Działania Anthropic i Salesforce na rzecz AI dla przedsiębiorstw ujawniają lukę we wdrażaniu
Liderzy Anthropic i Salesforce przekazali podczas Dreamforce bezpośredni komunikat: firmy wykorzystują jedynie od 5% do 10% obecnego potencjału AI. Działania Anthropic i Salesforce na rzecz AI dla przedsiębiorstw koncentrują się teraz na zamknięciu tej luki, a nie na oczekiwaniu na kolejny skok możliwości modeli.
Prezes Anthropic Dario Amodei i prezes Salesforce Marc Benioff opisali wdrażanie jako nierówne podczas wystąpienia 15 września w San Francisco. Ich argument odwraca istotną dotychczasową narrację. Firmy AI stale tworzą coraz bardziej zaawansowane systemy, jednak większość przedsiębiorstw wciąż ma trudności z przekształceniem istniejących możliwości w niezawodną pracę operacyjną.
Ta luka stawia Salesforce w nietypowej pozycji. Firmy tworzące modele czołowe mogą zagrażać tradycyjnym platformom programistycznym, ale potrzebują też tych platform, aby dotrzeć do danych korporacyjnych i przepływów pracy. Salesforce z kolei potrzebuje modeli takich jak Claude, jednocześnie broniąc swojej roli warstwy operacyjnej dla informacji o klientach i procesów biznesowych.
Anthropic Salesforce Enterprise AI przechodzi od modeli do przepływów pracy
Najważniejszy przekaz nie był taki, że przedsiębiorstwa potrzebują inteligentniejszej AI. Chodziło o to, że potrzebują większego wsparcia w wykorzystywaniu inteligencji, która jest już dostępna.
Amodei stwierdził, że tylko od 5% do 10% obecnej wartości AI rozprzestrzeniło się w gospodarce. Jego szacunek dotyczący rozpowszechnienia gospodarczego był oceną, a nie niezależnie zmierzoną statystyką ekonomiczną. Mimo to określił centralny problem, przed którym stoją dostawcy AI dla przedsiębiorstw.
Firmy mogą w ciągu kilku minut otworzyć chatbota i wygenerować użyteczny tekst. Wdrożenie AI w regulowanej działalności sprzedażowej, usługowej, finansowej lub wsparcia stanowi zupełnie inne wyzwanie.
System produkcyjny potrzebuje dokładnego kontekstu biznesowego, kontrolowanego dostępu, przewidywalnych działań i nadzoru człowieka. Potrzebuje też właściciela, który potrafi zdecydować, czy system przyniósł wartościowy rezultat.
Benioff opisał znaczną „nierówność” we wdrażaniu przez firmy. Niektóre zespoły osadziły AI w codziennych działaniach, podczas gdy inne utknęły na etapie pilotaży. Powiedział klientom Dreamforce, że Salesforce musi zrobić więcej, aby przyspieszyć ich transformację.
Firmy połączyły ten przekaz z konkretną premierą produktową. Anthropic przedstawił Salesforce in Claude, beta-wtyczkę łączącą Claude z kontami, szansami sprzedażowymi i informacjami o pipeline.
Wtyczka Salesforce in Claude obejmuje 37 umiejętności dla typowych zadań sprzedażowych. Obejmują one badanie kont, przygotowanie do spotkań, przeglądy pipeline oraz aktualizacje CRM.
Wtyczkę wspierają dwa konektory. Jeden wprowadza dane Salesforce do Claude zgodnie z istniejącymi uprawnieniami. Drugi, według Anthropic, łączy Agentforce Sales z Claude.
Claude może przygotować poranne podsumowanie zawierające spotkania, transakcje bliskie finalizacji, zagrożone szanse oraz wiadomości bez odpowiedzi. Może także przygotowywać zmiany w CRM, ale sprzedawca musi zatwierdzić te aktualizacje, zanim trafią do Salesforce.
