Розподіл праці за допомогою AI Agent матиме вирішальне значення для максимізації впливу агентів. У нас вже давно існує розподіл праці в організаціях, тому що мати окремих експертів, які передають завдання один одному, ефективніше, ніж купка спеціалістів широкого профілю, які щоразу намагаються робити все по-іншому. Агенти штучного інтелекту демонструють таку ж динаміку. Щоб агенти штучного інтелекту працювали, вам потрібна саме та необхідна кількість контексту про завдання, яке вони намагаються виконати. Це означає глибоке розуміння предметної області, набір знань для відпрацювання, чіткі інструкції та набір інструментів для використання. Занадто мало контексту, і агент зазнає невдачі. Однак, так само, чим більше цієї інформації потрапляє в контекстне вікно, ми знаємо, що моделі можуть стати неоптимальними.  Для складного бізнес-процесу, якщо ви покладете всю документацію, опис робочого процесу та інструкції в контекстне вікно, ми знаємо, що це може в кінцевому підсумку призвести до гниття контексту, що призведе до гірших результатів. Логічна архітектура в майбутньому полягає в тому, щоб розділити агентів на атомні одиниці, які відповідають правильним типам завдань, а потім змусити цих агентів працювати разом, щоб завершити свою роботу. Ми вже бачимо, як це ефективно відображається в агентах кодування. З'являється все більше і більше прикладів, коли люди створюють субагентів, які володіють певними частинами кодової бази або зони обслуговування. Кожен агент відповідає за частину коду, і для коду існує дружня до агентів документація. Потім, коли потрібна робота у відповідній області кодової бази, агент-оркеструвальник координує свої дії з цими субагентами.  Ми можемо побачити, що ця закономірність, ймовірно, буде застосована майже до будь-якої галузі знань у майбутньому. Це дозволить використовувати агентів штучного інтелекту не лише для конкретних випадків використання, а й для забезпечення роботи цілих робочих процесів на підприємстві. Навіть у міру того, як моделі штучного інтелекту вдосконалюються, щоб мати можливість обробляти більші контекстні вікна, а рівень інтелекту зростає, не очевидно, що ця архітектура коли-небудь зникне. Цілком імовірно, що роль кожного агента розширюється в міру вдосконалення можливостей, але чіткі лінії розмежування між субагентами завжди можуть призвести до кращих результатів.

Спочатку думка полягала в тому, що один агент штучного інтелекту буде обробляти як завгодно великі робочі процеси. Натомість, схема, яка, схоже, працює, полягає в розгортанні субагентів, які спеціалізуються за завданнями, щоб уникнути гниття контексту. За розподілом праці за допомогою агента штучного інтелекту може бути майбутнє.

Зараз є вікно, де агенти штучного інтелекту будуть створюватися для кожної вертикалі та домену. Посібник полягає в тому, щоб глибоко зануритися в контекстну інженерію, необхідну для вертикального або конкретного простору, з'ясувати правильний UX, який природним чином пов'язаний з існуючими робочими процесами, і підключитися до відповідних джерел даних та інструментів. Особливо на ранніх етапах корисно наблизитися до ключових клієнтів, щоб з'ясувати, що працює, а що ні, і постійно вносити вдосконалення, щоб повернути їх на батьківщину. Штучний інтелект зараз розвивається так швидко, що швидкі оновлення та спостереження за тим, як вони покращують робочі процеси клієнтів, мають величезне значення. Також важливо встановлювати ціну для агентів для максимального впровадження за допомогою простих цін за підпискою або за моделлю чіткого споживання, і очікувати збільшення витрат завдяки ефективності штучного інтелекту. Не будьте занадто жадібними щодо цін прямо зараз, оскільки частка ринку, ймовірно, є найважливішою. Може бути корисно розглянути варіанти використання, які обмежені наявністю або високою вартістю талантів. Це означає, що будь-яке поступове підвищення продуктивності в цих приміщеннях забезпечує високу рентабельність інвестицій для клієнта. У цих сферах клієнти завжди будуть готові спробувати агентів штучного інтелекту, щоб нарешті дійти до вирішення своїх проблем. Ось чому агенти з кодування штучного інтелекту, агенти безпеки або юридичні агенти злітають прямо зараз. Це все сфери, де попит на вирішення проблеми завжди перевищував рівень наявних талантів. Але в кожній вертикалі є приклади цього. Зараз настав очевидний момент, коли наступне покоління цих агентів штучного інтелекту буде створено в кожному просторі.

