Původně se myslelo, že jediný agent umělé inteligence bude obsluhovat libovolně velké pracovní postupy. Místo toho se zdá, že funguje vzorec, který nasazuje subagenty, kteří mají specializaci podle úkolu, aby se zabránilo hnilobě kontextu. Dělba práce agentem AI může být budoucností.

Právě teď existuje okno, kdy budou agenti umělé inteligence vytvářeni pro každou vertikálu a doménu. Scénář spočívá v tom, že se ponoříte do hloubky kontextového inženýrství vyžadovaného pro vertikální nebo konkrétní prostor, vymyslíte správné uživatelské prostředí, které přirozeně navazuje na stávající pracovní postupy, a připojí se k příslušným zdrojům dat a nástrojům. Zejména na začátku je užitečné dostat se co nejblíže ke klíčovým zákazníkům, abyste zjistili, co funguje a co ne, a neustále je vylepšovat, abyste je přivedli zpět na mateřskou loď. Umělá inteligence se v současné době pohybuje tak rychle, že je obrovský důraz na rychlé aktualizace a sledování toho, jak zlepšují pracovní postupy zákazníků. Je také důležité stanovit cenu agentů pro maximální přijetí s jednoduchými cenami předplatného nebo s jasným modelem spotřeby a očekávat, že se vypořádají se zlepšením nákladů díky efektivitě umělé inteligence. Nebuďte nyní příliš chamtiví na cenu, protože podíl na trhu je pravděpodobně nejdůležitější. Může být užitečné zaměřit se na případy použití, které jsou omezeny dostupností nebo vysokými náklady na talenty. To znamená, že jakékoli postupné zvýšení produktivity v těchto prostorech nabízí zákazníkovi vysokou návratnost investic. V těchto oblastech budou zákazníci vždy ochotni vyzkoušet agenty AI, aby se konečně dostali k řešení svých problémů. To je důvod, proč se agenti kódování AI, bezpečnostní agenti nebo právní zástupci zpočátku rozjíždějí právě teď. To vše jsou oblasti, kde poptávka po řešení problému vždy převyšovala úroveň dostupných talentů. Ale každá vertikála má takové příklady. Právě teď je jasný okamžik, kdy bude nová generace těchto AI Agentů vybudována v každém prostoru.

Pokud si představíte, že každá pracovní funkce a pracovní postup bude mít protějšek AI Agent pro automatizaci práce, je jasné, že se nacházíme v raných fázích vlny AI. Každá vertikála a obor podnikání představuje novou kategorii trhu a zcela nový TAM, který dříve neexistoval.

Dělba práce pro AI Agenty bude rozhodující pro maximalizaci dopadu agentů ve všech oblastech znalostní práce. V organizacích už dlouho existuje dělba práce, protože se ukazuje, že mít jednotlivé experty, kteří si navzájem předávají úkoly, je efektivnější než banda generalistů, kteří se snaží dělat věci pokaždé jinak. Agenti umělé inteligence představují stejnou dynamiku. Aby AI agenti fungovali, potřebujete správné množství kontextu o úkolu, který se snaží dokončit. To znamená hluboké porozumění doméně, soubor znalostí, na kterých lze pracovat, jasné pokyny a sadu nástrojů, které lze použít. Příliš málo kontextu a agent selže. Přesto stejně tak, jak více těchto informací vstupuje do kontextového okna, víme, že modely se mohou stát suboptimálními.  U komplexního obchodního procesu, pokud do kontextového okna vložíte veškerou dokumentaci, popis pracovního postupu a pokyny, víme, že agent bude nakonec zmatený a bude poskytovat horší výsledky. Logickou architekturou v budoucnu je rozdělit agenty do atomických jednotek, které se mapují na správné typy úkolů, a pak nechat tyto agenty spolupracovat, aby dokončili svou práci. Již nyní vidíme, že se to efektivně projevuje u kódovacích agentů. Objevuje se stále více příkladů, kdy lidé zakládají subagenty, kteří všichni vlastní specifické části kódové základny nebo oblasti služeb. Každý agent je zodpovědný za část kódu a ke kódu je k dispozici dokumentace vhodná pro agenty. Poté, co je potřeba pracovat v příslušné oblasti kódové základny, agent orchestrátoru koordinuje svou činnost s těmito dílčími agenty.  Mohli bychom se dočkat, že se tento vzorec bude v budoucnu pravděpodobně vztahovat na téměř jakoukoli oblast znalostní práce. To umožní používat AI Agenty pro mnohem více než jen případy použití specifické pro konkrétní úlohy a rozšíří se na podporu celých pracovních postupů v podniku. I když se modely umělé inteligence zlepšují, aby dokázaly pracovat s většími kontextovými okny, a úroveň inteligence stoupá, není zřejmé, že tato architektura někdy zmizí. Je pravděpodobné, že role každého agenta se rozšiřuje se zlepšujícími se schopnostmi, ale jasné hranice oddělení mezi dílčími agenty mohou vždy vést k lepším výsledkům.