Ten etap zatwierdzania ma znaczenie. Pokazuje, że firmy pozycjonują AI jako asystenta operacyjnego, a nie nieograniczonego decydenta.
Anthropic wskazał GitLab, Siemens i Legora jako klientów wdrażających integrację. Benioff powiedział również, że 7 000 pracowników Salesforce już korzysta z narzędzi zintegrowanych z Claude.
Wdrożenia te dostarczają konkretnych przykładów, lecz nie dowodzą szerokich wzrostów produktywności klientów. Anthropic nie opublikował porównawczych wyników pokazujących, jak wtyczka wpływa na przychody, cykle sprzedaży lub jakość danych.
Premiera mimo to zmienia rozmowę o AI dla przedsiębiorstw. Kieruje uwagę z odizolowanych promptów na kompletne zadania w systemach, w których pracownicy już pracują.
Sprzedawca nie potrzebuje kolejnej ogólnej demonstracji generowania tekstu. Potrzebuje niezawodnego dostępu do właściwego konta, najnowszej rozmowy i firmowych zasad zatwierdzania.
Partnerstwo próbuje połączyć te elementy. Claude zapewnia ogólne możliwości rozumowania i językowe. Salesforce dostarcza rejestry klientów, logikę przepływów pracy, uprawnienia i działania.
To połączenie definiuje strategię Anthropic Salesforce enterprise AI. Model pozostaje ważny, ale otaczający go system operacyjny decyduje, czy pracownik może zaufać mu w prawdziwej pracy.
Dlaczego wdrażanie AI w przedsiębiorstwach wciąż pozostaje w tyle za możliwościami
Wdrażanie w przedsiębiorstwach zwalnia, gdy przekonująca demonstracja napotyka rozproszone dane, niejasną odpowiedzialność i przepływy pracy, które nie mogą tolerować improwizacji.
Modele AI poprawiały się szybciej, niż większość firm może przeprojektować swoje operacje. Przedsiębiorstwa muszą połączyć wiele systemów, sklasyfikować wrażliwe informacje, określić dopuszczalne działania i przeszkolić pracowników, zanim agent będzie mógł działać bezpiecznie.
Nawet podstawowe pytanie może wymagać informacji z kilku źródeł. Klient może zapytać, czy zamówienie może zostać wysłane dziś. Poprawna odpowiedź może wymagać danych CRM, informacji o zapasach, umów, zasad i wcześniejszej komunikacji.
Model może od razu zrozumieć pytanie. Nadal jednak nie może udzielić niezawodnej odpowiedzi operacyjnej bez aktualnego, autoryzowanego dostępu do każdego istotnego źródła.
To rozróżnienie wyjaśnia, dlaczego pilotaże często postępują szybciej niż wdrożenia produkcyjne. Pilotaż może korzystać z wąskiego zbioru danych i tolerować ręczne korekty. System produkcyjny musi obsługiwać wyjątki, uprawnienia, audyty i zmieniające się zasady biznesowe.
Własne badanie Salesforce wśród CIO ilustruje tę sprzeczność. Jego ankieta dotycząca wdrażania wśród CIO wykazała, że pełne wdrożenie AI wzrosło z 11% w 2024 roku do 42% w 2026 roku.
Ta sama ankieta wykazała, że 93% CIO uznało integrację przepływów pracy za niezbędną dla skutecznego wdrażania agentów. Jednak mniej niż połowa zgłosiła współpracę międzyfunkcyjną wymaganą do szerszego wdrożenia.
Obawy dotyczące danych również pozostają nierozwiązane. Bezpieczeństwo i prywatność były najczęściej wskazywanym lękiem respondentów, tuż za nimi znalazł się brak zaufanych danych.
Tylko 23% ankietowanych CIO czuło się całkowicie pewnie, że ich inwestycje w AI obejmowały wbudowane zarządzanie danymi. Salesforce przeprowadził podwójnie ślepą ankietę wśród 200 CIO z 24 krajów.