Якщо уявити, що кожна робоча функція та робочий процес матимуть аналог AI Agent для автоматизації роботи, очевидно, що ми перебуваємо на ранніх стадіях хвилі штучного інтелекту. Кожна вертикаль і напрямок бізнесу – це нова категорія ринку і абсолютно новий ТАМ, якого раніше не існувало.

Розподіл праці для агентів штучного інтелекту матиме вирішальне значення для максимізації впливу агентів у всіх сферах роботи з знаннями. У нас вже давно існує поділ праці в організаціях, тому що виявляється, що коли окремі експерти передають завдання один одному, ефективніше, ніж купка спеціалістів широкого профілю, які щоразу намагаються робити все по-іншому. Агенти штучного інтелекту демонструють таку ж динаміку. Щоб агенти штучного інтелекту працювали, вам потрібна саме та необхідна кількість контексту про завдання, яке вони намагаються виконати. Це означає глибоке розуміння предметної області, набір знань для відпрацювання, чіткі інструкції та набір інструментів для використання. Занадто мало контексту, і агент зазнає невдачі. Однак, так само, чим більше цієї інформації потрапляє в контекстне вікно, ми знаємо, що моделі можуть стати неоптимальними.  Для складного бізнес-процесу, якщо ви помістите всю документацію, опис робочого процесу та інструкції в контекстне вікно, ми знаємо, що агент в кінцевому підсумку заплутається і видасть гірші результати. Логічна архітектура в майбутньому полягає в тому, щоб розділити агентів на атомні одиниці, які відповідають правильним типам завдань, а потім змусити цих агентів працювати разом, щоб завершити свою роботу. Ми вже бачимо, як це ефективно відображається в агентах кодування. З'являється все більше і більше прикладів, коли люди створюють субагентів, які володіють певними частинами кодової бази або зони обслуговування. Кожен агент відповідає за частину коду, і для коду існує дружня до агентів документація. Потім, коли потрібна робота у відповідній області кодової бази, агент-оркеструвальник координує свої дії з цими субагентами.  Ми можемо побачити, що ця закономірність, ймовірно, буде застосована майже до будь-якої галузі знань у майбутньому. Це дозволить використовувати агентів штучного інтелекту не лише для конкретних випадків використання, а й для забезпечення роботи цілих робочих процесів на підприємстві. Навіть у міру того, як моделі штучного інтелекту вдосконалюються, щоб мати можливість обробляти більші контекстні вікна, а рівень інтелекту зростає, не очевидно, що ця архітектура коли-небудь зникне. Цілком імовірно, що роль кожного агента розширюється в міру вдосконалення можливостей, але чіткі лінії розмежування між субагентами завжди можуть призвести до кращих результатів.

Розподіл праці агента штучного інтелекту може відображатися з людським розподілом праці. Люди використовують субагентів, які володіють певними мікросервісами в кодовій базі. Кожен сервіс має зручну для агента документацію, яку він оновлює в міру використання. Таким чином ви оптимізуєте те, що знаходиться в контекстному вікні. Майбутнє дике.

Ментальна модель для просунутого штучного інтелекту полягає в тому, що моделі будуть дуже узагальненими, але вони повинні бути пов'язані з дуже конкретним контекстом. Точні підказки, субагенти, розподілені за завданнями, зручні для агентів документи, доступ до знань. Навіть коли моделі вдосконалюються, це не змінюється.

