Mye samtale om hvordan fremtiden for programvare ser ut i bedriften. Slik tror jeg det utspiller seg. For deterministiske arbeidsflyter der kostnadene ved å gjøre noe galt er høye, vil bedrifter ha en tendens til å velge kjerneplattformer for sine vanligste, viktigste og repeterbare funksjoner i organisasjonen. Tenk lønn, ERP, CRM, ITSM, kundestøtte, ECM/dokumenthåndtering og så videre. Dette er områder hvor du vil ha noe gjort på samme måte, hver gang. Hver av disse plattformene må være AI-først av design, noe som betyr at de vil ha brukergrensesnitt som blir innstilt for å samhandle med arbeidsflytene og dataene via AI, og være fullt designet for AI-agenter å operere i plattformene. Over tid kan vi forvente at bruken av disse systemene vil påvirke langt mer til AI-agenter enn til og med mennesker. Setemodellen forblir for brukerne, men forbruk blir modellen for agenter. Noen sittende vil komme seg til slutttilstanden, men andre vil ikke tilpasse seg raskt nok og dø av. Det vil da være en ny avling av selskaper som kun er agenter som er spesialbygd for å automatisere spesifikke typer arbeid (og spesielt for ikke-deterministisk arbeid). Forretningsmodellene deres vil vippe enda mer forbruk. Tenk Claude Code eller Devins (sannsynligvis med et UI-lag for å administrere agentene), men for forskjellige jobbfunksjoner. Vi vil sannsynligvis se hundrevis eller tusenvis av disse dukke opp over tid. Pennetesting, koding, feilfinning, samsvarsgjennomganger, finansanalytikere og så videre. Dette er et stort område hvor startups vil gjøre det ganske bra fordi det har en tendens til å ikke være noen programvareetablerte i disse kategoriene. Vi vil samhandle med disse ulike agentene fra en blanding av programvareplattformene de er knyttet til (som Box AI eller Agentforce), via APIer i andre systemer, og horisontale arbeidsflytsystemer som syr sammen agenter på tvers av plattformer (som ServiceNow, IBM Watsonx, Google Agentspace og så videre). Og selvfølgelig vil brukere ofte konsumere disse agentene via horisontale chat-opplevelser (som ChatGPT, Claude, Perplexity, Grok, Copilot, etc.) via MCP eller andre typer direkte tilkoblinger. Brukere vil vanligvis jobbe i disse horisontale chat-systemene, og trekke inn agenter, data og arbeidsflyter fra de forskjellige Agentic-plattformene etter behov. Når det er relevant, vil de hoppe inn i kjerneplattformene for å fullføre arbeidsflyter, gjennomgå informasjon osv. Det vil også være en lang hale av opplevelser der brukere kan generere mikroapper på farten når de trenger raske applikasjoner eller brukstilfeller automatisert, når det ikke er noen åpenbar programvare å gjøre det med. Dette kan skje direkte i de horisontale chat-systemene, et verktøy som Replit, Lovable eller i automatiseringsverktøy for arbeidsflyt, etc. Jeg forventer at dette er mer for superbrukerne der de trenger lim mellom flere systemer eller der det ennå ikke finnes programvare. Nettet av det er at programvare bare blir viktigere over tid, selv om modalitetene der vi samhandler endres og utvides. I likhet med hvordan vi enkelt hopper mellom telefonene og stasjonære datamaskiner, selv om de lett kan konvergere, vil fremtiden tilby en blanding av måter å samhandle med programvare på.

Selv om det er fascinerende, er ideen om at AI genererer hvert brukergrensesnitt på farten sannsynligvis mindre sannsynlig enn folk tror. Fordelene med hypertilpasning vil sannsynligvis ikke oppveie å måtte lære en app på nytt hver gang du bruker den eller risikoen for at ting går i stykker på uventede måter.

