Au départ, on pensait qu'un seul agent IA gérerait des flux de travail de taille arbitraire. Au lieu de cela, le modèle qui semble fonctionner est le déploiement de sous-agents spécialisés par tâche pour éviter la dégradation du contexte. La division du travail des agents IA pourrait être l'avenir.

Il y a actuellement une fenêtre où des agents IA seront construits pour chaque secteur et domaine. Le plan est d'approfondir l'ingénierie contextuelle requise pour le secteur ou l'espace particulier, de déterminer la bonne expérience utilisateur qui s'intègre naturellement aux flux de travail existants, et de se connecter aux sources de données et outils pertinents. Surtout au début, il est utile de se rapprocher autant que possible des clients clés pour comprendre ce qui fonctionne et ce qui ne fonctionne pas, et d'apporter constamment des améliorations pour les ramener à la maison mère. L'IA évolue si rapidement en ce moment qu'il y a un énorme avantage à faire des mises à jour rapides et à voir comment elles améliorent les flux de travail des clients. Il est également important de fixer le prix des agents pour une adoption maximale avec des prix d'abonnement simples ou sur un modèle de consommation clair, et de s'attendre à profiter des améliorations de coûts grâce à l'efficacité de l'IA. Ne soyez pas trop avide sur le prix en ce moment, car la part de marché est probablement la plus importante. Il peut être utile de cibler des cas d'utilisation qui sont contraints par la disponibilité ou le coût élevé des talents. Cela signifie que tout gain de productivité dans ces espaces offre un retour sur investissement élevé pour le client. Dans ces domaines, les clients seront toujours prêts à essayer des agents IA pour enfin résoudre leurs problèmes. C'est pourquoi les agents de codage IA, les agents de sécurité ou les agents juridiques connaissent actuellement un essor. Ce sont tous des domaines où la demande pour résoudre le problème a toujours dépassé le niveau de talent disponible. Mais chaque secteur a des exemples de cela. Il y a un moment clair en ce moment où la prochaine génération de ces agents IA sera construite dans chaque domaine.

Si vous imaginez que chaque fonction de travail et chaque flux de travail aura un agent IA pour automatiser le travail, il est clair que nous sommes aux tout débuts de la vague de l'IA. Chaque secteur et ligne d'activité représente une nouvelle catégorie de marché et un tout nouveau TAM qui n'existait pas auparavant.

La division du travail pour les agents IA sera cruciale pour maximiser l'impact des agents dans tous les domaines du travail de connaissance. Nous avons longtemps eu une division du travail dans les organisations, car il s'avère que le fait d'avoir des experts individuels se passant des tâches les uns aux autres est plus efficace qu'un groupe de généralistes essayant de faire les choses d'une manière différente à chaque fois. Les agents IA présentent la même dynamique. Pour que les agents IA fonctionnent, vous avez besoin de juste la bonne quantité de contexte concernant la tâche qu'ils essaient d'accomplir. Cela signifie une compréhension approfondie du domaine, un ensemble de connaissances à partir duquel travailler, des instructions claires et un ensemble d'outils à utiliser. Trop peu de contexte et l'agent échouera. Pourtant, de même, à mesure que plus d'informations entrent dans la fenêtre de contexte, nous savons que les modèles peuvent devenir sous-optimaux. Pour un processus commercial complexe, si vous mettez toute la documentation, la description du flux de travail et les instructions dans la fenêtre de contexte, nous savons que l'agent finira par se confondre et fournir de moins bons résultats. L'architecture logique alors dans le futur est de diviser les agents en unités atomiques qui correspondent aux bons types de tâches et ensuite faire travailler ces agents ensemble pour accomplir leur travail. Nous voyons déjà cela se dérouler efficacement dans les agents de codage. Il y a de plus en plus d'exemples émergents avec des personnes mettant en place des sous-agents qui possèdent tous des parties spécifiques d'une base de code ou d'un domaine de service. Chaque agent est responsable d'une partie du code, et il existe une documentation adaptée aux agents pour le code. Ensuite, lorsque du travail est nécessaire dans ce domaine pertinent de la base de code, un agent orchestrateur coordonne avec ces sous-agents. Nous pourrions voir ce modèle s'appliquer probablement à presque tous les domaines du travail de connaissance à l'avenir. Cela permettra aux agents IA d'être utilisés pour bien plus que des cas d'utilisation spécifiques aux tâches et de s'étendre à l'alimentation de flux de travail entiers dans l'entreprise. Même si les modèles IA s'améliorent pour pouvoir gérer des fenêtres de contexte plus grandes, et que les niveaux d'intelligence augmentent, il n'est pas évident que cette architecture disparaisse un jour. Il est probable que le rôle de chaque agent s'élargisse à mesure que les capacités s'améliorent, mais des lignes de séparation claires entre les sous-agents mèneront peut-être toujours à de meilleurs résultats.

