Inizialmente si pensava che un singolo agente AI potesse gestire flussi di lavoro arbitrariamente grandi. Invece, il modello che sembra funzionare è quello di distribuire subagenti che hanno specializzazione per compito per evitare il deterioramento del contesto. La divisione del lavoro tra agenti AI potrebbe essere il futuro.

C'è una finestra in questo momento in cui gli agenti AI verranno costruiti per ogni settore e dominio. Il piano è approfondire l'ingegneria del contesto necessaria per il settore o lo spazio particolare, capire la giusta UX che si integri naturalmente nei flussi di lavoro esistenti e connettersi alle fonti di dati e agli strumenti pertinenti. Soprattutto all'inizio, è utile avvicinarsi il più possibile ai clienti chiave per capire cosa funziona e cosa no e apportare costantemente miglioramenti per riportarli alla casa madre. L'AI si sta muovendo così velocemente in questo momento che c'è un enorme valore nel fare aggiornamenti rapidi e vedere come migliorano i flussi di lavoro dei clienti. È anche importante prezzare gli agenti per una massima adozione con prezzi di abbonamento semplici o su un chiaro modello di consumo, e aspettarsi di beneficiare dei miglioramenti dei costi derivanti dall'efficienza dell'AI. Non essere troppo avido sul prezzo in questo momento, poiché la quota di mercato è probabilmente la cosa più importante. Può essere utile puntare a casi d'uso che sono limitati dalla disponibilità o dall'alto costo del talento. Questo significa che qualsiasi incremento incrementale nella produttività in questi spazi offre un alto ROI per il cliente. In queste aree, i clienti saranno sempre disposti a provare agenti AI per finalmente risolvere i loro problemi. Ecco perché gli agenti di codifica AI, gli agenti di sicurezza o gli agenti legali stanno decollando in questo momento. Queste sono tutte aree in cui la domanda di risoluzione del problema ha sempre superato il livello di talento disponibile. Ma ogni settore ha esempi di questo. C'è un momento chiaro in questo momento in cui la prossima generazione di questi agenti AI verrà costruita in ogni spazio.

Se immagini che ogni funzione lavorativa e flusso di lavoro avrà un corrispondente agente AI per automatizzare il lavoro, è chiaro che siamo nelle fasi iniziali dell'onda dell'AI. Ogni settore e linea di business rappresenta una nuova categoria di mercato e un nuovo TAM che non esisteva prima.

La divisione del lavoro per gli agenti AI sarà fondamentale per massimizzare l'impatto degli agenti in tutti i settori del lavoro conoscitivo. Da tempo abbiamo una divisione del lavoro nelle organizzazioni perché si scopre che avere esperti individuali che si passano i compiti l'uno con l'altro è più efficace che un gruppo di generalisti che cerca di fare le cose in modo diverso ogni volta. Gli agenti AI presentano la stessa dinamica. Perché gli agenti AI funzionino, è necessario avere la giusta quantità di contesto riguardo al compito che stanno cercando di completare. Questo significa una profonda comprensione del dominio, un insieme di conoscenze da cui partire, istruzioni chiare e un insieme di strumenti da utilizzare. Troppo poco contesto e l'agente fallirà. Tuttavia, allo stesso modo, man mano che più informazioni entrano nella finestra di contesto, sappiamo che i modelli possono diventare subottimali. Per un processo aziendale complesso, se metti tutta la documentazione, la descrizione del flusso di lavoro e le istruzioni nella finestra di contesto, sappiamo che l'agente alla fine si confonderà e fornirà risultati peggiori. L'architettura logica quindi, in futuro, è di dividere gli agenti in unità atomiche che corrispondono ai giusti tipi di compiti e poi far lavorare insieme questi agenti per completare il loro lavoro. Stiamo già vedendo questo svolgersi in modo efficace negli agenti di codifica. Ci sono sempre più esempi che emergono con persone che impostano subagenti che possiedono tutti parti specifiche di un codice sorgente o di un'area di servizio. Ogni agente è responsabile di una parte del codice e c'è documentazione adatta agli agenti per il codice. Poi, quando è necessario lavorare in quell'area rilevante del codice sorgente, un agente orchestratore coordina con questi subagenti. Potremmo vedere questo schema applicarsi probabilmente a quasi qualsiasi area del lavoro conoscitivo in futuro. Questo permetterà agli agenti AI di essere utilizzati per molto più che casi d'uso specifici e si estenderà a potenziare interi flussi di lavoro nell'impresa. Anche se i modelli AI migliorano per gestire finestre di contesto più ampie e i livelli di intelligenza aumentano, non è ovvio che questa architettura scompaia mai. È probabile che il ruolo di ciascun agente si espanda man mano che le capacità migliorano, ma linee di separazione chiare tra subagenti potrebbero sempre portare a risultati migliori.