AI Agent-arbeidsdeling vil være avgjørende for å maksimere effekten av agenter. Vi har lenge hatt en arbeidsdeling i organisasjoner fordi det å ha individuelle eksperter som overlater oppgaver til hverandre er mer effektivt enn en haug med generalister som prøver å gjøre ting på en annen måte hver gang. AI-agenter presenterer den samme dynamikken. For at AI-agenter skal fungere, trenger du akkurat den rette mengden kontekst om oppgaven de prøver å fullføre. Dette betyr en dyp domeneforståelse, sett med kunnskap å jobbe ut fra, klare instruksjoner og sett med verktøy å bruke. For lite kontekst og agenten vil svikte. Likevel, likevel, etter hvert som mer av denne informasjonen kommer inn i kontekstvinduet, vet vi at modellene kan bli suboptimale.  For en kompleks forretningsprosess, hvis du legger all dokumentasjon, beskrivelse av arbeidsflyten og instruksjonene inn i kontekstvinduet, vet vi at dette til slutt kan føre til kontekstråte, noe som fører til dårligere resultater. Den logiske arkitekturen i fremtiden er å dele agenter opp i atomære enheter som kartlegges til de riktige oppgavetypene og deretter få disse agentene til å jobbe sammen for å fullføre arbeidet sitt. Vi ser allerede at dette utspiller seg effektivt i kodeagenter. Det dukker opp flere og flere eksempler med folk som setter opp underagenter som alle eier spesifikke deler av en kodebase eller et tjenesteområde. Hver agent er ansvarlig for en del av koden, og det finnes agentvennlig dokumentasjon for koden. Når det er behov for arbeid i det relevante området av kodebasen, koordinerer en orkestratoragent med disse underagentene.  Vi kan se at dette mønsteret sannsynligvis gjelder for nesten alle områder av kunnskapsarbeid i fremtiden. Dette vil gjøre det mulig å bruke AI-agenter til langt mer enn oppgavespesifikke brukstilfeller og utvides til å drive hele arbeidsflyter i bedriften. Selv om AI-modeller forbedres for å kunne håndtere større kontekstvinduer, og intelligensnivåene går opp, er det ikke åpenbart at denne arkitekturen noen gang forsvinner. Det er sannsynlig at rollen til hver agent utvides etter hvert som evnene forbedres, men klare skillelinjer mellom underagenter kan alltid føre til bedre resultater.

I utgangspunktet var tanken at en enkelt AI-agent ville håndtere vilkårlig store arbeidsflyter. I stedet er mønsteret som ser ut til å fungere, å distribuere underagenter som har spesialisering etter oppgave for å unngå kontekstråte. AI-agentens arbeidsdeling kan være fremtiden.

Det er et vindu akkurat nå der AI-agenter vil bli bygget for hver vertikal og domene. Strategien er å gå dypt inn i kontekstteknikken som kreves for det vertikale eller bestemte rommet, finne ut riktig brukeropplevelse som knytter seg naturlig til de eksisterende arbeidsflytene, og koble til de relevante datakildene og verktøyene. Spesielt tidlig er det nyttig å komme så nær nøkkelkunder som mulig for å finne ut hva som fungerer og hva som ikke fungerer, og hele tiden gjøre forbedringer for å bringe dem tilbake til moderskipet. AI beveger seg så raskt akkurat nå at det er en enorm premie i å gjøre raske oppdateringer og se hvordan de forbedrer kundens arbeidsflyter. Det er også viktig å prise agentene for maksimal adopsjon med enkle abonnementspriser eller på en klar forbruksmodell, og forvente å ri ut kostnadsforbedringene fra AI-effektivitet. Ikke bli for grådig på pris akkurat nå, da markedsandeler sannsynligvis er viktigst. Det kan være nyttig å gå etter brukstilfeller som er begrenset av tilgjengeligheten eller høye kostnader for talent. Dette betyr at enhver inkrementell økning i produktiviteten i disse områdene gir høy avkastning for kunden. På disse områdene vil kundene alltid være villige til å prøve AI-agenter for å endelig komme i gang med å løse problemene sine. Dette er grunnen til at AI-kodeagenter, sikkerhetsagenter eller juridiske agenter tar av akkurat nå i utgangspunktet. Dette er alle områder der etterspørselen etter å løse problemet alltid har overskredet talentnivået som er tilgjengelig. Men hver vertikal har eksempler på dette. Det er et klart øyeblikk akkurat nå hvor neste generasjon av disse AI-agentene vil bli bygget på tvers av alle rom.

Hvis du forestiller deg at hver jobbfunksjon og arbeidsflyt vil ha en AI Agent-motpart for å automatisere arbeidet, er det klart at vi er i de tidligste stadiene av AI-bølgen. Hver vertikal og bransje representerer en ny markedskategori og helt ny TAM som ikke eksisterte før.

