Mula sa Paglikha hanggang sa Ahensya: Pagsusuri sa Susunod na Alon ng AI at ang Pagpapakita nito sa Enterprise Workflow Automation

1.0 Executive Summary

Ang larangan ng artificial intelligence ay sumasailalim sa isang makabuluhang pagbabago ng paradigm, na umuusbong mula sa mga sistema na pangunahing gumagawa ng nilalaman patungo sa mga kayang magsagawa ng autonomous na aksyon. Ang ulat na ito ay nagbibigay ng komprehensibong pagsusuri sa transition na ito, na sinusuri ang mga naitatag na kakayahan ng Generative AI, ang umuusbong na kapangyarihan ng Agentic AI, at ang mga estratehikong implikasyon para sa mga operasyon ng enterprise. Ang pangunahing natuklasan ay bagama’t ang Generative AI ay nag-rebolusyon sa paglikha ng nilalaman at pagsasama-sama ng impormasyon, ang Agentic AI ay kumakatawan sa susunod na lohikal na hakbang, na binabago ang potensyal ng AI sa makikita, layunin-oriented na aksyon at muling binibigyang kahulugan ang landscape ng business process automation.

Ang Generative AI, na pinapagana ng foundation models at large language models (LLMs), ay mahusay sa paglikha ng bagong teksto, larawan, code, at iba pang media bilang tugon sa partikular na mga prompt ng user. Ang halaga nito ay nasa pagpapalakas ng human creativity at productivity sa pamamagitan ng pag-aautomate ng mga discrete, content-centric na gawain. Ang malawakang paggamit ng mga tool na ito ay ginagawang komoditi ang baseline na paglikha ng nilalaman, na nagpapataas ng estratehikong kahalagahan ng prompt engineering at human oversight.

Sa kaibahan, ang Agentic AI ay nagpapakilala ng isang bagong antas ng autonomy. Ang mga sistemang ito ay tinutukoy ng kanilang proactivity, adaptability, at goal-orientation. Sa halip na tumugon sa mga prompt, ang mga AI agent ay idinisenyo upang itaguyod ang mga high-level na layunin na may kaunting interbensyon ng tao. Sila ay gumagana sa isang patuloy na loop ng perception, reasoning, planning, execution, at learning, na nagbibigay-daan sa kanila na pamahalaan ang mga kumplikadong, multi-step na workflow sa iba’t ibang digital platform. Ang arkitektura ng mga sistemang ito ay kadalasang nagsasangkot ng orchestration ng maraming espesyal na agent, na nagko-collaborate para makamit ang mga pangkalahatang layunin ng negosyo. Ito ay nagmamarka ng isang paglipat mula sa AI bilang isang tool patungo sa AI bilang isang digital workforce.

Ang isang kritikal na pagsusuri ay nagpapakita na ang Agentic AI ay hindi isang kapalit para sa Generative AI kundi isang ebolusyon na nagtatayo dito, gamit ang LLMs bilang isang core reasoning engine. Ang pagkakaiba, gayunpaman, ay lumalabo habang ang mga komersyal na produkto ay lalong nagsasama ng mga kakayahan mula sa parehong paradigm. Ang isang detalyadong case study ng SeaMeet ni Seasalt.ai, na iminumerkado bilang isang “Agentic Meeting Copilot,” ay naglalarawan ng trend na ito. Bagama’t ang mga pangunahing function nito ay generative (transcription, summarization), ang email-based na workflow nito para sa paglikha ng mga follow-up na dokumento ay kumakatawan sa isang “proto-agentic” na kakayahan—isang sopistikadong, human-triggered na automation na nagsasabing mayroong mas malawak na paggalaw sa merkado patungo sa pagpapasok ng mga katangiang parang agent sa mga produkto.

Para sa mga business leader, ang estratehikong kinakailangan ay dalawa: gamitin ang Generative AI para sa agarang mga pakinabang sa productivity habang sabay na nagsisimula ng mga estratehikong eksperimento sa Agentic AI para muling i-engineer ang mga pangunahing proseso ng negosyo para sa isang bagong panahon ng automation. Ang matagumpay na paggamit ay nakasalalay sa pagtatatag ng data readiness, matibay na security at governance frameworks, at isang matalas na kamalayan sa mga etikal na pagsasaalang-alang na kaakibat sa pag-deploy ng autonomous na mga sistema. Ang trajectory ng teknolohiyang ito ay tumutukoy sa isang hinaharap kung saan ang isang collaborative ecosystem ng human at AI agents ay nagtutulak ng enterprise efficiency, innovation, at value creation.

2.0 Ang Rebolusyong Generative: AI bilang Isang Lumilikha ng Nilalaman

Ang kamakailan at mabilis na paglaganap ng artificial intelligence sa mainstream na mga aplikasyon ng negosyo at consumer ay labis na nauugnay sa pag-usbong ng Generative AI. Ang subfield na ito ng AI ay nakuha ang imahinasyon ng publiko at binuksan ang malalaking productivity gains sa pamamagitan ng pagbibigay sa mga makina ng kakayahang lumikha ng orihinal na nilalaman. Ang pag-unawa sa mekanika, kakayahan, at mga limitasyon ng paradigm na ito ay mahalaga para sa kontekstwalisasyon ng kasunod na hakbang patungo sa autonomous na agentic na mga sistema.

2.1 Pagtukoy sa Paradigm: Ang Mekanika ng Paglikha

Ang Generative Artificial Intelligence ay isang klase ng AI na gumagamit ng machine learning models para makagawa ng bagong nilalaman, tulad ng teksto, larawan, audio, video, o iba pang anyo ng data, bilang tugon sa input ng user.1 Hindi tulad ng mga tradisyonal na AI system na idinisenyo para sa prediction o classification, o mga search engine na naghahanap at naggugupit ng existing na impormasyon, ang mga generative model ay lumilikha ng ganap na bagong outputs.2 Naaabot nila ito sa pamamagitan ng pagsasanay sa napakalaking datasets ng nilalaman na nilikha ng tao. Sa pamamagitan ng prosesong pagsasanay na ito, ang mga model ay natututo ng mga pinagbabatayan na pattern, istraktura, at ugnayan sa loob ng data. Ang kanilang pangunahing function ay probabilistic; hinuhulaan nila ang susunod na pinakamalakas na elemento sa isang sequence—ito man ay isang salita sa isang pangungusap, isang pixel sa isang larawan, o isang tala sa isang musikal na komposisyon—upang bumuo ng isang coherent at contextually relevant na resulta.2

Ang teknolohikal na pundasyon para sa modernong Generative AI ay nakasalalay sa mga arkitektura na kilala bilang foundation models (FMs) at, mas partikular, ang mga large language models (LLMs).4 Ang mga FM ay malalaking machine learning model na pre-trained sa malawak na hanay ng pangkalahatan at hindi naka-label na data, na ginagawa silang may kakayahang gawin ang maraming uri ng gawain nang direkta.4 Ang mga LLM, tulad ng OpenAI’s Generative Pre-trained Transformer (GPT) series, ay isang klase ng mga FM na partikular na nakatuon sa mga gawaing batay sa wika tulad ng pagsasama-sama, pagbuo ng teksto, pag-uuri, at bukas na pag-uusap.4

Ang sukat at pagiging kumplikado ng mga modelong ito ay kumakatawan sa isang napakalaking hakbang mula sa kanilang mga nauna. Ang mga unang anyo ng generative AI, tulad ng Markov chains na binuo mahigit isang siglo na ang nakalilipas, ay maaari ring magsagawa ng paghuhula ng susunod na salita ngunit limitado sila dahil hindi nila kayang isaalang-alang ang mas malawak na konteksto maliban sa ilang mga naunang salita.5 Sa kaibahan, ang mga modernong LLM tulad ng ChatGPT ay binuo gamit ang bilyun-bilyong parameter at sinanay sa malaking bahagi ng pampublikong available na internet, na nagpapahintulot sa kanila na maunawaan ang mga kumplikadong ugnayan, nuances, at statistical na pattern sa wika. Ang napakalaking sukat na ito ay nagbibigay-daan sa kanila na lumikha ng makatotohanan, sopistikadong, at parang-taong teksto, na hindi na lamang limitado sa simpleng autocomplete function.5 Ang pangunahing modelo ng pakikipag-ugnayan ay nananatiling reaktibo: ang sistema ay naghihintay ng tiyak na prompt mula sa isang user at pagkatapos ay lumilikha ng nilalaman bilang tugon.6

Ang paglaganap ng mga malakas at accessible na tool na ito ay pangunahing binabago ang katangian ng trabahong may kinalaman sa nilalaman. Habang ang Generative AI ay nagiging may kakayahang gumawa ng high-quality na baseline na nilalaman ayon sa hinihingi, ang halaga sa ekonomiya ay lumilipat palayo sa manu-manong gawain ng paglikha mismo. Sa halip, ang halaga ay lalong nakikita sa estratehikong direksyon na ibinibigay sa AI. Ang kakayahang lumikha ng tumpak, may-kontekstong prompt na nakakakuha ng ninanais na output—isang kasanayan na kadalasang tinatawag na “prompt engineering”—ay nagiging isang kritikal na kakayahan. Ang dynamic na ito ay binabago ang papel ng tao mula sa isang purong lumilikha patungo sa isang creative director, strategist, at editor, na gumagamit ng AI bilang isang malakas na force multiplier. Ang teknolohiya ay hindi lamang pinapalitan ang pagsisikap ng tao kundi lumilikha ng bagong layer ng pakikipagtulungan kung saan ang kalidad ng estratehikong input ng tao ay direktang nagdedetermina ng kalidad ng output ng AI.