Ankieta pochodzi od firmy sprzedającej rozwiązania dla tych problemów, dlatego jej ustalenia wymagają tego kontekstu. Bariery wdrożeniowe odpowiadają jednak dobrze znanemu wzorcowi w technologii dla przedsiębiorstw.
Organizacje często kupują możliwości techniczne, zanim uporządkują procesy wokół nich. AI potęguje ten błąd, ponieważ jej wynik może wyglądać wiarygodnie nawet wtedy, gdy kontekst jest niepełny.
Niedokładne obliczenie na dashboardzie może wywołać oczywiste dochodzenie. Płynna odpowiedź AI może ukryć brakujące źródło, nieaktualny rekord lub błędnie zrozumianą instrukcję.
Przedsiębiorstwa potrzebują zatem systemów oceny, a nie tylko dostępu do modeli. Muszą sprawdzać, czy agent wybiera właściwe dane, przestrzega zasad i przekazuje niepewne przypadki ludziom.
Potrzebują też jasnych miar sukcesu. Zaoszczędzony czas może mieć znaczenie, ale nie przekłada się automatycznie na przychody ani lepszą obsługę.
Agent sprzedażowy, który szybciej tworzy e-maile, może przynosić niewielką wartość, jeśli pracownicy poświęcają tyle samo czasu na sprawdzanie jego pracy. Zautomatyzowana interakcja usługowa może skrócić czas obsługi, jednocześnie pogarszając satysfakcję klientów.
Najbardziej użyteczne pomiary łączą zadanie AI z wynikiem biznesowym. Przykłady obejmują mniej porzuconych spraw, krótsze przygotowanie do sprzedaży, lepszą kompletność CRM i niższy wskaźnik eskalacji.
To właśnie tutaj centralne znaczenie zyskuje architektura wiedzy przedsiębiorstwa. Zespoły potrzebują przeszukiwalnej bazy wiedzy, która zachowuje kontekst i udostępnia materiały źródłowe upoważnionym użytkownikom.
Bez tego fundamentu zaawansowany model pozostaje odłączony od faktów potrzebnych pracownikom. Luka we wdrażaniu jest zatem częściowo problemem danych i organizacji.
Jest to także problem zarządzania zmianą. Pracownicy muszą rozumieć, kiedy zaufać agentowi, kiedy sprawdzić jego źródła i kiedy zastąpić jego rekomendację własną decyzją.
Menedżerowie muszą ustalić, kto odpowiada za błędy przekraczające granice kilku działów. Zespoły bezpieczeństwa potrzebują widoczności, a zespoły operacyjne wystarczającej swobody, aby usprawniać swoje przepływy pracy.
Te wymogi wymagają czasu. Wyjaśniają też, dlaczego kolejna premiera modelu nie może sama w sobie przekształcić obiecującego pilotażu w system korporacyjny.
Partnerstwo przekształca potencjalnego rywala w infrastrukturę
Anthropic i Salesforce rywalizują o kontrolę nad doświadczeniem użytkownika, jednak każda z firm potrzebuje zasobów, które druga już posiada.
Asystenci AI coraz częściej służą jako interfejsy dla oprogramowania biznesowego. Użytkownik może poprosić Claude o przegląd pipeline zamiast przechodzić przez sekwencję ekranów CRM.
Ta zmiana zagraża tradycyjnej pozycji dostawców aplikacji. Jeśli pracownicy zaczynają pracę w ogólnym asystencie AI, asystent może stać się głównym interfejsem.
Salesforce nadal kontroluje ważne zasoby znajdujące się pod tym interfejsem. Przechowuje relacje z klientami, uprawnienia, definicje procesów i rejestry aktywności biznesowej.
Anthropic kontroluje model i asystenta, których wielu użytkowników już traktuje jako miejsce do rozumowania, pisania i analizowania. Włączenie Salesforce do Claude łączy ten interfejs z danymi operacyjnymi.
