Kwestia rdzenia a kontekstu to kluczowa koncepcja, którą warto przemyśleć, gdy zastanawiamy się, z czym ludzie będą się odbudowywać przy użyciu AI. Firmy wprowadzają funkcje "rdzeniowe", które je wyróżniają. To jest to, czym jest ich podstawowy produkt lub usługa, jak sprzedają klientom, rzeczy, które napędzają ich kulturę, i tak dalej. Z drugiej strony, zlecają na zewnątrz "kontekst", który jest niezbędny do poprawnego działania, ale tylko przynosi straty, gdy jest źle wykonany. Łatwą zasadą, którą można się kierować, jest pytanie, czy klient kiedykolwiek zauważy, czy firma wykonała tę funkcję samodzielnie, czy nie. Oprogramowanie dla przedsiębiorstw to prawie zawsze "kontekst". Są to obszary takie jak ich systemy CRM lub HR, infrastruktura, zarządzanie danymi i tak dalej. Są one niezbędne do prowadzenia działalności na dużą skalę, ale rzadko przynosi to korzyści, próbując stworzyć własne rozwiązanie. Istnieje tylko kilka wyjątków, a prawie zawsze wynika to z potrzeby rozwiązania, które służy "rdzeniowi", którego żaden dostawca nie oferuje (na przykład, jeśli potrzebujesz oprogramowania na zamówienie dla zintegrowanego łańcucha dostaw). Bez względu na to, jak firma zaczyna, w końcu prawie zawsze oddzielają pracę i wartość między rdzeniem a kontekstem w miarę upływu czasu. To jedyny sposób, aby pozostać konkurencyjnym i ostatecznie przydzielić zasoby do optymalnych obszarów. Więc nawet jeśli firma *mogłaby* przepisać swoje oprogramowanie dla przedsiębiorstw z AI, to zasadniczo po prostu by tego nie zrobiła. Aktualizacje wersji, bezpieczeństwo, funkcje regulacyjne, błędy, SLA, niezbędne usługi profesjonalne itd. po prostu sprawiają, że to jest negatywne pod względem ROI. Jak zauważa bucco, prawdziwe ryzyko to lepsze wersje tych narzędzi, które są pierwsze w AI. To jest to, na co warto zwrócić uwagę z perspektywy zakłóceń.

Świetny wątek. Cokolwiek agent AI jest w stanie zrobić, można go również oszukać, aby to zrobił. Powinieneś założyć, że jeśli agent ma dostęp do danych, to użytkownik również w końcu uzyska te dane. Bezpieczeństwo agenta, kontrole dostępu i deterministyczne zabezpieczenia będą kluczowe.

