Menggabungkan Corak untuk Membina Ejen AI

Satu corak melakukan satu perkara dengan baik.

Meeting Intelligence menukar rakaman panggilan kepada nota berstruktur dan item tindakan. Scoring and Routing mengklasifikasikan bakal pelanggan masuk dan mengagihkan mereka kepada wakil jualan yang sesuai. Workflow Copilot memaparkan tindakan terbaik seterusnya dalam bar sisi CRM. Setiap satu daripada ini adalah keupayaan yang boleh digunakan secara nyata.

Namun tidak satu pun daripada mereka, secara bersendirian, merupakan AI Sales Operator.

AI Sales Operator hadir dalam panggilan. Ia mengemaskini CRM, menyelidik akaun, menggubal susulan, memantau kesihatan urusan niaga, dan memaparkan tindakan seterusnya apabila wakil jualan membuka rekod pada keesokan paginya. Ia mengendalikan keseluruhan tugas, bukan satu tugasan sahaja.

Perbezaan antara satu corak dengan ejen yang mengendalikan peranan penuh ialah penggabungan. Artikel ini menerangkan konsep tersebut, membincangkan dua contoh lengkap, dan menjelaskan di mana tindanan gagal serta cara mereka bentuknya supaya ia tidak berlaku.

Konsep penggabungan corak

Corak menjadi blok binaan apabila output mereka menjadi input kepada corak seterusnya.

Fakta Utama: Penggabungan Ejen AI dalam Persekitaran Produksi

• Hanya 11% daripada syarikat besar yang merintis ejen AI pernah menjalankannya dalam persekitaran produksi, menurut kajian Emerging Technology Trends 2025 Deloitte. Kesesakan hampir selalu berlaku pada integrasi dan tadbir urus, bukan keupayaan model.
• Gartner meramalkan lebih daripada 40% projek ejen AI secara autonomi akan dibatalkan menjelang akhir 2027, dengan menyebut peningkatan kos, nilai perniagaan yang tidak jelas, dan kawalan risiko yang tidak mencukupi.
• 66% pelaksanaan ejen dalam persekitaran produksi kini menggunakan reka bentuk sistem berbilang ejen berbanding pendekatan ejen tunggal, mencerminkan pengiktirafan industri bahawa tiada satu corak pun yang mengendalikan peranan penuh. (Landbase, 2026)

Panduan Building Effective Agents Anthropic, yang diperoleh daripada berpuluh-puluh pelaksanaan produksi, menyatakan perkara ini dengan jelas: sistem agensi yang paling berkebolehan tidak dibina dengan satu model yang canggih, tetapi dengan menggabungkan corak yang lebih mudah dalam urutan yang jelas, di mana setiap lapisan menyerahkan output berstruktur kepada lapisan seterusnya.

Penggabungan adalah komposisi seni bina, bukan sekadar gabungan ciri. Output Meeting Intelligence (nota berstruktur, item tindakan, sentimen, bantahan utama) mengalir ke dalam Workflow Copilot sebagai konteks untuk cadangan tindakan seterusnya. Kemaskini CRM dari Workflow Copilot mengubah rekod urusan niaga yang digunakan oleh Scoring and Routing untuk menyusun semula keutamaan Pipeline wakil jualan. Setiap corak memajukan kerja lebih jauh sepanjang kitaran tugas.

Pandangan reka bentuk utama: titik sambungan antara corak adalah tempat di mana kebanyakan kegagalan penggabungan berlaku. Bukan coraknya sendiri. Peralihan antara mereka.

Jika Meeting Intelligence menghasilkan ringkasan teks bebas dan Workflow Copilot mengharapkan objek JSON berstruktur dengan medan tertentu, tiada yang mengalir. Jika bajet kependaman mengandaikan setiap corak bertindak balas dalam 200 milisaat tetapi langkah Ejen Autonomi mengambil masa 8 saat, keseluruhan tindanan melanggar keperluan pengalaman pengguna. Jika ralat dalam corak 2 berlalu secara senyap ke corak 3, corak hilir mengoptimumkan dari input yang rosak tanpa mengetahuinya.

Reka bentuk penggabungan yang baik bermaksud mereka bentuk titik sambungan dengan teliti seperti mereka bentuk corak itu sendiri.

