Salah satu praktik yang kami terapkan dalam mengutamakan AI di Box adalah setiap minggu seseorang mendemonstrasikan alur kerja AI mereka ke seluruh perusahaan. Biasanya itu adalah sesuatu yang tidak pernah kita prediksi. Baik untuk menyeimbangkan perencanaan pusat untuk teknologi dan desentralisasi untuk adopsi kasus penggunaan.

NVIDIA akan menjadi perusahaan pertama senilai $10 triliun dolar

Permainan AI Agent terbaik adalah di mana model berkinerja baik, tetapi di mana masih ada kesenjangan besar antara model dan alur kerja. Di sinilah Anda dapat membangun parit nyata dengan pemahaman domain, data, penggunaan alat, konteks, dan UX yang disesuaikan dengan lebih baik. Banyak peluang di sini.

Kemungkinan ada terlalu banyak ketakutan bahwa model AI memakan lapisan aplikasi saat mereka meningkat. Agar Agen AI berfungsi, sebagian besar perusahaan akan memerlukan jembatan antara AI dan alur kerja spesifik mereka. Ternyata mil terakhir untuk membuat Agen AI bekerja di lingkungan yang nyata, sangat bervariasi, dan tidak bersahabat, sangat sulit. Dan semakin banyak itu adalah bagian paling berharga dari seluruh proses. Jembatan antara model AI dan alur kerja perusahaan akan menjadi sejumlah besar perangkat lunak untuk terhubung ke sistem yang berbeda, menarik data perusahaan yang tepat, menangani keamanan dan izin dengan benar, dan memiliki tingkat konteks yang mendalam yang terkait dengan kasus penggunaan. Kemudian Anda menambahkan dukungan pelanggan yang disesuaikan dengan kasus penggunaan, SLA, klausul kewajiban, gerakan penjualan yang disesuaikan, kemitraan yang selaras untuk kategori, dan sebagainya. Daftar yang dibutuhkan tidak ada habisnya. Setiap vertikal, dan bahkan kategori horizontal kritis, akan membutuhkan sejumlah keahlian yang mendalam untuk membuat Agen AI efektif. Peluang besar saat ini adalah mengidentifikasi di mana kesenjangan ini terluas (antara model dan alur kerja), dan mengisinya dengan perangkat lunak dan keahlian yang sesuai. Dan, bahkan ketika model meningkat - yang sebelumnya menghadirkan risiko kanibalisasi - pemain yang fokus dapat menawarkan lebih banyak nilai dan kasus penggunaan kepada pelanggan. Hampir tidak ada skenario, jika Anda mengejar peluang pasar yang tepat, di mana peningkatan model adalah hal yang buruk saat membangun Agen AI.

Ada begitu banyak peluang saat ini dalam membuat Agen AI nyata bagi perusahaan. Model ini mengemas kemampuan yang gila, tetapi untuk membawanya ke tengah-tengah alur kerja perusahaan membutuhkan perancah, pemahaman domain, dan rekayasa konteks yang signifikan. Ini adalah dramanya.

Membangun Agen AI adalah latihan dalam menyeimbangkan alur kerja deterministik dan non-deterministik. Terlalu sedikit kebebasan agen dan Anda tidak mendapat manfaat dari kecerdasan model. Terlalu banyak dan Anda akan mendapatkan masalah keamanan atau hasil serampangan. Inilah sebabnya mengapa Agen SaaS + akan tetap ada.

Jika Anda membangun Agen AI, Anda harus menemukan tingkat pekerjaan yang optimal untuk mengotomatiskan efektivitas maksimal dan ukuran TAM. Terlalu sempit dan agennya akan bekerja tetapi TAM-nya kecil. Terlalu umum dan agennya belum akan bekerja tetapi TAM-nya besar. Harus menemukan sweet spot.

Rekayasa konteks semakin menjadi komponen paling penting untuk membangun Agen AI yang efektif di perusahaan saat ini. Ini pada akhirnya akan menjadi tiang panjang di tenda untuk adopsi Agen AI di sebagian besar organisasi. Kami membutuhkan Agen AI yang dapat memahami secara mendalam konteks proses bisnis yang terkait dengan mereka. Ini berarti mengakses data terpenting untuk alur kerja itu, menggunakan alat yang sesuai pada saat yang tepat, memiliki tujuan dan instruksi yang tepat, dan memahami domain tempat mereka berada. Beberapa item terbuka besar bagi siapa saja yang membangun agen perusahaan adalah: * Agen sempit vs. Umum. Semakin kecil tugasnya, semakin mudah untuk memberikan konteks yang tepat kepada Agen AI untuk menjadi sukses. Tetapi semakin kecil tugasnya, semakin sedikit nilainya. Menemukan ukuran tugas yang optimal untuk menghasilkan nilai akan menjadi faktor penting untuk beberapa tahun ke depan. * Memasukkan data ke dalam sistem siap agen. Data perusahaan sering terfragmentasi di antara lusinan atau ratusan sistem, banyak di antaranya tidak siap untuk dunia AI. Sebagian besar perusahaan masih perlu memodernisasi lingkungan data mereka untuk mendapatkan manfaat penuh dari Agen AI. * Mengakses data *tepat* untuk tugas adalah yang terpenting. Bahkan ketika Anda memiliki data di lingkungan modern, mendapatkan kontrol akses yang selaras dengan sempurna dengan apa yang akan dibutuhkan Agen AI mengakses sangatlah penting. Selanjutnya, memutuskan apa yang harus dilakukan RAG vs. hanya pencarian umum vs. apa yang harus dimasukkan sepenuhnya ke dalam jendela konteks akan sangat penting per tugas. * Memilih apa yang harus deterministik vs. non-deterministik. Jika Anda menuntut terlalu banyak dari model, Anda mungkin akan melihat penurunan kualitas. Namun, jika Anda memiliki model yang melakukan terlalu sedikit, maka Anda secara dramatis kurang memanfaatkan apa yang mungkin dilakukan dengan AI. Ini tentu saja merupakan target yang bergerak karena modelnya sendiri meningkat pada tingkat yang semakin cepat. * Antarmuka pengguna yang tepat untuk mendapatkan konteks Agen AI sangat penting. Setengah dari masalah untuk mendapatkan konteks ke agen sama sekali tidak terlihat seperti masalah AI. Ini semua tentang di mana agen muncul dalam alur kerja dan bagaimana pengguna berinteraksi dengan mereka untuk memberi mereka konteks yang diperlukan untuk melakukan tugas. Perlombaan untuk beberapa tahun ke depan dalam AI di perusahaan adalah untuk melihat siapa yang terbaik untuk memberikan konteks yang tepat untuk alur kerja tertentu. Ini akan menentukan pemenang dan pecundang dalam perlombaan AI.

Sungguh liar berapa banyak peluang Agen AI yang ada yang jauh lebih besar daripada pasar pra-AI mereka. TAM pasar editor kode adalah beberapa miliar dolar pada tahun 2020. Agen pengkodean AI bisa menjadi pasar $50-100B+ dalam 5-10 tahun ke depan. Anda dapat melakukan ini untuk banyak ruang.

Di dunia Agen AI, ukuran pasar untuk SaaS tumbuh vs. menyusut. Anda tidak hanya masih memerlukan sistem catatan untuk mengelola data dan alur kerja perusahaan, tetapi Agen AI membuat proposisi nilai yang sama sekali baru untuk alat ini. Anda membawa pekerjaan kepada pelanggan sekarang.