Wiele rozmów na temat tego, jak wygląda przyszłość oprogramowania w przedsiębiorstwie. Oto jak myślę, że to się rozwinie. W przypadku deterministycznych przepływów pracy, gdzie koszt popełnienia błędu jest wysoki, przedsiębiorstwa będą miały tendencję do wyboru podstawowych platform dla swoich najczęstszych, najważniejszych i powtarzalnych funkcji w organizacji. Myśl o płacach, ERP, CRM, ITSM, wsparciu klienta, ECM/zarządzaniu dokumentami itd. To są obszary, w których chcesz, aby coś było robione w ten sam sposób, za każdym razem. Każda z tych platform będzie musiała być zaprojektowana z myślą o AI, co oznacza, że będą miały interfejsy użytkownika dostosowane do interakcji z przepływami pracy i danymi za pomocą AI, i będą w pełni zaprojektowane do działania agentów AI w tych platformach. Z biegiem czasu możemy oczekiwać, że korzystanie z tych systemów będzie znacznie bardziej ukierunkowane na agentów AI niż na ludzi. Model seat pozostaje dla użytkowników, ale konsumpcja staje się modelem dla agentów. Niektórzy dotychczasowi gracze dotrą do końcowego stanu, ale inni nie dostosują się wystarczająco szybko i znikną. Pojawi się nowa grupa firm, które będą w zasadzie tylko agentami, zaprojektowanych specjalnie do automatyzacji określonych rodzajów pracy (a zwłaszcza do pracy niedeterministycznej). Ich modele biznesowe będą jeszcze bardziej ukierunkowane na konsumpcję. Myśl o Claude Code lub Devins (prawdopodobnie z jakąś warstwą UI do zarządzania agentami), ale dla różnych funkcji zawodowych. Prawdopodobnie zobaczymy setki lub tysiące takich firm w miarę upływu czasu. Testy penetracyjne, kodowanie, znajdowanie błędów, przeglądy zgodności, analitycy finansowi itd. To ogromna przestrzeń, w której startupy będą radzić sobie całkiem dobrze, ponieważ w tych kategoriach nie będzie tendencji do dominacji oprogramowania. Będziemy interagować z tymi różnymi agentami z mieszanki platform oprogramowania, do których są przypisani (jak Box AI czy Agentforce), za pośrednictwem API w innych systemach oraz systemów przepływu pracy, które łączą agentów z różnych platform (jak ServiceNow, IBM Watsonx, Google Agentspace itd.). Oczywiście użytkownicy często będą korzystać z tych agentów za pośrednictwem poziomych doświadczeń czatu (jak ChatGPT, Claude, Perplexity, Grok, Copilot itd.) za pośrednictwem MCP lub innych typów bezpośrednich połączeń. Użytkownicy będą powszechnie pracować w tych poziomych systemach czatu, wciągając agentów, dane i przepływy pracy z różnych platform Agentic w razie potrzeby. Gdy to będzie istotne, przeskoczą do podstawowych platform, aby zakończyć przepływy pracy, przeglądać informacje itd. Będzie również długa lista doświadczeń, w których użytkownicy będą mogli generować mikro aplikacje na bieżąco, gdy będą potrzebować szybkich aplikacji lub zautomatyzowanych przypadków użycia, gdy nie ma oczywistego oprogramowania, które by to zrobiło. Może to się zdarzyć bezpośrednio w poziomych systemach czatu, w narzędziu takim jak Replit, Lovable lub w narzędziach do automatyzacji przepływu pracy itd. Spodziewam się, że to będzie bardziej dla zaawansowanych użytkowników, którzy potrzebują spoiwa między wieloma systemami lub tam, gdzie jeszcze nie istnieje żadne oprogramowanie. W rezultacie oprogramowanie staje się z czasem coraz ważniejsze, nawet jeśli sposoby, w jakie wchodzimy w interakcje, zmieniają się i rozwijają. Podobnie jak łatwo przeskakujemy między naszymi telefonami a komputerami stacjonarnymi, mimo że mogłyby się łatwo zbiegać, przyszłość zaoferuje mieszankę sposobów interakcji z oprogramowaniem.

Choć fascynująca, idea generowania każdego interfejsu użytkownika przez AI na bieżąco jest prawdopodobnie mniej prawdopodobna, niż się wydaje. Korzyści z hiper personalizacji prawdopodobnie nie przewyższą konieczności ponownego uczenia się aplikacji za każdym razem, gdy jej używasz, ani ryzyk związanych z niespodziewanym łamaniem się rzeczy.

