Nu lär sig AI-system arbeta genom att titta dig över axeln – tekniken visar framgångsfrekvenser på över 80 procent
AI lär sig arbetsuppgifter genom att bara titta på anställda.
Genombrott öppnar för helt ny typ av automation
En revolution pågår inom arbetsplatsautomation. Forskare har utvecklat AI-agenter som kan lära sig automatisera arbetsuppgifter genom att passivt observera hur användare navigerar och arbetar i sina digitala miljöer.
Det mest imponerande exemplet är cotomi Act, ett system som enligt nya studier uppnådde en framgångsfrekvens på 80,4 procent över 179 olika uppgifter – faktiskt bättre än den mänskliga referensnivån på 78,2 procent. Systemet fungerar genom att omvandla observerat användarbeteende till strukturerad kunskap som sedan kan återanvändas för automation.
Detta är fundamentalt annorlunda från traditionell automation. Istället för att programmera specifika regler kan AI-agenter nu "titta över axeln" på erfarna medarbetare och gradvis överta deras arbetsflöden. Tekniken har redan visat framgång inom lagerautomation, där SOAR-systemet förbättrade prestandan med 15,4 procent kortare orderhanteringstid i verkliga produktionsmiljöer.
Tekniska genombrott möjliggör praktisk användning
Bakom dessa framsteg ligger flera tekniska innovationer som löser tidigare begränsningar. MEMTIER-arkitekturen har åtgärdat problemet med AI-agenter som försämras över tid – från tidigare 5 procent noggrannhet till imponerande 38,2 procent i långkörande uppgifter.
ScrapMem-ramverket har gjort sofistikerade AI-assistenter praktiskt användbara på mobila enheter genom att minska minnesanvändningen med 93 procent samtidigt som prestandan förbättras. För företag innebär detta att avancerad automation inte längre kräver enorma molnresurser.
Robust Agent Compensation (RAC) har dessutom löst tillförlitlighetsproblemen genom automatisk återställning när något går fel – en förbättring på 1,5-8 gånger jämfört med tidigare metoder.
Den kritiska utmaningen: Människan i centrum
Men här kommer den avgörande insikten från forskningen: teknisk kapacitet räcker inte. Trots massiva investeringar i AI-automation misslyckas fortfarande majoriteten av projekten, och orsaken är inte teknisk.
En omfattande studie med yrkesverksamma inom sjukvård, finans och ledning avslöjar att företag systematiskt ignorerar de anställdas perspektiv. Forskarna identifierar kritiska hinder som dålig användbarhet, bristande systemintegration och felaktiga förväntningar – problem som uppstår när tekniken utvecklas utan hänsyn till verkliga arbetsmetoder.
Workspace-Bench-testet bekräftar denna klyfta. Även de bästa AI-agenterna når endast 68,7 procent framgång i komplexa arbetsuppgifter som involverar stora datamängder och samband mellan dokument – betydligt sämre än människors 80,7 procent.
Vägen framåt kräver balans
Paradoxalt nog visar forskningen att framgångsrik AI-automation kräver mer mänskligt fokus, inte mindre. De system som presterar bäst är de som designats med djup förståelse för hur människor faktiskt arbetar.
Detta syns tydligt i de mest framgångsrika implementationerna. Lageautomationen fungerade eftersom den utvecklades i nära samarbete med Geekplus och verkliga operatörer. AI-verktygen som förbättrade prestandan med 73 procent var specifikt optimerade för att tolkas av andra AI-system – en erkänsla av att framtidens arbetsplatser kommer vara samarbeten mellan människor och AI, inte ersättning av det ena med det andra.
Vår analys
Vi ser början på en fundamental förändring av arbetsplatsautomation. För första gången kan AI-system lära sig komplexa arbetsflöden utan explicit programmering, vilket dramatiskt sänker tröskeln för automation inom kunskapsarbete.
Men forskningen ger oss en viktig påminnelse: teknisk kapacitet är bara hälften av ekvationen. De företag som lyckas med AI-omställningen kommer vara de som placerar människan i centrum av designprocessen från dag ett, inte som en eftertanke.
Jag ser tre strategiska imperativ framöver: För det första måste företag investera lika mycket i förändringsledning som i teknikutveckling. För det andra behöver vi utveckla hybrid-arbetsflöden där AI förstärker mänsklig expertis istället för att ersätta den. Slutligen måste vi erkänna att den verkliga konkurrensfördeeln inte ligger i tekniken själv, utan i hur väl vi integrerar den med våra teams och processer.
De organisationer som förstår detta tidigt kommer ha en avgörande fördel när AI-agenter blir vardagsverktyg.