2.2 Mga Pangunahing Kakayahan at Aplikasyon: Isang Suri ng Generative Toolkit

Ang mga aplikasyon ng Generative AI ay sumasaklaw sa malawak na hanay ng mga domain, na nagpapakita ng versatility ng pinagbabatayan na foundation models. Ang mga tool na ito ay ina-integrate sa mga workflow sa iba’t ibang industriya para mapataas ang productivity, suportahan ang mga creative na gawain, at i-automate ang komunikasyon.4 Ang pagsusuri sa mga pangunahing kakayahan nito ay nagpapakita ng isang komprehensibong toolkit para sa modernong knowledge work.

Ang pangunahin at malawakang pinagtibay na aplikasyon ay text generation. Ang mga generative model ay maaaring lumikha ng malawak na hanay ng nakasulat na nilalaman, mula sa paggawa ng propesyonal na email, marketing copy, at technical report hanggang sa pagbuo ng mga creative na gawa tulad ng tula at kwento.2 Ang kakayahang ito ay umaabot sa

content summarization at synthesis, kung saan ang AI ay maaaring i-distill ang mahahabang dokumento, research paper, o usapan sa maikli at madaling intindihin na mga buod, na nagbibigay-daan sa mga user na mabilis na maunawaan ang mahahalagang impormasyon mula sa malalaking dami ng unstructured na data.2

Higit pa sa teksto, ang Generative AI ay gumawa ng malaking progreso sa multimedia creation. Ang mga tool tulad ng DALL-E 3, Midjourney, at Stable Diffusion ay maaaring lumikha ng high-quality, orihinal na larawan at sining mula sa simpleng text description.8 Ito ay umaabot sa video at audio, kung saan ang mga umuusbong na model ay maaaring gumawa ng animation o mag-synthesize ng natural-sounding na pagsasalita para sa mga aplikasyon tulad ng virtual assistant at audiobook narration.8

Sa larangan ng software development, ang Generative AI ay nagsisilbing malakas na katulong ng mga programmer. Ang mga platform tulad ng GitHub Copilot ay direktang ineengrandeng sa mga development environment para magmungkahi ng code snippet, magko-complete ng function, magsalita sa pagitan ng mga programming language, at tumulong na i-debug ang existing code.2 Ito ay nagpapabilis ng development lifecycle at nagpapahintulot sa mga engineer na mag-focus sa mas mataas na antas na architectural na problema.10

Ang isa pang sopistikadong aplikasyon ay synthetic data generation. Ang mga generative model ay maaaring lumikha ng bagong, artipisyal na data na gumagaya sa statistical na katangian ng isang real-world na dataset. Ang synthetic data na ito ay napakahalaga para sa pagsasanay ng iba pang machine learning model, lalo na sa mga domain kung saan ang real-world na data ay kakaunti, sensitive, o mahal ang makuha, tulad ng sa healthcare o finance.4

Ang komersyal na tanawin ay puno ng maraming kilalang mga aplikasyon na nagdala ng mga kakayahang ito sa milyun-milyong user. Kabilang dito ang mga conversational AI tulad ng ChatGPT at Gemini, mga writing assistant tulad ng Grammarly, at mga integrated solution tulad ng Microsoft Copilot at Adobe Firefly, na naglalagay ng generative features sa mga existing na productivity suite.9 Ang pangkalahatang business value ng mga tool na ito ay nasa kanilang kakayahang mapahusay ang productivity at pasiglahin ang innovation sa pamamagitan ng pag-aautomate ng paglikha ng content at pagpapabilis ng mga partikular, input-driven na gawain.4

3.0 Ang Agentic Leap: Mula sa Paglikha ng Content patungo sa Autonomous Action

Habang ang Generative AI ay kumakatawan sa isang rebolusyon sa paglikha ng content, ang susunod na hangganan sa artificial intelligence ay tinutukoy ng isang paglipat mula sa paglikha patungo sa pagkilos. Ang Agentic AI ay nagmamarkahan ng evolusyong ito, na nagpapakilala ng mga sistema na idinisenyo hindi lamang para tumugon, kundi para kumilos nang independyente upang makamit ang mga kumplikadong layunin. Ang paglipat na ito patungo sa autonomy ay nangangako na magbubukas ng isang bagong antas ng productivity at magbabago sa pangunahing kalikasan ng business process automation.

3.1 Ang Pagsisimula ng Mga Autonomous System: Paglalarawan ng Agency

Ang Agentic AI ay isang advanced na anyo ng artificial intelligence na nakasentro sa pagpapaunlad ng mga autonomous system na may kakayahang gumawa ng desisyon at magsagawa ng mga gawain na may kaunting interbensyon ng tao.13 Ang terminong “agentic” ay nagmula sa konsepto ng agency—ang kapasidad ng isang sistema na kumilos nang independyente at may layunin sa loob ng kanyang kapaligiran upang makamit ang isang paunang tinukoy na hanay ng mga layunin.15 Ito ay lubos na naiiba sa tradisyonal na AI, kabilang ang Generative AI, na pangunahing reaktibo. Ang isang generative model ay naghihintay para sa isang prompt at sumusunod sa isang paunang tinukoy na workflow para makagawa ng output; isang agentic system, kapag binigyan ng isang high-level na layunin, ay maaaring proactive na bumuo at isagawa ang isang plano para matugunan ang layuning iyon.7

Ang pangunahing pagkakaiba ay nasa transisyon mula sa isang request-response model patungo sa isang goal-driven na modelo. Ang isang agentic system ay hindi lamang sumusunod sa step-by-step na mga tagubilin. Sa halip, may kakayahang hatiin ang isang kumplikadong layunin sa isang sequence ng mas maliit, naaayos na sub-tasks at ituloy ang mga ito nang independyente.17 Ang proactive na katangiang ito ay nagbibigay-daan sa kanya na hulaan ang mga pangangailangan, tukuyin ang mga potensyal na problema, at magsagawa ng inisyatiba para tugunan ang mga isyu bago pa sila lumaki, isang kakayahang higit sa sakop ng mga reaktibong sistema.15

3.2 Anatomy of an AI Agent: The Operational Loop

Ang functionality ng Agentic AI ay binuo sa isang hanay ng mga pangunahing katangian na nagbibigay-daan sa kanyang autonomous na pag-uugali. Ang mga sistemang ito ay idinisenyo upang maging:

• Proactive & Autonomous: Hindi sila naghihintay para sa malinaw na mga utos para sa bawat aksyon. Sa halip, sila ay gumagana nang may isang antas ng kalayaan para magsagawa ng mga gawain nang walang patuloy na pagsubaybay ng tao, na nagpapahintulot sa kanila na pamahalaan ang mga long-term na layunin at multi-step na problema.15
• Adaptable: Isang kritikal na tampok ay ang kakayahang matuto mula sa mga interaksyon at umangkop sa mga pagbabago sa kapaligiran. Maaari silang ayusin ang kanilang mga estratehiya at aksyon sa real-time batay sa bagong impormasyon o feedback, na ginagawa silang angkop para sa dynamic at hindi mahuhulaang sitwasyon.12
• Goal-Oriented: Ang mga AI agent ay tahasang idinisenyo upang makamit ang mga partikular na layunin. Sila ay nangangatuwiran tungkol sa mga hakbang na kinakailangan upang maabot ang isang layunin at bumuo ng isang estratehiya para gawin ito.14
• Reasoning & Planning: Sa puso ng isang agentic system ay isang reasoning engine, na kadalasang isang malakas na large language model (LLM). Ang LLM ay nagsisilbing “utak” ng ahente, na nagbibigay-daan sa kanya na suriin ang data, maunawaan ang konteksto, bumuo ng mga potensyal na solusyon, at planuhin ang isang kurso ng aksyon.14