"Pelaksanaan berbilang ejen di mana setiap lapisan mengesahkan inputnya sebelum memproses mencapai kadar penyebaran ralat 3x lebih rendah berbanding tindanan yang menghantar output hilir tanpa pengesahan. Titik sambungan itulah seni binanya." (Shakudo Enterprise AI Production Report, 2026)

Jadi apakah yang berubah apabila corak digabungkan menjadi ejen penuh? Bahagian seterusnya menjelaskan perbezaan tersebut.

Level 2 berbanding Level 3

ACE Framework membezakan antara corak pada Level 2 dan Ejen AI pada Level 3 merentasi tiga dimensi:

Skop: Corak Level 2 menyelesaikan tugasan yang spesifik dan terhad. Ejen Level 3 memiliki peranan. AI Sales Operator memiliki aliran kerja wakil jualan. Ejen Sokongan AI memiliki baris gilir sokongan. Skop Ejen merangkumi keseluruhan fungsi tugas, bukan tugasan individu dalam fungsi tersebut.

Autoriti data: Ejen Level 3 memegang keadaan berterusan tentang domain mereka. AI Sales Operator mengetahui sejarah urusan niaga penuh, corak prestasi wakil jualan, templat jangkauan yang berkesan dalam segmen industri yang mana. Pengetahuan institusi tersebut terkumpul merentasi setiap jangka masa dan memaklumkan jangka masa berikutnya. Corak Level 2 individu adalah tanpa keadaan: mereka menerima input dan menghasilkan output tanpa mengumpul konteks.

Permukaan tadbir urus: Corak Level 2 mempunyai autoriti yang terhad. Mereka boleh melakukan apa yang keupayaan spesifik mereka lakukan. Ejen Level 3 mempunyai autoriti gabungan merentasi pelbagai keupayaan dan pelbagai sistem. Keperluan tadbir urus mereka lebih kompleks secara berkadar. Get kelulusan, jejak audit, dan kekangan skop yang terpakai kepada setiap corak berganda di lapisan Level 3.

Beralih dari Level 2 ke Level 3 bukan soal menambah lebih banyak corak.

Ia adalah keputusan reka bentuk untuk memberi sistem pemilikan peranan, dengan infrastruktur data dan seni bina tadbir urus yang diperlukan oleh pemilikan tersebut. Penyelidikan McKinsey tentang merebut kelebihan agensi AI mengesahkan kerangka ini: kurang daripada 10% syarikat besar yang bereksperimen dengan ejen pernah mengembangkannya, dan jurang itu hampir selalu berkaitan infrastruktur dan tadbir urus, bukan keupayaan model.

"Syarikat besar yang menganggap pelaksanaan ejen Level 3 sebagai penambahan ciri berbanding keputusan pemilikan peranan menyaksikan kadar pembatalan projek 4x lebih tinggi pada tahun kedua berbanding mereka yang menentukan skop tadbir urus dan infrastruktur data terlebih dahulu." (McKinsey QuantumBlack, 2025)

Dua contoh yang dikerjakan di bawah menunjukkan seperti apa infrastruktur tersebut dalam amalan sebenar.

Contoh yang dikerjakan 1: AI Sales Operator

AI Sales Operator menggabungkan lima corak: Meeting Intelligence, RAG Assistant (Retrieval-Augmented Generation), Scoring and Routing, Workflow Copilot, dan Anomaly Agent. Begini cara setiap lapisan menyumbang dan cara mereka bertukar gilir.

Lapisan 1: Meeting Intelligence

• Apa yang dilakukannya: Menelan rakaman panggilan, mentranskrip, mengekstrak item tindakan, bantahan utama, dan isyarat urusan niaga.
• Dalam konteks ini: Setiap panggilan jualan mengalir melalui Meeting Intelligence secara automatik. Output adalah rekod berstruktur dengan transkrip, item tindakan, analisis sentimen, dan bantahan yang ditandakan mengikut kategori ACE.
• Output ke lapisan seterusnya: Ringkasan panggilan berstruktur dengan medan utama: peringkat urusan niaga, bantahan yang dibangkitkan, langkah seterusnya yang dipersetujui, garis masa yang dinyatakan oleh bakal pelanggan, nama wakil jualan.