Układ przypomina wynegocjowany podział pracy. Claude obsługuje rozmowę i szerokie rozumowanie, podczas gdy Salesforce pozostaje systemem zarządzającym rejestrami i działaniami.
Nie ma gwarancji, że ten podział pozostanie stabilny. Anthropic może rozbudować swoje konektory i funkcje aplikacyjne. Salesforce może mocniej promować własne modele lub oferować konkurencyjnych asystentów.
Salesforce ogłosił Koa, swój pierwszy model rozumowania CRM, w tym samym okresie Dreamforce. Firma twierdzi, że Koa został wytrenowany na syntetycznych scenariuszach przedsiębiorstw i działa w obrębie jej granicy zaufania.
Według Salesforce wewnętrzny benchmark wykazał, że Koa dorównywał wiodącym modelom lub je przewyższał w działaniach CRM, popełniając trzy razy mniej błędów. Jest to benchmark firmy, a nie niezależna ocena.
Projekt modelu Koa nadal ujawnia strategię Salesforce. Firma chce zapewniać wyspecjalizowaną inteligencję dla zadań CRM, jednocześnie utrzymując wsparcie dla modeli zewnętrznych.
Koa wykorzystuje otwarte modele Nvidia Nemotron jako fundament. Salesforce twierdzi, że kontroluje wagi i wykonuje procesy post-training oraz inferencję we własnej infrastrukturze.
Takie podejście daje klientom kolejną ścieżkę. Mogą korzystać z Claude do ogólnego rozumowania, z modelu hostowanego przez Salesforce do wyspecjalizowanej pracy CRM lub z różnych modeli dla odrębnych zadań.
Salesforce nazywa wybór modeli częścią otwartej architektury. Interes biznesowy firmy jest jasny. Chce, aby warstwa aplikacji i zarządzania pozostała wartościowa nawet wtedy, gdy zmienia się pozycja lidera wśród modeli.
Anthropic ma odpowiadający temu interes. Bezpośrednia integracja z Salesforce przybliża Claude do wartościowych korporacyjnych przepływów pracy bez konieczności odtwarzania przez Anthropic kompletnej platformy CRM.
Tworzy to praktyczny rozejm, a nie trwałe porozumienie. Obie firmy odnoszą korzyści, dopóki przedsiębiorstwa potrzebują mostu między modelami a istniejącymi aplikacjami.
Według raportu Bloomberg Salesforce posiadał również udział w Anthropic wyceniany na około 5 miliardów dolarów na początku czerwca. Ta relacja finansowa dodaje kolejną warstwę do ich technicznego zbliżenia.
Jednak klienci powinni oceniać tę integrację jako decyzję produktową, a nie jako dowód, że interesy firm idealnie pokrywają się z ich własnymi.
Firma może cenić wygodę ujednoliconego przepływu pracy. Może również obawiać się koncentracji dostawców, zmieniających się granic produktów oraz kosztów późniejszego przenoszenia agentów.
Przenośność modeli może ograniczyć to ryzyko. Wspólne metody oceny, stabilne interfejsy i jasno określone uprawnienia mogą ułatwić zmianę dostawcy.
Jeszcze większe znaczenie ma przenośność danych. Przedsiębiorstwo, które nie potrafi oddzielić własnego kontekstu od jednego modelu lub platformy, może odtworzyć znany problem uzależnienia od dostawcy oprogramowania.
Pytanie konkurencyjne jest zatem szersze niż Claude kontra Agentforce. Dotyczy tego, która warstwa przejmie trwałą wartość z korporacyjnej AI.
Dostawcy modeli twierdzą, że lepsze rozumowanie przyciągnie użytkowników i obciążenia robocze. Dostawcy aplikacji argumentują, że zarządzane dane i osadzone przepływy pracy tworzą trwałe wyróżniki.
Partnerstwo Anthropic i Salesforce w zakresie korporacyjnej AI łączy te twierdzenia. Jego sukces zależy od tego, czy klienci uznają połączony system za bardziej użyteczny niż każda z warstw osobno.
