AI, der handler, før du spørger, er det næste spring inden for intelligens.

 AI, der handler, før du spørger, er det næste spring inden for intelligens.

Dagens AI er bygget til at reagere. Fremtiden tilhører proaktive systemer.

Kiara Nirghin & Nikhara Nirghin

H. Ross Perot, tidligere præsidentkandidat og grundlægger af det multinationale IT-firma Electronic Data Systems (EDS), sagde engang: "Snak er billigt. Ord er rigeligt. Handlinger er dyrebare."

Han har ret. Handlinger er det, der gør intelligens magtfuld. Intelligens uden handling er filosofi. Intelligens med handling er civilisation.

Meget af det, vi har set fra de største virksomheder inden for kunstig intelligens (AI), har drejet sig om ord: Du går til deres chatbot, stiller den et spørgsmål, og den svarer. I løbet af de sidste par år har nogle taget dette et skridt videre med AI-agenter – de kan faktisk gøre ting, men kun ting, du har bedt dem om at gøre.

Den næste grænse inden for AI er ikke bedre chat. Det er ikke endnu bedre agenter. Den næste grænse er proaktiv AI, den slags, der handler, lærer i realtid og, afgørende, kommer til dig, før du går til den. Denne sondring er ikke en forbedring af funktionerne. Det er et civilisationsmæssigt skifte.

Asymmetrien, der definerer vores æra

Dette er den nuværende arkitektur for interaktion mellem menneske og AI. Du vågner. Du husker, at du skal gøre noget, f.eks. planlægge en rejse. Du åbner ChatGPT eller Claude. Du skriver en forespørgsel. Modellen svarer. Du forfiner. Den svarer igen. Du itererer, indtil du når frem til noget nyttigt. Så lukker du fanen og går videre med dit liv, indtil næste gang du husker at bede AI'en om hjælp til noget.

Dette er reaktiv intelligens.

Hele værdiskabelsesmekanismen afhænger af én skrøbelig variabel: dig, der husker at spørge. dig, der identificerer, at der findes et problem. dig, der formulerer det korrekt. dig, der ved, at AI kan hjælpe. Flaskehalsen i denne arkitektur er ikke beregning. Det er ikke modelkapacitet. Det er ikke kontekstvinduets længde eller ræsonnementdybde. Flaskehalsen er menneskelig kognitiv båndbredde.

Her er asymmetrien: Dagens AI-systemer kan behandle millioner af tokens, udføre komplekse flertrinsræsonnementskæder, syntetisere information på tværs af domæner og generere output, der ville tage menneskelige eksperter uger at producere - men kun hvis et menneske initierer anmodningen. Det mest kraftfulde værktøj, menneskeheden nogensinde har bygget, har ingen indflydelse på de fleste af vores liv, det meste af tiden.

Det nuværende interaktionsparadigme behandler AI som en ressource, der skal konsulteres, ikke et system, der deltager i den kontinuerlige strøm af menneskelig aktivitet. Dette er fundamentalt set en pull-model. Du trækker værdi fra systemet. Systemet skubber ikke værdi til dig. Og i denne asymmetri ligger begrænsningen af ​​AI's nuværende indflydelse på produktivitet, kreativitet og menneskelig trivsel.

En analogi fra år 10.000 f.Kr.: Fra fødesøgning til landbrug

For at forstå omfanget af skiftet fra reaktiv til proaktiv kunstig intelligens har vi brug for en referenceramme, der er tilstrækkelig omfattende til at indeholde den. Måske kommer den bedste analogi fra en af ​​de vigtigste overgange i menneskets historie: landbrugsrevolutionen.

Før cirka år 10.000 f.Kr. var mennesker fødesøgningsfolk. De strejfede omkring. De reagerede på deres omgivelser. Når de så mad, spiste de den. Når de så fare, flygtede de. Deres forhold til naturen var fundamentalt reaktivt. De reagerede på det, verden præsenterede for dem. Overlevelse afhang af opmærksomhed på eksterne stimuli og reaktionshastigheden.