Lapisan 2: Workflow Copilot

• Apa yang dilakukannya: Mengambil ringkasan panggilan ditambah konteks CRM sedia ada dan menjana tindakan terbaik seterusnya untuk wakil jualan.
• Dalam konteks ini: Sebaik sahaja panggilan berakhir, wakil jualan membuka rekod CRM dan melihat draf e-mel susulan, cadangan peringkat yang dikemaskini, dan senarai semak tindakan dari panggilan tersebut.
• Input dari lapisan 1: Ringkasan panggilan berstruktur. Workflow Copilot tidak boleh menelan audio mentah atau transkrip mentah. Output Meeting Intelligence mesti berstruktur dengan betul untuk Copilot menggunakannya.
• Output ke lapisan seterusnya: Wakil jualan menyemak dan meluluskan tindakan. Rekod CRM dikemaskini dengan peringkat baharu, nota, dan tugasan seterusnya.

Lapisan 3: Scoring and Routing

• Apa yang dilakukannya: Mencetak semula urusan niaga berdasarkan isyarat yang dikemaskini dan menyusun semula keutamaan Pipeline wakil jualan.
• Dalam konteks ini: Selepas setiap kemaskini CRM, model Scoring mengira semula skor urusan niaga (menggabungkan kekini, isyarat penglibatan, peringkat, dan data firmografi). Paparan Pipeline wakil jualan disusun semula secara automatik.
• Input dari lapisan 2: Medan rekod CRM yang dikemaskini. Khususnya, kemaskini peringkat dan isyarat penyelesaian tindakan.
• Output ke lapisan seterusnya: Kedudukan keutamaan yang dikemaskini dalam paparan Pipeline wakil jualan. Urusan niaga keutamaan tinggi muncul di bahagian atas.

Lapisan 4: RAG Assistant

• Apa yang dilakukannya: Memaparkan dokumentasi produk, kajian kes, dan Playbook pengendalian bantahan yang relevan berdasarkan konteks aktif wakil jualan.
• Dalam konteks ini: Apabila wakil jualan mempunyai bendera "bantahan pematuhan dibangkitkan" pada urusan niaga, RAG Assistant memaparkan tiga kajian kes paling relevan dari industri yang dikawal selia dan Playbook bantahan pematuhan standard.
• Input: Konteks rekod urusan niaga, khususnya tanda bantahan dari Meeting Intelligence dan segmen industri dari firmografi CRM.
• Output: Petikan dokumen dengan pautan, kelihatan dalam bar sisi CRM apabila wakil jualan sedang mengerjakan urusan niaga.

Lapisan 5: Anomaly Agent

• Apa yang dilakukannya: Memantau kesihatan urusan niaga dari semasa ke semasa dan menandakan corak yang tidak normal.
• Dalam konteks ini: Jika urusan niaga yang berada pada keyakinan 85% 10 hari lalu tidak mempunyai penglibatan selama 12 hari, Anomaly Agent menandakannya sebagai "urusan niaga berisiko" dan mencetuskan cadangan penglibatan semula Workflow Copilot.
• Input: Isyarat penglibatan sejarah, kadar perkembangan peringkat urusan niaga merentasi keseluruhan Pipeline.
• Output: Amaran dipaparkan kepada wakil jualan dan pengurus dengan cadangan tindakan pemulihan.

Tindanan lima lapisan inilah yang menjadikan AI Sales Operator terasa seperti peranan, bukan ciri. Tiada satu pun corak individu, yang digunakan secara bersendirian, menghasilkan pengalaman ini. Integrasi itulah produknya. Untuk kes ROI yang menjadikan tindanan ini berbaloi dibina, mengapa ops jualan adalah kes penggunaan AI dengan ROI tertinggi membincangkan angka-angkanya.

Untuk pandangan lebih mendalam tentang apa yang dilakukan AI Sales Operator sepanjang hari wakil jualan, lihat Apakah AI Sales Operator.

Contoh yang dikerjakan 2: Ejen Sokongan AI

Ejen Sokongan AI menggabungkan lima corak secara berbeza: Scoring and Routing, RAG Assistant, Document Review, Workflow Copilot, dan Autonomous Agent. Peralihan berfungsi secara berbeza kerana kes penggunaan sokongan mempunyai bentuk yang berbeza.

