I utgangspunktet var tanken at en enkelt AI-agent ville håndtere vilkårlig store arbeidsflyter. I stedet er mønsteret som ser ut til å fungere, å distribuere underagenter som har spesialisering etter oppgave for å unngå kontekstråte. AI-agentens arbeidsdeling kan være fremtiden.

Det er et vindu akkurat nå der AI-agenter vil bli bygget for hver vertikal og domene. Strategien er å gå dypt inn i kontekstteknikken som kreves for det vertikale eller bestemte rommet, finne ut riktig brukeropplevelse som knytter seg naturlig til de eksisterende arbeidsflytene, og koble til de relevante datakildene og verktøyene. Spesielt tidlig er det nyttig å komme så nær nøkkelkunder som mulig for å finne ut hva som fungerer og hva som ikke fungerer, og hele tiden gjøre forbedringer for å bringe dem tilbake til moderskipet. AI beveger seg så raskt akkurat nå at det er en enorm premie i å gjøre raske oppdateringer og se hvordan de forbedrer kundens arbeidsflyter. Det er også viktig å prise agentene for maksimal adopsjon med enkle abonnementspriser eller på en klar forbruksmodell, og forvente å ri ut kostnadsforbedringene fra AI-effektivitet. Ikke bli for grådig på pris akkurat nå, da markedsandeler sannsynligvis er viktigst. Det kan være nyttig å gå etter brukstilfeller som er begrenset av tilgjengeligheten eller høye kostnader for talent. Dette betyr at enhver inkrementell økning i produktiviteten i disse områdene gir høy avkastning for kunden. På disse områdene vil kundene alltid være villige til å prøve AI-agenter for å endelig komme i gang med å løse problemene sine. Dette er grunnen til at AI-kodeagenter, sikkerhetsagenter eller juridiske agenter tar av akkurat nå i utgangspunktet. Dette er alle områder der etterspørselen etter å løse problemet alltid har overskredet talentnivået som er tilgjengelig. Men hver vertikal har eksempler på dette. Det er et klart øyeblikk akkurat nå hvor neste generasjon av disse AI-agentene vil bli bygget på tvers av alle rom.

Hvis du forestiller deg at hver jobbfunksjon og arbeidsflyt vil ha en AI Agent-motpart for å automatisere arbeidet, er det klart at vi er i de tidligste stadiene av AI-bølgen. Hver vertikal og bransje representerer en ny markedskategori og helt ny TAM som ikke eksisterte før.

Arbeidsdeling for AI-agenter vil være avgjørende for å maksimere effekten av agenter på alle områder av kunnskapsarbeid. Vi har lenge hatt en arbeidsdeling i organisasjoner fordi det viser seg at det å ha individuelle eksperter som overlater oppgaver til hverandre er mer effektivt enn en haug med generalister som prøver å gjøre ting på en annen måte hver gang. AI-agenter presenterer den samme dynamikken. For at AI-agenter skal fungere, trenger du akkurat den rette mengden kontekst om oppgaven de prøver å fullføre. Dette betyr en dyp domeneforståelse, sett med kunnskap å jobbe ut fra, klare instruksjoner og sett med verktøy å bruke. For lite kontekst og agenten vil svikte. Likevel, likevel, etter hvert som mer av denne informasjonen kommer inn i kontekstvinduet, vet vi at modellene kan bli suboptimale.  For en kompleks forretningsprosess, hvis du legger all dokumentasjon, beskrivelse av arbeidsflyten og instruksjonene inn i kontekstvinduet, vet vi at agenten til slutt vil bli forvirret og levere dårligere resultater. Den logiske arkitekturen i fremtiden er å dele agenter opp i atomære enheter som kartlegges til de riktige oppgavetypene og deretter få disse agentene til å jobbe sammen for å fullføre arbeidet sitt. Vi ser allerede at dette utspiller seg effektivt i kodeagenter. Det dukker opp flere og flere eksempler med folk som setter opp underagenter som alle eier spesifikke deler av en kodebase eller et tjenesteområde. Hver agent er ansvarlig for en del av koden, og det finnes agentvennlig dokumentasjon for koden. Når det er behov for arbeid i det relevante området av kodebasen, koordinerer en orkestratoragent med disse underagentene.  Vi kan se at dette mønsteret sannsynligvis gjelder for nesten alle områder av kunnskapsarbeid i fremtiden. Dette vil gjøre det mulig å bruke AI-agenter til langt mer enn oppgavespesifikke brukstilfeller og utvides til å drive hele arbeidsflyter i bedriften. Selv om AI-modeller forbedres for å kunne håndtere større kontekstvinduer, og intelligensnivåene går opp, er det ikke åpenbart at denne arkitekturen noen gang forsvinner. Det er sannsynlig at rollen til hver agent utvides etter hvert som evnene forbedres, men klare skillelinjer mellom underagenter kan alltid føre til bedre resultater.