Så ændrede noget sig. Mennesker begyndte at så frø. De domesticerede dyr. De holdt op med at vente på, at miljøet skulle sørge for dem, og begyndte at forme miljøet til at opfylde deres behov. Dette var proaktiv menneskelig intelligens anvendt til underhold. Konsekvensen var selve civilisationen: permanente bosættelser, overskudsproduktion, specialisering af arbejdskraft, skrivning, matematik, regeringsførelse, kunst. Alt, hvad der definerer menneskelig præstation i de sidste 12 årtusinder, kan spores tilbage til dette ene skift fra reaktiv til proaktiv orientering.

Med AI er vi stadig i fourageringsæraen. Vi strejfer rundt på tværs af digitale grænseflader og søger efter værdi. Vi reagerer på vores problemer, når de opstår. Vi konsulterer oraklet, når vi husker det. Den værdi, vi udvinder, er begrænset af vores opmærksomhed, vores hukommelse og vores forståelse af, hvilke spørgsmål vi skal stille.

Proaktiv AI er den landbrugsmæssige revolution inden for maskinintelligens. Det er overgangen fra at reagere på miljøet til aktivt at forme det. Denne gang vil formningen blive udført af AI-systemer, der forstår kontekst – især i den fysiske verden – forudser behov og handler uden at vente på instruktioner.

Hvorfor nuværende AI-agenter fejler

Konceptet med AI-agenter har mættet venturekapitalforespørgsler, produktlanceringer og tankelederskab i de sidste 18 måneder. Løftet: autonome AI-systemer, der kan udføre flertrinsopgaver, bruge værktøjer, navigere i software og udføre arbejdsgange fra start til slut.

Virkeligheden er mere kompliceret.

Nuværende AI-agenter er i næsten alle implementeringer reaktive systemer med automatiseringsindpakninger. De engagerer sig ikke proaktivt i din verden. De udfører foruddefinerede arbejdsgange, når de udløses. De kræver eksplicitte instruktioner. De mangler vedvarende hukommelse på tværs af sessioner i de fleste implementeringer. De observerer ikke dit miljø kontinuerligt. De bygger ikke modeller af dine præferencer over tid. De initierer ikke.

1. Overvej arkitekturen i de fleste agentsystemer i dag:

2. Mennesket leverer et mål eller en opgave

3. Agenten opdeler opgaven i underopgaver

4. Agenten bruger værktøjer til at udføre underopgaver

5. Agenten rapporterer resultater

Mennesket gennemgår og gentager potentielt

Dette er stadig pull-baseret. Menneskets pulls ved at initiere. Agenten reagerer. Agenten vågner ikke op, bemærker, at din kalender er overbelastet næste uge, og omplanlægger proaktivt møder med lav prioritet. Den observerer ikke, at du har undersøgt et emne i tre dage, og udarbejder autonomt et briefingdokument. Den registrerer ikke, at markedsforholdene har ændret sig, og at din investeringstese skal revideres.

Årsagen er teknisk og arkitektonisk. Nuværende agenter opererer i episodiske rammer. Hver session er diskret. Kontekst er begrænset. Tilstanden varer ikke ved. Der er ingen kontinuerlig opfattelse af dit miljø. Agenten er ikke "tændt" i nogen meningsfuld forstand - den aktiveres, når den tilkaldes.

MCP (Model Context Protocol) - Anthropics åbne standard til at forbinde AI-modeller til eksterne værktøjer og datakilder - repræsenterer en vis infrastrukturel fremgang. Det giver modeller adgang til information i realtid og kan handle via standardiserede grænseflader. Men MCP er blot VVS, ikke intelligens. Det muliggør konnektivitet. Det skaber ikke proaktivitet. En model, der er forbundet til din kalender via MCP, kan forespørge på din tidsplan, når den bliver spurgt. Den overvåger ikke, alene i kraft af denne forbindelse, din tidsplan og griber ikke ind, når der opstår konflikter.

Kløften mellem nuværende agenter og ægte proaktiv AI er ikke inkrementel. Den er kategorisk.

