Inicialmente, se pensaba que un solo agente de IA manejaría flujos de trabajo arbitrariamente grandes. En cambio, el patrón que parece estar funcionando es desplegar subagentes que tienen especialización por tarea para evitar la degradación del contexto. La división del trabajo de los agentes de IA puede ser el futuro.

Hay una ventana en este momento donde se construirán agentes de IA para cada vertical y dominio. El manual es profundizar en la ingeniería de contexto requerida para el vertical o espacio particular, averiguar la experiencia de usuario adecuada que se integre de manera natural en los flujos de trabajo existentes y conectarse a las fuentes de datos y herramientas relevantes. Especialmente al principio, es útil acercarse lo más posible a los clientes clave para averiguar qué está funcionando y qué no, y hacer mejoras constantes para llevarlos de vuelta a la nave nodriza. La IA se está moviendo tan rápido en este momento que hay una gran ventaja en hacer actualizaciones rápidas y ver cómo mejoran los flujos de trabajo del cliente. También es importante fijar el precio de los agentes para una adopción máxima con precios de suscripción simples o en un modelo de consumo claro, y esperar aprovechar las mejoras de costos de la eficiencia de la IA. No te pongas demasiado codicioso con el precio en este momento, ya que la cuota de mercado es probablemente lo más importante. Puede ser útil buscar casos de uso que estén limitados por la disponibilidad o el alto costo del talento. Esto significa que cualquier aumento incremental en la productividad en estos espacios ofrece un alto retorno de inversión para el cliente. En estas áreas, los clientes siempre estarán dispuestos a probar agentes de IA para finalmente resolver sus problemas. Por eso los agentes de codificación de IA, los agentes de seguridad o los agentes legales están despegando en este momento. Estas son todas áreas donde la demanda de resolver el problema siempre ha superado el nivel de talento disponible. Pero cada vertical tiene ejemplos de esto. Hay un momento claro en este momento donde la próxima generación de estos Agentes de IA se construirá en todos los espacios.

Si imaginas que cada función laboral y flujo de trabajo tendrá un agente de IA que automatice el trabajo, está claro que estamos en las primeras etapas de la ola de IA. Cada vertical y línea de negocio representa una nueva categoría de mercado y un nuevo TAM que no existía antes.

La división del trabajo para los Agentes de IA será crítica para maximizar el impacto de los agentes en todas las áreas del trabajo del conocimiento. Desde hace tiempo hemos tenido una división del trabajo en las organizaciones porque resulta que tener expertos individuales pasando tareas entre sí es más efectivo que un grupo de generalistas tratando de hacer las cosas de manera diferente cada vez. Los Agentes de IA presentan la misma dinámica. Para que los Agentes de IA funcionen, necesitas la cantidad justa de contexto sobre la tarea que están tratando de completar. Esto significa una comprensión profunda del dominio, un conjunto de conocimientos sobre los que trabajar, instrucciones claras y un conjunto de herramientas para usar. Muy poco contexto y el agente fallará. Sin embargo, igualmente, a medida que más de esta información entra en la ventana de contexto, sabemos que los modelos pueden volverse subóptimos. Para un proceso empresarial complejo, si pones toda la documentación, la descripción del flujo de trabajo y las instrucciones en la ventana de contexto, sabemos que el agente eventualmente se confundirá y entregará peores resultados. La arquitectura lógica entonces en el futuro es dividir a los agentes en unidades atómicas que se correspondan con los tipos correctos de tareas y luego hacer que estos agentes trabajen juntos para completar su trabajo. Ya estamos viendo esto desarrollarse de manera efectiva en los agentes de codificación. Están surgiendo más y más ejemplos de personas configurando subagentes que poseen partes específicas de una base de código o área de servicio. Cada agente es responsable de una parte del código, y hay documentación amigable para el agente sobre el código. Luego, a medida que se necesita trabajo en esa área relevante de la base de código, un agente orquestador coordina con estos subagentes. Podríamos ver que este patrón probablemente se aplique a casi cualquier área del trabajo del conocimiento en el futuro. Esto permitirá que los Agentes de IA se utilicen para mucho más que casos de uso específicos de tareas y se extiendan para impulsar flujos de trabajo completos en la empresa. Incluso a medida que los modelos de IA mejoren para poder manejar ventanas de contexto más grandes, y los niveles de inteligencia aumenten, no es obvio que esta arquitectura desaparezca. Es probable que el papel de cada agente se expanda a medida que mejoren las capacidades, pero las líneas claras de separación entre subagentes pueden siempre llevar a mejores resultados.