La divisione del lavoro degli agenti AI può corrispondere alla divisione del lavoro umano. Le persone stanno utilizzando subagenti che possiedono servizi micro specifici in una base di codice. Ogni servizio ha documentazione adatta agli agenti che viene aggiornata man mano che procede. In questo modo ottimizzi ciò che è nella finestra di contesto. Il futuro è selvaggio.

Il modello mentale per l'IA avanzata è che i modelli saranno altamente generalizzabili, ma devono essere abbinati a contesti molto specifici. Prompt precisi, subagenti suddivisi per compito, documenti amichevoli per gli agenti, accesso alla conoscenza. Anche se i modelli migliorano, questo non cambia.

Se stai costruendo agenti AI, è super importante capire i casi d'uso ottimali che massimizzano ciò per cui gli agenti sono bravi rispetto a ciò per cui non sono ancora pronti. Ci sono così tante categorie di lavoro che gli agenti AI possono aiutare ad automatizzare o ad aumentare. Scegliere quelle giuste che possono fornire valore nel breve termine e migliorare nel tempo con i miglioramenti del modello è fondamentale. Ecco alcune caratteristiche che sembrano funzionare bene in questo momento: * Lavoro che richiede una grande quantità di dati e informazioni non strutturati. Questo potrebbe includere documenti, dati visivi su uno schermo, contenuti video e altro ancora. Questo è il dominio in cui computer e software non sono mai stati in grado di operare prima, e i casi d'uso qui sono vasti. * Gli agenti AI sono utili per cose che altrimenti richiederebbero giudizio o interpretazione umana, e potrebbe sempre essere così. Nel momento in cui ti trovi a sperare di replicare qualcosa con regole molto rigide che si ripetono continuamente, probabilmente vuoi software, non agenti. * Più il lavoro complesso viene automatizzato, maggiore è la necessità di un elemento umano nel processo. Questo è il motivo per cui gli agenti di codice funzionano così bene in questo momento: puoi eventualmente testare e studiare l'output dell'agente per capire cosa è tornato giusto o sbagliato. Anche quando questi agenti fanno errori, l'intervento è relativamente semplice per qualsiasi utente esperto. * Scommetti su casi d'uso in cui l'intelligenza fondamentale dei modelli che migliora continuerà ad accumularsi sui tuoi agenti. Se puoi risolvere tutto riguardo al tuo caso d'uso con l'AI oggi, probabilmente non è un mercato abbastanza interessante da perseguire. Insegui scenari in cui viene aggiunto valore incrementale con i miglioramenti del modello. Tante altre caratteristiche determinano quali casi d'uso sono buoni per gli agenti in questa fase, ma alla fine ci sono molte opportunità in ogni categoria di lavoro da perseguire.

Uno dei grandi vantaggi degli Agenti AI per il lavoro conoscitivo è che il ROI cambia drasticamente su una serie di cose che prima non avresti potuto fare. Ci sono tonnellate di lavoro che non facciamo oggi perché non possiamo giustificare il "costo fisso" per farlo partire. Quasi ogni nuova idea diventa una riunione, con follow-up e un ulteriore costo di coordinamento. Quindi, giustamente, dai priorità solo al lavoro ad alto impatto e preghi di aver fatto la scelta giusta su cosa sia. Gli Agenti AI cambiano i calcoli qui. Il team di prodotto può permettersi di prototipare più idee per vedere quale sia migliore. L'analista aziendale può esaminare più dati dei clienti per trovare un'intuizione nascosta. L'ingegnere può costruire funzionalità più velocemente. Il team legale può supportare meglio i clienti più piccoli. Il marketer di prodotto può gestire più campagne o testare più messaggi per raggiungere più clienti. Alcune di queste cose non avranno un grande impatto, ovviamente. Ma molte lo faranno. E abbassando il costo di provare una nuova idea, testare un messaggio di marketing o ricercare un mercato, le aziende inizieranno a fare molto di più rispetto a prima o almeno a raggiungere la loro prossima meta più velocemente.

Lo studio di caso di Figma è davvero interessante. Un team 100% concentrato sulla creazione di un ottimo prodotto, crescita guidata dal prodotto, prezzi equi, costruzione di forti effetti di rete ed espansione in aree adiacenti logiche senza allungarsi troppo. Molte lezioni per la prossima generazione di startup.

Difficile sottolineare quanto fosse lento il processo di design del prodotto prima di Figma. Si facevano solo brainstorming con wireframe a bassa fedeltà, i cicli di feedback duravano un'eternità e si aspettava settimane per i mockup. Ora puoi praticamente vedere un prototipo del tuo prodotto entro poche ore dall'ideazione.