Inicialmente, a ideia era que um único agente de IA lidaria com fluxos de trabalho arbitrariamente grandes. Em vez disso, o padrão que parece estar funcionando é implantar subagentes que têm especialização por tarefa para evitar o apodrecimento do contexto. A divisão do trabalho do agente de IA pode ser o futuro.

Há uma janela agora em que os agentes de IA serão criados para cada vertical e domínio. O manual é se aprofundar na engenharia de contexto necessária para o espaço vertical ou específico, descobrir o UX certo que se conecta naturalmente aos fluxos de trabalho existentes e conectar-se às fontes de dados e ferramentas relevantes. Especialmente no início, é útil chegar o mais próximo possível dos principais clientes para descobrir o que está funcionando e o que não está e fazer melhorias constantemente para trazê-los de volta à nave-mãe. A IA está se movendo tão rápido agora que há um grande prêmio em fazer atualizações rápidas e ver como elas melhoram os fluxos de trabalho do cliente. Também é importante precificar os agentes para adoção máxima com preços de assinatura simples ou em um modelo de consumo claro, e esperar superar as melhorias de custo da eficiência da IA. Não fique muito ganancioso com o preço agora, pois a participação de mercado é provavelmente a mais importante. Pode ser útil ir atrás de casos de uso que são limitados pela disponibilidade ou alto custo do talento. Isso significa que qualquer aumento incremental na produtividade nesses espaços oferece alto ROI para o cliente. Nessas áreas, os clientes sempre estarão dispostos a experimentar os agentes de IA para finalmente resolver seus problemas. É por isso que agentes de codificação de IA, agentes de segurança ou agentes legais estão decolando agora. Todas essas são áreas em que a demanda para resolver o problema sempre excedeu o nível de talento disponível. Mas toda vertical tem exemplos disso. Há um momento claro agora em que a próxima geração desses agentes de IA será construída em todos os espaços.

Se você imaginar que cada função de trabalho e fluxo de trabalho terá uma contraparte do AI Agent para automatizar o trabalho, fica claro que estamos nos estágios iniciais da onda de IA. Cada vertical e linha de negócios representa uma nova categoria de mercado e um novo TAM que não existia antes.

A divisão do trabalho para agentes de IA será fundamental para maximizar o impacto dos agentes em todas as áreas de trabalho do conhecimento. Há muito tempo temos uma divisão de trabalho nas organizações porque acontece que ter especialistas individuais entregando tarefas uns aos outros é mais eficaz do que um bando de generalistas tentando fazer as coisas de uma maneira diferente a cada vez. Os agentes de IA apresentam a mesma dinâmica. Para que os agentes de IA funcionem, você precisa da quantidade certa de contexto sobre a tarefa que eles estão tentando concluir. Isso significa uma compreensão profunda do domínio, um conjunto de conhecimentos para trabalhar, instruções claras e um conjunto de ferramentas para usar. Muito pouco contexto e o agente falhará. No entanto, da mesma forma, à medida que mais dessas informações entram na janela de contexto, sabemos que os modelos podem se tornar abaixo do ideal.  Para um processo de negócios complexo, se você colocar toda a documentação, descrição do fluxo de trabalho e instruções na janela de contexto, sabemos que o agente acabará ficando confuso e entregando resultados piores. A arquitetura lógica no futuro é dividir os agentes em unidades atômicas que mapeiam os tipos certos de tarefas e, em seguida, fazer com que esses agentes trabalhem juntos para concluir seu trabalho. Já estamos vendo isso acontecer de forma eficaz em agentes de codificação. Há cada vez mais exemplos surgindo com pessoas configurando subagentes que possuem partes específicas de uma base de código ou área de serviço. Cada agente é responsável por uma parte do código e há documentação amigável para o código. Então, como o trabalho é necessário nessa área relevante da base de código, um agente orquestrador coordena com esses subagentes.  Poderíamos ver esse padrão provavelmente se aplicando a quase qualquer área de trabalho do conhecimento no futuro. Isso permitirá que os agentes de IA sejam usados para muito mais do que casos de uso específicos de tarefas e se estendam a alimentar fluxos de trabalho inteiros na empresa. Mesmo que os modelos de IA melhorem para serem capazes de lidar com janelas de contexto maiores e os níveis de inteligência aumentem, não é óbvio que essa arquitetura desapareça. É provável que a função de cada agente se expanda à medida que os recursos melhoram, mas linhas claras de separação entre os subagentes sempre podem levar a melhores resultados.