Ang operasyon ng isang AI agent ay maaaring maunawaan bilang isang patuloy, cyclical na proseso. Ang loop na ito ay nagpapahintulot sa ahente na makipag-ugnayan nang matalino sa kanyang kapaligiran at pagbutihin ang kanyang performance sa paglipas ng panahon 16:

1. Perception: Sinisimulan ng ahente ang pamimili ng data mula sa kanyang kapaligiran. Maaari itong magmula sa iba’t ibang pinagmumulan, kabilang ang mga API, database, sensor, o direktang interaksyon ng user.
2. Reasoning: Ang nakolektang data ay pagkatapos ay pinoproseso upang makuha ang makabuluhang insights. Gamit ang mga kakayahang tulad ng natural language processing, binibigyang-kahulugan ng ahente ang impormasyon, nakikita ang mga pattern, at nauunawaan ang mas malawak na konteksto.
3. Decision-Making: Batay sa kanyang reasoning at paunang tinukoy na mga layunin, sinusuri ng ahente ang maraming posibleng aksyon. Pinipili nito ang pinakamainam na kurso ng aksyon batay sa mga salik tulad ng kahusayan, posibilidad ng tagumpay, at hinalang mga kinalabasan.
4. Execution: Isinasagawa ng ahente ang napiling aksyon. Kadalasan itong nagsasangkot ng pakikipag-ugnayan sa mga panlabas na sistema sa pamamagitan ng pagtawag sa mga API, pagmamanipula ng data, o pakikipag-usap sa mga user.
5. Learning and Adaptation: Pagkatapos ng pagpapatupad, sinusuri ng ahente ang kinalabasan. Ang feedback na ito ay ginagamit upang ayusin ang kanyang internal na mga modelo at mapabuti ang mga desisyon sa hinaharap, kadalasan sa pamamagitan ng mga diskarte tulad ng reinforcement learning.

Ang operational framework na ito ay nagbabago ng hilaw na potensyal ng mga foundation model sa praktikal, nakatuon sa layunin na aksyon. Habang ang isang LLM ay nagbibigay ng pangunahing katalinuhan para sa pangangatwiran at pag-unawa, ang agentic framework—ang mga bahagi para sa pagpaplano, paggamit ng tool, memorya, at pakikipag-ugnayan sa kapaligiran—ang nagpapahintulot na ang katalinuhan na ito ay maaplikar sa mga gawain sa tunay na mundo. Ang ugnayang ito ay katulad ng sa operating system ng computer at ng application software nito. Ang LLM ay ang malakas na operating system na nagbibigay ng mga pangunahing kakayahan, habang ang agentic system ay ang application layer na nagsasamantala ng mga kakayahang ito para magsagawa ng tiyak, mahalagang mga function para sa user, na lumalayo sa isang simpleng chat interface.

3.3 Ang Lakas ng Pakikipagtulungan: Orchestration at Multi-Agent Systems

Ang pagiging kumplikado ng mga problema sa negosyo sa tunay na mundo ay kadalasang nangangailangan ng magkakaibang hanay ng mga kasanayan at kaalaman sa domain. Upang matugunan ito, ang mga advanced na agentic system ay madalas na idinisenyo bilang multi-agent systems, kung saan ang maraming, lubos na espesyal na AI agents ay nagkakasama para makamit ang isang karaniwang layunin.15 Halimbawa, sa isang setting ng financial services, ang isang agent ay maaaring espesyalista sa regulatory compliance, ang isa pa sa fraud detection, at ang ikatlo sa portfolio optimization. Ang mga agent na ito ay nagkoordinate ng kanilang mga aktibidad, nagbabahagi ng mga insight, at naghahatid ng mga gawain ayon sa kailangan para magbigay ng isang komprehensibong solusyon na hihigit sa kakayahan ng isang solong, general na agent.15

Ang kolaboratibong modelo na ito ay nangangailangan ng isang kritikal na function na kilala bilang orchestration. Ang Orchestration ay ang pangkalahatang pamamahala at koordinasyon ng iba’t ibang AI agents at system sa loob ng isang ecosystem.16 Ang isang orchestration platform ay responsable para sa pag-a-automate ng workflows, pagsubaybay sa pag-unlad patungo sa mga layunin, pamamahala ng paglalaan ng resources, at paghawak ng mga pagkabigo. Tinitiyak nito na ang mga indibidwal na agent ay nagtatrabaho nang magkakasama nang maayos at mahusay. Ito ay naglilinaw ng pagkakaiba sa pagitan ng isang “AI agent,” na maaaring tingnan bilang isang indibidwal na tool o espesyalista, at “Agentic AI,” na tumutukoy sa coordinated system na namamahala sa mga agent na ito para makamit ang mas malawak, mas kumplikadong mga layunin.14 Ang mga platform ng teknolohiya tulad ng Amazon Bedrock at Google’s Vertex AI Agent Builder ay inuunlad upang magbigay ng imprastraktura para sa pagbuo at pag-o-orchestrate ng mga sopistikadong multi-agent system na ito, na nagpapahiwatig ng isang malaking pagbabago sa arkitektura sa pagpapaunlad ng AI mula sa monolithic models patungo sa collaborative digital workforces.14

4.0 Isang Comparative Framework: Generative vs. Agentic Systems

Ang pag-unawa sa mga pagkakaiba at ang ugnayan sa pagitan ng Generative at Agentic AI ay mahalaga para sa anumang organisasyon na naghahangad na bumuo ng isang magkakaugnay na estratehiya sa AI. Habang ang pareho ay gumagamit ng magkatulad na pinagbabatayan na teknolohiya, ang kanilang layunin, mga modelo ng pakikipag-ugnayan, at sakop ng operasyon ay mahalagang naiiba. Ang Agentic AI ay hindi isang katunggali ng Generative AI kundi isang functional na ebolusyon na nagtatayo sa mga kakayahan nito para lumipat mula sa paglikha ng content patungo sa pagpapatupad ng gawain.

4.1 Reactive Prompts vs. Proactive Goals: Ang Pangunahing Pagkakaiba

Ang pinakamalalim na pagkakaiba sa pagitan ng dalawang paradigm ay nasa kanilang operational posture: Ang Generative AI ay reactive, habang ang Agentic AI ay proactive.7 Ang isang generative system ay idinisenyo para lumikha ng content bilang direktang tugon sa isang tiyak na user prompt. Ito ay isang passive na tool na naghihintay ng mga tagubilin.17 Sa kaibahan, ang isang agentic system ay idinisenyo para kumilos sa paghahabol ng isang high-level na layunin. Ito ay isang aktibong kalahok na kumukuha ng inisyatiba batay sa mga layunin nito at sa perception nito sa kapaligiran.15

Ang pagkakaibang ito ay maaaring linawin sa pamamagitan ng isang praktikal na halimbawa. Ang Generative AI ay katulad ng isang lubos na sanay na espesyalista, tulad ng isang copywriter o graphic designer. Ang isa ay nagbibigay sa espesyalistang ito ng isang detalyadong brief (“sumulat ng 500-word na blog post tungkol sa paksa X sa isang propesyonal na tono”), at isinasagawa nila ang tiyak na gawain na iyon. Gayunpaman, hindi nila malayang desisyunin na kailangan ang isang blog post, magsaliksik ng paksa nang hindi tinatanong, o ischedule ang paglalathala nito.6 Ang Agentic AI, sa kabilang banda, ay katulad ng isang autonomous na project manager. Ang isa ay nagbibigay sa manager na ito ng isang high-level na layunin (“dagdagan ang engagement sa aming target audience sa quarter na ito”). Ang agentic manager ay pagkatapos ay malayang magbabalangkas ng isang plano, na maaaring kabilang ang pagkuha ng isang serye ng blog posts (isang gawain na idedelegate nito sa isang generative model), pagsaschedule ng mga update sa social media, pagsusuri ng data ng engagement, at pagsasaayos ng estratehiya batay sa performance, lahat nang hindi nangangailangan ng step-by-step na tagubilin para sa bawat aksyon.7

Ang pagkakaibang ito sa function ay direktang nakakaapekto sa kalikasan ng pakikipag-ugnayan ng tao. Sa Generative AI, ang user ay “in the loop,” na nagbibigay ng patuloy na direksyon at gumagawa ng mga desisyon sa bawat yugto ng proseso. Para sa Agentic AI, ang user ay “on the loop,” na nagtatakda ng pangkalahatang mga layunin at nagbibigay ng pagsubaybay, ngunit nakikialam pangunahin para hawakan ang mga exception o magbigay ng estratehikong gabay kapag ang agent ay nakatagpo ng isang sitwasyon na lampas sa programming nito.