Salesforce stawia na to, że brakującą warstwą jest kontrola
Salesforce uważa, że przedsiębiorstwa zapłacą za systemy otaczające AI, ponieważ rozumowanie musi łączyć się z regułami, tożsamością, danymi i rozliczalnym działaniem.
Firma nazywa proponowany fundament Enterprise AI Harness. Harness to warstwa architektoniczna zapewniająca wspólny kontekst, bezpieczeństwo, zarządzanie, modele i działania.
Enterprise AI harness Salesforce zawiera sześć deklarowanych możliwości. Obejmują one kontekst, sprawczość, działanie, zarządzanie, bezpieczeństwo i wybór modelu.
Firma ogłosiła również AI Control Plane. Salesforce twierdzi, że umożliwi ono administratorom rejestrowanie agentów, stosowanie zasad tożsamości, obserwowanie zachowań, ocenę wydajności i zarządzanie kosztami.
Ta architektura odpowiada na rzeczywisty problem. Firmy często zaczynają od odrębnych projektów AI, które korzystają z różnych konektorów, uprawnień i procesów oceny.
Fragmentacja tworzy ryzyko operacyjne. Jeden agent może mieć dostęp do nieaktualnych dokumentów, podczas gdy inny stosuje inną regułę zatwierdzania dla tego samego działania biznesowego.
Wspólna warstwa kontroli może sprawić, że zasady będą wielokrotnego użytku. Może także zapewnić zespołom bezpieczeństwa i danych wyraźniejszy obraz działań agentów.
Salesforce chce, aby ta warstwa obsługiwała własne narzędzia oraz systemy innych firm. Twierdzi, że przedsiębiorstwa mogą uzyskiwać dostęp do funkcji za pośrednictwem API, Model Context Protocol, umiejętności i wtyczek.
Model Context Protocol, czyli MCP, to standardowy interfejs umożliwiający aplikacjom AI łączenie się z zewnętrznymi narzędziami i danymi. Może ograniczyć potrzebę tworzenia niestandardowej integracji dla każdej kombinacji.
Architektura obsługuje także Claude, Slack, Microsoft Teams i inne interfejsy. Ta szerokość odzwierciedla decyzję Salesforce, by docierać do pracowników tam, gdzie już pracują.
Założenie brzmi rozsądnie, lecz diagramy architektury nie potwierdzają niezawodności operacyjnej. Przedsiębiorstwa potrzebują dowodów z kompleksowych wdrożeń obejmujących działy i systemy.
Powinny pytać, czy administratorzy mogą prześledzić każde działanie agenta. Powinny też sprawdzić, jak szybko mogą cofnąć dostęp, zaktualizować zasady i zbadać awarie.
Ocena wymaga równie dużej uwagi. Warstwa kontroli powinna mierzyć więcej niż tylko jakość odpowiedzi modelu.
Powinna pokazywać, czy agent wykorzystał właściwe źródła, przestrzegał zamierzonego przepływu pracy i osiągnął zatwierdzony rezultat biznesowy. Powinna także ujawniać wzorce awarii w powtarzalnych zadaniach.
Kontrola kosztów ma znaczenie, ponieważ przepływy pracy agentów mogą obejmować wiele wywołań modeli i działań narzędziowych. Proces, który podczas niewielkiego pilotażu wygląda na przystępny cenowo, może zachowywać się inaczej przy skali korporacyjnej.
Salesforce uznaje routing modeli za jedną z form kontroli. Jego system może kierować pracę zgodnie z wymaganiami dotyczącymi dokładności, wydajności, kosztów i biznesu.
To rodzi kolejne pytanie. Klienci muszą wiedzieć, kto ustala priorytety routingu i jak niezależnie mogą weryfikować wyniki.
Dostawca może optymalizować kombinację wspierającą jego relacje handlowe. Klient może priorytetowo traktować lokalizację danych, opóźnienia lub określony próg dokładności.