Hvor langt er vi fra at lukke dette hul? Dele af arkitekturen findes, herunder persistent hukommelse i nogle copiloter og værktøjsrammer som MCP, men de forbliver fragmenterede. Intet implementeret system kombinerer endnu kontinuerlig opfattelse, langsigtet målmodellering, begrænset autonomi og læring i den virkelige verden på en samlet måde. De begrænsende faktorer er systemdesign, omkostninger og styring - ikke rå modelintelligens.

Arkitekturen af ​​proaktiv intelligens

Hvad kræver proaktiv AI egentlig? Der er nogle ikke-forhandlingsbare tekniske og konceptuelle krav.

1. Kontinuerlig miljøopfattelse

Proaktiv AI skal have vedvarende bevidsthed om relevante tilstandsændringer i brugerens miljø. Dette betyder kontinuerlig eller næsten kontinuerlig adgang til informationsstrømme: e-mail, kalender, dokumenter, browseraktivitet, kommunikationsmønstre, finansielle konti, sundhedsdata, nyhedsfeeds, markedsbevægelser - uanset hvilke domæner AI'en er autoriseret til at observere. Dette er ikke hentning af enkeltstående forespørgsler. Dette er omgivende registrering.

Modellen skal opretholde en altid opdateret repræsentation af, hvad der sker på tværs af de kontekster, den opererer i. Denne repræsentation skal være effektiv nok til ikke at kræve konstant fuld modelinferens, men rig nok til at detektere meningsfulde ændringer, der berettiger opmærksomhed eller handling.

2. Målmodellering og præferencelæring

Proaktiv AI skal have en vedvarende model af, hvad brugeren forsøger at opnå, ikke kun i den aktuelle session, men over tid. Hvad er deres langsigtede mål? Hvad er deres tilbagevendende opgaver? Hvilke mønstre karakteriserer deres beslutningstagning? Hvad værdsætter de?

Dette kræver langtidshukommelsesarkitekturer, der akkumulerer og organiserer information om en brugers præferencer, adfærd og mål. Det kræver inferens om uformulerede mål. Det kræver evnen til at opdatere disse modeller, efterhånden som brugerens omstændigheder og prioriteter udvikler sig.

Nuværende systemer har begrænset hukommelse. De modellerer ikke brugeren. De reagerer på, hvad brugeren fortæller dem i øjeblikket. Skiftet til proaktiv AI kræver, at systemet kender dig godt nok til at forudse, hvad du har brug for, før du formulerer det.

3. Autonom handlingsautorisation

Dette er den mest følsomme og mindst løste komponent. For at AI kan handle proaktivt, skal den have autoritet til at handle uden eksplicit godkendelse pr. handling. Dette introducerer dybe spørgsmål om tillid, verifikation og reversibilitet.

Hvilke handlinger kan AI'en foretage uden at spørge? Under hvilke betingelser skal den søge bekræftelse? Hvordan håndterer den fejl? Hvordan reviderer brugeren, hvad AI'en har gjort? Hvordan forhindrer udviklere løbsk adfærd eller forkert afstemte handlinger?

Det nuværende agentparadigme omgår disse spørgsmål ved at kræve menneskelig godkendelse for enhver efterfølgende handling. Proaktiv AI kan ikke fungere på denne måde – hele værdiforslaget er, at AI'en handler på dine vegne, når du ikke selv tager dig af den. Dette kræver nye rammer for begrænset autonomi: klare domæner, hvor AI'en har autoritet, klare eskaleringsudløsere, hvor den skal underkaste sig menneskelige handlinger, og robust logføring og reversibilitet for alt derimellem.

4. Læring i realtid fra handlingsresultater

Sand proaktiv intelligens skal lære af konsekvenserne af sine handlinger. Når den sender en e-mail på dine vegne, reagerer modtageren så positivt? Når den omplanlægger et møde, skaber det så konflikter downstream? Når den markerer en mulighed, er den mulighed så faktisk værdifuld?

Dette kræver feedback-loops, som nuværende systemer ikke har. AI'en skal observere resultater, tilskrive dem sine handlinger og opdatere sin adfærd i overensstemmelse hermed. Dette er forstærkningslæring i virkeligheden, med virkelige indsatser. Uden denne lukkede løkke bliver proaktiv AI til proaktiv støj, et system, der handler ofte, men ikke klogt.

