่อป้องกันไม่ให้ LLM ออกนอกเรื่องและสรุปข้อมูลเอาเอง แต่ถึงแม้จะมีกลไกทั้งหมดนี้ LLM ก็ยังไม่แม่นยำ 100% สำหรับสถานการณ์ทางธุรกิจที่สำคัญที่การยอมรับข้อผิดพลาดเป็นศูนย์ การถ่ายโอนข้อมูลให้กับมนุษย์ได้อย่างราบรื่นจึงเป็นสิ่งสำคัญ และเป็นสิ่งที่ Agentforce รองรับโดยธรรมชาติ Agentforce ถือว่า “การโอนไปยังตัวแทนที่เป็นมนุษย์” เป็นเพียงการดำเนินการอีกอย่างหนึ่ง ซึ่งช่วยให้สามารถโอนการสนทนาไปยังมนุษย์ได้อย่างปลอดภัยและราบรื่นในทุกสถานการณ์ทางธุรกิจที่ต้องการ

แม้ว่าจะยังอยู่ในช่วงเริ่มต้น แต่ Agentforce ก็ถือเป็นตัวเปลี่ยนเกมสำหรับลูกค้าของเรา ลูกค้าเช่น Wiley และ Saks Fifth Avenue กำลังเห็นผลกระทบแบบทวีคูณต่อ KPI ของธุรกิจของตนด้วยตัวแทนบริการ Agentforce ในขณะที่วงล้อแห่งนวัตกรรมและความก้าวหน้าทางเทคโนโลยียังคงหมุนอย่างรวดเร็วทั้งที่ Salesforce Research และภายในอุตสาหกรรม เรายังคงหมุนด้วยความเร็วแสงเพื่อนำนวัตกรรมต่างๆ มาใช้เพื่อให้ตัวแทนมีประสิทธิภาพและชาญฉลาดมากยิ่งขึ้น ความก้าวหน้าบางประการที่ลูกค้าสามารถคาดหวังได้ในอนาคตอันใกล้นี้ ได้แก่:

• กรอบการทดสอบและการประเมินสำหรับตัวแทน การนำระบบตัวแทนที่ซับซ้อนเช่น Agentforce มาใช้ในองค์กรจำเป็นต้องมีการทดสอบและการตรวจสอบเป็นจำนวนมาก ดังนั้น เราจึงได้พัฒนากรอบการประเมินที่แข็งแกร่งเพื่อทดสอบผลลัพธ์ของการดำเนินการ ปัจจัยนำเข้า ผลผลิต ความถูกต้องของการวางแผน การจำแนกหัวข้อ และสถานะของผู้วางแผน เราใช้เฟรมเวิร์กนี้เพื่อเพิ่มประสิทธิภาพตัวแทนในด้านการวัดผลต่างๆ เช่น ความแม่นยำ ความหน่วง ต้นทุนในการให้บริการ และความน่าเชื่อถือ กรอบการประเมินของเราออกแบบมาเพื่อใช้กับกรณีการใช้งานทางธุรกิจของ CRM โดยเฉพาะ ซึ่งแตกต่างจากกรอบและเกณฑ์มาตรฐานที่มีอยู่ทั่วไปส่วนใหญ่ ซึ่งมุ่งเน้นไปที่การประเมินผลการปฏิบัติงานของ LLM ในงานต่างๆ เช่น คณิตศาสตร์ วิทยาศาสตร์ และความรู้ทั่วไปเป็นหลัก นอกจากนี้เรายังได้เผยแพร่เกณฑ์มาตรฐาน LLM ฉบับแรกของโลกและกำลังดำเนินการจัดทำกรอบการประเมินสำหรับตัวแทนให้แก่ลูกค้าและพันธมิตร
• รองรับหลายเจตนา นี่คือรากฐานสำคัญของการจำลองกลไกการสนทนาแบบมนุษย์ สำนวนในแต่ละวันมีหลายแบบที่ประกอบด้วยเป้าหมายที่ไม่เกี่ยวข้องกันหลายประการ เช่น "อัปเดตคำสั่งซื้อของฉันและหาเสื้อไซส์ M ให้ฉัน" "อัปเดตสถานะเคสและส่งอีเมลสรุปขั้นตอนการแก้ไขปัญหาให้ลูกค้า" และ "จองเที่ยวบินและจองโรงแรม" ด้วยการผสมผสานระหว่างความสามารถในการเข้าใจภาษาธรรมชาติของ LLM การรองรับหน้าต่างบริบทขนาดใหญ่ และแนวคิดเชิงนวัตกรรมของเรา เช่น หัวข้อ เราจะทำการทดลองต่อไปเพื่อสร้างโซลูชันที่เชื่อถือได้ ปรับขนาดได้ และปลอดภัยสำหรับลูกค้าของเรา
• การสนับสนุนหลายโหมด แม้ว่าการโต้ตอบแบบดิจิทัลส่วนใหญ่จะใช้ข้อความ แต่การโต้ตอบที่ใช้เสียงและภาพก็เพิ่มความสมบูรณ์ให้กับประสบการณ์หลายเท่า เพราะถือเป็นวิธีโต้ตอบที่เป็นธรรมชาติที่สุดของมนุษย์ ในความเป็นจริง ด้วยความก้าวหน้า เช่น การประมวลผลข้อมูลอินพุตหลายโหมดพร้อมกัน เวลาตอบสนองที่รวดเร็วยิ่งขึ้น หน้าต่างบริบทขนาดใหญ่ และ ความสามารถในการใช้เหตุผลที่ซับซ้อน คาดการณ์ว่าตลาด AI หลายโหมดจะเติบโตขึ้นประมาณ 36% ภายในปี 2031 มีเคสการใช้งานองค์กรหลายเคสที่สามารถได้รับประโยชน์จากการสนับสนุนหลายโหมดได้ทันที:
  • เคสการใช้งานเสียง การแทนที่การตอบกลับด้วยเสียงแบบโต้ตอบ (IVR) ด้วยการสนับสนุนด้วยเสียงที่ขับเคลื่อนโดย Generative AI การฝึกอบรม การสอนงานพนักงาน และการต้อนรับพนักงานใหม่
  • เคสการใช้งานการมองเห็น การค้นหาและเปรียบเทียบผลิตภัณฑ์ การเรียกดูอินเทอร์เฟซผู้ใช้ (เว็บ มือถือ) การแก้ไขปัญหา และการแก้ไขปัญหาสำหรับการบริการภาคสนาม
• รองรับหลายตัวแทน การโต้ตอบระหว่างตัวแทนถือเป็นการพัฒนาทางธุรกิจที่สร้างการเปลี่ยนแปลงมากที่สุดในยุคสมัยของเรา ด้วยความสามารถในการค้นหา รวบรวม และประมวลผลข้อมูลพร้อมๆ กัน ระบบมัลติเอเจนต์จึงสามารถลดเวลาในการประมวลผลสำหรับเวิร์กโฟลว์ที่ซับซ้อนและยาวนาน ซึ่งปัจจุบันดำเนินการแบบต่อเนื่องเนื่องมาจากการส่งต่อข้อมูลระหว่างมนุษย์ได้อย่างมาก สามารถแทรกตัวแทนดิจิทัลเข้าไปในเวิร์กโฟลว์เหล่านี้สำหรับงานประมวลผลข้อมูลที่ทำซ้ำได้ และยังช่วยให้มนุษย์ที่เกี่ยวข้องในกระบวนการเหล่านี้มีประสิทธิภาพมากขึ้นอีกด้วย
  