Przejrzystość w zakresie routingu i oceny zdecyduje, czy otwarta architektura zapewni znaczący wybór. Menu modeli daje ograniczoną swobodę, gdy zmiana jednego z nich wymaga rozległej przebudowy przepływu pracy.
Silniejsza interpretacja strategii Salesforce nie polega na tym, że modele stały się nieistotne. Chodzi o to, że coraz częściej stają się wymiennymi komponentami w zarządzanych systemach.
Słabsza interpretacja zakłada, że zasiedziała firma programistyczna chroni swoją pozycję, dodając kolejną warstwę zarządzania. Oba wyjaśnienia mogą być jednocześnie prawdziwe.
Klienci powinni oceniać tę strategię przez pryzmat wyników wdrożeń. Jeśli harness skraca wdrożenie, usprawnia audyty i ogranicza powielone integracje, rozwiązuje mierzalny problem.
Jeśli głównie przepakowuje istniejące komponenty platformy, nabywcom może być trudno połączyć jego szeroką obietnicę z wynikami biznesowymi.
Kolejny etap działań Anthropic i Salesforce w zakresie korporacyjnej AI musi więc pokazać kontrolę bez dodawania niepotrzebnej złożoności.
Historia adopcji nadal nie ma niezależnego potwierdzenia
Firmy zaprezentowały integracje i wdrożenia wewnętrzne, lecz szerokie twierdzenia o wartości ekonomicznej wciąż wyprzedzają niezależnie zweryfikowane wyniki.
Szacunek Amodeiego na poziomie 5% do 10% tworzy przekonujący obraz niewykorzystanej wartości. Nie ujawnia jednak, jak tę wartość obliczono ani jak różni się ona między branżami.
Szacunek może opisywać niewykorzystane możliwości techniczne, a nie możliwe do odzyskania korzyści ekonomiczne. To nie są te same kategorie.
Model może wykonać zadanie w kontrolowanym środowisku, nie czyniąc go jednocześnie odpowiednim do niezawodnej automatyzacji. Użytkowanie produkcyjne wprowadza przypadki brzegowe, zasady i odpowiedzialność.
Ta sama ostrożność dotyczy statystyk adopcji prezentowanych przez dostawców. Liczba pracowników korzystających z narzędzia nie pokazuje głębokości użycia, retencji, jakości wyników ani zwrotu finansowego.
7 000 wewnętrznych użytkowników Salesforce stanowi znaczące środowisko testowe. Klienci muszą jednak wiedzieć, które przepływy pracy ci użytkownicy realizują i co zmieniło się po wdrożeniu.
Anthropic twierdzi, że wtyczka może ograniczyć ręczne przygotowania i działania następcze. Nie opublikował kontrolowanych porównań potwierdzających te twierdzenia.
Przykłady klientów także wymagają uważnej interpretacji. Wymienione wdrożenia potwierdzają, że organizacje testują tę technologię. Nie dowodzą, że jeden wzorzec wdrożenia sprawdza się w każdym przedsiębiorstwie.
Duże firmy różnią się jakością danych, strukturami dostępu, ekspozycją regulacyjną i długiem technicznym. Różnice te pomagają wyjaśnić nierównomierną adopcję opisaną przez Benioffa.
Istnieje także napięcie między przekazem o adopcji a niedawnymi ostrzeżeniami Amodeiego dotyczącymi bezpieczeństwa. Argumentował on, że tempo rozwoju modeli frontier wymaga większej ostrożności.
Prezes Salesforce Patrick Stokes przedstawił to potencjalne spowolnienie jako korzystne dla twórców aplikacji. Powiedział, że twórcy mają „wiele do nadrobienia” w obszarze modeli.
Jego komentarz ujawnia kluczowe odwrócenie przedstawione w artykule. Wolniejsze premiery modeli frontier mogłyby dać przedsiębiorstwom czas na przyswojenie możliwości, które już istnieją.