La división del trabajo de los agentes de IA puede mapearse a la división del trabajo humano. Las personas están utilizando subagentes que poseen servicios micro específicos en una base de código. Cada servicio tiene documentación amigable para agentes que se actualiza a medida que avanza. De esta manera, optimizas lo que está en la ventana de contexto. El futuro es salvaje.

El modelo mental para la IA avanzada es que los modelos serán altamente generalizables, pero necesitan estar emparejados con un contexto muy específico. Prompts precisos, subagentes divididos por tarea, documentos amigables para agentes, acceso al conocimiento. Incluso a medida que los modelos mejoran, esto no cambia.

Si estás construyendo Agentes de IA, es muy importante identificar los casos de uso óptimos que maximicen lo que los agentes son buenos en comparación con lo que aún no están listos para hacer *todavía*. Hay tantas categorías de trabajo que los Agentes de IA pueden ayudar a automatizar o complementar. Elegir los adecuados que puedan ofrecer valor a corto plazo y mejorar con el tiempo con las mejoras del modelo es crítico. Aquí hay algunas características que parecen estar funcionando bien en este momento: * Trabajo que requiere una gran cantidad de datos e información no estructurada. Esto podría ser documentos, datos visuales en una pantalla, contenido de video, y más. Este es el dominio que las computadoras y el software nunca han podido manejar antes, y los casos de uso aquí son vastos. * Los Agentes de IA son útiles para cosas que de otro modo requieren juicio o interpretación humana, y puede que siempre sea así. En el momento en que te encuentres esperando replicar algo con reglas muy estrictas que suceden una y otra vez, probablemente quieras software, no agentes. * Cuanto más complejo sea el trabajo que se está automatizando, más necesidad hay de un elemento humano en el proceso. Por eso los agentes de código funcionan muy bien en este momento, ya que eventualmente puedes probar y estudiar la salida del agente para averiguar qué salió bien o mal. Incluso cuando estos agentes hacen algo mal, la intervención es relativamente sencilla para cualquier usuario capacitado. * Apuesta por casos de uso donde la inteligencia central de los modelos que mejora seguirá acumulándose en tus agentes. Si puedes resolver todo sobre tu caso de uso con IA hoy, probablemente no sea un mercado lo suficientemente interesante para perseguir. Busca escenarios donde se agregue valor incremental con las mejoras del modelo. Hay muchas más características que determinan qué casos de uso son buenos para los agentes en esta etapa, pero en última instancia hay muchas oportunidades en cada categoría de trabajo para perseguir.

Una de las grandes ventajas de los Agentes de IA para el trabajo del conocimiento es que el ROI cambia drásticamente en una serie de cosas que no podrías haber hecho antes. Hay un montón de trabajo que no hacemos hoy porque no podemos justificar el "costo fijo" de ponerlo en marcha. Casi cada nueva idea se convierte en una reunión, con seguimientos y más impuestos de coordinación. Así que, con razón, priorizas solo el trabajo de mayor impacto y rezas para que hayas tomado la decisión correcta sobre qué es eso. Los Agentes de IA cambian el cálculo aquí. El equipo de producto puede permitirse prototipar más ideas para ver cuál es mejor. El analista de negocios puede revisar más datos de clientes para encontrar un insight oculto. El ingeniero puede construir características más rápido. El equipo legal puede apoyar mejor a los clientes más pequeños. El comercializador de productos puede ejecutar más campañas o probar más mensajes para llegar a más clientes. Algunas de estas cosas, por supuesto, no importarán mucho. Pero muchas sí. Y al reducir el costo de probar una nueva idea, probar un mensaje de marketing o investigar un mercado, las empresas comenzarán a hacer mucho más que antes o al menos llegar a su próximo destino más rápido.

El estudio de caso de Figma es excelente. Un equipo 100% enfocado en construir un gran producto, crecimiento impulsado por el producto, precios justos, construir fuertes efectos de red y expandirse a adyacencias lógicas sin sobreextenderse demasiado. Muchas lecciones para la próxima generación de startups.

Es difícil exagerar lo lento que era el proceso de diseño de productos antes de Figma. Simplemente hacías una lluvia de ideas con wireframes de baja fidelidad, los ciclos de retroalimentación tardaban una eternidad y tenías que esperar semanas por los mocks. Ahora, básicamente ves un prototipo de tu producto dentro de unas horas después de haberlo ideado.