Om du bygger AI-agenter är det superviktigt att ta reda på de optimala användningsfallen som maximerar vilka agenter som är bra jämfört med vad de inte är redo för *ännu*. Det finns så många kategorier av arbete som AI-agenter kan hjälpa till att automatisera eller utöka. Det är viktigt att välja rätt produkter som kan leverera värde på kort sikt och som blir bättre över tid med hjälp av modellförbättringar. Här är några egenskaper som verkar fungera just nu: * Arbete som kräver en stor mängd ostrukturerad data och information. Det kan vara dokument, visuella data på en skärm, videoinnehåll med mera. Detta är ett område som datorer och programvara aldrig har kunnat göra tidigare, och användningsområdena här är enorma. * AI-agenter är användbara för saker som annars kräver mänsklig bedömning eller tolkning, och det kan alltid vara fallet. I det ögonblick du kommer på dig själv med att hoppas på att replikera något med mycket strikta regler som händer om och om igen, vill du förmodligen ha programvara, inte agenter. * Ju mer komplext arbete som automatiseras, desto mer finns det ett behov av en människa i loopelementet. Det är därför kodagenter fungerar superbra just nu är att du så småningom kan testa och studera agentens utdata för att ta reda på vad som kom tillbaka rätt eller fel. Även när dessa agenter gör saker fel är det relativt enkelt för alla skickliga användare att ingripa. * Satsa på användningsfall där den grundläggande intelligensen hos modeller som blir bättre kommer att fortsätta att tillfalla dina agenter. Om du kan lösa allt kring ditt användningsfall med AI idag är det förmodligen inte en tillräckligt intressant marknad att ge sig in på. Gå efter scenarier där det finns inkrementellt värde som läggs till med modellförbättringar. Massor av fler egenskaper avgör vilka användningsfall som är bra för agenter i det här skedet, men i slutändan massor av möjligheter inom alla kategorier av arbete att gå efter.