Mogłoby to także przynieść korzyści uznanym dostawcom aplikacji. Wolniejszy cykl modeli daje im więcej czasu na budowanie integracji, mechanizmów zarządzania i wyspecjalizowanych produktów.
Szersza gospodarka mogłaby nadal inwestować, nawet gdyby postęp frontier zwolnił. Istniejące modele wciąż wymagają przygotowania danych, przeprojektowania organizacji i infrastruktury.
Niedawna analiza zwróciła uwagę na inwestycje na poziomie firm w strategię i dane jako niedocenianą część wydatków na AI. Ten pogląd wspiera koncentrację Salesforce na wdrożeniach.
Jednak spowolnienie nie doprowadziłoby automatycznie do udanej adopcji. Przedsiębiorstwa mogą intensywnie inwestować w integrację, nie rozwiązując potrzeb użytkowników ani problemów projektowania procesów.
Istnieje również kwestia pracy. Dostawcy AI często przedstawiają automatyzację zadań administracyjnych jako korzyść, lecz pracownicy mogą odbierać ją jako bliższe monitorowanie lub wypieranie miejsc pracy.
Agent aktualizujący rekordy CRM może wyeliminować powtarzalną pracę. Może także standaryzować nadzór zarządczy i zmieniać sposób mierzenia wyników.
Firmy potrzebują zarządzania tymi skutkami dla ludzi, a nie wyłącznie dostępem technicznym. Pracownicy powinni rozumieć, co agenci rejestrują, rekomendują i eskalują.
Przedsiębiorstwa muszą również określić granicę między wsparciem a autonomicznym działaniem. Granica ta powinna zależeć od konsekwencji błędu.
Tworzenie notatek ze spotkań wiąże się z mniejszym ryzykiem niż zmiana umowy z klientem. Aktualizacja rekordu sprzedaży różni się od zatwierdzania rabatu lub zobowiązywania zapasów.
Zatwierdzenie przez człowieka może ograniczyć ryzyko, jak sugeruje przepływ aktualizacji CRM we wtyczce Claude. Zatwierdzanie staje się jednak powierzchowne, gdy pracownicy mają do czynienia ze zbyt wieloma wygenerowanymi działaniami.
Skuteczny system musi kierować uwagę na niepewne lub istotne przypadki. Wymaganie ręcznej kontroli każdego rutynowego kroku może zniwelować obiecywany wzrost produktywności.
Niezależne dowody powinny więc badać cały przepływ pracy. Przydatne badania porównywałyby dokładność, czas kontroli, wyniki biznesowe i odzyskiwanie sprawności po awariach.
Dopóki takie dowody się nie pojawią, najbezpieczniejszy wniosek pozostaje wąski. Anthropic i Salesforce zidentyfikowały rzeczywistą lukę wdrożeniową i stworzyły produkty mające ją wypełnić.
Nie wykazały jeszcze, że ich połączone podejście konsekwentnie zamyka tę lukę w dużych organizacjach.
Trzy sygnały sprawdzą tezę o korporacyjnej AI
Kolejnym testem będzie to, czy połączeni agenci przynoszą mierzalne usprawnienia operacyjne bez osłabiania zarządzania ani zamykania klientów w jednym stosie technologicznym.
Pierwszym sygnałem będzie trwałe korzystanie z Salesforce w Claude po okresie beta. Początkowe liczby aktywacji będą mniej istotne niż powtarzalne zaangażowanie na poziomie zadań.
Anthropic powinien raportować, jak często sprzedawcy realizują badanie kont, przygotowanie do spotkań, przegląd pipeline'u i zatwierdzone aktualizacje CRM. Retencja przez kilka miesięcy wzmocniłaby tezę o adopcji.
Wyniki klientów uczyniłyby dowody bardziej użytecznymi. Krótszy czas przygotowania, pełniejsze rekordy i mniej pominiętych działań następczych połączyłyby aktywność produktową z wartością biznesową.