4.2 Isang Simbyotikong Relasyon: Ebolusyon, Hindi Rebolusyon

Mahalagang kilalanin na ang Agentic AI ay hindi pumapalit sa Generative AI; sa halip, pinapalawak nito ang mga kakayahan nito sa isang simbyotikong relasyon.16 Ang mga agentic system ay umaasa sa mga generative model, partikular na ang mga LLM, bilang kanilang central processing unit o “utak”.14 Ang LLM ay nagbibigay ng mahahalagang cognitive function ng pangangatwiran, pag-unawa sa wika, at pagpaplano na nagpapahintulot sa ahente na bigyang-kahulugan ang mga layunin, suriin ang mga sitwasyon, at bumuo ng mga estratehiya.

Isang malinaw na halimbawa ang naglalarawan ng synergy na ito. Ang isang sales representative ay maaaring gumamit ng isang purong Generative AI tool sa pamamagitan ng pagpaprompt dito, “Sumulat ng isang magalang na follow-up email kay Maria Wang tungkol sa aming panukala.” Ang AI ay makakabuo ng teksto, ngunit kailangan pa ring manu-manong kopyahin ng representative ito sa isang email client, hanapin ang contact information ni Maria, i-send ang email, at pagkatapos ay i-update ang kanilang customer relationship management (CRM) system. Ito ay isang serye ng discrete, human-driven na mga gawain na inihanda ng AI.7

Ang isang agentic system ay hahawak ng parehong layunin sa ibang paraan. Ang representative ay magtatakda ng isang high-level na patakaran o layunin, tulad ng, “Para sa anumang lead na may markang ‘Follow-up required,’ i-send ang isang follow-up email pagkatapos ng dalawang business day.” Ang agentic system ay pagkatapos ay awtomatikong magpapatupad ng isang multi-step na workflow. Ito ay magmomonitor ng CRM para sa trigger, maghihintay ng tinukoy na oras, kukuha ng mga detalye ni Maria mula sa CRM, gagamit ng generative model para bumuo ng isang personalized na email, i-send ang email sa pamamagitan ng isang API call, at sa huli, i-update ang CRM para i-log ang aksyon. Sa workflow na ito, ang Generative AI ay isang mahalagang bahagi—isang tool na ginagamit ng ahente para makumpleto ang isang hakbang ng mas malawak, awtonomong plano nito.7

Ang relasyong ito ay naghihighlight na ang linya sa pagitan ng dalawang konseptong ito ay lalong nagiging malabo sa mga komersyal na aplikasyon. Ang teoretikal na pagkakaiba sa pagitan ng reactive content generation at proactive goal achievement ay malinaw, ngunit sa pagsasagawa, ang mga produkto ay lumalabas na sumasakop sa isang gitnang lugar. Ang mga advanced na generative tool tulad ng ChatGPT ay isinasama ang mga tampok tulad ng “function calling,” na nagpapahintulot sa kanila na makipag-ugnayan sa mga external tool at magsagawa ng simple, chained na mga aksyon, kaya nagpapakita ng mga bagong agentic na pag-uugali.2 Sa kabaligtaran, ang mga agentic system ay pangunahing umaasa sa generative capabilities para sa kanilang core intelligence.14 Ang pagsasama-sama na ito ay nagmumungkahi na ang merkado ay umuusbong hindi bilang isang binary na pagpili sa pagitan ng dalawang magkakaibang teknolohiya, kundi bilang isang spectrum ng AI capabilities. Lumilikha ito ng hamon para sa mga business leader, na dapat na tumingin beyond sa mga marketing label para tumpak na masuri ang tunay na antas ng autonomy at intelligence na iniaalok ng isang partikular na produkto.

4.3 Talahanayan 1: Generative AI vs. Agentic AI - Isang Paghahambing ng Mga Tampok

Ang sumusunod na talahanayan ay nagbibigay ng maikli, feature-level na paghahambing para ibigay ang buod ng mga pangunahing pagkakaiba sa pagitan ng Generative at Agentic AI paradigms.

Aspekto	Generative AI (Ang Lumilikha ng Nilalaman)	Agentic AI (Ang Awtonomong Aktora)	Mga Sumusuportang Snippet
Pangunahing Tungkulin	Upang lumikha ng bagong nilalaman (teksto, larawan, code) batay sa mga natutunang pattern.	Upang kumilos at makamit ang mga high-level na layunin sa pamamagitan ng pagpapatupad ng multi-step na mga gawain.	2
Modelo ng Pakikipag-ugnayan	Reactive: Tumutugon sa mga tiyak, direktang user prompts.	Proactive: Kumukuha ng inisyatiba batay sa mga layunin at environmental data.	7
Antas ng Autonomy	Mababa (Human-in-the-Loop): Kailangan ng step-by-step na human guidance para sa bawat output.	Mataas (Human-on-the-Loop): Nagpapatakbo nang independyente na may human oversight para sa mga exception.	6
Paraan ng Input	Tiyak na Mga Prompt: “Sumulat ng email tungkol sa X.”	High-Level na Mga Layunin: “Pamahalaan ang mga follow-up para sa lahat ng bagong sales leads.”	7
Saklaw ng Gawain	Maliit, Tiyak na Mga Gawain: Content generation, summarization, pagsasalin.	Malawak, Kumplikadong Mga Workflow: Process automation, problem-solving, system management.	19
Pangunahing Mekanismo	Pattern Recognition & Prediction: Hinuhulaan ang susunod na item sa isang sequence.	Perception-Reasoning-Action Loop: Nakakadama, nagpaplano, nagdedesisyon, nagpapatupad, at natututo.	2
Pagsasama ng Tool	Limitado: Maaaring isama bilang isang tampok sa loob ng isang mas malaking aplikasyon.	Malawak: Nakadisenyo nang natural para tawagin ang mga external tool, API, at iba pang system para kumilos.	14
Business Analogy	Isang may mataas na kasanayan na espesyalista o katulong (hal., isang copywriter, isang coder, isang researcher).	Isang awtonomong project manager o isang digital na empleyado.	6

5.0 Ang Agentic Enterprise: Pagbabago ng Mga Industriya Gamit ang Awtonomong Mga Workflow

Ang teoretikal na pangako ng Agentic AI ay mabilis na nagiging praktikal na mga aplikasyon na handang muling tukuyin ang kahusayan sa operasyon at estratehikong kakayahan sa maraming industriya. Sa pamamagitan ng pag-a-automate hindi lamang ng mga simpleng gawain kundi ng mga kumplikado, end-to-end na workflow, ang mga agentic system ay nagbibigay-daan sa isang bagong paradigm ng produktibidad ng enterprise. Ito ay kumakatawan sa isang makabuluhang ebolusyon mula sa mga naunang teknolohiya ng automation, na nagpapalakas ng potensyal ng tao sa halip na simpleng pinapalitan ang manu-manong paggawa.

5.1 Isang Pagsusuri sa Epekto sa Mga Iba’t Ibang Sektor

Ang versatility ng Agentic AI, na nagmumula sa kakayahang mag-reason, mag-plano, at makipag-ugnayan sa mga digital na system, ay nagbibigay-daan para sa paggamit nito sa halos anumang domain na umaasa sa kumplikadong pagproseso ng impormasyon at paggawa ng desisyon.

