AGI står för Artificiell Generell Intelligens (AIG). Det beskriver ett system som kan förvärva nya färdigheter och lösa problem som det aldrig har tränats för, snarare än att utföra en begränsad funktion väl. Inget AAI-system finns kommersiellt idag. Inom CRM skulle AGI betyda programvara som resonerar över försäljnings-, marknadsförings- och supportbeslut istället för att köra fördefinierade arbetsflöden.
Om du frågar en leverantör vad som skulle få deras produkt att räknas som AGI, kan de helt enkelt beskriva en uppgraderad version av det de redan säljer, såsom snabbare automatisering, fler funktioner eller bättre personalisering. Men ingen av dessa förbättringar ensamma gör ett system verkligt generellt.
Det finns ett striktare sätt att bedöma påståendet. Det fokuserar på huruvida ett system kan lära sig och lösa genuint okända problem, och det finns ett skriftligt riktmärke för att testa den förmågan. Att förstå vad det testet mäter ger ett tydligare sätt att bedöma AGI-påståenden.
Vad är AGI?
AGI är en teoretisk typ av AI som kan matcha eller överträffa mänskliga förmågor inom praktiskt taget alla intellektuella och kognitiva uppgifter. Till skillnad från dagens specialiserade AI kan ett AGI-system lära sig, resonera och anpassa sig till helt nya situationer utan att behöva uppgiftsspecifik programmering.
Den mest rigorösa arbetsdefinitionen tillhör François Chollet, forskaren bakom Keras djupinlärningsbibliotek. I sin artikel från 2019 Om intelligensmåttet, han definierade intelligens som effektivitet i färdighetsinlärning på okända uppgifter snarare än prestanda på uppgifter som systemet var förberett för.
Den skillnaden är hela argumentet, och den förändrar vad ett riktmärkesresultat betyder. Om en modell tränades på material som liknar testet, visar ett högt resultat att den kan hitta ett svar den redan har sett. Det säger ingenting om vad som händer när problemet verkligen är nytt.
Chollet byggde ett riktmärke för att testa det. ARC-AGI presenterar rutnätspussel där en regel måste härledas från två eller tre exempel och tillämpas på ett fall som systemet aldrig har sett tidigare. Den motstår memorering av sig själv, eftersom varje uppgift är unik och exemplen är för få för statistisk mönstermatchning.
Fyra egenskaper skiljer AGI från vad som skickas idag:
- Överföra: Färdigheter som lärs in inom ett område överförs till ett annat utan omskolning, vilket inget produktionssystem gör för närvarande.
- Nyhetshantering: Systemet löser problem som dess utvecklare aldrig tänkt på. Dagens modeller beter sig oförutsägbart så fort inmatningen slutar likna det de tränades på, och de signalerar sällan att detta har hänt.
- Autonom måluppdelning: Den uppdelar ett tvetydigt mål i steg utan att en människa specificerar arbetsflödet.
- Effektivitet: Den lär sig från en handfull exempel snarare än miljontals, vilket är det kriterium som definitionen ovan faktiskt mäter.
| Verklighetskontroll: ARC-AGI-1 lanserades 2019 för att testa om AI-system kunde lära sig nya regler från bara ett fåtal exempel och tillämpa dem på okända problem. I slutet av 2024 hade frontmodeller blivit dramatiskt större, med träningsberäkningar som ökade ungefär 50 000 gånger, men detta riktmärke förblev en betydande utmaning. Det innebär att att göra modeller större och ge dem mer beräkningsförmåga kan förbättra prestandan, men skalning ensam producerar inte den effektiva inlärning och generalisering som är förknippad med AGI. |
AGI vs AI vs Generativ AI
AI, generativ AI och generativ AI diskuteras ofta som om de beskriver olika nivåer av samma teknik. Det gör de inte. Den viktigaste skillnaden är vad ett system kan lära sig, hur det hanterar okända problem och hur mycket av beslutsprocessen det kan utföra självständigt.
| Smal AI | Generativ AI | AGI | |
| Omfattning | Utför en definierad uppgift | Producerar innehåll i olika format | Hanterar ett brett spektrum av intellektuella uppgifter |
| Lär sig nya uppgifter | Nej, kräver vanligtvis omskolning eller omkonfigurering | Nej, inte utifrån några få exempel | Ja, från begränsade exempel |
| Hanterar okända problem | Begränsad utanför dess definierade uppgift | Kan ge rimliga svar men kan vara opålitlig vid okända uppgifter | Utformad för att lösa verkligt nya problem |
| Målsättning | Mänskligt definierad | Mänskligt inspirerad | Kan självständigt bryta upp bredare mål i uppgifter |
| Kommersiellt tillgängligt | Ja, i stor utsträckning | Ja, i stor utsträckning | Nej |
Den enklaste skillnaden är denna: generativ AI kan utföra många typer av innehållsgenereringsuppgifter, medan generativ AI skulle kunna lära sig att hantera nya typer av problem. Ett generativt AI-system kan utarbeta ett uppföljningsmejl eller en kontraktsklausul när det uppmanas. Generativ AI skulle behöva avgöra om det är lämpligt att skicka det mejlet, beakta kontots sammanhang och bestämma vad man ska göra härnäst.
