Microsoft חשפה מחסנית AI ממוקדת-סוכנים (agent-centric) ביום חדשנות הענן וה-AI שלה בבנגלור, תוך השקת מה שהיא מכנה Microsoft IQ, Fabric IQ, שכבת Ontology וניהול (governance) של Agent 365. המהלך מסיט את המוקד מצ'אטבוטים עצמאיים לסוכנים ("agents") אוטונומיים שנעים בין שירותי הענן של החברה, מה שמאלץ ארגונים לחשוב מחדש על האופן שבו הם בונים, מפעילים ומפקחים על AI.
למה השינוי הזה חשוב דווקא עכשיו
רוב החברות נתקעות בשלב שבין הוכחת היתכנות (proof-of-concept) לבין פריסה מלאה. צוואר הבקבוק אינו המודלים; אלא ה"אינסטלציה" (plumbing) — ממשל (governance), זהות ויכולת תצפית (observability) ששומרים על הסוכן אמין ותואם לרגולציה (compliant). המחסנית החדשה של Microsoft ממלאת את ה"אינסטלציה" הזו, ומציעה שכבת אינטליגנציה ניתנת לשימוש חוזר שיושבת על כל פלטפורמת נתונים וכל מודל שפה גדול (LLM).
אבני הבניין ש-Microsoft הציגה
- Microsoft IQ – שכבת אינטליגנציה שקיימת ב-tenant של הלקוח, ומעניקה לו שליטה ישירה על פרומפטים, זיכרון ומדיניות.
- Fabric IQ – אותה יכולת המוטמעת בתוך הצעת ה-data-fabric של Microsoft, כך שאנליטיקה ו-AI חולקים הקשר (context) משותף.
- Ontology – מודל חי וניתן לקריאה על ידי מכונה של תהליכים, ישויות ומערכות יחסים עסקיות, המאפשר לסוכנים להבין "מי עושה מה" ללא כתיבת חוקים קשיחים (hard-coding).
- Agent 365 – מסגרת ממשל (governance framework) שמצמידה זהות, גישה מבוססת תפקידים (role-based access) ופעולות ביקורת (audit trails) לכל סוכן AI, מה שמאפשר להתייחס לסוכן כאל עובד במערכות משאבי אנוש או אבטחה.
יחד, החלקים הללו הופכים "צ'אטבוט" ל"קולגה דיגיטלי" ששולף נתונים, מפעיל תהליכי עבודה (workflows) ומקבל החלטות במסגרת הגבולות הארגוניים.
מה אנשי מקצוע יכולים ללמוד מכך היום
- הגדירו תיאור תפקיד לסוכן – התייחסו לכל עוזר AI כתפקיד בעל מיומנויות, הוראות וזהות ייחודיות מפורשות. כאשר סוכן מתנהג בצורה שגויה, בדקו תחילה את האחריות שהוגדרה לו, ולא רק את הפרומפט שהפעיל אותו.
- הפכו את המודל לניתן להחלפה – על ידי ניתוק ה-LLM מהתשתית הסובבת, חברה יכולה להחליף את GPT ב-Claude, Llama או בכל מודל עתידי אחר מבלי לבנות מחדש את כל המחסנית. ההשקעה נשארת בשכבת הניהול (orchestration layer), ולא במודל עצמו.
- עטפו, אל תפרקו (Wrap, don’t rip) – מערכות מורשת (legacy systems) יכולות להתחבר ל-AI באמצעות מתאמים (adapters). Kotak Mahindra הדגימה זאת על ידי שכבת Azure Voice Live מעל תשתית הטלפוניה הקיימת שלה, מה שהוכיח שלא נדרשת התחלה מחדש מוחלטת.
- התייחסו לכוונון (tuning) כתהליך רציף – כוונון עדין (Fine-tuning) דורש לולאה שמכינה נתונים, מאמנת, מעריכה ומנטרת ביצועים. ללא צינור הערכה (evaluation pipeline), כל מאמץ כוונון הוא עיוור.
- התחילו עם נתונים נקיים – משתתף אחד חשף כי רבע מהדוחות שלהם מעולם לא נעשה בהם שימוש. הזנת נתונים מבולגנים לסוכן רק תהפוך את הבלאגן לאוטומטי. יוזמות לאיכות נתונים וייעול דוחות צריכות לקדום לפני פריסת AI בקנה מידה רחב.
רעיונות קונקרטיים למחסנית ארגונית
- בנו לוח בקרה (dashboard) מאוחד ליכולת תצפית (observability) שעוקב אחר עלויות הקשורות ל-AI, שיהוי (latency) ובריאות של צינורות נתונים (pipelines).
- השתמשו בפרוטוקולי MCP כדי לחשוף מחסני נתונים פנימיים לסוכנים, תוך שמירה על תנועת נתונים מאובטחת וניתנת לביקורת.
- צרו מודלים סמנטיים שמתרגמים שאילתות לניהול עלויות לשפה טבעית, מה שיאפשר לצוותי כספים לשאול "מה הייתה הוצאת הענן שלנו ברבעון האחרון?" ולקבל תשובה באופן מיידי.
- בצעו פיילוט של GitHub Copilot בצוותי הפיתוח כדי לאוטומט סקירות קוד, תוך מדידת שיפור במהירות וצמצום פגמים.