Diviziunea muncii cu agenți AI va fi esențială pentru maximizarea impactului agenților. Am avut mult timp o diviziune a muncii în organizații, deoarece a avea experți individuali care își încredințează sarcini unul altuia este mai eficient decât o grămadă de generaliști care încearcă să facă lucrurile într-un mod diferit de fiecare dată. Agenții AI prezintă aceeași dinamică. Pentru ca AI Agents să funcționeze, aveți nevoie de cantitatea potrivită de context despre sarcina pe care încearcă să o finalizeze. Aceasta înseamnă o înțelegere profundă a domeniului, un set de cunoștințe pe care să lucrezi, instrucțiuni clare și un set de instrumente de utilizat. Prea puțin context și agentul va eșua. Cu toate acestea, în egală măsură, pe măsură ce mai multe dintre aceste informații intră în fereastra contextului, știm că modelele pot deveni suboptime.  Pentru un proces de afaceri complex, dacă puneți toată documentația, descrierea fluxului de lucru și instrucțiunile în fereastra contextuală, știm că acest lucru poate duce în cele din urmă la putregaiul contextului, ceea ce duce la rezultate mai proaste. Arhitectura logică în viitor este de a împărți agenții în unități atomice care se mapează la tipurile potrivite de sarcini și apoi acești agenți să lucreze împreună pentru a-și finaliza munca. Vedem deja acest lucru în mod eficient în agenții de codare. Există din ce în ce mai multe exemple care apar cu oameni care configurează subagenți care dețin părți specifice ale unei baze de cod sau zone de servicii. Fiecare agent este responsabil pentru o parte a codului și există o documentație prietenoasă cu agentul pentru cod. Apoi, pe măsură ce este nevoie de muncă în acea zonă relevantă a bazei de cod, un agent orchestrator se coordonează cu acești subagenți.  Am putea vedea acest model aplicându-se probabil la aproape orice domeniu de cunoaștere în viitor. Acest lucru va permite agenților AI să fie utilizați pentru mult mai mult decât cazuri de utilizare specifice sarcinilor și să se extindă la alimentarea fluxurilor de lucru întregi din companie. Chiar dacă modelele AI se îmbunătățesc pentru a putea gestiona ferestre de context mai mari și nivelurile de inteligență cresc, nu este evident că această arhitectură dispare vreodată. Este probabil ca rolul fiecărui agent să se extindă pe măsură ce capacitățile se îmbunătățesc, dar liniile clare de separare între subagenți pot duce întotdeauna la rezultate mai bune.

Inițial, ideea a fost că un singur agent AI va gestiona fluxuri de lucru arbitrar mari. În schimb, modelul care pare să funcționeze este implementarea subagenților care au specializare în funcție de sarcină pentru a evita putregaiul contextului. Diviziunea muncii agenților AI poate fi viitorul.

Există o fereastră în care agenții AI vor fi construiți pentru fiecare verticală și domeniu. Manualul este de a aprofunda ingineria contextului necesară pentru spațiul vertical sau particular, de a găsi UX potrivit care se leagă în mod natural de fluxurile de lucru existente și de a se conecta la sursele de date și instrumentele relevante. Mai ales la început, este util să te apropii cât mai mult de clienții cheie pentru a-ți da seama ce funcționează și ce nu și să faci îmbunătățiri constante pentru a-i aduce înapoi la nava-mamă. AI se mișcă atât de repede în acest moment încât există o primă uriașă în a face actualizări rapide și a vedea cum îmbunătățesc fluxurile de lucru ale clienților. De asemenea, este important să prețuiți agenții pentru adoptarea maximă cu prețuri simple de abonament sau pe un model de consum clar și să vă așteptați să depășiți îmbunătățirile de cost din eficiența AI. Nu fiți prea lacom în ceea ce privește prețul acum, deoarece cota de piață este probabil cea mai importantă. Poate fi util să urmăriți cazuri de utilizare care sunt limitate de disponibilitatea sau costul ridicat al talentelor. Aceasta înseamnă că orice creștere incrementală a productivității în aceste spații oferă un ROI ridicat pentru client. În aceste zone, clienții vor fi întotdeauna dispuși să încerce agenții AI pentru a-și rezolva în sfârșit problemele. Acesta este motivul pentru care agenții de codare AI, agenții de securitate sau agenții legali decolează chiar acum. Toate acestea sunt domenii în care cererea de rezolvare a problemei a depășit întotdeauna nivelul de talent disponibil. Dar fiecare verticală are exemple în acest sens. Există un moment clar în care următoarea generație a acestor agenți AI va fi construită în fiecare spațiu.