Hur skulle AGI kunna transformera CRM?
CRM är ett av de områden där AGI kan ha en särskilt betydande inverkan eftersom CRM-system redan sammanför den kundkontext som ett resonemangssystem skulle behöva. Kontakthistorik, affärsaktivitet, supportinteraktioner, kampanjsvar och kontoinformation lagras i en miljö. Om AGI kan resonera i okända situationer, skulle detta kontext kunna låta det fatta beslut snarare än att bara köra fördefinierade arbetsflöden.
- Autonomt kundengagemang
Idag börjar CRM-automation vanligtvis med en fördefinierad trigger, såsom en förändring i affärsfasen eller en kundåtgärd. Ett AGI-system skulle istället kunna bedöma kontot som helhet och avgöra om kontakt är nödvändig, vilken kanal som är lämplig, vad meddelandet ska adressera och när det ska skickas.
- Intelligent leadhantering
Lead scoring bygger vanligtvis på regler och signaler som administratörer väljer i förväg, såsom jobbtitel, företagsstorlek, engagemang eller bransch. AGI skulle kunna utvärdera ett konto med hjälp av ett bredare sammanhang och identifiera relevanta signaler som aldrig omvandlades till fördefinierade fält. Detta skulle kunna göra leadkvalificeringen mindre beroende av hur många regler en CRM-administratör har konfigurerat.
- Predictive Customer Insights
Förutsägande AI kan identifiera mönster associerade med utfall som churn, konvertering eller avslut av affärer. AGI skulle potentiellt kunna ta detta vidare genom att resonera kring varför ett utfall är troligt och avgöra vilken åtgärd som skulle kunna förändra det. Istället för att bara flagga ett konto som i riskzonen skulle systemet kunna koppla samman de underliggande omständigheterna och rekommendera en lämplig åtgärd.
- Beslut om tvärfunktionella arbetsflöden
CRM-arbetsflöden följer i allmänhet processer som människor har utformat i förväg. AGI kan fatta beslut över dessa processer baserat på förändrade omständigheter. Till exempel kan den identifiera att ett allvarligt supportproblem tillfälligt bör stoppa en merförsäljningskampanj, även om ingen skapat en regel som kopplar samman dessa två händelser.
Dessa funktioner är inte kommersiellt tillgängliga idag. De representerar en möjlig riktning för CRM-automation och ger en användbar standard för att bedöma hur långt nuvarande AI-system är från genuint generell intelligens.
| Intressant fakta: Gartners färdplan pekar mot alltmer samordnade AI-system snarare än en enda generell intelligens. Den placerar samarbetande multiagentsystem runt 2027 och ekosystem med flera agenter runt 2029, med fokus på flera specialiserade agenter som arbetar tillsammans. |
Potentiella fördelar med AGI-driven CRM
Det potentiella värdet av AGI i CRM skulle inte bara komma från att göra befintlig automatisering snabbare. Den större förändringen skulle vara möjligheten att fatta beslut i situationer som aldrig uttryckligen täcks av ett arbetsflöde, med hjälp av den bredare kundkontext som redan finns tillgänglig i CRM.
- Dom utan konfiguration
Det mesta av CRM-automationen är beroende av fördefinierade regler. AGI kan minska detta beroende genom att avgöra vilken respons som ger det optimala resultatet när en situation faller utanför dessa gränser. Istället för att bara köra ett statiskt arbetsflöde utvärderar systemet sammanhanget för att bestämma den mest strategiska handlingsplanen.
- Kontext som överlever överlämningar
Kundinformation flyttas ofta mellan försäljnings-, marknadsförings- och supportteam, vilket skapar luckor som anställda måste överbrygga manuellt. Ett AGI-system skulle kunna bära relevant kontokontext under en övergång från försäljning till support, vilket är gapet. intäktsoperationsteam ofta behöva patcha manuellt.
