AI Agents arbetsfördelning kommer att vara avgörande för att maximera effekten av agenter. Vi har länge haft en arbetsfördelning i organisationer eftersom det är mer effektivt att ha enskilda experter som lämnar över uppgifter till varandra än ett gäng generalister som försöker göra saker på olika sätt varje gång. AI-agenter har samma dynamik. För att AI-agenter ska fungera behöver du precis rätt mängd kontext om den uppgift som de försöker slutföra. Detta innebär en djup domänförståelse, kunskap att arbeta utifrån, tydliga instruktioner och en uppsättning verktyg att använda. För lite kontext kommer agenten att misslyckas. Men när mer av den här informationen kommer in i kontextfönstret vet vi att modellerna kan bli suboptimala.  För en komplex affärsprocess, om du lägger all dokumentation, beskrivning av arbetsflödet och instruktioner i kontextfönstret, vet vi att detta så småningom kan leda till kontextröta, vilket leder till sämre resultat. Den logiska arkitekturen är då i framtiden att dela upp agenter i atomära enheter som mappar till rätt typer av uppgifter och sedan låta dessa agenter arbeta tillsammans för att slutföra sitt arbete. Vi ser redan att detta utspelar sig effektivt i kodningsagenter. Det dyker upp fler och fler exempel med personer som sätter upp underagenter som alla äger specifika delar av en kodbas eller ett tjänsteområde. Varje agent ansvarar för en del av koden, och det finns agentvänlig dokumentation för koden. När det sedan krävs arbete i det relevanta området i kodbasen samordnar en orkestreringsagent med dessa underagenter.  Vi kan se att detta mönster sannolikt kommer att gälla för nästan alla kunskapsområden i framtiden. Detta kommer att göra det möjligt för AI-agenter att användas för mycket mer än uppgiftsspecifika användningsfall och sträcka sig till att driva hela arbetsflöden i företaget. Även om AI-modeller förbättras för att kunna hantera större kontextfönster och intelligensnivåerna ökar, är det inte självklart att den här arkitekturen någonsin försvinner. Det är troligt att rollen för varje agent utökas i takt med att kapaciteten förbättras, men tydliga separationslinjer mellan underagenter kan alltid leda till bättre resultat.

Från början var tanken att en enda AI-agent skulle hantera godtyckligt stora arbetsflöden. I stället verkar mönstret som verkar fungera att distribuera underagenter som har specialisering efter uppgift för att undvika kontextröta. Arbetsfördelning för AI-agenter kan vara framtiden.

Det finns ett fönster just nu där AI-agenter kommer att byggas för varje vertikal och domän. Spelboken är att gå på djupet med den kontextteknik som krävs för det vertikala eller specifika utrymmet, ta reda på rätt UX som är naturligt kopplad till de befintliga arbetsflödena och ansluta till relevanta datakällor och verktyg. Särskilt i början är det användbart att komma så nära nyckelkunderna som möjligt för att ta reda på vad som fungerar och vad som inte fungerar och ständigt göra förbättringar för att få dem tillbaka till moderskeppet. AI rör sig så snabbt just nu att det finns en enorm premie i att göra snabba uppdateringar och se hur de förbättrar kundens arbetsflöden. Det är också viktigt att prissätta agenterna för maximal implementering med enkla prenumerationspriser eller en tydlig förbrukningsmodell, och förvänta sig att rida ut kostnadsförbättringarna från AI-effektivitet. Bli inte för girig på priset just nu eftersom marknadsandelen troligen är viktigast. Det kan vara bra att gå efter användningsfall som begränsas av tillgängligheten eller höga kostnader för talang. Detta innebär att varje inkrementell ökning av produktiviteten i dessa utrymmen ger hög ROI för kunden. Inom dessa områden kommer kunderna alltid att vara villiga att prova AI-agenter för att äntligen lösa sina problem. Det är därför AI-kodningsagenter, säkerhetsagenter eller juridiska agenter tar fart just nu till en början. Dessa är alla områden där efterfrågan på att lösa problemet alltid har varit större än den tillgängliga talangnivån. Men varje vertikal har exempel på detta. Det finns ett tydligt ögonblick just nu där nästa generation av dessa AI-agenter kommer att byggas över alla utrymmen.

Om du föreställer dig att varje jobbfunktion och arbetsflöde kommer att ha en AI Agent-motsvarighet för att automatisera arbetet, är det tydligt att vi befinner oss i de tidigaste stadierna av AI-vågen. Varje vertikal och affärsområde representerar en ny marknadskategori och helt ny TAM som inte fanns tidigare.