Lapisan 1: Scoring and Routing

• Apa yang dilakukannya: Menerima setiap tiket masuk, mengklasifikasikannya mengikut jenis (pertikaian bil, isu teknikal, permintaan ciri, eskalasi), mencetak kemendesakan, dan menghalakan ke baris gilir yang betul.
• Dalam konteks ini: Pertikaian bil berkeutamaan tinggi pergi ke laluan Autonomous Agent. Isu teknikal melebihi ambang kerumitan dihalakan ke ejen kanan. Permintaan standard berkeutamaan rendah pergi ke laluan layan diri berbantuan RAG.
• Output ke lapisan seterusnya: Tiket dengan tanda klasifikasi, skor kemendesakan, dan keputusan penghalaan.

Lapisan 2: RAG Assistant (untuk tiket Tier 2+ yang dihalakan kepada manusia)

• Apa yang dilakukannya: Untuk tiket yang dikendalikan oleh ejen manusia, RAG Assistant memaparkan 3 penyelesaian lampau yang paling relevan dari pangkalan pengetahuan.
• Dalam konteks ini: Ejen manusia melihat tiket dan, dalam antara muka yang sama, 3 cadangan penyelesaian teratas dengan skor persamaan dan langkah penyelesaian khusus yang digunakan.
• Input: Teks tiket dan tanda klasifikasi dari Scoring and Routing.
• Output: Penyelesaian yang dicadangkan dipaparkan kepada ejen manusia sebagai konteks.

Lapisan 3: Workflow Copilot (untuk ejen manusia pada tiket kompleks)

• Apa yang dilakukannya: Semasa kerja aktif ejen manusia pada tiket, Copilot mencadangkan draf respons seterusnya, makro yang betul untuk digunakan, dan mana-mana medan yang tiada untuk diisi sebelum menutup.
• Dalam konteks ini: Semasa ejen manusia menaip respons, Copilot memaparkan versi pra-draf berdasarkan konteks tiket dan corak penyelesaian yang diperoleh RAG.
• Input: Konteks tiket aktif, kedudukan kursor semasa ejen manusia, dan output RAG dari lapisan 2.
• Output: Draf respons dan senarai semak untuk ejen manusia.

Lapisan 4: Document Review (untuk industri yang dikawal selia)

• Apa yang dilakukannya: Menyemak draf respons sebelum dihantar, memeriksa keperluan pematuhan (bahasa FINRA, pendedahan HIPAA, penafian yang diperlukan).
• Dalam konteks ini: Untuk pelanggan perkhidmatan kewangan dan penjagaan kesihatan, setiap draf respons melalui Document Review sebelum ia boleh dikemukakan.
• Input: Draf respons dari Workflow Copilot.
• Output: Status diluluskan/dibenderakan, dengan item yang dibenderakan diserlahkan dan bahasa yang diperbetulkan dicadangkan.

Lapisan 5: Autonomous Agent (untuk penyelesaian berstruktur Tier 1)

• Apa yang dilakukannya: Mengendalikan tiket Tier 1 yang dikenal pasti oleh Scoring and Routing sebagai boleh diselesaikan tanpa penglibatan manusia (pertikaian bil di bawah ambang, permintaan bayaran balik standard, aliran tetapan semula kata laluan).
• Dalam konteks ini: Autonomous Agent mempunyai akses kepada API pemproses pembayaran, sistem tiket, dan penghantar e-mel. Ia membaca tiket, mengesahkan tuntutan, mengeluarkan penyelesaian, menutup tiket, dan menghantar pengesahan.
• Input: Tiket berstruktur dengan tanda klasifikasi dan skop penyelesaian yang dibenarkan.
• Output: Tiket ditutup dengan log penyelesaian dan pengesahan pelanggan dihantar.

Tindanan ini menggambarkan corak reka bentuk utama: tidak semua tiket melalui semua lapisan. Keputusan Scoring and Routing pada lapisan 1 menentukan lapisan hilir mana yang dilalui oleh tiket tertentu. Autonomous Agent mengendalikan subset khusus yang terhad. Lapisan berbantuan manusia mengendalikan selebihnya.