Podział pracy agentów AI będzie kluczowy dla maksymalizacji wpływu agentów. Od dawna mamy podział pracy w organizacjach, ponieważ posiadanie indywidualnych ekspertów przekazujących sobie zadania jest bardziej efektywne niż grupa generalistów próbujących robić rzeczy w inny sposób za każdym razem. Agenci AI prezentują tę samą dynamikę. Aby agenci AI mogli działać, potrzebujesz odpowiedniej ilości kontekstu dotyczącego zadania, które próbują wykonać. Oznacza to głębokie zrozumienie dziedziny, zestaw wiedzy, na którym można pracować, jasne instrukcje i zestaw narzędzi do użycia. Zbyt mało kontekstu i agent poniesie porażkę. Jednakże, w miarę jak więcej tych informacji wchodzi do okna kontekstowego, wiemy, że modele mogą stać się suboptymalne. W przypadku złożonego procesu biznesowego, jeśli umieścisz całą dokumentację, opis przepływu pracy i instrukcje w oknie kontekstowym, wiemy, że może to ostatecznie prowadzić do degradacji kontekstu, co prowadzi do gorszych wyników. Logiczna architektura w przyszłości polega więc na podziale agentów na atomowe jednostki, które odpowiadają odpowiednim rodzajom zadań, a następnie na współpracy tych agentów w celu wykonania swojej pracy. Już teraz widzimy, jak to skutecznie działa w przypadku agentów kodowania. Pojawia się coraz więcej przykładów, w których ludzie tworzą subagentów, którzy odpowiadają za konkretne części bazy kodu lub obszaru usług. Każdy agent jest odpowiedzialny za część kodu, a dokumentacja jest przyjazna dla agentów. Następnie, gdy praca jest potrzebna w danym obszarze bazy kodu, agent koordynujący współpracuje z tymi subagentami. Możemy zobaczyć, że ten wzór prawdopodobnie zastosuje się do prawie każdej dziedziny pracy wiedzy w przyszłości. Pozwoli to agentom AI na wykorzystanie ich do znacznie więcej niż tylko do konkretnych przypadków użycia i rozszerzy się na zasilanie całych przepływów pracy w przedsiębiorstwie. Nawet gdy modele AI poprawią się, aby mogły obsługiwać większe okna kontekstowe, a poziomy inteligencji wzrosną, nie jest oczywiste, że ta architektura kiedykolwiek zniknie. Prawdopodobnie rola każdego agenta rozszerzy się w miarę poprawy możliwości, ale wyraźne linie podziału między subagentami mogą zawsze prowadzić do lepszych wyników.

Początkowo myślano, że pojedynczy agent AI poradzi sobie z dowolnie dużymi przepływami pracy. Zamiast tego, wzór, który wydaje się działać, to wdrażanie subagentów, którzy mają specjalizację w zadaniach, aby uniknąć utraty kontekstu. Podział pracy agentów AI może być przyszłością.

Obecnie istnieje okno, w którym agenci AI będą tworzeni dla każdej branży i dziedziny. Plan działania polega na głębokim zrozumieniu inżynierii kontekstu wymaganej dla danej branży lub konkretnej przestrzeni, ustaleniu odpowiedniego UX, który naturalnie wpasowuje się w istniejące przepływy pracy, oraz połączeniu z odpowiednimi źródłami danych i narzędziami. Szczególnie na początku warto zbliżyć się jak najbliżej kluczowych klientów, aby dowiedzieć się, co działa, a co nie, i nieustannie wprowadzać ulepszenia, aby przyciągnąć ich z powrotem do macierzystej firmy. AI rozwija się tak szybko, że istnieje ogromna wartość w dokonywaniu szybkich aktualizacji i obserwowaniu, jak poprawiają one przepływy pracy klientów. Ważne jest również, aby ustalić ceny agentów w celu maksymalizacji adopcji, stosując proste ceny subskrypcyjne lub jasny model konsumpcji, i oczekiwać, że skorzystamy z oszczędności kosztów wynikających z efektywności AI. Nie bądź zbyt chciwy w kwestii ceny, ponieważ udział w rynku jest prawdopodobnie najważniejszy. Może być pomocne dążenie do przypadków użycia, które są ograniczone przez dostępność lub wysokie koszty talentów. Oznacza to, że każdy dodatkowy wzrost wydajności w tych obszarach oferuje wysoki zwrot z inwestycji dla klienta. W tych dziedzinach klienci zawsze będą chętni do wypróbowania agentów AI, aby w końcu rozwiązać swoje problemy. Dlatego agenci AI do kodowania, agenci bezpieczeństwa czy agenci prawni zyskują obecnie na popularności. To są obszary, w których popyt na rozwiązanie problemu zawsze przewyższał dostępny poziom talentu. Ale każda branża ma swoje przykłady. Obecnie istnieje wyraźny moment, w którym nowa generacja tych agentów AI będzie tworzona w każdej dziedzinie.