Værdifunktionstransformationen

Økonomien bag AI-værdiskabelse gennemgår en fundamental transformation i skiftet fra reaktiv til proaktiv.

Under det reaktive paradigme:

Værdi = f(kvalitet af menneskelig forespørgsel x modelkapacitet x hyppighed af konsultation)

Du får værdi, når du stiller gode spørgsmål, når modellen er i stand til at besvare dem, og når du husker at spørge ofte nok. Menneskelig båndbredde er direkte proportional med værdiudvinding.

Under det proaktive paradigme:

Værdi = f(AI's forståelse af dine mål x miljøovervågningsnøjagtighed x handlingsevne x læringshastighed)

Mennesket falder ud af flaskehalspositionen. Værdi forstærkes gennem kontinuerlig overvågning og akkumuleret læring, uanset om mennesket er aktivt engageret. AI'ens forståelse uddybes over tid. Dens handlinger bliver mere kalibrerede. Systemet bliver bedre til at betjene dig, mens du sover.

Dette er ikke en lineær forbedring. Dette er en faseovergang i intelligensens produktivitetsfunktion.

Lad os se på et eksempel:

Scenarie A (reaktiv): En vidensmedarbejder bruger ChatGPT i 4 timer om ugen. I løbet af disse 4 timer udvinder de betydelig værdi ved at bruge AI'en til at udarbejde e-mails, analysere dokumenter og brainstorme løsninger. De resterende 164 timer om ugen er AI'en inaktiv. Den samlede værdi er begrænset af de 4 timers aktivt engagement.

Scenarie B (proaktiv): Den samme medarbejder har en proaktiv AI-assistent, der løbende overvåger deres e-mail, kalender, projektstyringsværktøjer og branchenyheder. Den udarbejder rutinemæssig kommunikation uden at blive bedt om det. Den markerer nye problemer, før de bliver til kriser. Den fremhæver relevante oplysninger som kontekst for kommende møder. Den identificerer arbejdsgangsmønstre, der afslører ineffektivitet. Den samlede værdi genereres på tværs af alle 168 timer - den eneste begrænsning er AI'ens perceptuelle adgang og handlingsmyndighed.

Forskellen mellem disse scenarier er ikke procentvis forbedring, men størrelsesordener.

Agentæraen var et springbræt

Historien vil sandsynligvis beskrive "AI-agentæraen", omtrent 2023 til 2025, som en overgangsperiode. Agentrammerne, protokollerne for værktøjsbrug, orkestreringslagene - al denne infrastruktur er nødvendige stilladser. Men den vision, der animerer den, er ufuldstændig.
Agentparadigmet udvider rækkevidden af ​​reaktiv AI. Det giver AI'en mulighed for at gøre flere ting, når den bliver bedt om det. Det ændrer ikke behovet for, at AI'en bliver spurgt.
Det proaktive paradigme vender forholdet på hovedet. AI'en er ikke et værktøj, som brugeren betjener. Det er en intelligens, der opererer sammen med brugeren, uafhængigt opfatter, uafhængigt ræsonnerer og uafhængigt handler inden for autoriserede grænser.
Dette er forskellen mellem et elværktøj og en kollega. Et elværktøj forstærker din indsats, når du tager det op. En kollega bemærker problemer, foreslår løsninger og tager initiativ. Begge er værdifulde. De er ikke den samme kategori af ting.
Agentæraen lærte os, at AI kan bruge værktøjer, følge flertrinsplaner og interagere med eksterne systemer. Den proaktive æra vil lære os, at AI kan være en deltager i vores liv, ikke blot en svarer på vores spørgsmål.

Accelerationen i det 21. århundrede

Hvis proaktiv AI opnår selv delvis realisering i løbet af det næste årti, hvad betyder det så for hastigheden af ​​menneskelige fremskridt?

Nuværende AI accelererer fremskridt, når mennesker styrer den. Proaktiv AI accelererer kontinuerligt fremskridt og akkumulerer interventioner og forbedringer på tværs af alle områder, hvor den opererer. De sammensatte effekter bliver vanskelige at modellere.