A divisão do trabalho do agente de IA pode mapear a divisão humana do trabalho. As pessoas estão usando subagentes que possuem microsserviços específicos em uma base de código. Cada serviço tem documentos amigáveis ao agente que são atualizados à medida que avançam. Dessa forma, você otimiza o que está na janela de contexto. O futuro é selvagem.

O modelo mental para IA avançada é que os modelos serão altamente generalizáveis, mas precisam ser combinados com um contexto muito específico. Prompts precisos, subagentes divididos por tarefa, documentos amigáveis ao agente, acesso ao conhecimento. Mesmo com a melhoria dos modelos, isso não muda.

Se você estiver criando agentes de IA, é muito importante descobrir os casos de uso ideais que maximizam quais agentes são bons versus o que eles não estão prontos *ainda*. Existem tantas categorias de trabalho que os agentes de IA podem ajudar a automatizar ou aumentar. Escolher os certos que podem agregar valor no curto prazo e melhorar com o tempo com melhorias no modelo é fundamental. Aqui estão algumas características que parecem estar funcionando agora: * Trabalho que requer uma grande quantidade de dados e informações não estruturados. Podem ser documentos, dados visuais em uma tela, conteúdo de vídeo e muito mais. Este é o domínio que computadores e software nunca foram capazes de fazer antes, e os casos de uso aqui são vastos. * Os agentes de IA são úteis para coisas que, de outra forma, exigem julgamento ou interpretação humana, e esse sempre pode ser o caso. No momento em que você espera replicar algo com regras muito rígidas que acontecem repetidamente, provavelmente deseja software, não agentes. * Quanto mais complexo o trabalho está sendo automatizado, mais há necessidade de um humano no elemento de loop. É por isso que os agentes de código funcionam muito bem agora, você pode eventualmente testar e estudar a saída do agente para descobrir o que deu certo ou errado. Mesmo quando esses agentes fazem coisas erradas, a intervenção é relativamente direta para qualquer usuário qualificado. * Aposte em casos de uso em que a inteligência central dos modelos que estão melhorando continuará a ser acumulada para seus agentes. Se você pode resolver tudo sobre seu caso de uso com IA hoje, provavelmente não é um mercado interessante o suficiente para ir atrás. Vá atrás de cenários em que há valor incremental que é adicionado com melhorias no modelo. Toneladas de outras características determinam quais casos de uso são bons para os agentes neste estágio, mas, em última análise, toneladas de oportunidades em todas as categorias de trabalho a serem buscadas.

Uma das grandes vantagens dos agentes de IA para o trabalho de conhecimento é que o ROI muda drasticamente em várias coisas que você não poderia ter feito antes. Há toneladas de trabalho que não fazemos hoje porque não podemos justificar o "custo fixo" de fazê-lo funcionar. Quase toda nova ideia se torna uma reunião, com acompanhamentos e mais taxa de coordenação. Então você, com razão, prioriza apenas o trabalho de maior impacto e reza para que você tenha feito a escolha certa sobre o que é isso. Os agentes de IA mudam o cálculo aqui. A equipe de produto pode se dar ao luxo de prototipar mais ideias para ver qual é a melhor. O analista de negócios pode vasculhar mais dados do cliente para encontrar uma visão oculta. O engenheiro pode criar recursos mais rapidamente. A equipe jurídica pode oferecer melhor suporte a clientes menores. O profissional de marketing de produto pode executar mais campanhas ou testar mais mensagens para alcançar mais clientes. Algumas dessas coisas não importam muito, é claro. Mas muitos o farão. E ao reduzir o custo de experimentar uma nova ideia, testar uma mensagem de marketing ou pesquisar um mercado, as empresas começarão a fazer muito mais do que antes ou pelo menos chegarão ao próximo destino mais rapidamente.

O estudo de caso da Figma é ótimo. Uma equipe 100% focada na construção de ótimos produtos, crescimento liderado pelo produto, preços justos, construção de fortes efeitos de rede e expansão para adjacências lógicas sem ficar muito sobrecarregado. Muitas lições para a próxima safra de startups.

Difícil exagerar o quão lento era o processo de design do produto antes da Figma. Você apenas fazia um brainstorming com wireframes de baixa fidelidade, os ciclos de feedback demoravam uma eternidade e você esperava semanas por simulações. Agora você basicamente vê um protótipo do seu produto poucas horas depois de criá-lo.