Arbetsfördelningen för AI-agenter kommer att vara avgörande för att maximera effekten av agenter inom alla områden av kunskapsarbete. Vi har länge haft en arbetsfördelning i organisationer eftersom det visar sig att det är mer effektivt att ha enskilda experter som lämnar över uppgifter till varandra än ett gäng generalister som försöker göra saker på olika sätt varje gång. AI-agenter har samma dynamik. För att AI-agenter ska fungera behöver du precis rätt mängd kontext om den uppgift som de försöker slutföra. Detta innebär en djup domänförståelse, kunskap att arbeta utifrån, tydliga instruktioner och en uppsättning verktyg att använda. För lite kontext kommer agenten att misslyckas. Men när mer av den här informationen kommer in i kontextfönstret vet vi att modellerna kan bli suboptimala.  För en komplex affärsprocess, om du lägger all dokumentation, beskrivning av arbetsflödet och instruktioner i kontextfönstret, vet vi att agenten så småningom kommer att bli förvirrad och leverera sämre resultat. Den logiska arkitekturen är då i framtiden att dela upp agenter i atomära enheter som mappar till rätt typer av uppgifter och sedan låta dessa agenter arbeta tillsammans för att slutföra sitt arbete. Vi ser redan att detta utspelar sig effektivt i kodningsagenter. Det dyker upp fler och fler exempel med personer som sätter upp underagenter som alla äger specifika delar av en kodbas eller ett tjänsteområde. Varje agent ansvarar för en del av koden, och det finns agentvänlig dokumentation för koden. När det sedan krävs arbete i det relevanta området i kodbasen samordnar en orkestreringsagent med dessa underagenter.  Vi kan se att detta mönster sannolikt kommer att gälla för nästan alla kunskapsområden i framtiden. Detta kommer att göra det möjligt för AI-agenter att användas för mycket mer än uppgiftsspecifika användningsfall och sträcka sig till att driva hela arbetsflöden i företaget. Även om AI-modeller förbättras för att kunna hantera större kontextfönster och intelligensnivåerna ökar, är det inte självklart att den här arkitekturen någonsin försvinner. Det är troligt att rollen för varje agent utökas i takt med att kapaciteten förbättras, men tydliga separationslinjer mellan underagenter kan alltid leda till bättre resultat.

Arbetsdelning för AI-agenter kan mappas till mänsklig arbetsfördelning. Personer använder underagenter som äger specifika mikrotjänster i en kodbas. Varje tjänst har agentvänliga dokument som uppdateras allt eftersom. På så sätt optimerar du vad som finns i kontextfönstret. Framtiden är vild.

Den mentala modellen för avancerad AI är att modellerna kommer att vara mycket generaliserbara, men de måste paras ihop med en mycket specifik kontext. Exakta uppmaningar, underagenter uppdelade efter uppgift, agentvänliga dokument, kunskapsåtkomst. Även om modellerna förbättras förändras inte detta.

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.

En av de stora fördelarna med AI Agents för kunskapsarbete är att ROI förändras dramatiskt på ett antal saker som du inte kunde ha gjort tidigare. Det finns massor av arbete som vi inte gör idag eftersom vi inte kan motivera den "fasta kostnaden" för att få det att fungera. Nästan varje ny idé blir ett möte, med uppföljningar och mer samordningsskatt. Så du, med rätta, prioriterar bara det arbete som har störst effekt och ber att du har fattat rätt beslut om vad det är. AI Agents ändrar kalkylen här. Produktteamet har råd att ta fram prototyper av fler idéer för att se vilken som är bäst. Affärsanalytikern kan kamma igenom mer kunddata för att hitta en dold insikt. Teknikern kan skapa funktioner snabbare. Det juridiska teamet kan ge bättre support till mindre kunder. Produktmarknadsföraren kan köra fler kampanjer eller testa fler meddelanden för att nå fler kunder. Vissa av dessa saker kommer naturligtvis inte att spela någon större roll. Men många kommer att göra det. Och genom att sänka kostnaderna för att prova en ny idé, testa ett marknadsföringsbudskap eller undersöka en marknad kommer företag att börja göra mycket mer än tidigare eller åtminstone nå sin nästa destination snabbare.

Fallstudien Figma är utmärkt. Ett team som är 100 % fokuserat på att bygga bra produkter, produktledd tillväxt, rättvis prissättning, bygga starka nätverkseffekter och expandera till logiska angränsningar utan att bli för överansträngd. Många lärdomar för nästa skörd av startups.