Якщо ви створюєте агентів штучного інтелекту, дуже важливо визначити оптимальні варіанти використання, які максимізують те, які агенти хороші, порівняно з тим, до чого вони ще не готові. Існує так багато категорій роботи, які AI Agents можуть допомогти автоматизувати або доповнити. Критично важливо вибрати правильні ті, які можуть принести цінність у найближчій перспективі та стати кращими з часом завдяки вдосконаленню моделі. Ось кілька характеристик, які, схоже, працюють прямо зараз: * Робота, що вимагає великої кількості неструктурованих даних та інформації. Це можуть бути документи, візуальні дані на екрані, відеоконтент та інше. Це сфера, яку комп'ютери та програмне забезпечення ніколи раніше не могли зробити, і варіантів використання тут безліч. * Агенти штучного інтелекту корисні для речей, які в іншому випадку вимагають людського судження або тлумачення, і це завжди може бути так. У той момент, коли ви ловите себе на тому, що сподіваєтеся відтворити щось за дуже суворими правилами, які трапляються знову і знову, вам, швидше за все, потрібне програмне забезпечення, а не агенти. * Чим складніша робота автоматизується, тим більше виникає потреба в людині в елементі циклу. Ось чому код-агенти працюють дуже добре прямо зараз, коли ви можете в кінцевому підсумку протестувати і вивчити вихідні дані агента, щоб з'ясувати, що повернулося правильно, а що ні. Навіть коли ці агенти роблять щось неправильно, втручання є відносно простим для будь-якого вмілого користувача. * Робіть ставку на випадки використання, коли основний інтелект моделей, що вдосконалюються, продовжуватиме надходити до ваших агентів. Якщо ви можете вирішити все про свій сценарій використання за допомогою штучного інтелекту сьогодні, це, ймовірно, недостатньо цікавий ринок, щоб за ним полювати. Дотримуйтесь сценаріїв, у яких є додаткова цінність, яка додається завдяки вдосконаленню моделі. Безліч додаткових характеристик визначають, які варіанти використання є хорошими для агентів на цьому етапі, але в кінцевому підсумку безліч можливостей у кожній категорії роботи, за якою потрібно працювати.

Однією з великих переваг AI Agents для роботи з знаннями є різкі зміни рентабельності інвестицій у низці речей, які ви не могли зробити раніше. Є маса роботи, яку ми не виконуємо сьогодні, тому що не можемо виправдати «фіксовану вартість» її запуску. Майже кожна нова ідея перетворюється на зустріч, з подальшими діями та більшим координаційним податком. Тому ви, по праву, віддаєте перевагу лише роботі з найвищим впливом і молитеся, щоб ви зробили правильний вибір щодо того, що це таке. Агенти штучного інтелекту змінюють тут обчислення. Продуктова команда може дозволити собі створити прототип більшої кількості ідей, щоб побачити, яка з них краща. Бізнес-аналітик може прочесати більше даних про клієнтів, щоб знайти приховану інформацію. Інженер може створювати функції швидше. Команда юристів може краще підтримувати невеликих клієнтів. Продуктовий маркетолог може проводити більше кампаній або тестувати більше повідомлень, щоб охопити більше клієнтів. Деякі з цих речей, звичайно, не матимуть великого значення. Але багато хто так і зробить. А знизивши витрати на спробу нової ідеї, тестування маркетингового повідомлення або дослідження ринку, компанії почнуть робити набагато більше, ніж раніше, або, принаймні, швидше дістатися до наступного пункту призначення.

Кейс Figma є чудовим. Команда на 100% зосереджена на створенні чудового продукту, зростанні на основі продукту, справедливому ціноутворенні, побудові сильних мережевих ефектів і розширенні логічних суміжностей без надмірного перебільшення. Багато уроків для наступного врожаю стартапів.