Overvej videnskabelig forskning. I dag hjælper AI forskere, når de forespørger den, ofte til opgaver som litteraturgennemgang, hypotesegenerering og dataanalyse. Proaktiv AI ville overvåge forskningsfronter kontinuerligt, identificere huller og muligheder, foreslå eksperimenter, koordinere med netværksforbundet laboratorieudstyr, analysere resultater, når de ankommer, og afdække indsigter uden at vente på forskerens opmærksomhed. Forskningscyklussen accelererer fra mennesketempo til maskintempo.

Overvej styring. I dag identificerer menneskelige analytikere problemer, indsamler data, modellerer scenarier og udarbejder anbefalinger til politik - AI kan hjælpe med nogle af disse opgaver, når de bliver bedt om det. Proaktiv AI ville overvåge socioøkonomiske indikatorer kontinuerligt, opdage nye problemer, før de manifesterer sig i overskrifter, modellere interventionsmuligheder og præsentere beslutningsklar analyse for embedsmænd. Svartider komprimeres fra måneder til timer.

Overvej personlig udvikling. I dag forbedrer du dig selv gennem bevidst øvelse, planlagt refleksion og lejlighedsvis konsultation med coaches eller terapeuter. Proaktiv AI vil observere din adfærd gennem dine digitale enheder og wearables, identificere mønstre, der begrænser din effektivitet, foreslå mikrointerventioner i løbet af din dag og hjælpe dig med at blive den person, du ønsker at være, gennem kontinuerlig blid vejledning.

I hvert domæne er transformationen den samme: fjernelse af menneskelig opmærksomhed som det hastighedsbegrænsende trin. Dette fjerner ikke mennesker fra løkken. Det ændrer, hvad løkken er. Mennesker skifter fra operatører til guvernører, der sætter mål, definerer grænser, gennemgår resultater og træffer vurderinger, der kræver menneskelige værdier. Eksekveringsbåndbredden bliver reelt ubegrænset.

De samfund, der med succes navigerer i overgangen til proaktiv AI, vil operere i et civilisationsmæssigt tempo, der får nutidens produktivitet til at ligne heste-og-vogn-hastigheder i bilens æra.

Proaktiv AI er ikke uden risiko. Systemer, der agerer kontinuerligt, udvider privatlivets fred og øger potentialet for sikkerhedssårbarheder. For eksempel viser nylige rapporter om den virale autonome AI-agent OpenClaw, at eksponerede agentgateways kan lade angribere læse private filer, beskeder og andre følsomme data, hvilket fremhæver, hvordan magtfulde agenter kan blive cybersikkerhedsmareridt, hvis de ikke styres ordentligt.

At afbøde dette kræver begrænset autonomi, reversible handlinger, klar menneskelig overvågning, gennemsigtige revisionsspor og robust sikkerhedsdesign. Vi vil sandsynligvis se begrænsede implementeringer af begrænset proaktivitet i virksomhedsmiljøer inden for få år, mens bredere, tværfaglig proaktivitet vil tage længere tid at nå frem til.

Perot genbesøgt

Lad os vende tilbage til H. Ross Perots citat: "Snak er billigt. Ord er rigelige. Gerninger er dyrebare."

ChatGPT kan generere en detaljeret plan for ethvert foretagende, du kan formulere. Det kan analysere risici. Det kan foreslå uforudsete udgifter. Den kan endda rollespille udførelsen. Men når du lukker fanen, sker der ingenting. Planen forbliver en plan. Ord forbliver ord.

Løftet om AI er ikke uendelig samtale. Det er uendelig gearing. Gearing kræver handling. Handling kræver ikke blot evner, men initiering, viljen til at begynde uden at blive bedt om det, at engagere sig med verden i stedet for at vente på, at verden engagerer sig med dig.

Agent-æraen var starten på AI's udførelse af dyrebare gerninger. Det næste årti af AI-udvikling vil ikke blive målt i benchmark-scores eller kontekstvinduelængder, men i handlinger, der er foretaget, løste problemer og værdi skabt af systemer, der ikke ventede på at blive spurgt.