Dacă vă imaginați că fiecare funcție și flux de lucru va avea un omolog AI Agent pentru a automatiza munca, este clar că suntem în primele etape ale valului AI. Fiecare verticală și linie de afaceri reprezintă o nouă categorie de piață și un TAM nou-nouț care nu exista înainte.

Diviziunea muncii pentru agenții AI va fi esențială pentru maximizarea impactului agenților în toate domeniile de lucru ale cunoașterii. Avem de mult timp o diviziune a muncii în organizații, deoarece se pare că a avea experți individuali care își predau sarcini unul altuia este mai eficient decât o grămadă de generaliști care încearcă să facă lucrurile într-un mod diferit de fiecare dată. Agenții AI prezintă aceeași dinamică. Pentru ca AI Agents să funcționeze, aveți nevoie de cantitatea potrivită de context despre sarcina pe care încearcă să o finalizeze. Aceasta înseamnă o înțelegere profundă a domeniului, un set de cunoștințe pe care să lucrezi, instrucțiuni clare și un set de instrumente de utilizat. Prea puțin context și agentul va eșua. Cu toate acestea, în egală măsură, pe măsură ce mai multe dintre aceste informații intră în fereastra contextului, știm că modelele pot deveni suboptime.  Pentru un proces de afaceri complex, dacă puneți toată documentația, descrierea fluxului de lucru și instrucțiunile în fereastra contextuală, știm că agentul va deveni în cele din urmă confuz și va oferi rezultate mai proaste. Arhitectura logică în viitor este de a împărți agenții în unități atomice care se mapează la tipurile potrivite de sarcini și apoi acești agenți să lucreze împreună pentru a-și finaliza munca. Vedem deja acest lucru în mod eficient în agenții de codare. Există din ce în ce mai multe exemple care apar cu oameni care configurează subagenți care dețin părți specifice ale unei baze de cod sau zone de servicii. Fiecare agent este responsabil pentru o parte a codului și există o documentație prietenoasă cu agentul pentru cod. Apoi, pe măsură ce este nevoie de muncă în acea zonă relevantă a bazei de cod, un agent orchestrator se coordonează cu acești subagenți.  Am putea vedea acest model aplicându-se probabil la aproape orice domeniu de cunoaștere în viitor. Acest lucru va permite agenților AI să fie utilizați pentru mult mai mult decât cazuri de utilizare specifice sarcinilor și să se extindă la alimentarea fluxurilor de lucru întregi din companie. Chiar dacă modelele AI se îmbunătățesc pentru a putea gestiona ferestre de context mai mari și nivelurile de inteligență cresc, nu este evident că această arhitectură dispare vreodată. Este probabil ca rolul fiecărui agent să se extindă pe măsură ce capacitățile se îmbunătățesc, dar liniile clare de separare între subagenți pot duce întotdeauna la rezultate mai bune.

Diviziunea muncii agentului AI se poate potrivi cu diviziunea umană a muncii. Oamenii folosesc subagenți care dețin microservicii specifice într-o bază de cod. Fiecare serviciu are documente prietenoase cu agenții pe care le actualizează pe parcurs. În acest fel, optimizați ceea ce este în fereastra de context. Viitorul este sălbatic.

Modelul mental pentru AI avansat este că modelele vor fi foarte generalizabile, dar trebuie să fie asociate cu un context foarte specific. Solicitări precise, subagenți împărțiți pe sarcini, documente prietenoase cu agenții, acces la cunoștințe. Chiar dacă modelele se îmbunătățesc, acest lucru nu se schimbă.

