De verdeling van arbeid tussen AI-agenten zal cruciaal zijn voor het maximaliseren van de impact van agenten. We hebben al lang een verdeling van arbeid in organisaties omdat het effectiever is om individuele experts taken aan elkaar door te geven dan een stel generalisten die elke keer op een andere manier dingen proberen te doen. AI-agenten presenteren dezelfde dynamiek. Voor AI-agenten om te functioneren, heb je precies de juiste hoeveelheid context nodig over de taak die ze proberen te voltooien. Dit betekent een diepgaande domeinbegrip, een set kennis om op voort te bouwen, duidelijke instructies en een set tools om te gebruiken. Te weinig context en de agent zal falen. Evenzo, naarmate meer van deze informatie de contextvenster binnenkomt, weten we dat de modellen suboptimaal kunnen worden. Voor een complex bedrijfsproces, als je alle documentatie, beschrijving van de workflow en instructies in het contextvenster plaatst, weten we dat dit uiteindelijk kan leiden tot contextrot, wat leidt tot slechtere resultaten. De logische architectuur in de toekomst is dan om agenten op te splitsen in atomische eenheden die overeenkomen met de juiste soorten taken en deze agenten samen te laten werken om hun werk te voltooien. We zien dit al effectief plaatsvinden in coderingsagenten. Er komen steeds meer voorbeelden naar voren van mensen die subagenten opzetten die allemaal specifieke delen van een codebase of servicegebied bezitten. Elke agent is verantwoordelijk voor een deel van de code, en er is agentvriendelijke documentatie voor de code. Dan, wanneer er werk nodig is in dat relevante gebied van de codebase, coördineert een orkestrerende agent met deze subagenten. We zouden deze patroon waarschijnlijk in bijna elk gebied van kenniswerk in de toekomst kunnen zien toepassen. Dit zal het mogelijk maken om AI-agenten voor veel meer dan taak-specifieke gebruiksgevallen te gebruiken en uit te breiden naar het aandrijven van volledige workflows in de onderneming. Zelfs als AI-modellen verbeteren om grotere contextvensters te kunnen hanteren, en de intelligentieniveaus stijgen, is het niet duidelijk dat deze architectuur ooit verdwijnt. Het is waarschijnlijk dat de rol van elke agent uitbreidt naarmate de mogelijkheden verbeteren, maar duidelijke scheidingslijnen tussen subagenten zullen waarschijnlijk altijd leiden tot betere resultaten.

Aanvankelijk was de gedachte dat een enkele AI-agent willekeurig grote workflows zou afhandelen. In plaats daarvan lijkt het patroon dat werkt, het inzetten van subagenten die gespecialiseerd zijn per taak om contextverval te voorkomen. De verdeling van arbeid onder AI-agenten zou de toekomst kunnen zijn.

Er is momenteel een kans waarin AI-agenten voor elke sector en domein zullen worden ontwikkeld. Het speelboek is om diep in te gaan op de contextengineering die nodig is voor de sector of specifieke ruimte, uit te zoeken welke UX het beste aansluit bij de bestaande workflows en verbinding te maken met de relevante gegevensbronnen en tools. Vooral in het begin is het nuttig om zo dicht mogelijk bij belangrijke klanten te komen om te achterhalen wat werkt en wat niet, en voortdurend verbeteringen aan te brengen om ze terug naar het moederbedrijf te brengen. AI beweegt momenteel zo snel dat er een enorme premie is voor het maken van snelle updates en te zien hoe ze de workflows van de klant verbeteren. Het is ook belangrijk om de agenten te prijzen voor maximale adoptie met eenvoudige abonnementsprijzen of op een duidelijk consumptiemodel, en te verwachten dat de kostenverbeteringen van AI-efficiëntie worden doorgegeven. Wees nu niet te hebzuchtig met de prijs, aangezien marktaandeel waarschijnlijk het belangrijkst is. Het kan nuttig zijn om gebruikscases na te streven die beperkt zijn door de beschikbaarheid of hoge kosten van talent. Dit betekent dat elke incrementele productiviteitsboost in deze ruimtes een hoge ROI voor de klant biedt. In deze gebieden zullen klanten altijd bereid zijn om AI-agenten uit te proberen om eindelijk hun problemen op te lossen. Dit is waarom AI-coderingsagenten, beveiligingsagenten of juridische agenten momenteel aanvankelijk opkomen. Dit zijn allemaal gebieden waar de vraag naar het oplossen van het probleem altijd groter is geweest dan het beschikbare talent. Maar elke sector heeft voorbeelden hiervan. Er is momenteel een duidelijk moment waarop de volgende generatie van deze AI-agenten in elke ruimte zal worden ontwikkeld.

Als je je voorstelt dat elke functie en workflow een AI-agent tegenhanger zal hebben om werk te automatiseren, is het duidelijk dat we ons in de vroegste stadia van de AI-golf bevinden. Elke sector en bedrijfslijn vertegenwoordigt een nieuwe marktcategorie en een geheel nieuwe TAM die eerder niet bestond.

