Microsoft mendedahkan stack AI berpusatkan ejen pada Hari Inovasi Cloud dan AI di Bengaluru, dengan melancarkan apa yang dipanggilnya sebagai Microsoft IQ, Fabric IQ, satu lapisan Ontologi dan tadbir urus Agent 365. Langkah ini mengalihkan fokus daripada chatbot berdiri sendiri kepada "ejen" autonomi yang merentasi perkhidmatan awan syarikat, memaksa perusahaan untuk berfikir semula cara mereka membina, menjalankan dan mengawal selia AI.

Mengapa peralihan ini penting sekarang

Kebanyakan firma terhenti di antara bukti konsep (proof-of-concept) dan penggunaan penuh. Kekangan utamanya bukanlah model; tetapi infrastruktur asas ('plumbing')—tadbir urus, identiti dan kebolehperhatian (observability) yang memastikan ejen kekal boleh dipercayai dan patuh. Stack baharu Microsoft mengisi keperluan infrastruktur tersebut, menawarkan lapisan kecerdasan boleh guna semula yang boleh diletakkan pada mana-mana platform data dan mana-mana model bahasa besar (LLM).

Komponen binaan yang diperkenalkan oleh Microsoft

  • Microsoft IQ – lapisan kecerdasan yang berada dalam tenant pelanggan, memberikan mereka kawalan langsung ke atas prompt, memori dan polisi.
  • Fabric IQ – keupayaan yang sama disepadukan ke dalam tawaran data-fabric Microsoft, supaya analitik dan AI berkongsi konteks yang sama.
  • Ontology – model proses, entiti dan hubungan perniagaan yang hidup serta boleh dibaca oleh mesin, membolehkan ejen memahami “siapa melakukan apa” tanpa perlu pengkodan secara keras (hard-coding) peraturan.
  • Agent 365 – rangka kerja tadbir urus yang menyertakan identiti, akses berasaskan peranan dan jejak audit pada setiap ejen AI, membolehkan ejen tersebut dilayan seperti pekerja dalam sistem HR atau keselamatan.

Bersama-sama, komponen-komponen ini mengubah “chatbot” menjadi “rakan sekerja digital” yang mengambil data, mencetuskan aliran kerja dan membuat keputusan dalam batasan organisasi.

Apa yang boleh diambil oleh pengamal hari ini

  1. Tentukan huraian kerja ejen – Layan setiap pembantu AI sebagai satu peranan dengan kemahiran, arahan dan identiti unik yang jelas. Apabila ejen bertindak di luar jangkaan, semak dahulu tanggungjawab yang telah ditetapkan, bukan sekadar prompt yang mencetuskannya.
  2. Jadikan model boleh ditukar ganti – Dengan memutuskan hubungan LLM daripada infrastruktur sekeliling, sesebuah syarikat boleh menukar GPT kepada Claude, Llama atau mana-mana model masa hadapan tanpa perlu membina semula keseluruhan stack. Pelaburan kekal pada lapisan orkestrasi, bukan pada model itu sendiri.
  3. Bungkus, jangan cabut (Wrap, don't rip) – Sistem legasi boleh disambungkan ke AI melalui penyesuai (adapters). Kotak Mahindra menunjukkan perkara ini dengan menyepadukan Azure Voice Live ke atas tetapan telekomunikasi sedia ada, membuktikan bahawa rombakan menyeluruh tidak diperlukan.
  4. Anggap penalaan sebagai proses berterusan – Penalaan halus (fine-tuning) memerlukan gelung yang menyediakan data, melatih, menilai dan memantau prestasi. Tanpa saluran penilaian (evaluation pipeline), sebarang usaha penalaan akan menjadi sia-sia.
  5. Mulakan dengan data yang bersih – Seorang peserta mendedahkan bahawa suku daripada laporan mereka tidak pernah digunakan. Memasukkan data yang tidak teratur ke dalam ejen hanya akan mengautomasikan kekacauan tersebut. Inisiatif kualiti data dan rasionalisasi laporan harus mendahului pelaksanaan AI secara besar-besaran.

Idea konkrit untuk stack perusahaan

  • Bina papan pemuka kebolehperhatian (observability dashboard) yang bersatu untuk menjejaki kos berkaitan AI, kependaman (latency) dan kesihatan saluran (pipelines).
  • Gunakan protokol MCP untuk mendedahkan gudang data dalaman kepada ejen, memastikan pergerakan data selamat dan boleh diaudit.
  • Cipta model semantik yang menterjemah pertanyaan pengurusan kos ke dalam bahasa tabii, membolehkan pasukan kewangan bertanya “Berapakah perbelanjaan awan kita pada suku lepas?” dan mendapat jawapan dengan serta-merta.
  • Laksanakan rintis GitHub Copilot merentasi pasukan pembangunan untuk mengautomasikan semakan kod, dengan mengukur peningkatan kelajuan dan pengurangan kecacatan.