  เรากำลังแนะนำรูปแบบตัวแทนหลายรายนี้ในกระบวนการขาย โดยที่ตัวแทนสามารถทำหน้าที่เป็นตัวแทนพัฒนาการขายเพื่อดูแลกระบวนการขาย หรือเป็นโค้ชการขายเพื่อให้คำแนะนำแก่ตัวแทนขายเกี่ยวกับวิธีเจรจาข้อตกลงที่ดีที่สุด ตัวแทนเฉพาะทางยังสามารถจัดการด้านอื่นๆ ของกระบวนการขายได้ เช่น การคัดเลือกลูกค้าเป้าหมาย การเตรียมข้อเสนอ และการติดตามหลังการขาย ในทำนองเดียวกัน เวิร์กโฟลว์การบริการสามารถประกอบด้วยตัวแทนที่แก้ไขปัญหา ติดตาม และกำหนดตั๋ว รวมทั้งตัวแทนที่ตอบคำถามของลูกค้าและช่วยเหลือตัวแทนฝ่ายมนุษย์

Agentforce แสดงถึงคลื่นลูกที่สามของ AI หลังจาก Predictive AI และ Copilot ด้วยการใช้ Agentforce ลูกค้าสามารถสร้างตัวแทนที่ไม่เพียงแต่ตอบสนองต่อข้อความสนทนาเพื่อดำเนินการเท่านั้น แต่ยังสามารถคาดการณ์ วางแผน และให้เหตุผลด้วยความช่วยเหลือเพียงเล็กน้อย ตัวแทนสามารถทำให้เวิร์กโฟลว์หรือกระบวนการทั้งหมดเป็นอัตโนมัติ ตัดสินใจ และปรับตัวตามข้อมูลใหม่ ทั้งหมดนี้โดยไม่ต้องมีการแทรกแซงจากมนุษย์ ในเวลาเดียวกัน ตัวแทนเหล่านี้ยังสามารถส่งมอบงานให้กับพนักงานได้อย่างราบรื่น ช่วยให้การทำงานร่วมกันระหว่างทุกสายธุรกิจเป็นไปได้ง่ายขึ้น ตัวแทนเหล่านี้ได้รับการขับเคลื่อนด้วยกลไกการใช้เหตุผล Atlas ซึ่งสามารถใช้งานได้ในไม่กี่คลิกเพื่อเสริมและเปลี่ยนแปลงฟังก์ชันหรือทีมธุรกิจใดๆ