Bijna alles over hoe we enterprise softwareproducten bouwen verandert momenteel. Jarenlang, wanneer je SaaS-producten bouwde, was je hele ontwerpfocus hoe een gebruiker met het systeem zou interageren om hun taak te voltooien, alleen of samen. Nu zijn veel van de kernontwerpproblemen meer gericht op hoe de gebruiker met AI-agenten zal samenwerken om deze taak uit te voeren. Dit verandert de vragen in hoe de gebruiker AI-agenten zal instellen, implementeren, orkestreren of context zal bieden om werk uit te voeren, en vervolgens hun werk zal beoordelen en integreren. Gebeurd dit in een bestaande UI? Doe je dit via chat? Is het via een takenlijst of wachtrij? Is het via een workflowbouwer? Beschrijf je het als een agent of produceer je gewoon de specifieke uitkomst die de klant wil? Je kunt de vroege verschillen nu al zien in de AI-coderingsruimte, waar een debat gaande is tussen de IDE, terminal, web UI, of gewoon het gebruik van Slack. In alle gevallen lijkt één ding duidelijk: in veel opzichten wordt software voor de gebruiker richtinggevend eenvoudiger. De knoppen, schakelaars, en componenten die nodig zijn voor mensen om taken uit te voeren zijn minder noodzakelijk in een wereld van AI-agenten. De API's voor deze mogelijkheden zijn nog steeds belangrijk voor de AI-agenten om te gebruiken (dus ze verdwijnen niet), maar ze worden voornamelijk op de achtergrond benut. En wanneer ze uiteindelijk voor de gebruiker verschijnen, is het meer voor geavanceerde gebruikssituaties, foutafhandeling of het beoordelingsproces, in plaats van de gebruikelijke activiteit. We bevinden ons in de meest interessante periode van softwareontwerp die we ooit hebben meegemaakt. We moeten tegelijkertijd ontwerpen voor gebruikers en autonome agenten. En we zijn pas in de beginfase van hoe dat eruit ziet.

De intelligentie voor AI-agenten voor elke sector ligt momenteel gewoon in de beste AI-modellen te wachten om benut te worden. Het juiste domeinbegrip, het aanroepen van tools, contextengineering en UX zullen zoveel gebruikscases ontgrendelen. Dan groeien de markten gewoon naarmate de modellen verbeteren.

Veel van de beste AI-agentspellen bevinden zich in gebieden waar je de volledige workflow wilt automatiseren, maar er is ook veel waarde in het automatiseren van individuele taken of delen van werk onderweg. Je kunt nu een hoop waarde creëren, maar dan groeit de TAM gewoon naarmate de modellen beter worden.

Een praktijk die we hebben geïmplementeerd om AI-eerst te gaan bij Box, is dat elke week iemand zijn AI-werkstroom demonstreert aan het hele bedrijf. Meestal is het iets dat we nooit hadden kunnen voorspellen. Het is goed om centrale planning voor technologie in balans te brengen met decentralisatie voor de adoptie van gebruiksgevallen.

NVIDIA zal het eerste bedrijf van $10 biljoen zijn

De beste AI-agent spellen zijn waar het model goed presteert, maar waar er nog steeds een grote kloof is tussen het model en de workflow. Dit is waar je een echte voorsprong kunt opbouwen met een beter domeinbegrip, data, toolgebruik, context en een op maat gemaakte gebruikerservaring. Hier zijn veel kansen.

Er is waarschijnlijk te veel angst dat AI-modellen de applicatielaag opslokken naarmate ze verbeteren. Voor AI-agents om te functioneren, zullen de meeste bedrijven een brug nodig hebben tussen de AI en hun specifieke workflows. Het blijkt dat de laatste stap om AI-agents te laten werken in echte, zeer variabele en vijandige omgevingen, ongelooflijk moeilijk is. En steeds vaker is dit het meest waardevolle deel van het hele proces. Die brug tussen AI-modellen en bedrijfsworkflows zal een aanzienlijke hoeveelheid software vereisen om verbinding te maken met verschillende systemen, de juiste bedrijfsdata binnen te halen, beveiliging en machtigingen goed te beheren, en een diep niveau van context te hebben dat is gekoppeld aan de use case. Daarbij komt ook nog eens klantenservice op maat voor de use case, SLA's, aansprakelijkheidsclausules, op maat gemaakte verkoopstrategieën, afgestemde partnerschappen voor de categorie, enzovoort. De lijst die nodig is, is vrijwel eindeloos. Elke enkele verticale, en zelfs kritieke horizontale categorie, zal een diepgaande expertise vereisen om de AI-agents effectief te maken. De grote kans op dit moment is om te identificeren waar deze hiaten het breedst zijn (tussen model en workflow), en deze in te vullen met de juiste software en expertise. En, zelfs naarmate de modellen verbeteren - wat eerder het risico van kannibalisatie met zich meebracht - kunnen de gefocuste spelers gewoon nog meer waarde en use-cases aan klanten bieden. Er is bijna geen scenario, als je de juiste marktkans hebt aangegrepen, waarin modelverbeteringen een slechte zaak zijn bij het bouwen van AI-agents.

Er zijn momenteel zoveel kansen om AI-agenten werkelijkheid te maken voor ondernemingen. De modellen hebben ongelooflijke mogelijkheden, maar om ze in het midden van een bedrijfsworkflow te krijgen, is aanzienlijke ondersteuning, domeinbegrip en contextengineering vereist. Dit is de strategie.

Het bouwen van AI-agenten is een oefening in het balanceren van deterministische en niet-deterministische workflows. Te weinig vrijheid voor de agent en je profiteert niet van de intelligentie van het model. Te veel en je krijgt beveiligingsproblemen of willekeurige resultaten. Dit is waarom SaaS + Agents zal blijven.

Als je AI-agenten bouwt, moet je het optimale niveau van werk vinden om te automatiseren voor maximale effectiviteit en TAM-grootte. Te smal en de agenten zullen werken, maar de TAM is klein. Te algemeen en de agenten zullen nog niet werken, maar de TAM is groot. Je moet de gouden middenweg vinden.