La division du travail des agents IA peut correspondre à la division du travail humain. Les gens utilisent des sous-agents qui possèdent des microservices spécifiques dans une base de code. Chaque service a une documentation adaptée aux agents qu'il met à jour au fur et à mesure. De cette façon, vous optimisez ce qui se trouve dans la fenêtre de contexte. L'avenir est fou.

Le modèle mental pour l'IA avancée est que les modèles seront très généralisables, mais ils doivent être associés à un contexte très spécifique. Des invites précises, des sous-agents divisés par tâche, des documents adaptés aux agents, un accès à la connaissance. Même si les modèles s'améliorent, cela ne change pas.

Si vous construisez des agents IA, il est super important de déterminer les cas d'utilisation optimaux qui maximisent ce que les agents savent faire par rapport à ce pour quoi ils ne sont pas encore prêts. Il existe de nombreuses catégories de travail que les agents IA peuvent aider à automatiser ou à compléter. Choisir les bonnes qui peuvent apporter de la valeur à court terme et s'améliorer avec le temps grâce aux améliorations des modèles est crucial. Voici quelques caractéristiques qui semblent fonctionner en ce moment : * Un travail qui nécessite une grande quantité de données et d'informations non structurées. Cela pourrait être des documents, des données visuelles sur un écran, du contenu vidéo, et plus encore. C'est le domaine que les ordinateurs et les logiciels n'ont jamais pu traiter auparavant, et les cas d'utilisation ici sont vastes. * Les agents IA sont utiles pour des tâches qui nécessitent autrement un jugement ou une interprétation humaine, et cela pourrait toujours être le cas. Au moment où vous espérez reproduire quelque chose avec des règles très strictes qui se répètent encore et encore, vous voudrez probablement un logiciel, pas des agents. * Plus le travail complexe est automatisé, plus il y a besoin d'un élément humain dans le processus. C'est pourquoi les agents de code fonctionnent très bien en ce moment, car vous pouvez finalement tester et étudier la sortie de l'agent pour déterminer ce qui est revenu correctement ou non. Même lorsque ces agents se trompent, l'intervention est relativement simple pour tout utilisateur qualifié. * Pariez sur des cas d'utilisation où l'intelligence fondamentale des modèles qui s'améliorent continuera à s'accumuler pour vos agents. Si vous pouvez résoudre tous les aspects de votre cas d'utilisation avec l'IA aujourd'hui, ce n'est probablement pas un marché suffisamment intéressant à cibler. Visez des scénarios où une valeur incrémentale est ajoutée avec les améliorations des modèles. De nombreuses autres caractéristiques déterminent quels cas d'utilisation sont bons pour les agents à ce stade, mais il y a finalement de nombreuses opportunités dans chaque catégorie de travail à explorer.

L'un des grands avantages des agents IA pour le travail de connaissance est que le retour sur investissement change radicalement sur un certain nombre de choses que vous ne pouviez pas faire auparavant. Il y a des tonnes de travail que nous ne faisons pas aujourd'hui parce que nous ne pouvons pas justifier le "coût fixe" pour le mettre en route. Presque chaque nouvelle idée devient une réunion, avec des suivis et plus de taxes de coordination. Donc, vous, à juste titre, priorisez uniquement le travail ayant le plus d'impact, et priez pour avoir fait le bon choix sur ce que cela représente. Les agents IA changent le calcul ici. L'équipe produit peut se permettre de prototyper plus d'idées pour voir laquelle est la meilleure. L'analyste commercial peut passer au crible plus de données clients pour trouver une insight cachée. L'ingénieur peut construire des fonctionnalités plus rapidement. L'équipe juridique peut mieux soutenir les petits clients. Le responsable marketing produit peut lancer plus de campagnes ou tester plus de messages pour atteindre plus de clients. Certaines de ces choses n'auront pas beaucoup d'importance, bien sûr. Mais beaucoup le seront. Et en abaissant le coût d'essayer une nouvelle idée, de tester un message marketing ou de rechercher un marché, les entreprises commenceront à faire beaucoup plus qu'auparavant ou du moins à atteindre leur prochaine destination plus rapidement.

L'étude de cas Figma est excellente. Une équipe 100 % concentrée sur la création d'un excellent produit, la croissance axée sur le produit, des prix équitables, la création de forts effets de réseau et l'expansion dans des domaines adjacents logiques sans trop s'étendre. De nombreuses leçons pour la prochaine génération de startups.

Il est difficile de surestimer à quel point le processus de conception de produit était lent avant Figma. Vous brainstormiez simplement avec des maquettes basse fidélité, les boucles de rétroaction prenaient une éternité, et vous attendiez des semaines pour les maquettes. Maintenant, vous voyez essentiellement un prototype de votre produit dans les heures qui suivent son élaboration.