- Förklaring bredvid förutsägelse
En förutsägelse är mer användbar när personen som tar emot den förstår varför den gjordes. Istället för att bara flagga ett konto som sannolikt att kunden kommer att förlora, skulle ett AGI-system kunna koppla samman relevanta kundsignaler, förklara resonemanget bakom förutsägelsen och föreslå en lämplig åtgärd. Detta skulle kunna röra sig. AI-kundupplevelse arbeta från att helt enkelt identifiera problem till att planera hur man ska åtgärda dem.
- Minskat administrativt arbete
CRM-administratörer lägger ner avsevärd tid på att skapa fält, regler, arbetsflöden och undantag för situationer som systemet inte kan hantera på egen hand. Större generalitet skulle kunna minska en del av denna konfiguration genom att låta systemet avgöra hur det ska reagera när en situation inte matchar ett befintligt arbetsflöde.
Utmaningar med att använda AGI i CRM
Utmaningarna med att använda AGI i CRM är inte helt nya. Smala AI-system utsätter redan företag för många av samma risker, men AGI skulle öka dem eftersom det skulle kunna få tillgång till mer data, fatta bredare beslut och kräva mindre mänsklig intervention.
- Dataintegritet: Ett system som resonerar över varje kundpost behöver åtkomst till varje kundpost, vilket utökar radien för eventuella intrång och komplicerar samtycke enligt dataskyddslagen.
- Noggrannhet och tillverkning: Generativa modeller producerar svar som är flytande, säkra och felaktiga, utan någon förändring i ton som markerar skillnaden. När en person granskar resultatet kostar ett fel ett ögonblick. När systemet agerar utifrån sitt eget resultat når felet kunden, och nästa beslut byggs ovanpå det.
- Ansvarighet: När ett autonomt system skickar fel meddelande till ett företagskonto finns det inget entydigt svar på frågan om vem som auktoriserade det enligt nuvarande styrningsmodeller.
- Mänsklig tillsyn: Meningsfull granskning kräver förståelse för resonemanget, och att granska beslut som fattats snabbare än man kan läsa dem är enbart ett försummelse till namnet.
- Integrationskomplexitet: Ett resonemangssystem är bara så bra som dess åtkomst till de system där arbete sker, vilket gör detta till ett arkitekturproblem innan det är ett AI-problem.
- Säkerhetsställning: Bredare systemåtkomst ökar värdet på ett komprometterat konto, vilket är anledningen till CRM-säkerhetskontroller bli mer bärande i takt med att automatiseringen fördjupas, inte mindre.
Framtiden för AGI och CRM
Färdplanssamtal om AGI utgår från att branschen är på väg mot det. De publicerade prognoserna beskriver den motsatta resan. Det som byggs och säljs blir smalare för varje år, och CRM-färdplanen du erbjuds följer den riktningen.
Uppgiftsspecifika agenter är vad 2026 levererar
Gartner förutspår det 40 % av företagsapplikationer kommer att integreras med uppgiftsspecifika AI-agenter i slutet av 2026, en ökning från mindre än 5 % år 2025, och placerar multiagent-ekosystem vid 2029. Uppgiftsspecifik är den styrande frasen, och det är motsatsen till allmän.
En agent i den här bemärkelsen kör ett jobb från början till slut, som att utarbeta en förnyelseoffert eller rensa en supportkö, och stannar sedan vid kanten av den. Det är autonomi inom en gräns som någon har dragit.
Bredd kommer från församling, inte från allmänhet
Den färdplanen når bred kapacitet genom att samla många smala agenter som hanterar arbetet tillsammans, snarare än att bygga ett system som är generellt i sig.
Huruvida montering ger bredd är fortfarande en öppen forskningsfråga. Ett team vid UC Berkeley kommenterade mer än 1 600 exekveringsspår över sju ramverk med flera agenter och rapporterade att prestandavinsterna jämfört med installationer med en enda agent ofta var minimala.
Deras taxonomi namnger 14 fellägen i tre grupper, som täcker oklara specifikationer, feljustering mellan agenter och bristande verifiering av varandras utdata. De flesta kan spåras tillbaka till systemdesign snarare än till begränsningarna i den underliggande modellen.
När en agent feltolkar sin inmatning, agerar varje agent nedströms på misstaget utan att veta att det inträffade, så felet dyker upp i slutet av kedjan snarare än vid dess källa.
Styrningsfrågan ändrar form. Du godkänner inte ett systems bedömning, utan en gräns för varje agent och en registrering av vilken agent som gjorde vilket samtal.
