Als je AI-agenten bouwt, is het super belangrijk om de optimale gebruiksgevallen te bepalen die maximaliseren waar agenten goed in zijn versus waar ze nog niet klaar voor zijn *nog niet*. Er zijn zoveel categorieën van werk waar AI-agenten kunnen helpen automatiseren of aanvullen. Het kiezen van de juiste die waarde kan leveren op de korte termijn en in de loop van de tijd beter wordt met modelverbeteringen is cruciaal. Hier zijn een paar kenmerken die momenteel goed lijken te werken: * Werk dat een grote hoeveelheid ongestructureerde data en informatie vereist. Dit kunnen documenten zijn, visuele data op een scherm, videocontent, en meer. Dit is het domein waar computers en software nooit eerder in hebben kunnen functioneren, en de gebruiksgevallen hier zijn enorm. * AI-agenten zijn nuttig voor dingen die anders menselijke beoordeling of interpretatie vereisen, en dat kan altijd het geval zijn. Op het moment dat je hoopt iets te repliceren met zeer strikte regels die keer op keer plaatsvinden, wil je waarschijnlijk software, geen agenten. * Hoe complexer het werk dat geautomatiseerd wordt, hoe meer er behoefte is aan een mens in de lus-element. Dit is waarom code-agenten momenteel super goed werken, omdat je uiteindelijk de output van de agent kunt testen en bestuderen om te achterhalen wat goed of fout is teruggekomen. Zelfs wanneer deze agenten dingen fout doen, is interventie relatief eenvoudig voor elke bekwame gebruiker. * Wed op gebruiksgevallen waar de kernintelligentie van modellen die beter worden, blijft accumuleren bij je agenten. Als je alles over je gebruiksgeval vandaag met AI kunt oplossen, is het waarschijnlijk niet interessant genoeg om achteraan te jagen. Ga achter scenario's aan waar er incrementele waarde wordt toegevoegd met modelverbeteringen. Er zijn nog veel meer kenmerken die bepalen welke gebruiksgevallen goed zijn voor agenten in deze fase, maar uiteindelijk zijn er talloze kansen in elke categorie van werk om achteraan te jagen.