• Serbisyo sa Kustomer: Ang Agentic AI ay binabago ang suporta sa kustomer mula sa reaktibo, batay sa iskrip na mga chatbot patungo sa proactive na mga ahente ng serbisyo. Ang mga system na ito ay maaaring autonomously na pamahalaan ang mga katanungan ng kustomer, mag-access ng mga knowledge base para malutas ang mga kumplikadong isyu, prosesuhin ang mga refund o pagbabalik, at maghatid ng personalized na suporta sa maraming channel, na tanging inaakyat lamang sa mga ahente na tao para sa pinaka-nuanced o empathetic na pakikipag-ugnayan.14
• Pananalapi at Bangko: Sa sektor ng pananalapi na maraming datos, ang mga AI agent ay inilalagay upang i-automate ang pagtuklas ng pandaraya sa pamamagitan ng pagsubaybay sa mga transaksyon sa real-time at pagkilos upang harangan ang mga kahina-hinalang aktibidad. Maaari rin silang magsagawa ng patuloy na pagsusuri ng panganib, pamahalaan ang mga portfolio ng pamumuhunan batay sa mga kondisyon ng merkado at mga predefinidong estratehiya, at tiyakin ang pagsunod sa regulasyon sa pamamagitan ng pagsubaybay para sa mga pagbabago sa batas at pag-update ng mga panloob na patakaran ayon dito.14
• Pangangalagang Pangkalusugan: Ang potensyal na epekto sa pangangalagang pangkalusugan ay malalim. Ang mga agentic system ay maaaring tumulong sa mga clinician sa pamamagitan ng pagsusuri ng mga medical record, research paper, at data ng clinical trial para tulungan sa diagnosis at pagpaplano ng paggamot. Maaari rin silang gamitin para sa proactive na pagsubaybay sa pasyente, gamit ang data mula sa mga wearable device para makita ang mga unang tanda ng mga isyu sa kalusugan at i-alert ang mga team ng pangangalaga, o kahit na awtomatikong ischedule ang mga follow-up na appointment.14
• Supply Chain at Logistics: Ang Agentic AI ay maaaring lumikha ng napaka-tatag at mahusay na supply chain. Sa pamamagitan ng pagsusuri ng data mula sa benta, imbentaryo, panahon, at pagpapadala, ang mga system na ito ay maaaring mahulaan ang demand, i-optimize ang logistics, at proactive na i-reroute ang mga shipment para maiwasan ang mga delay, habang pinapaliit ang mga gastos at pagsubaybay ng tao.14
• Pagpapaunlad ng Software at Operasyon ng IT: Higit pa sa simpleng pagbuo ng code, ang mga AI agent ay maaaring i-automate ang buong siklo ng pagpapaunlad ng software, kabilang ang debugging, testing, at deployment. Sa IT service management, ang mga agent ay maaaring lumampas sa pagiging simpleng helpdesk bots para autonomously na malutas ang mga kumplikadong IT ticket, mag-troubleshoot ng mga isyu sa network, at pamahalaan ang software provisioning.14
• Human Resources: Maaaring gamitin ng mga departamento ng HR ang mga agentic workflow para i-automate ang mga time-consuming na proseso tulad ng resume screening, kung saan ang mga agent ay maaaring suriin at i-score ang mga kandidato laban sa mga pamantayan ng trabaho. Maaari rin nilang hawakan ang pagsaschedule ng interbyu sa pamamagitan ng pag-coordinate ng mga kalendaryo sa pagitan ng mga kandidato at hiring managers, at pamahalaan ang employee onboarding at payroll processes.25

Ang tunay, pangmatagalang epekto ng mga aplikasyong ito ay malamang na lumampas sa automation ng mga kasalukuyang gawain. Ang pagpapakilala ng mga autonomous na ahente ay nagbibigay-daan para sa isang pangunahing pag-iisip muli ng kung paano idinisenyo ang mga proseso ng negosyo. Ang mga workflow na dating pinipigilan ng bilis at kapasidad ng paggawa ng desisyon ng tao ay maaaring ma-re-engineer para maging mas dynamic, responsive, at data-driven. Halimbawa, sa halip na ang isang ahente ay simpleng nagf-flag ng isang potensyal na pagkagambala sa supply chain para suriin ng isang tao, ang isang ganap na natutupad na agentic system ay maaaring autonomously na imodelo ang epekto sa pananalapi ng pagkagambala, suriin ang mga alternatibong ruta ng pagpapadala, makipag-negosyo ng mga bagong termino sa mga carrier sa pamamagitan ng API, i-update ang enterprise resource planning (ERP) system gamit ang bagong plano, at ipaalam sa lahat ng mga kaugnay na stakeholder sa real-time. Hindi lamang ito automation ng gawain; ito ay isang kumpletong pagbabago ng proseso ng negosyo mismo, na nagbibigay-daan sa isang antas ng operational agility at resilience na dating hindi makamit.

5.2 Muling Tukuyin ang Produktibidad: Higit sa Robotic Process Automation (RPA)

Ang pagtaas ng agentic automation ay nagmamarka ng isang makabuluhang pagsulong sa mga tradisyonal na teknolohiya ng automation tulad ng Robotic Process Automation (RPA). Ang RPA ay naging lubos na epektibo sa pag-a-automate ng mga structured, repetitive, at rules-based na gawain, tulad ng data entry o invoice processing. Gayunpaman, madalas itong nahihirapan kapag nahaharap sa unstructured na data o mga pagbabago sa mga pinagbabatayan na aplikasyon o proseso.7 Ang mga screen-scraping bot, halimbawa, ay madaling masira kung ang user interface ng isang target na website ay na-update.7

Nalalampasan ng Agentic AI ang mga limitasyong ito. Sa pamamagitan ng paggamit ng mga kakayahan sa pangangatwiran ng LLMs, maaaring maunawaan ng mga AI agent ang konteksto, harapin ang kawalan ng katiyakan, at umangkop sa mga pagbabago sa kanilang kapaligiran. Nagbibigay-daan ito sa kanila na i-automate ang isang mas malawak na klase ng gawain, kabilang ang mga kumplikadong, end-to-end na proseso na nagsasangkot ng hindi istrukturadong data at dynamikong paggawa ng desisyon.17 Ito ay nagpapakita ng pagbabago mula sa pag-a-automate ng mga simpleng “robotiko” na gawain patungo sa pag-a-automate ng “kognitibo” na mga workflow.

Mahalaga, ang bagong alon ng automation na ito ay pinakamahusay na nauunawaan bilang isang anyo ng human augmentation.17 Ang layunin ay hindi palitan ang mga taong manggagawa kundi palakasin ang kanilang mga kakayahan at produktibidad. Sa pamamagitan ng pagbibigay ng mga kumplikado, nakakapagod sa oras, at paulit-ulit na gawain sa mga AI agent, ang mga empleyado ay napalaya upang magpokus sa mga aktibidad na nangangailangan ng mga kakaibang kakayahan ng tao: estratehikong pag-iisip, malikhaing pagsosolusyon sa problema, kumplikadong negosasyon, at pagbuo ng mga interpersonal na relasyon.17 Ang pakikipagtulungan na ito sa pagitan ng mga tao at AI agent ay nagpapangako na palawakin ang kapasidad ng isang organisasyon na harapin ang mga kumplikadong hamon, himukin ang inobasyon, at maghatid ng mas mataas na kalidad na mga resulta. Ang kahalagahan ng uso na ito ay binibigyang diin ng mga hula sa merkado, kung saan hinuhulaan ng Gartner na pagsapit ng 2028, isang-katlo ng lahat ng enterprise software ay maglalaman ng mga kakayahan ng agentic AI, at hindi bababa sa 15% ng pang-araw-araw na desisyon sa negosyo ay gagawin nang awtonomo ng mga AI agent.19

6.0 Kaso ng Pag-aaral: Pagbubuwag sa “Agentic Meeting Copilot” - SeaMeet ni Seasalt.ai

Upang iugnay ang teoretikal na talakayan ng Agentic AI sa isang tunay na komersyal na halimbawa, ang seksyong ito ay nagbibigay ng detalyadong pagsusuri ng SeaMeet, isang produkto mula sa Seasalt.ai. Sa pamamagitan ng pagsusuri sa mga tampok nito, marketing, at estratehikong posisyon, posibleng buwagin kung paano binibigyang kahulugan at ipinapatupad ang konsepto ng “agency” sa kasalukuyang merkado, na nagpapakita ng isang may pinagkaiba-ibang katotohanan na nasa pagitan ng purong generative na mga kakayahan at ganap na awtonomiya.