Arbeidsdeling for AI-agenter vil være avgjørende for å maksimere effekten av agenter på alle områder av kunnskapsarbeid. Vi har lenge hatt en arbeidsdeling i organisasjoner fordi det viser seg at det å ha individuelle eksperter som overlater oppgaver til hverandre er mer effektivt enn en haug med generalister som prøver å gjøre ting på en annen måte hver gang. AI-agenter presenterer den samme dynamikken. For at AI-agenter skal fungere, trenger du akkurat den rette mengden kontekst om oppgaven de prøver å fullføre. Dette betyr en dyp domeneforståelse, sett med kunnskap å jobbe ut fra, klare instruksjoner og sett med verktøy å bruke. For lite kontekst og agenten vil svikte. Likevel, likevel, etter hvert som mer av denne informasjonen kommer inn i kontekstvinduet, vet vi at modellene kan bli suboptimale.  For en kompleks forretningsprosess, hvis du legger all dokumentasjon, beskrivelse av arbeidsflyten og instruksjonene inn i kontekstvinduet, vet vi at agenten til slutt vil bli forvirret og levere dårligere resultater. Den logiske arkitekturen i fremtiden er å dele agenter opp i atomære enheter som kartlegges til de riktige oppgavetypene og deretter få disse agentene til å jobbe sammen for å fullføre arbeidet sitt. Vi ser allerede at dette utspiller seg effektivt i kodeagenter. Det dukker opp flere og flere eksempler med folk som setter opp underagenter som alle eier spesifikke deler av en kodebase eller et tjenesteområde. Hver agent er ansvarlig for en del av koden, og det finnes agentvennlig dokumentasjon for koden. Når det er behov for arbeid i det relevante området av kodebasen, koordinerer en orkestratoragent med disse underagentene.  Vi kan se at dette mønsteret sannsynligvis gjelder for nesten alle områder av kunnskapsarbeid i fremtiden. Dette vil gjøre det mulig å bruke AI-agenter til langt mer enn oppgavespesifikke brukstilfeller og utvides til å drive hele arbeidsflyter i bedriften. Selv om AI-modeller forbedres for å kunne håndtere større kontekstvinduer, og intelligensnivåene går opp, er det ikke åpenbart at denne arkitekturen noen gang forsvinner. Det er sannsynlig at rollen til hver agent utvides etter hvert som evnene forbedres, men klare skillelinjer mellom underagenter kan alltid føre til bedre resultater.

AI-agentens arbeidsdeling kan tilordnes menneskelig arbeidsdeling. Folk bruker underagenter som eier spesifikke mikrotjenester i en kodebase. Hver tjeneste har agentvennlige dokumenter som den oppdaterer underveis. På denne måten optimaliserer du det som er i kontekstvinduet. Fremtiden er vill.

Den mentale modellen for avansert AI er at modellene vil være svært generaliserbare, men de må pares med veldig spesifikk kontekst. Presise spørsmål, underagenter delt opp etter oppgave, agentvennlige dokumenter, kunnskapstilgang. Selv om modellene forbedres, endres ikke dette.

Hvis du bygger AI-agenter, er det superviktig å finne ut de optimale brukstilfellene som maksimerer hvilke agenter som er gode kontra hva de ikke er klare for *ennå*. Det er så mange kategorier av arbeid som AI-agenter kan bidra til å automatisere eller forsterke. Det er avgjørende å velge de riktige som kan levere verdi på kort sikt og bli bedre over tid med modellforbedringer. Her er noen egenskaper som ser ut til å fungere akkurat nå: * Arbeid som krever store mengder ustrukturerte data og informasjon. Dette kan være dokumenter, visuelle data på en skjerm, videoinnhold og mer. Dette er domenet som datamaskiner og programvare aldri har vært i stand til å gjøre før, og brukstilfellene her er enorme. * AI-agenter er nyttige for ting som ellers krever menneskelig vurdering eller tolkning, og det kan alltid være tilfelle. I det øyeblikket du håper å gjenskape noe med veldig strenge regler som skjer om og om igjen, vil du sannsynligvis ha programvare, ikke agenter. * Jo mer komplekst arbeid som automatiseres, jo mer er det behov for et menneske i loop-elementet. Dette er grunnen til at kodeagenter fungerer superbra akkurat nå, er at du til slutt kan teste og studere resultatet til agenten for å finne ut hva som kom tilbake riktig eller galt. Selv når disse agentene gjør ting feil, er intervensjon relativt enkel for enhver dyktig bruker. * Sats på brukstilfeller der kjerneintelligensen til modeller som blir bedre vil fortsette å tilfalle agentene dine. Hvis du kan løse alt om bruksområdet ditt med AI i dag, er det sannsynligvis ikke et interessant nok marked å gå etter. Gå etter scenarioer der det er trinnvis verdi som legges til med modellforbedringer. Tonnevis av flere egenskaper avgjør hvilke brukstilfeller som er bra for agenter på dette stadiet, men til syvende og sist tonnevis av muligheter i alle kategorier av arbeid å gå etter.