Jeśli wyobrazisz sobie, że każda funkcja zawodowa i przepływ pracy będą miały swojego odpowiednika w postaci agenta AI do automatyzacji pracy, to jasne, że jesteśmy na najwcześniejszych etapach fali AI. Każda branża i linia biznesowa reprezentuje nową kategorię rynku i zupełnie nowy TAM, który wcześniej nie istniał.

Podział pracy dla agentów AI będzie kluczowy dla maksymalizacji wpływu agentów we wszystkich obszarach pracy wiedzy. Od dawna mamy podział pracy w organizacjach, ponieważ okazuje się, że posiadanie indywidualnych ekspertów przekazujących sobie zadania jest bardziej efektywne niż grupa generalistów próbujących robić rzeczy w inny sposób za każdym razem. Agenci AI prezentują tę samą dynamikę. Aby agenci AI mogli działać, potrzebujesz odpowiedniej ilości kontekstu dotyczącego zadania, które próbują wykonać. Oznacza to głębokie zrozumienie dziedziny, zestaw wiedzy do wykorzystania, jasne instrukcje i zestaw narzędzi do użycia. Zbyt mało kontekstu i agent zawiedzie. Jednakże, w miarę jak więcej tych informacji wchodzi do okna kontekstowego, wiemy, że modele mogą stać się suboptymalne. W przypadku złożonego procesu biznesowego, jeśli umieścisz całą dokumentację, opis przepływu pracy i instrukcje w oknie kontekstowym, wiemy, że agent w końcu się pogubi i dostarczy gorsze wyniki. Logiczna architektura w przyszłości polega na podziale agentów na atomowe jednostki, które odpowiadają odpowiednim rodzajom zadań, a następnie na współpracy tych agentów w celu wykonania swojej pracy. Już teraz widzimy, jak to skutecznie działa w przypadku agentów kodowania. Pojawia się coraz więcej przykładów, w których ludzie tworzą subagentów, którzy odpowiadają za konkretne części bazy kodu lub obszaru usług. Każdy agent jest odpowiedzialny za część kodu, a dokumentacja jest przyjazna dla agentów. Następnie, gdy potrzebna jest praca w danym obszarze bazy kodu, agent koordynujący współpracuje z tymi subagentami. Możemy zobaczyć, że ten wzór prawdopodobnie zastosuje się do prawie każdego obszaru pracy wiedzy w przyszłości. Pozwoli to agentom AI na wykorzystanie ich do znacznie więcej niż tylko do specyficznych przypadków użycia i rozszerzy się na zasilanie całych przepływów pracy w przedsiębiorstwie. Nawet gdy modele AI poprawiają się, aby mogły obsługiwać większe okna kontekstowe, a poziomy inteligencji rosną, nie jest oczywiste, że ta architektura kiedykolwiek zniknie. Prawdopodobnie rola każdego agenta rozszerzy się w miarę poprawy możliwości, ale wyraźne linie podziału między subagentami mogą zawsze prowadzić do lepszych wyników.

Podział pracy agentów AI może odpowiadać podziałowi pracy ludzi. Ludzie korzystają z subagentów, które posiadają konkretne mikro usługi w bazie kodu. Każda usługa ma dokumentację przyjazną dla agentów, którą aktualizuje na bieżąco. W ten sposób optymalizujesz to, co znajduje się w oknie kontekstu. Przyszłość jest dzika.