6.1 Pangkalahatang-ideya ng Produkto at Mga Pangunahing Generative na Kakayahan

Ang SeaMeet ay iminumerkado bilang isang AI meeting assistant o “copilot” na idinaos upang palakasin ang produktibidad para sa mga indibidwal at koponan.31 Ang mga pundasyonal na tampok nito ay nakasentro sa pagproseso ng nilalaman ng mga pulong. Ang sistema ay nagsasama sa mga sikat na video conferencing platform tulad ng Google Meet at Microsoft Teams, at maaari ring iproseso ang mga nai-upload na audio file mula sa mga personal na pulong.31

Ang mga pangunahing paggana ng produkto ay:

• Real-Time Transcription: Nagbibigay ang SeaMeet ng napakakatumpakan, real-time na transkripsyon ng mga usapan sa pulong, na may kumpletong pagkilala sa nagsasalita at mga timestamp.31
• Intelligent Summaries: Pagkatapos ng isang pulong, awtomatikong bumubuo ang sistema ng mga matalinong buod na kumukuha ng mga pangunahing paksa at talakayan.31
• Action Item Detection: Sinusuri ng AI ang transkripsyon upang awtomatikong makilala at ilista ang mga magagawa na gawain o “to-do” na mga item na tinalakay.31

Ang mga pangunahing tampok na ito ay malinaw na mga aplikasyon ng Generative AI. Gumagamit ang sistema ng mga sopistikadong speech-to-text na modelo upang lumikha ng isang transkripsyon (pagbuo ng teksto mula sa audio) at pagkatapos ay gumagamit ng LLMs upang isama ang transkripsyong ito sa isang bagong, pinaikling anyo (ang buod) at iuri ang ilang mga pahayag bilang action item. Patuloy na binibigyang diin ng mga pagsusuri ng user ang halaga ng mga generative na kakayahan na ito, na binabanggit na inaalis nila ang pangangailangan para sa manu-manong pagsusulat ng tala at nagbibigay ng isang madaling paraan upang subaybayan ang mga responsibilidad, kaya’t nalulutas ang isang mahalagang pain point para sa maraming propesyonal.34

6.2 Pagsusuri sa “Agentic” na Claim: Ang Email-Based na Workflow

Nagkakaiba ang SeaMeet sa sarili nito sa merkado sa pamamagitan ng pagbabansag sa sarili bilang isang “Agentic Meeting Copilot”.32 Ang pagbibigay-katwiran para sa claim na ito ay lumilitaw na nakasalalay sa isang tiyak, makabagong tampok: isang email-based na workflow na idinisenyo upang i-automate ang mga gawain pagkatapos ng pulong. Pagkatapos matapos ang isang pulong, inaabot ng SeaMeet ang nabuong buod sa user sa pamamagitan ng email. Maaari ring tumugon nang direkta ang user sa email na ito gamit ang mga utos sa natural na wika tulad ng “mag-draft ng follow-up email sa kliyente”, “lumikha ng Statement of Work (SOW) batay sa aming talakayan”, o “bumuo ng ulat para sa mga stakeholder”.32 Pagkatapos ay ipinaproseso ng sistema ang kahilingang ito at ibinabalik ang propesyonal na naka-format na dokumento, handa nang ipadala.

Isang kritikal na pagsusuri ng workflow na ito laban sa mahigpit na kahulugan ng Agentic AI na itinatag noon sa ulat na ito ay nagpapakita ng isang may pinagkaiba-ibang larawan. Bagama’t ang tampok na ito ay kumakatawan sa isang malakas at sopistikadong anyo ng workflow automation, hindi nito ipinapakita ang tunay, layunin-driven na awtonomiya. Ang mga aksyon ng sistema ay ganap na reaktibo; hinihintay nito ang isang tiyak, inisiyal na utos ng tao sa pamamagitan ng email bago ito kumilos. Ito ay isang chained task—pagsasama ng unang buod sa isang bagong prompt ng user upang bumuo ng isang kasunod na dokumento—ngunit hindi ito proaktibo.

Isang tunay na agentic system, sa kabaligtaran, ay maaaring bigyan ng isang mataas na antas na layunin tulad ng “pangasiwaan ang onboarding para sa bagong proyekto ng kliyente na ito.” Batay sa nilalaman ng unang pagpupulong, maa nito itong malayang makilala ang pangangailangan para sa isang SOW, i-draft ito nang hindi tiyak na sinasabi, at marahil ay iparada pa ito para sa panloob na pag-apruba. Ang workflow ni SeaMeet, bagama’t lubos na mahusay, ay patuloy na umaasa sa isang tao na maging “nasa loop,” na nagpapasimula ng bawat pangunahing aksyon pagkatapos ng pagpupulong. Ang kakulangan ng pampublikong magagamit na dokumentasyon na naglalarawan ng mga tampok para sa autonomous na delegasyon o pagtapos ng gawain ay higit pang sumusuporta sa pagtatasa na ang system ay nagpapatakbo bilang isang advanced, command-driven na assistant sa halip na isang ganap na autonomous na ahente.33

6.3 Kontekstong Estratehiko: Ang SeaMeet sa Loob ng Mas Malawak na Ekosistema ng Seasalt.ai

Upang ganap na maunawaan ang posisyon ni SeaMeet, dapat itong tingnan sa loob ng mas malaking estratehikong balangkas ng kanyang magulang na kumpanya, ang Seasalt.ai. Itinatag noong 2020, ang Seasalt.ai ay nagpo-posisyon sa sarili nito bilang isang all-in-one na contact center at platform ng AI automation na pangunahing nagta-target sa maliit at katamtamang laki ng mga negosyo (SMBs).22 Ang mas malawak na hanay ng produkto ng kumpanya ay idinisenyo upang i-automate ang malawak na hanay ng mga komunikasyon sa negosyo at mga operational na workflow. Kasama dito ang mga voicebot at chatbot na pinapagana ng AI para sa 24/7 na pagsuporta sa customer, automatikong pag-aayos ng appointment, pagsusuri at pagruruta ng lead, at pamamahala ng omni-channel na komunikasyon (hal., WhatsApp, SMS, boses) mula sa isang pinag-isang inbox.22

Sa loob ng ekosistemang ito, ang SeaMeet ay nagsisilbing isang pangunahing bahagi na nakatutok sa panloob at nakaharap sa kliyente na intelihensya sa pagpupulong. Ito ay nagpupunan sa mga tool ng kumpanya sa automation ng panlabas na komunikasyon sa pamamagitan ng pagkuha at pag-aayos ng mahalagang data na nabuo sa mga pagpupulong. Ito ay nakaaayon sa pangkalahatang misyon ng kumpanya na magbigay ng accessible, end-to-end na solusyon sa AI automation para sa merkado ng SMB, isang segment na maaaring kulang sa mga mapagkukunan upang magtayo o mag-integrate ng mas kumplikadong enterprise-grade na mga system.38

6.4 Posisyon sa Merkado: Ang “Proto-Agentic” na Differentiator

Ang desisyon na i-market ang SeaMeet bilang “agentic” ay isang sadyang at estratehikong matalinong hakbang. Sa isang siksik na merkado ng mga tool sa transkripsyon at pagsasama-sama ng pagpupulong, ang label na “agentic” ay nagsisilbing isang makapangyarihang differentiator. Ito ay nagpapahiwatig sa mga potensyal na customer na ang produkto ay nag-aalok ng mga kakayahan na lampas sa standard na Generative AI, na kumukuha ng pabor sa lumalagong kasiyahan ng industriya tungkol sa autonomous na mga system.

Ang isang mas tumpak na pag-uuri para sa kategoryang ito ng tool ay maaaring “proto-agentic” o “agent-assisted.” Ang mga sistemang ito ay nagpapakita ng isang intermediate na hakbang sa spectrum sa pagitan ng puro generative na mga tool at ganap na autonomous na mga ahente. Mahusay sila sa pag-a-automate ng kumplikadong, maraming hakbang na mga gawain ngunit kailangan pa rin ng isang trigger ng tao upang simulan ang workflow. Ang posisyong ito ay nagbibigay-daan sa Seasalt.ai na mag-claim ng isang teknolohikal na advanced na posisyon nang hindi kailangang mag-develop ng isang system na may ganap na proactive, goal-seeking na mga kakayahan.