De verdeling van arbeid voor AI-agenten zal cruciaal zijn voor het maximaliseren van de impact van agenten in alle gebieden van kenniswerk. We hebben al lang een verdeling van arbeid in organisaties omdat het blijkt dat het hebben van individuele experts die taken aan elkaar doorgeven effectiever is dan een stel generalisten die elke keer op een andere manier dingen proberen te doen. AI-agenten presenteren dezelfde dynamiek. Voor AI-agenten om te functioneren, heb je precies de juiste hoeveelheid context nodig over de taak die ze proberen te voltooien. Dit betekent een diepgaande domeinbegrip, een set kennis om op te bouwen, duidelijke instructies en een set tools om te gebruiken. Te weinig context en de agent zal falen. Evenzo, naarmate meer van deze informatie in het contextvenster komt, weten we dat de modellen suboptimaal kunnen worden. Voor een complex bedrijfsproces, als je alle documentatie, beschrijving van de workflow en instructies in het contextvenster plaatst, weten we dat de agent uiteindelijk in de war raakt en slechtere resultaten levert. De logische architectuur in de toekomst is dan om agenten op te delen in atomische eenheden die overeenkomen met de juiste soorten taken en deze agenten samen te laten werken om hun werk te voltooien. We zien dit al effectief plaatsvinden in coderingsagenten. Er komen steeds meer voorbeelden naar voren van mensen die subagenten opzetten die allemaal specifieke delen van een codebase of servicegebied bezitten. Elke agent is verantwoordelijk voor een deel van de code, en er is agentvriendelijke documentatie voor de code. Dan, wanneer er werk nodig is in dat relevante gebied van de codebase, coördineert een orkestratoragent met deze subagenten. We zouden deze patroon waarschijnlijk in bijna elk gebied van kenniswerk in de toekomst kunnen zien toepassen. Dit zal het mogelijk maken om AI-agenten voor veel meer dan taak-specifieke gebruiksgevallen te gebruiken en uit te breiden naar het aandrijven van volledige workflows in de onderneming. Zelfs als AI-modellen verbeteren om grotere contextvensters te kunnen verwerken, en de intelligentieniveaus stijgen, is het niet duidelijk dat deze architectuur ooit verdwijnt. Het is waarschijnlijk dat de rol van elke agent uitbreidt naarmate de mogelijkheden verbeteren, maar duidelijke scheidingslijnen tussen subagenten zullen waarschijnlijk altijd leiden tot betere resultaten.

De verdeling van taken van AI-agenten kan overeenkomen met de menselijke verdeling van taken. Mensen gebruiken subagenten die specifieke microservices in een codebase bezitten. Elke service heeft agentvriendelijke documentatie die het bijwerkt terwijl het verder gaat. Op deze manier optimaliseer je wat er in het contextvenster staat. De toekomst is wild.

Het mentale model voor geavanceerde AI is dat de modellen zeer generaliseerbaar zullen zijn, maar ze moeten worden gekoppeld aan zeer specifieke context. Precieze prompts, subagenten verdeeld op taak, agentvriendelijke documenten, kennis toegang. Zelfs als modellen verbeteren, verandert dit niet.

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.

Een van de grote voordelen van AI-agenten voor kenniswerk is dat de ROI dramatisch verandert voor een aantal dingen die je voorheen niet kon doen. Er is een overvloed aan werk dat we vandaag de dag niet doen omdat we de "vaste kosten" van het opstarten ervan niet kunnen rechtvaardigen. Bijna elk nieuw idee wordt een vergadering, met vervolgafspraken en meer coördinatiebelasting. Dus prioriteer je, terecht, alleen het werk met de grootste impact en hoop je dat je de juiste keuze hebt gemaakt over wat dat is. AI-agenten veranderen hier de rekensom. Het productteam kan zich veroorloven om meer ideeën te prototypen om te zien welke beter is. De businessanalist kan door meer klantgegevens spitten om een verborgen inzicht te vinden. De ingenieur kan sneller functies bouwen. Het juridische team kan kleinere klanten beter ondersteunen. De productmarketeer kan meer campagnes uitvoeren of meer berichten testen om meer klanten te bereiken. Sommige van deze dingen zullen natuurlijk niet veel uitmaken. Maar veel zullen dat wel doen. En door de kosten van het uitproberen van een nieuw idee, het testen van een marketingboodschap of het onderzoeken van een markt te verlagen, zullen bedrijven veel meer gaan doen dan voorheen of in ieder geval sneller hun volgende bestemming bereiken.

De Figma case study is een geweldige. Een team dat 100% gefocust is op het bouwen van een geweldig product, productgedreven groei, eerlijke prijzen, het opbouwen van sterke netwerkeffecten en het uitbreiden naar logische aangrenzende gebieden zonder te ver te gaan. Veel lessen voor de volgende generatie startups.