Spadek użycia po wczesnych testach osłabiłby argument. Sugerowałby, że sam konwersacyjny dostęp nie rozwiązuje problemów z tarciem w przepływach pracy.
Drugim sygnałem będzie działanie architektury kontroli Salesforce we wdrożeniach klientów. Przedsiębiorstwa powinny zwracać uwagę na niezależne relacje dotyczące egzekwowania zasad, audytowalności i reagowania na incydenty.
Silny wynik pokazałby, że firmy mogą zarządzać kilkoma modelami i agentami za pomocą wspólnych mechanizmów kontroli. Powinien także wykazać, że zespoły mogą zmieniać dostawców bez przebudowy operacji.
Słabszy wynik ujawniłby intensywną personalizację, powieloną pracę przy ocenie lub ograniczoną widoczność routingu modeli. Problemy te zamieniłyby warstwę kontroli w kolejne źródło złożoności.
Trzecim sygnałem będzie relacja między wydatkami na AI a ujawnianymi wynikami operacyjnymi. Salesforce i jego klienci powinni wyjść poza liczbę agentów, rozmów lub aktywowanych użytkowników.
Nabywcy potrzebują miar powiązanych ze sprzedażą, obsługą i pracą pracowników. Przykłady obejmują jakość rozwiązywania spraw, czasy cykli, dokładność rekordów, retencję i wskaźniki eskalacji.
Miary te powinny uwzględniać koszt kontroli wykonywanej przez ludzi i utrzymania systemu. Łączna oszczędność czasu może wprowadzać w błąd, gdy pracownicy muszą korygować błędy w innych miejscach.
Kolejne kilka cykli wyników finansowych dostarczy użytecznych dowodów. Salesforce może raportować, czy produkty AI zwiększają wydatki klientów i czy wdrożenia wykraczają poza odizolowane zespoły.
Anthropic może wzmocnić swoją argumentację, publikując szczegółowe oceny wdrożeń korporacyjnych. Powinny one wyraźnie oddzielać wydajność modeli od warstw integracji i przepływów pracy.
Klienci powinni również porównać to partnerstwo z alternatywami oferowanymi przez Microsoft, Google, OpenAI oraz wyspecjalizowanych dostawców rozwiązań dla przedsiębiorstw. Presja konkurencyjna może wyjaśnić, które decyzje architektoniczne rzeczywiście mają znaczenie.
Główna rywalizacja nie rozgrywa się na prostej tabeli rankingowej modeli. To zmaganie między szybkim wzrostem możliwości a zdolnością organizacji do odpowiedzialnego przyswojenia tych możliwości.
Dla deweloperów szansa leży w integracji, ewaluacji, obserwowalności oraz narzędziach uwzględniających uprawnienia. Obszary te zyskują na wartości, gdy modele już radzą sobie z szerokim zakresem zadań wymagających rozumowania.
Dla nabywców korporacyjnych wniosek jest taki, by zacząć od ograniczonego przepływu pracy i mierzalnego rezultatu. Szeroki mandat dotyczący AI generuje aktywność, ale rzadko zapewnia rozliczalność.
Dla pracowników umysłowych kluczowe pytanie brzmi, czy AI może uzyskać dostęp do właściwego kontekstu bez odbierania im istotnej kontroli. Sama wygoda nie wystarcza w pracy o poważnych konsekwencjach.
Strategia Anthropic i Salesforce dotycząca korporacyjnej AI zakłada, że kolejny etap będzie należał do systemów łączących inteligencję z godnym zaufania działaniem. Ta teza potrzebuje teraz dowodów operacyjnych.
Warto obserwować, czy pracownicy nadal korzystają ze zintegrowanych przepływów pracy, czy administratorzy potrafią nimi zarządzać w różnych modelach oraz czy klienci zgłaszają trwałe korzyści biznesowe. Te sygnały pokażą, czy AI dla przedsiębiorstw wreszcie się upowszechnia, czy jedynie zyskuje bardziej dopracowany interfejs.