Ang case study na ito ay nagpapakita ng isang mas malawak na uso sa komersyalisasyon ng AI. Habang ang mga bagong, makapangyarihang konsepto tulad ng “agency” ay nagkakaroon ng traction, ang wika ng marketing ay kadalasang nauuna sa ganap na pagkahinog ng teknolohiya. Ang mga kumpanya ay estratehikong inaangkop ang terminolohiyang ito upang hubugin ang pananaw ng kanilang mga produkto at makuha ang pansin ng merkado. Para sa mga pinuno ng negosyo at mga evaluator ng teknolohiya, ito ay nagpapahiwatig ng kritikal na kahalagahan ng pagbuo ng isang nuanced na pag-unawa sa mga konseptong ito. Hindi na sapat na tanggapin ang mga claim ng marketing sa harap na halaga; sa halip, isang mas malalim na pagsusuri ng tunay na operational na modelo ng isang produkto—ang antas ng proactivity, adaptability, at goal-orientation nito—ay kailangan upang gumawa ng may kaalaman na pagbili at estratehikong desisyon.

7.0 Mga Imperatibo sa Estratehiya at Kinabukasan ng Pananaw

Ang ebolusyon mula sa Generative hanggang Agentic AI ay hindi lamang isang incremental na pag-unlad sa teknolohiya; ito ay nagpapakita ng isang pangunahing pagbabago sa kung paano makakapag-ambag ang mga negosyo ng artificial intelligence upang lumikha ng halaga. Ang transisyong ito ay nangangailangan ng isang proactive at maingat na isinasaalang-alang na estratehikong tugon mula sa mga pinuno ng enterprise. Ang pag-navigate sa bagong hangganan na ito ay nangangailangan ng isang malinaw na pag-unawa sa mga kagyat na pagkakataon, isang plano para sa estratehikong pag-ampon, at isang mapanuring diskarte sa mga kaugnay na panganib at etikal na pagsasaalang-alang.

7.1 Mga Rekomendasyon para sa Pag-ampon: Pag-navigate sa Bagong Hangganan ng AI

Para sa mga organisasyon na naghahanap na gamitin ang lakas ng evolving na tanawin ng AI na ito, isang pragmatic, dalawang sanga na diskarte ang inirerekomenda.

Una, ang mga negosyo ay dapat na yakapin at palakihin ang paggamit ng Generative AI ngayon para sa kagyat at makikita na mga pagtaas sa produktibidad. Ang teknolohiya ay mature na at sapat na accessible upang i-deploy sa iba’t ibang mga function upang i-automate ang paglikha ng content, pabilisin ang pagsasaliksik at pagsasama-sama ng data, at tumulong sa pagpapaunlad ng software.4 Hindi lamang ito naghahatid ng short-term na ROI kundi tumutulong din itong bumuo ng isang pundasyon ng “AI-ready” na kultura sa loob ng organisasyon, na pinapakilala ang mga empleyado sa kolaborasyon ng tao at AI.

Pangalawa, ang mga pinuno ay dapat magsimulang mag-eksperimento nang may estratehiya sa Agentic AI. Dapat itong simulan sa pamamagitan ng pagtukoy ng mga mahusay na tinukoy, may mataas na epekto na mga proseso ng negosyo na angkop para sa awtomatisasyon ng isang awtonomo o semi-awtonomong ahente. Ang mga maagang gamit na kaso sa mga larangan tulad ng IT service management, customer support ticket resolution, o supply chain monitoring ay maaaring magsilbi bilang mahalagang mga pilot program upang bumuo ng panloob na kaalaman at ipakita ang potensyal ng mga agentic workflow.17

Ang matagumpay na pagpapatupad ng alinman sa paradigm, ngunit lalo na ang Agentic AI, ay nakasalalay sa ilang kritikal na mga kinakailangan bago:

• Kahandaan sa Data: Ang mga AI agent ay epektibo lamang ayon sa data na kanilang ma-access at maproseso. Ang mga organisasyon ay dapat mag-invest sa paglikha ng isang malinis, mahusay na pinamamahalaan, at naa-access na imprastraktura ng data ng enterprise. Ang pundasyon ng data na “AI-ready” na ito ay mahalaga para paganahin ang mga agent na gumawa ng tumpak, may kaalaman sa konteksto na mga desisyon.30
• Seguridad at Pamamahala: Ang kapangyarihan ng Agentic AI ay direktang nauugnay sa malalim na pagsasama nito sa mga sistema ng enterprise at sa access nito sa sensitibong data. Lumilikha ito ng malalim na panganib sa seguridad at privacy.20 Ang malakas na mga protocol sa seguridad, kontrol sa access, at transparent na audit trail ay hindi opsyonal kundi mga pangunahing kinakailangan. Ang isang “human-on-the-loop” na modelo ng pamamahala, na may malinaw na mga guardrails at pagsubaybay, ay mahalaga upang mabawasan ang mga panganib at tiyakin na ang mga agent ay gumagana nang maaasahan at ligtas.15
• Mga Pagsasaalang-alang sa Etika: Ang mga AI agent ay gumagana batay sa mga algorithm at data; wala silang likas na pag-unawa sa mga halaga ng tao, etika, o moral. Lumilikha ito ng malaking panganib ng hindi sinasadyang mga kahihinatnan, lalo na sa mga high-stakes na domain tulad ng healthcare, finance, o law enforcement.20 Ang mga organisasyon ay dapat na proactive na magdisenyo at subukan ang kanilang mga agentic system para sa pagkakapantay-pantay, bias, at pagkakatugma sa mga halaga ng tao upang tiyakin na sila ay kumikilos sa paraang hindi lamang epektibo kundi responsable din.

7.2 Ang Trajectory ng AI Agency: Ang Landas Patungo sa Hinaharap

Ang pagpapaunlad ng Agentic AI ay nasa maagang yugto pa rin, ngunit ang trajectory nito ay tumutukoy sa isang hinaharap ng lalong sopistikado at pinagsama-samang mga awtonomong sistema. Ang kasalukuyang pokus sa solong o maliliit na grupo ng mga agent na humaharap sa partikular na mga workflow ay malamang na mag-evolve sa malakihang, desentralisadong multi-agent systems. Sa ganitong hinaharap na pananaw, ang mga heterogeneous na agent na may magkakaibang espesyalisasyon—ang ilan ay pag-aari ng enterprise, ang ilan ay ng mga kasosyo, ang ilan ay ng mga indibidwal—ay magkakasama sa loob ng isang karaniwang digital na kapaligiran upang malutas ang napakakomplikado, dynamic na mga problema.40

Ang pag-unlad na ito sa teknolohiya ay magkakaroon ng malalim na epekto sa kalikasan ng trabaho at sa istraktura ng mga organisasyon. Gaya ng binanggit ng World Economic Forum, ang mga tungkulin na nagbibigay diin sa komplikadong paggawa ng desisyon, paglutas ng problema, at estratehikong pagsubaybay ay lalong naging kritikal sa pandaigdigang ekonomiya.41 Ang pagtaas ng mga agentic system ay magpapabilis sa ganitong uso, na awtomatisasyon ang karamihan sa cognitive “plumbing” ng modernong enterprise at inaangat ang papel ng tao sa isa sa estratehiya, pagkamalikhain, at pamamahala.

Sa huli, ang transisyon mula sa generative patungo sa agentic system ay nagmamarka ng isang mahalagang sandali sa ebolusyon ng partnership ng tao at computer. Ito ay inililipat ang AI mula sa pagiging isang tool na aming iniutos patungo sa isang collaborator na aming pinapangalanan. Para sa mga enterprise na matagumpay na nag-navigate sa pagbabago na ito, ang gantimpala ay isang bagong antas ng operational agility, resilience, at innovation, na naghahanda ng landas para sa isang hinaharap na tinukoy ng walang sagabal na pagsasama ng talino ng tao at machine.