Rangka Kerja Pemasangan 4-Corak

Pemasangan 4-Corak adalah seni bina yang dinamakan untuk membina Ejen AI peringkat peranan dari tepat empat lapisan corak: (1) lapisan Telan/Klasifikasi yang menstrukturkan input mentah, (2) lapisan Ambil/Cetak yang memperkaya dengan konteks, (3) lapisan Jana/Sahkan yang menghasilkan output menghadap manusia, dan (4) lapisan Laksana/Pantau yang bertindak atas kelulusan dan menandakan penyimpangan. Mana-mana ejen yang mengendalikan peranan penuh boleh dipetakan kepada empat kedudukan ini. Corak di bawah empat lapisan mengendalikan tugasan. Corak pada empat lapisan atau lebih mengendalikan peranan.

Analisis Rework: Berdasarkan dua contoh yang dikerjakan dalam artikel ini dan corak produksi yang didokumentasikan oleh McKinsey, Gartner, dan Anthropic, ejen yang mencapai ambang Pemasangan 4-Corak (Telan, Ambil, Jana, Laksana) menunjukkan pengekalan penerimaan yang konsisten lebih tinggi berbanding tindanan sub-4-lapisan. Data pelaksanaan Rework menunjukkan pasukan jualan yang menggunakan AI Sales Operator 4-lapisan penuh mengurangkan masa pentadbiran kitaran urusan niaga purata sebanyak 60-70 minit setiap wakil jualan sehari, berbanding 15-20 minit untuk pasukan yang menggunakan copilot satu corak sahaja.

Di mana tindanan gagal

Ketidakpadanan format data antara corak. Corak A menghasilkan ringkasan teks bebas. Corak B mengharapkan objek JSON berstruktur. Tiada yang mengalir. Penyelesaiannya bukan menyalahkan mana-mana corak. Ia mereka bentuk skema peralihan sebelum membina mana-mana lapisan. Kontrak peralihan adalah bahagian paling penting dalam seni bina.

Kependaman berganda. Tindanan 5-corak di mana setiap corak mengambil masa 2 saat untuk bertindak balas mengambil masa 10 saat sebelum pengguna melihat apa-apa. Analisis McKinsey tentang membayangkan semula infrastruktur teknologi untuk AI agensi menyerlahkan penggandaan kependaman sebagai salah satu cabaran yang paling diperkecilkan apabila beralih dari penggunaan model tunggal ke penggunaan berbilang ejen. Dalam konteks copilot di mana pengguna sedang menunggu secara aktif, 10 saat adalah terlalu lama. Dalam proses latar belakang tak segerak (kemaskini CRM selepas panggilan), 10 saat adalah baik. Petakan bajet kependaman terhadap keperluan pengalaman pengguna sebelum berkomitmen dengan kedalaman tindanan.

Penyebaran ralat. Output yang salah dari corak 2 adalah input kepada corak 3. Jika corak 3 tidak mengesahkan input, ia mengoptimumkan dari data yang rosak dan menghasilkan output yang salah yang mengalir ke corak 4. Menjelang ralat muncul, ia telah digandakan. Penyelesaiannya ialah pengesahan input di setiap lapisan, bukan hanya di titik masuk awal. Setiap corak harus menolak input yang tidak betul atau berkeyakinan rendah daripada mencuba untuk meneruskan.

Jurang tadbir urus di titik sambungan. Dasar tadbir urus mungkin merangkumi tindakan Laksana setiap corak individu. Tetapi siapa yang meluluskan data yang mengalir dari Meeting Intelligence ke Workflow Copilot? Siapa yang membenarkan penyusunan semula keutamaan Scoring and Routing berlaku secara automatik berdasarkan item tindakan yang dijana AI dari panggilan? Titik sambungan antara corak mewujudkan permukaan tadbir urus yang tidak dilindungi oleh dasar individu corak. Reka bentuk tadbir urus di titik sambungan, bukan hanya pada peringkat corak. Sempadan jana berbanding laksana adalah titik permulaan yang paling jelas untuk perbualan ini.

Prinsip reka bentuk untuk tindanan corak

Modular. Setiap corak harus boleh diganti tanpa membina semula keseluruhan tindanan. Lapisan Meeting Intelligence boleh dinaik taraf kepada model yang lebih baik tanpa mengubah lapisan Workflow Copilot atau Scoring and Routing, selagi skema output kekal konsisten. Perlakukan setiap lapisan sebagai kontrak dengan input dan output yang ditakrifkan, bukan sebagai komponen yang terikat rapat.