AI-agentens arbeidsdeling kan tilordnes menneskelig arbeidsdeling. Folk bruker underagenter som eier spesifikke mikrotjenester i en kodebase. Hver tjeneste har agentvennlige dokumenter som den oppdaterer underveis. På denne måten optimaliserer du det som er i kontekstvinduet. Fremtiden er vill.

Den mentale modellen for avansert AI er at modellene vil være svært generaliserbare, men de må pares med veldig spesifikk kontekst. Presise spørsmål, underagenter delt opp etter oppgave, agentvennlige dokumenter, kunnskapstilgang. Selv om modellene forbedres, endres ikke dette.

Hvis du bygger AI-agenter, er det superviktig å finne ut de optimale brukstilfellene som maksimerer hvilke agenter som er gode kontra hva de ikke er klare for *ennå*. Det er så mange kategorier av arbeid som AI-agenter kan bidra til å automatisere eller forsterke. Det er avgjørende å velge de riktige som kan levere verdi på kort sikt og bli bedre over tid med modellforbedringer. Her er noen egenskaper som ser ut til å fungere akkurat nå: * Arbeid som krever store mengder ustrukturerte data og informasjon. Dette kan være dokumenter, visuelle data på en skjerm, videoinnhold og mer. Dette er domenet som datamaskiner og programvare aldri har vært i stand til å gjøre før, og brukstilfellene her er enorme. * AI-agenter er nyttige for ting som ellers krever menneskelig vurdering eller tolkning, og det kan alltid være tilfelle. I det øyeblikket du håper å gjenskape noe med veldig strenge regler som skjer om og om igjen, vil du sannsynligvis ha programvare, ikke agenter. * Jo mer komplekst arbeid som automatiseres, jo mer er det behov for et menneske i loop-elementet. Dette er grunnen til at kodeagenter fungerer superbra akkurat nå, er at du til slutt kan teste og studere resultatet til agenten for å finne ut hva som kom tilbake riktig eller galt. Selv når disse agentene gjør ting feil, er intervensjon relativt enkel for enhver dyktig bruker. * Sats på brukstilfeller der kjerneintelligensen til modeller som blir bedre vil fortsette å tilfalle agentene dine. Hvis du kan løse alt om bruksområdet ditt med AI i dag, er det sannsynligvis ikke et interessant nok marked å gå etter. Gå etter scenarioer der det er trinnvis verdi som legges til med modellforbedringer. Tonnevis av flere egenskaper avgjør hvilke brukstilfeller som er bra for agenter på dette stadiet, men til syvende og sist tonnevis av muligheter i alle kategorier av arbeid å gå etter.

En av de store fordelene med AI-agenter for kunnskapsarbeid er at avkastningen endres dramatisk på en rekke ting du ikke kunne ha gjort før. Det er tonnevis av arbeid som vi ikke gjør i dag fordi vi ikke kan rettferdiggjøre den "faste kostnaden" ved å få det i gang. Nesten hver nye idé blir et møte, med oppfølging og mer koordineringsskatt. Så du, med rette, prioriterer bare det arbeidet som har størst innvirkning, og ber om at du har tatt den riktige avgjørelsen om hva det er. AI Agents endrer kalkulusen her. Produktteamet har råd til å lage prototyper av flere ideer for å se hvilken som er best. Forretningsanalytikeren kan finkjemme mer kundedata for å finne en skjult innsikt. Ingeniøren kan bygge funksjoner raskere. Det juridiske teamet kan bedre støtte mindre kunder. Produktmarkedsføreren kan kjøre flere kampanjer eller teste flere meldinger for å nå flere kunder. Noen av disse tingene vil selvfølgelig ikke bety noe. Men mange vil gjøre det. Og ved å senke kostnadene ved å prøve en ny idé, teste et markedsføringsbudskap eller undersøke et marked, vil bedrifter begynne å gjøre langt mer enn før eller i det minste komme raskere til neste destinasjon.

Figma-casestudien er flott. Et team som er 100 % fokusert på å bygge gode produkter, produktledet vekst, rettferdige priser, bygge sterke nettverkseffekter og utvide til logiske tilstøtende områder uten å bli for overdrevet. Mange leksjoner for neste avling av startups.

Vanskelig å overdrive hvor treg produktdesignprosessen var før Figma. Du ville bare brainstorme med low fi wireframes, tilbakemeldingssløyfer ville ta evigheter, og du ville vente i uker på mocks. Nå ser du i utgangspunktet en prototype av produktet ditt i løpet av timer etter at du har kommet opp med det.