Początkowo myślano, że pojedynczy agent AI poradzi sobie z dowolnie dużymi przepływami pracy. Zamiast tego, wzór, który wydaje się działać, to wdrażanie subagentów, którzy mają specjalizację w zadaniach, aby uniknąć utraty kontekstu. Podział pracy agentów AI może być przyszłością.

Obecnie istnieje okno, w którym agenci AI będą tworzeni dla każdej branży i dziedziny. Plan działania polega na głębokim zrozumieniu inżynierii kontekstu wymaganej dla danej branży lub konkretnej przestrzeni, ustaleniu odpowiedniego UX, który naturalnie wpasowuje się w istniejące przepływy pracy, oraz połączeniu z odpowiednimi źródłami danych i narzędziami. Szczególnie na początku warto zbliżyć się jak najbliżej kluczowych klientów, aby dowiedzieć się, co działa, a co nie, i nieustannie wprowadzać ulepszenia, aby przyciągnąć ich z powrotem do macierzystej firmy. AI rozwija się tak szybko, że istnieje ogromna wartość w dokonywaniu szybkich aktualizacji i obserwowaniu, jak poprawiają one przepływy pracy klientów. Ważne jest również, aby ustalić ceny agentów w celu maksymalizacji adopcji, stosując proste ceny subskrypcyjne lub jasny model konsumpcji, i oczekiwać, że skorzystamy z oszczędności kosztów wynikających z efektywności AI. Nie bądź zbyt chciwy w kwestii ceny, ponieważ udział w rynku jest prawdopodobnie najważniejszy. Może być pomocne dążenie do przypadków użycia, które są ograniczone przez dostępność lub wysokie koszty talentów. Oznacza to, że każdy dodatkowy wzrost wydajności w tych obszarach oferuje wysoki zwrot z inwestycji dla klienta. W tych dziedzinach klienci zawsze będą chętni do wypróbowania agentów AI, aby w końcu rozwiązać swoje problemy. Dlatego agenci AI do kodowania, agenci bezpieczeństwa czy agenci prawni zyskują obecnie na popularności. To są obszary, w których popyt na rozwiązanie problemu zawsze przewyższał dostępny poziom talentu. Ale każda branża ma swoje przykłady. Obecnie istnieje wyraźny moment, w którym nowa generacja tych agentów AI będzie tworzona w każdej dziedzinie.

Jeśli wyobrazisz sobie, że każda funkcja zawodowa i przepływ pracy będą miały swojego odpowiednika w postaci agenta AI do automatyzacji pracy, to jasne, że jesteśmy na najwcześniejszych etapach fali AI. Każda branża i linia biznesowa reprezentuje nową kategorię rynku i zupełnie nowy TAM, który wcześniej nie istniał.

Podział pracy dla agentów AI będzie kluczowy dla maksymalizacji wpływu agentów we wszystkich obszarach pracy wiedzy. Od dawna mamy podział pracy w organizacjach, ponieważ okazuje się, że posiadanie indywidualnych ekspertów przekazujących sobie zadania jest bardziej efektywne niż grupa generalistów próbujących robić rzeczy w inny sposób za każdym razem. Agenci AI prezentują tę samą dynamikę. Aby agenci AI mogli działać, potrzebujesz odpowiedniej ilości kontekstu dotyczącego zadania, które próbują wykonać. Oznacza to głębokie zrozumienie dziedziny, zestaw wiedzy do wykorzystania, jasne instrukcje i zestaw narzędzi do użycia. Zbyt mało kontekstu i agent zawiedzie. Jednakże, w miarę jak więcej tych informacji wchodzi do okna kontekstowego, wiemy, że modele mogą stać się suboptymalne. W przypadku złożonego procesu biznesowego, jeśli umieścisz całą dokumentację, opis przepływu pracy i instrukcje w oknie kontekstowym, wiemy, że agent w końcu się pogubi i dostarczy gorsze wyniki. Logiczna architektura w przyszłości polega na podziale agentów na atomowe jednostki, które odpowiadają odpowiednim rodzajom zadań, a następnie na współpracy tych agentów w celu wykonania swojej pracy. Już teraz widzimy, jak to skutecznie działa w przypadku agentów kodowania. Pojawia się coraz więcej przykładów, w których ludzie tworzą subagentów, którzy odpowiadają za konkretne części bazy kodu lub obszaru usług. Każdy agent jest odpowiedzialny za część kodu, a dokumentacja jest przyjazna dla agentów. Następnie, gdy potrzebna jest praca w danym obszarze bazy kodu, agent koordynujący współpracuje z tymi subagentami. Możemy zobaczyć, że ten wzór prawdopodobnie zastosuje się do prawie każdego obszaru pracy wiedzy w przyszłości. Pozwoli to agentom AI na wykorzystanie ich do znacznie więcej niż tylko do specyficznych przypadków użycia i rozszerzy się na zasilanie całych przepływów pracy w przedsiębiorstwie. Nawet gdy modele AI poprawiają się, aby mogły obsługiwać większe okna kontekstowe, a poziomy inteligencji rosną, nie jest oczywiste, że ta architektura kiedykolwiek zniknie. Prawdopodobnie rola każdego agenta rozszerzy się w miarę poprawy możliwości, ale wyraźne linie podziału między subagentami mogą zawsze prowadzić do lepszych wyników.