Boleh diperhati. Setiap peralihan antara corak harus dilog. Bukan hanya output akhir. Aliran data penuh: apa yang diterima corak sebagai input, apa yang dihasilkannya, apa yang dihantar ke lapisan seterusnya, dan bila. Kebolehperhatian di titik sambungan adalah satu-satunya cara untuk nyahpepijat tindanan apabila sesuatu tidak kena. Membuat log hanya pada output terminal memberitahu anda apakah hasil akhirnya, bukan di mana ralat berasal.

Merosot dengan anggun. Jika Anomaly Agent tidak tersedia (tamat masa model, gangguan API), selebihnya tindanan harus terus berfungsi. Workflow Copilot wakil jualan masih harus memaparkan tindakan seterusnya. Meeting Intelligence masih harus mengemaskini CRM. Hanya permukaan pemantauan anomali yang harus menjadi gelap, dengan petunjuk yang kelihatan bahawa amaran dijeda sementara. Reka bentuk mod kegagalan setiap lapisan secara eksplisit. Lapisan yang tidak tersedia harus menghasilkan output nol dengan bendera kegagalan, bukan ralat yang merosakkan tindanan.

"Median masa-ke-nilai untuk penggunaan ejen AI syarikat besar ialah 5.1 bulan, dengan ejen pembangunan jualan membayar balik dalam 3.4 bulan. Ejen kewangan dan ops purata 8.9 bulan. Kedalaman tindanan dan kesediaan data adalah pemboleh ubah utama, bukan pemilihan model." (Landbase Agentic AI Report, 2026)

Prasyarat sebelum menggabungkan

Sebelum membina tindanan berbilang corak, tiga syarat infrastruktur perlu dipenuhi:

Pipeline data dikongsi. Semua corak dalam tindanan memerlukan akses kepada storan data yang sama dengan skema yang konsisten. Jika Meeting Intelligence menulis ke satu pangkalan data dan Scoring and Routing membaca dari yang lain, tindanan adalah terkasing. Pipeline data adalah tisu penghubung.

Model entiti dikongsi. Setiap corak mesti merujuk definisi yang sama tentang "kenalan," "urusan niaga," "tiket," atau apa jua entiti pusat. Jika Meeting Intelligence mengenal kenalan melalui alamat e-mel mereka dan Scoring and Routing mengenal mereka melalui ID rekod CRM, titik sambungan pecah pada saat kenalan wujud dalam satu sistem tetapi tidak yang lain.

Bajet kependaman yang ditakrifkan. Ketahui masa tindak balas yang boleh diterima untuk pengalaman pengguna yang anda bina sebelum merakit tindanan. Interaksi copilot adalah segerak dan mempunyai keperluan kependaman yang ketat (bawah 2 saat). Pemprosesan latar belakang (kemaskini CRM selepas panggilan) boleh bertolak ansur 30-60 saat. Kedalaman tindanan mesti sesuai dalam bajet.

Laluan ke Level 3

Contoh yang dikerjakan dalam artikel ini adalah permulaan daripada apa yang ACE Framework gelar Level 3: Ejen AI pada peringkat peranan. AI Sales Operator dan Ejen Sokongan AI adalah kedua-dua konstruk Level 3, setiap satu dibina dengan menggabungkan corak Level 2 dengan infrastruktur data dan seni bina tadbir urus yang betul.

Perkembangan dari Level 2 ke Level 3 adalah perkembangan dari "AI yang melakukan tugasan" ke "AI yang memiliki fungsi." Perkembangan itu memerlukan infrastruktur dan disiplin reka bentuk yang dihuraikan di atas. Ia bukan ambang yang anda lepasi dengan menambah satu lagi corak ke tindanan.

Untuk corak yang memerlukan prasyarat teliti sebelum mereka boleh mengambil bahagian dalam tindanan, lihat Kebergantungan Corak dan Prasyarat. Untuk tempat tindanan berfungsi mengikut jabatan, lihat Gabungan Corak mengikut Jabatan.

---

Ketahui lebih lanjut

• Apakah AI Sales Operator? 4 Corak Bekerja Bersama
• Autonomous Agent: Matlamat Berbilang Langkah Dengan Penggunaan Alat
• Kebergantungan Corak dan Prasyarat
• Anti-Corak: Gabungan AI yang Gagal
• Gabungan Corak AI Biasa mengikut Jabatan
• Keperluan Tadbir Urus mengikut Corak AI