Dacă construiți agenți AI, este foarte important să vă dați seama de cazurile optime de utilizare care maximizează ce agenți sunt buni față de ceea ce nu sunt pregătiți *încă*. Există atât de multe categorii de muncă pe care AI Agents le pot ajuta să le automatizeze sau să le îmbunătățească. Alegerea celor potriviți care pot oferi valoare pe termen scurt și se pot îmbunătăți în timp cu îmbunătățiri ale modelului este esențială. Iată câteva caracteristici care par să funcționeze chiar acum: * Muncă care necesită o cantitate mare de date și informații nestructurate. Acestea ar putea fi documente, date vizuale pe un ecran, conținut video și multe altele. Acesta este domeniul pe care computerele și software-ul nu l-au putut face până acum, iar cazurile de utilizare aici sunt vaste. * Agenții AI sunt utili pentru lucruri care altfel necesită judecată sau interpretare umană și poate fi întotdeauna cazul. În momentul în care speri să reproduci ceva cu reguli foarte stricte care se întâmplă din nou și din nou, probabil că vrei software, nu agenți. * Cu cât munca este mai complexă care este automatizată, cu atât este mai mult nevoie de un element uman în buclă. Acesta este motivul pentru care agenții de cod funcționează foarte bine acum, în cele din urmă puteți testa și studia rezultatul agentului pentru a afla ce a ieșit bine sau greșit. Chiar și atunci când acești agenți fac lucruri greșit, intervenția este relativ simplă pentru orice utilizator calificat. * Pariați pe cazuri de utilizare în care inteligența de bază a modelelor care se îmbunătățește va continua să se acumuleze pentru agenții dvs. Dacă poți rezolva totul despre cazul tău de utilizare cu AI astăzi, probabil că nu este o piață suficient de interesantă pentru a fi urmărită. Alegeți scenarii în care există valoare incrementală care este adăugată odată cu îmbunătățirile modelului. O mulțime de alte caracteristici determină care cazuri de utilizare sunt bune pentru agenți în această etapă, dar în cele din urmă o mulțime de oportunități în fiecare categorie de muncă de urmărit.

Unul dintre marile avantaje ale agenților AI pentru munca de cunoaștere este că rentabilitatea investiției se schimbă dramatic pentru o serie de lucruri pe care nu le-ai fi putut face înainte. Există o mulțime de muncă pe care nu o facem astăzi pentru că nu putem justifica "costul fix" al punerii în funcțiune. Aproape fiecare idee nouă devine o întâlnire, cu urmăriri și mai multă taxă de coordonare. Așa că, pe bună dreptate, acordați prioritate doar muncii cu cel mai mare impact și rugați-vă să fi luat decizia corectă în ceea ce este aceasta. AI Agents schimbă calculul aici. Echipa de produs își poate permite să prototipeze mai multe idei pentru a vedea care este mai bună. Analistul de afaceri poate analiza mai multe date despre clienți pentru a găsi o perspectivă ascunsă. Inginerul poate construi funcții mai repede. Echipa juridică poate sprijini mai bine clienții mai mici. Marketerul de produse poate rula mai multe campanii sau poate testa mai multe mesaje pentru a ajunge la mai mulți clienți. Unele dintre aceste lucruri nu vor conta prea mult, desigur. Dar mulți o vor face. Și prin reducerea costurilor de încercare a unei noi idei, testarea unui mesaj de marketing sau cercetarea unei piețe, companiile vor începe să facă mult mai mult decât înainte sau cel puțin să ajungă mai repede la următoarea destinație.

Studiul de caz Figma este unul grozav. O echipă 100% concentrată pe construirea de produse excelente, creștere condusă de produs, prețuri corecte, construirea de efecte de rețea puternice și extinderea în adiacențe logice fără a fi prea extinsă. Multe lecții pentru următoarea recoltă de startup-uri.