Det er sannsynligvis for mye frykt for at AI-modeller spiser applaget etter hvert som de forbedres. For at AI-agenter skal fungere, vil de fleste bedrifter kreve en bro mellom AI og deres spesifikke arbeidsflyter. Det viser seg at den siste milen med å få AI-agenter til å fungere i ekte, svært varierende og fiendtlige miljøer er vanvittig vanskelig. Og i økende grad er det den mest verdifulle delen av hele prosessen. Denne broen mellom AI-modeller og bedriftsarbeidsflyter vil være en stor mengde programvare for å koble til forskjellige systemer, trekke inn de riktige bedriftsdataene, håndtere sikkerhet og tillatelser riktig, og ha et dypt nivå av kontekst knyttet til brukstilfellet. Deretter legger du til kundestøtte skreddersydd for brukstilfellet, SLA-er, ansvarsklausuler, skreddersydde salgsforslag, tilpassede partnerskap for kategorien og så videre. Listen som kreves er ganske uendelig. Hver eneste vertikale, og til og med kritiske horisontale kategori, vil kreve en dyp mengde ekspertise for å gjøre AI-agentene effektive. Den store muligheten akkurat nå er å identifisere hvor disse hullene er størst (mellom modell og arbeidsflyt), og fylle dem ut med riktig programvare og ekspertise. Og selv om modellene forbedres - noe som tidligere har presentert risikoen for kannibalisering - kan de fokuserte aktørene bare tilby enda mer verdi og brukstilfeller til kundene. Det er nesten ikke noe scenario hvis du har gått etter den riktige markedsmuligheten, der modellforbedringer er en dårlig ting når du bygger AI-agenter.

Det er så mange muligheter akkurat nå for å gjøre AI-agenter virkelige for bedrifter. Modellene har vanvittige evner, men for å få dem inn midt i en bedriftsarbeidsflyt kreves betydelig stillas, domeneforståelse og kontekstteknikk. Dette er stykket.

Å bygge AI-agenter er en øvelse i å balansere deterministiske og ikke-deterministiske arbeidsflyter. For lite agentfrie tøyler og du drar ikke nytte av modellens intelligens. For mye og du vil få sikkerhetsproblemer eller tilfeldige resultater. Dette er grunnen til at SaaS + Agents vil forbli.

Hvis du bygger AI-agenter, må du finne det optimale arbeidsnivået for å automatisere for maksimal effektivitet og TAM-størrelse. For smal og agentene vil fungere, men TAM er liten. For generelt og agentene vil ikke fungere ennå, men TAM er stort. Må finne det søte stedet.

Kontekstteknikk er i økende grad den mest kritiske komponenten for å bygge effektive AI-agenter i bedriften akkurat nå. Dette vil til slutt være den lange stangen i teltet for adopsjon av AI Agents i de fleste organisasjoner. Vi trenger AI-agenter som kan forstå konteksten til forretningsprosessen de er knyttet til. Dette betyr å få tilgang til de viktigste dataene for den arbeidsflyten, bruke de riktige verktøyene til rett tid, ha riktige mål og instruksjoner og forstå domenet de er i. Noen av de store åpne elementene for alle som bygger bedriftsagenter er: * Smale vs. generalagenter. Jo mindre oppgaven er, desto lettere er det å gi AI-agentene riktig kontekst for å lykkes. Men jo mindre oppgaven er, jo mindre verdi vil det være. Å finne den optimale oppgavestørrelsen for verdiskaping vil være en viktig faktor de neste årene. * Få data inn i et agentklart system. Bedriftsdata er ofte fragmentert mellom dusinvis eller hundrevis av systemer, hvorav mange ikke er forberedt på en verden av AI. De fleste selskaper vil fortsatt trenge å modernisere datamiljøene sine for å få fullt utbytte av AI Agents. * Tilgang til *riktige* data for oppgaven er avgjørende. Selv når du har data i et moderne miljø, er det avgjørende å få tilgangskontroller perfekt tilpasset det AI-agenten trenger tilgang til. Videre vil det å bestemme hva du skal gjøre RAG på kontra bare et generelt søk kontra hva du skal legge helt inn i kontekstvinduet bety mye per oppgave. * Velge hva som skal være deterministisk vs. ikke-deterministisk. Hvis du krever for mye av modellene, vil du sannsynligvis se noe fall i kvalitet. Likevel, hvis du får modellen til å gjøre for lite, underutnytter du dramatisk det som er mulig med AI. Dette er selvfølgelig et bevegelig mål fordi modellene i seg selv forbedres i en akselererende hastighet. * Det riktige brukergrensesnittet for å få AI Agents-konteksten er dypt viktig. Halvparten av problemet med å få kontekst til agenter ser ikke ut som et AI-problem i det hele tatt. Det handler om hvor agentene vises i arbeidsflyten og hvordan brukeren samhandler med dem for å gi dem den konteksten som er nødvendig for å utføre oppgaven. Kappløpet for de neste årene innen AI i bedriften er å se hvem som er best til å levere riktig kontekst for en gitt arbeidsflyt. Dette vil avgjøre vinnerne og taperne i AI-løpet.

Det er vilt hvor mange AI Agent-muligheter det er som er mye større enn deres pre-AI-markeder. TAM for koderedigeringsmarkedet var noen få milliarder dollar i 2020. AI-kodeagenter kan være et marked på 50-100 milliarder dollar+ i løpet av de neste 5-10 årene. Du kan gjøre dette for mange mellomrom.

I en verden av AI-agenter vokser markedsstørrelsen for SaaS kontra krymper. Ikke bare trenger du fortsatt registreringssystemer for å administrere bedriftsdata og arbeidsflyter, men AI-agenter skaper helt nye verdiforslag for disse verktøyene. Du bringer arbeid til kunden nå.

Her er den nye ChatGPT-agenten som finkjemmer markeds- og strategidata som er lagret i Box for å produsere en powerpoint-presentasjon. Muligheten for AI-agenter til å koble til data fra hvor som helst, bruke en datamaskin og automatisere arbeid i bakgrunnen kommer til å være vill.

ChatGTP har nettopp lansert en agent med tilkoblede apper og sin egen datamaskin. Her er en test av agenten som har i oppgave å lage en strategipresentasjon med markedsundersøkelser og en mal fra Box. Det er tidlig, men fremtiden er agenter som gjør arbeid for oss 24/7 i bakgrunnen.

Programvarens forretningsmodell vil være seter for brukeren og forbruk for agentene. Den store oppsiden nå er at det er mange AI Agent-muligheter der TAM langt overstiger de tidligere potensielle seteinntektene. For nå leverer du arbeid, ikke bare aktiverer det.