Podział pracy agentów AI może odpowiadać podziałowi pracy ludzi. Ludzie korzystają z subagentów, które posiadają konkretne mikro usługi w bazie kodu. Każda usługa ma dokumentację przyjazną dla agentów, którą aktualizuje na bieżąco. W ten sposób optymalizujesz to, co znajduje się w oknie kontekstu. Przyszłość jest dzika.

Model mentalny dla zaawansowanej AI polega na tym, że modele będą wysoce uogólnione, ale muszą być połączone z bardzo specyficznym kontekstem. Precyzyjne zapytania, subagenci podzieleni według zadań, dokumenty przyjazne dla agentów, dostęp do wiedzy. Nawet gdy modele się poprawiają, to się nie zmienia.

Jeśli budujesz agentów AI, niezwykle ważne jest, aby określić optymalne przypadki użycia, które maksymalizują to, w czym agenci są dobrzy, w porównaniu do tego, na co nie są jeszcze gotowi. Jest tak wiele kategorii pracy, które agenci AI mogą pomóc zautomatyzować lub wzbogacić. Wybór odpowiednich, które mogą przynieść wartość w krótkim okresie i poprawić się w miarę ulepszania modeli, jest kluczowy. Oto kilka cech, które wydają się działać w tej chwili: * Praca, która wymaga dużej ilości niestrukturalnych danych i informacji. Mogą to być dokumenty, dane wizualne na ekranie, treści wideo i inne. To jest obszar, w którym komputery i oprogramowanie nigdy wcześniej nie były w stanie działać, a przypadki użycia w tym zakresie są ogromne. * Agenci AI są przydatni w sytuacjach, które w przeciwnym razie wymagają ludzkiego osądu lub interpretacji, i może tak zawsze będzie. W momencie, gdy zaczynasz mieć nadzieję na powtórzenie czegoś z bardzo ścisłymi zasadami, które dzieje się w kółko, prawdopodobnie chcesz oprogramowania, a nie agentów. * Im bardziej złożona praca jest automatyzowana, tym większa potrzeba elementu ludzkiego w pętli. Dlatego agenci kodu działają teraz bardzo dobrze, ponieważ możesz ostatecznie testować i badać wyniki agenta, aby ustalić, co wróciło poprawnie lub błędnie. Nawet gdy ci agenci robią coś źle, interwencja jest stosunkowo prosta dla każdego wykwalifikowanego użytkownika. * Postaw na przypadki użycia, w których podstawowa inteligencja modeli, które stają się lepsze, będzie nadal przybywać do twoich agentów. Jeśli możesz rozwiązać wszystko w swoim przypadku użycia za pomocą AI dzisiaj, prawdopodobnie nie jest to wystarczająco interesujący rynek, aby się nim zająć. Zajmij się scenariuszami, w których dodawana jest stopniowa wartość wraz z ulepszeniami modeli. Mnóstwo innych cech decyduje o tym, które przypadki użycia są dobre dla agentów na tym etapie, ale ostatecznie istnieje mnóstwo możliwości w każdej kategorii pracy, które można wykorzystać.

Jednym z dużych atutów agentów AI w pracy związanej z wiedzą jest to, że ROI zmienia się dramatycznie w wielu aspektach, których wcześniej nie mogliśmy zrealizować. Jest mnóstwo pracy, której dzisiaj nie wykonujemy, ponieważ nie możemy uzasadnić „stałego kosztu” jej uruchomienia. Prawie każdy nowy pomysł staje się spotkaniem, z dalszymi ustaleniami i większymi kosztami koordynacji. Dlatego, słusznie, priorytetowo traktujesz tylko najbardziej wpływową pracę i modlisz się, że podjąłeś właściwą decyzję, co do tego, co to jest. Agenci AI zmieniają tutaj kalkulacje. Zespół produktowy może sobie pozwolić na prototypowanie większej liczby pomysłów, aby zobaczyć, który z nich jest lepszy. Analityk biznesowy może przeszukać więcej danych klientów, aby znaleźć ukryty wgląd. Inżynier może szybciej budować funkcje. Zespół prawny może lepiej wspierać mniejszych klientów. Marketer produktowy może prowadzić więcej kampanii lub testować więcej komunikatów, aby dotrzeć do większej liczby klientów. Niektóre z tych rzeczy nie będą miały dużego znaczenia, oczywiście. Ale wiele z nich będzie. A poprzez obniżenie kosztów próbowania nowego pomysłu, testowania komunikatu marketingowego lub badania rynku, firmy zaczną robić znacznie więcej niż wcześniej lub przynajmniej szybciej dotrą do swojego następnego celu.

Studium przypadku Figma jest świetnym przykładem. Zespół w 100% skoncentrowany na budowaniu doskonałego produktu, wzroście napędzanym przez produkt, uczciwej wycenie, budowaniu silnych efektów sieciowych oraz rozszerzaniu się na logiczne sąsiedztwa bez nadmiernego rozciągania. Wiele lekcji dla następnej fali startupów.

Trudno przecenić, jak wolny był proces projektowania produktu przed Figma. Po prostu burza mózgów z niskiej jakości wireframe'ami, pętle feedbackowe trwały wieczność, a na makiety czekało się tygodniami. Teraz w zasadzie widzisz prototyp swojego produktu w ciągu kilku godzin od jego wymyślenia.