Mga Ginamit na Sanggunian

1. en.wikipedia.org, na-access noong Setyembre 6, 2025, https://en.wikipedia.org/wiki/Generative_artificial_intelligence
2. Ano ang Generative AI? - University Center for Teaching and Learning, na-access noong Setyembre 6, 2025, https://teaching.pitt.edu/resources/what-is-generative-ai/
3. Generative Artificial Intelligence | NNLM, na-access noong Setyembre 6, 2025, https://www.nnlm.gov/guides/data-thesaurus/generative-artificial-intelligence
4. Ano ang Generative AI? - Ipinapaliwanag ang Gen AI - AWS - Na-update noong 2025, na-access noong Setyembre 6, 2025, https://aws.amazon.com/what-is/generative-ai/
5. Ipinapaliwanag: Generative AI | MIT News | Massachusetts Institute of Technology, na-access noong Setyembre 6, 2025, https://news.mit.edu/2023/explained-generative-ai-1109
6. Agentic AI vs. generative AI: Ang mga pangunahing pagkakaiba | Thomson Reuters, na-access noong Setyembre 6, 2025, https://www.thomsonreuters.com/en/insights/articles/agentic-ai-vs-generative-ai-the-core-differences
7. Agentic AI vs. generative AI - Red Hat, na-access noong Setyembre 6, 2025, https://www.redhat.com/en/topics/ai/agentic-ai-vs-generative-ai
8. Ano ang Generative AI? - IBM, na-access noong Setyembre 6, 2025, https://www.ibm.com/think/topics/generative-ai
9. 10 Pinakamalakas na Generative AI Tools para sa 2025: Mga Kasalukuyang Lakas ng Malikhaing Gawain - eWeek, na-access noong Setyembre 6, 2025, https://www.eweek.com/artificial-intelligence/generative-ai-apps-tools/
10. Ano ang Generative AI? Mga Halimbawa at Mga Gamit nito - Google Cloud, na-access noong Setyembre 6, 2025, https://cloud.google.com/use-cases/generative-ai
11. www.google.com, na-access noong Setyembre 6, 2025, https://www.google.com/search?q=generative+ai+applications
12. Agentic AI vs Generative AI - Alin ang Dapat Mong Gamitin? - Atera, na-access noong Setyembre 6, 2025, https://www.atera.com/blog/agentic-ai-vs-generative-ai/
13. en.wikipedia.org, na-access noong Setyembre 6, 2025, https://en.wikipedia.org/wiki/Agentic_AI
14. Ano ang agentic AI? Kahulugan at mga pagkakaiba - Google Cloud, na-access noong Setyembre 6, 2025, https://cloud.google.com/discover/what-is-agentic-ai
15. Ano ang Agentic AI? - Ipinapaliwanag ang Agentic AI - AWS - Na-update noong 2025, na-access noong Setyembre 6, 2025, https://aws.amazon.com/what-is/agentic-ai/
16. Ano ang Agentic AI? | IBM, na-access noong Setyembre 6, 2025, https://www.ibm.com/think/topics/agentic-ai
17. Ano ang Agentic AI? | UiPath, na-access noong Setyembre 6, 2025, https://www.uipath.com/ai/agentic-ai
18. Ano ang Agentic AI? | Salesforce US, na-access noong Setyembre 6, 2025, https://www.salesforce.com/agentforce/what-is-agentic-ai/
19. Agentic AI vs Generative AI: Pag-unawa sa Mga Pangunahing Pagkakaiba - ThoughtSpot, na-access noong Setyembre 6, 2025, https://www.thoughtspot.com/data-trends/artificial-intelligence/agentic-ai-vs-generative-ai
20. Ano ang Kailangan Mong Malaman Tungkol sa Mga AI Agent - CSAIL Alliances - MIT, na-access noong Setyembre 6, 2025, https://cap.csail.mit.edu/agentic-ai-what-you-need-know-about-ai-agents
21. GenAI vs. Agentic AI: Ano ang Kailangang Malaman ng Mga Developer - Docker, na-access noong Setyembre 6, 2025, https://www.docker.com/blog/genai-vs-agentic-ai/
22. Itigil ang Pagpapalipat-lipat ng Mga App. Isama ang Bawat Tawag ng Kustomer, Text, WhatsApp, at Chat sa Isang Simpleng Inbox. - Seasalt.ai, na-access noong Setyembre 6, 2025, https://seasalt.ai/en/
23. Ano ang mga AI agent? Kahulugan, halimbawa, at uri | Google Cloud, na-access noong Setyembre 6, 2025, https://cloud.google.com/discover/what-are-ai-agents
24. 10 Mga Gamit ng Agentic AI para sa Mga Contact Center - CX Today, na-access noong Setyembre 6, 2025, https://www.cxtoday.com/conversational-ai/10-agentic-ai-use-cases-for-contact-centers-ringcentral/
25. 6 Mga Halimbawa at Gamit ng Agentic AI na Nagbabago sa Mga Negosyo - Moveworks, na-access noong Setyembre 6, 2025, https://www.moveworks.com/us/en/resources/blog/agentic-ai-examples-use-cases
26. Mga Gamit ng AI Agent - IBM, na-access noong Setyembre 6, 2025, https://www.ibm.com/think/topics/ai-agent-use-cases
27. 21 Mga Gamit at Halimbawa ng Agentic AI na Humuhubog sa Kinabukasan ng AI - Akka, na-access noong Setyembre 6, 2025, https://akka.io/blog/agentic-ai-use-cases
28. 14 Tunay na Mga Gamit ng Agentic AI sa Mundo - Valtech, na-access noong Setyembre 6, 2025, https://www.valtech.com/thread-magazine/14-real-world-agentic-ai-use-cases/
29. 40+ Mga Gamit ng Agentic AI na May Tunay na Halimbawa - Research AIMultiple, na-access noong Setyembre 6, 2025, https://research.aimultiple.com/agentic-ai/
30. Mga AI-powered na Ahente sa Pagkilos: Paano Namin Tinatanggap ang Bagong ‘Agentic’ na Sandali na Ito sa Microsoft, na-access noong Setyembre 6, 2025, https://www.microsoft.com/insidetrack/blog/ai-powered-agents-in-action-how-were-embracing-this-new-agentic-moment-at-microsoft/
31. SeaMeet: Kumuha ng Tala ng Pulong ng ChatGPT sa Tunay na Oras - Chrome Web Store, na-access noong Setyembre 6, 2025, https://chromewebstore.google.com/detail/seameet-take-chatgpt-meet/gkkhkniggakfgioeeclbllpihmipkcmn
32. SeaMeet | Agentic Meeting Copilot para sa Mga Taong May Mataas na Produktibidad at Mga Team na May Mataas na Pagganap, na-access noong Setyembre 6, 2025, https://seameet.ai/
33. FAQ - Seasalt.ai, na-access noong Setyembre 6, 2025, https://wiki.seasalt.ai/seameet/seameet-manual/00-seameet-faq/
34. Mga Pagsusuri, Rating, at Tampok ng Seasalt.ai SeaMeet 2025 | Gartner Peer Insights, na-access noong Setyembre 6, 2025, https://www.gartner.com/reviews/market/office-productivity-solutions-others/vendor/seasalt-ai/product/seameet
35. Hanapin ang Mga Oportunidad sa Negosyo sa Mga Recording gamit ang SeaMeet, na-access noong Setyembre 6, 2025, https://usecase.seasalt.ai/transcribe-audio-to-discover-insights/
36. Seasalt.ai | Omni-Channel Contact Center para sa Mga Maliit na Negosyo - Seasalt.ai, na-access noong Setyembre 6, 2025, https://seasalt.ai/
37. Mga Solusyon sa AI Automation - Seasalt.ai, na-access noong Setyembre 6, 2025, https://seasalt.ai/en/solutions/ai-automation
38. Inilunsad ng Haptik ang ‘AI for All’ para Dalhin ang Mga Enterprise-grade na AI Agent sa Mga SMB, na-access noong Setyembre 6, 2025, https://timesofindia.indiatimes.com/technology/tech-news/haptik-launches-ai-for-all-to-bring-enterprise-grade-ai-agents-to-smbs/articleshow/123671151.cms
39. DIGITIMES Biz Focus - Taiwan Tech Arena, na-access noong Setyembre 6, 2025, https://www.digitimes.com/biz/index.asp?topic=617
40. Negosyo at Agentic AI: Tiwala sa Mga Autonomous at Agentic na Solusyon - Capgemini, na-access noong Setyembre 6, 2025, https://www.capgemini.com/insights/research-library/business-meet-agentic-ai/
41. Inilunsad ng IITM Pravartak at Emeritus ang Professional Certificate Programme sa Agentic AI at Mga Aplikasyon, na-access noong Setyembre 6, 2025, https://www.ptinews.com/story/business/iitm-pravartak-and-emeritus-launch-professional-certificate-programme-in-agentic-ai-and-applications/2878978
42. Inilunsad ng IITM Pravartak at Emeritus ang Professional Certificate Programme sa Agentic AI at Mga Aplikasyon, na-access noong Setyembre 6, 2025, https://www.aninews.in/news/business/iitm-pravartak-and-emeritus-launch-professional-certificate-programme-in-agentic-ai-and-applications20250902174614