Vilka förändringar för CRM
Det realistiska skiftet på kort sikt är från ett system med registrering till ett system som rekommenderar. Poängsättning av affärer, AI-försäljningsprognoser, och förslag på nästa åtgärd fungerar redan på detta sätt i smala filer, och dessa filer vidgas snarare än försvinner.
Köpfrågan följer med dem. Istället för att fråga om ett CRM har AI, fråga vad varje agent får göra utan att en person godkänner steget, och var det tillståndet finns registrerat.
Hur Vtiger One förbereder sig för AI-driven CRM
Vtiger One tillhandahåller inte AGI, och detta är fallet för CRM-system i allmänhet idag. Dess AI-funktioner representerar ett smalt AI-lager som stöder nuvarande CRM-automation, vilket hjälper till att sammanföra kunddata och arbetsflöden i en enhetlig miljö. Denna grund kan också bidra till att skapa det sammanhang som framtida AI-system skulle behöva för att resonera mer effektivt kring kundinteraktioner.
Kalkyl AI förutspår resultat som avslut av affärer och rekommenderar nästa åtgärder samtidigt som det slutgiltiga beslutet lämnas till den person som hanterar kontot. Vid sidan av det, AI CRM-funktioner stöduppgifter som samtalssammanfattningar och utkast, medan bygga AI-agenter möjliggör omfattade, repeterbara uppgifter inom definierade gränser.
Effektiviteten hos ett AI-system beror på kvaliteten på den information det kan komma åt. Ett saknat affärssteg eller en duplicerad kontaktpost kan leda till en felaktig slutsats även när systemet i sig fungerar som avsett. Det är därför AI-aktiverad CRM-produktivitet Vinsterna är störst när kunddata är korrekt, fullständig och konsekvent underhålls.
Vanliga frågor om partihandel med mat och dryck
Vad är den fullständiga formen av AGI?
AGI står för Artificiell Generell Intelligens. Det beskriver ett system som kan förvärva nya färdigheter och lösa problem som det aldrig designats eller tränats för inom många områden. Detta står i kontrast till smal AI, som utför en definierad uppgift och kräver omskolning för att hantera en annan.
Hur skiljer sig AGI från AI?
AI är paraplytermen för alla system som utför uppgifter som normalt kräver mänsklig intelligens. Nästan all AI som används är smal, vilket innebär att den hanterar en uppgift och misslyckas utanför sina träningsdata. AGI är den delmängd som kan hantera okända uppgifter utan att behöva omtränas.
Vad är skillnaden mellan AGI och generativ AI?
Generativ AI producerar innehåll som text, bilder eller kod, och generaliserar över olika format samtidigt som den förblir begränsad i sin kapacitet. Den kan inte lära sig en verkligt ny färdighet från ett fåtal exempel. Generativ AI definieras av den inlärningseffektiviteten snarare än av variationen i utdata, och den existerar inte kommersiellt.
Hur skulle AGI kunna omvandla CRM?
Det skulle ställa om CRM från att exekvera arbetsflöden som en person har konfigurerat till att göra bedömningar som ingen annan har konfigurerat. Det inkluderar att avgöra om man ska kontakta ett konto överhuvudtaget, kvalificera leads baserat på signaler som aldrig har lagts till i fält, förklara varför en förutsägelse gjordes och koordinera beslut inom försäljning, marknadsföring och support.
Finns det något CRM-system som erbjuder AGI idag?
Nej. Alla CRM AI-funktioner som för närvarande finns tillgängliga är begränsade och täcker lead scoring, prognoser, sammanfattningar, utkast eller omfattande agenter som utför definierade uppgifter. Alla leverantörer som beskriver en leveransprodukt som AGI använder termen i marknadsföringssyfte snarare än som ett tekniskt påstående om kapacitet.
Vilka är fördelarna med AGI i CRM?
Den utmärkande fördelen är bedömning utan konfiguration, vilket innebär att systemet hanterar situationer som administratören aldrig hade förutsett. Sekundära vinster inkluderar kontext som överlever teamöverlämningar, förklaringar kopplade till förutsägelser snarare än enkla resultat, och betydligt mindre manuellt konfigurationsarbete än vad CRM-administrationen för närvarande kräver.
Vilka är utmaningarna med att använda AGI i affärsverksamhet?
Datasekretessen ökar i takt med att systemåtkomsten ökar, och generativa modeller producerar fortfarande säker, felaktig utdata. Ansvarsskyldighet för autonoma beslut har inget definitivt svar, och meningsfull mänsklig tillsyn är svår när besluten överskrider läshastigheten. Integrationskomplexitet och en större säkerhetssprängningsradie gäller från och med den första driftsättningen.