Agent AI dělby práce se může mapovat na lidskou dělbu práce. Lidé používají subagenty, kteří vlastní specifické mikro služby v kódové bázi. Každá služba má dokumentaci vhodnou pro agenty, kterou průběžně aktualizuje. Tímto způsobem optimalizujete obsah v kontextovém okně. Budoucnost je divoká.

Mentální model pro pokročilou umělou inteligenci spočívá v tom, že modely budou vysoce zobecnitelné, ale musí být spárovány s velmi specifickým kontextem. Přesné výzvy, subagenti rozdělení podle úkolů, dokumenty přívětivé pro agenty, přístup ke znalostem. I když se modely zlepšují, to se nemění.

Pokud vytváříte agenty AI, je velmi důležité zjistit optimální případy použití, které maximalizují, jací agenti jsou dobří a na co ještě nejsou připraveni. Existuje tolik kategorií práce, které mohou AI agenti pomoci automatizovat nebo rozšířit. Výběr těch správných, které mohou v krátkodobém horizontu přinést hodnotu a časem se zlepšovat díky vylepšením modelu, je zásadní. Zde je několik charakteristik, které se zdají být právě teď funkční: * Práce, která vyžaduje velké množství nestrukturovaných dat a informací. Mohou to být dokumenty, vizuální data na obrazovce, video obsah a další. To je oblast, kterou počítače a software nikdy předtím nedokázaly, a případy použití jsou zde obrovské. * Agenti umělé inteligence jsou užiteční pro věci, které jinak vyžadují lidský úsudek nebo interpretaci, a to může být vždy. Ve chvíli, kdy se přistihnete, že doufáte, že replikujete něco s velmi přísnými pravidly, která se dějí znovu a znovu, pravděpodobně budete chtít software, ne agenty. * Čím složitější práce se automatizuje, tím více je potřeba člověka v prvku smyčky. To je důvod, proč kódoví agenti fungují právě teď tak dobře, protože můžete nakonec otestovat a studovat výstup agenta, abyste zjistili, co se vrátilo dobře nebo špatně. I když tito agenti dělají věci špatně, intervence je pro každého zkušeného uživatele relativně přímočará. * Vsaďte na případy použití, kdy základní inteligence zlepšujících se modelů bude i nadále připadat vašim agentům. Pokud dnes dokážete vyřešit vše o vašem případu použití s umělou inteligencí, pravděpodobně to není dostatečně zajímavý trh, po kterém byste měli jít. Projděte si scénáře, ve kterých existuje přírůstková hodnota, která se přidává s vylepšeními modelu. Tuny dalších charakteristik určují, které případy použití jsou pro agenty v této fázi dobré, ale nakonec spousta příležitostí v každé kategorii práce, po kterých se můžete jít.

Jednou z velkých výhod AI agentů pro znalostní práci je dramatická změna návratnosti investic u řady věcí, které jste dříve nemohli dělat. Je spousta práce, kterou dnes neděláme, protože nedokážeme ospravedlnit "fixní náklady" na její zprovoznění. Téměř každý nový nápad se stane schůzkou s následnými kroky a větší daní za koordinaci. Takže vy oprávněně upřednostňujete pouze práci s nejvyšším dopadem a modlíte se, abyste učinili správné rozhodnutí o tom, co to je. AI Agents zde mění kalkul. Produktový tým si může dovolit prototypovat více nápadů, aby zjistil, který z nich je lepší. Obchodní analytik může pročesat více zákaznických dat a najít skrytý vhled. Inženýr může vytvářet prvky rychleji. Právní tým může lépe podporovat menší zákazníky. Produktový marketér může spustit více kampaní nebo otestovat více zpráv, aby oslovil více zákazníků. Na některých z těchto věcí samozřejmě nebude záležet ani trochu. Ale mnozí to udělají. A snížením nákladů na vyzkoušení nového nápadu, testování marketingového sdělení nebo průzkum trhu začnou firmy dělat mnohem více než dříve nebo se alespoň rychleji dostanou do další destinace.

Případová studie Figma je skvělá. Tým se 100% zaměřuje na budování skvělého produktu, růst založený na produktech, spravedlivé ceny, budování silných síťových efektů a expanzi do logických sousedství, aniž by se příliš roztahoval. Mnoho lekcí pro další úrodu startupů.

Těžko vyjádřit, jak pomalý byl proces návrhu produktu před Figmou. Prostě byste brainstormovali s low-fi wireframy, zpětnovazební smyčky by trvaly věčnost a čekali byste týdny na mocky. Nyní v podstatě vidíte prototyp svého produktu během několika hodin od jeho vymýšlení.