Hexaware Technologies brengt Tensai for Reasoning Ops op de markt
Hexaware Technologies introduceert Tensai for Reasoning Ops, de eerste operationele fase van het Tensai Agentic ITOps-platform. Met deze oplossing lezen AI-agents live operationele signalen, analyseren ze de bedrijfscontext en doen ze op bewijs gebaseerde aanbevelingen voor acties. Menselijke experts valideren en voeren deze vervolgens uit. Het platform markeert een stap richting operationele processen die behoeften en vragen wegnemen, in plaats van deze alleen sneller op te lossen.
Al tien jaar vertrouwen bedrijven op scripts voor het automatiseren van taken en processen. Deze scripts kunnen echter niet redeneren, context interpreteren of systeemoverstijgend werken. Dit leidt tot gefragmenteerde tools, geïsoleerde kennis en een gebrek aan systeemintelligentie. Tensai for Reasoning Ops vult deze leemte op door beslissingen te baseren op operationele context, afkomstig van observability, configuratiebeheerdatabases (CMDB's), topologie, wijzigings- en afhankelijkheidsdata.
In Tensai for Reasoning Ops redeneren AI-agents over signalen, context en beleid, in plaats van uitsluitend af te gaan op gescripte automatisering. Ze doorlopen een continue, gecontroleerde cyclus van detectie, evaluatie, verificatie, actie en leren, volgens één regel: geen signaal, geen veilige actie.
Vier uitgangspunten
Het model kenmerkt zich door vier principes. Ten eerste wordt er geen aanbeveling gedaan zonder ondersteunende signalen en context. Ten tweede wordt elke beslissing getoetst aan risico's en beleid voordat deze bij mensen terechtkomt. Ten derde redeneren de agents over organisatiebrede silo's heen, die mensen en scripts als gescheiden beschouwen. Ten slotte zorgt elk gevalideerd resultaat ervoor dat de volgende beslissing beter wordt.
Autonome processen en preventief uitvoeren van taken
Tensai for Reasoning Ops is de eerste live fase in het ontwikkeltraject van Hexaware, dat traditionele processen en automatisering transformeren naar autonome processen en het preventief uitvoeren van taken. De eerste resultaten richten zich op het verbeteren van de operationele efficiëntie, servicekwaliteit en het verminderen van vragen.
Gemeten ten opzichte van de pre-AI-baseline van elke klant, streeft Tensai for Reasoning Ops naar een 25 tot 40 procent snellere mean time to repair (MTTR), 35 tot 45 procent minder handmatige handelingen, 10 tot 18 procent lagere servicekosten, 10 tot 20 procent betere service level agreements (SLA) en gebruikerservaring, en 5 tot 12 procent minder incidenten. De resultaten kunnen per omgeving verschillen en worden gevalideerd aan de hand van klantspecifieke basismetingen en de Tensai Customer Value Scorecard.
Tensai for Reasoning Ops is per direct beschikbaar.
Meer over Agentic AI
Over Wouter Hoeffnagel
