Nästan allt om hur vi bygger programvaruprodukter för företag förändras just nu. I åratal när du byggde SaaS-produkter var hela ditt designfokus hur en användare skulle interagera med systemet för att utföra sin uppgift, på egen hand eller i samarbete. Nu handlar många av de grundläggande designutmaningarna mer om hur användaren kommer att arbeta med AI Agents för att utföra denna uppgift. Detta omvandlar frågorna till hur användaren kommer att konfigurera, distribuera, orkestrera eller ge kontext till AI-agenter för att utföra arbete och sedan granska och införliva sitt arbete efteråt. Händer detta i ett befintligt användargränssnitt? Gör du detta via chatten? Är det genom uppgiftslista eller kö? Är det genom en arbetsflödesbyggare? Beskriver du det som en agent eller bara produktiv det specifika resultat som kunden vill ha? Du kan se de tidiga skillnaderna som utspelar sig just i AI-kodningsutrymmet just nu, där det finns en debatt mellan IDE, terminal, webbgränssnitt eller bara att använda slack. I alla fall är en sak som verkar vara klar på många sätt, för användaren, blir programvaran riktningsmässigt enklare. De nobbar, växlar, omkopplare och komponenter som behövs för att människor ska kunna utföra uppgifter är mindre nödvändiga i en värld av AI-agenter. API:erna för dessa funktioner är fortfarande viktiga för AI-agenterna att använda (så att de inte försvinner), men de används främst i bakgrunden. Och när de så småningom visas för användaren är det mer för avancerade användningsfall, undantagshantering eller granskningsprocessen, i stället för den vanliga aktiviteten. Vi befinner oss i den mest intressanta perioden av mjukvarudesign som vi någonsin har varit i. Vi måste designa för både användare och autonoma agenter på samma gång. Och vi är bara i början av hur det ser ut.

Intelligensen för AI-agenter för varje vertikal sitter bara i de bästa AI-modellerna just nu och väntar på att utnyttjas. Rätt domänförståelse, verktygsanrop, kontextteknik och UX kommer att låsa upp så många användningsfall. Sedan växer marknaderna bara i takt med att modellerna förbättras.

Många av de bästa AI Agent-spelen är inom områden där du siktar på att automatisera hela arbetsflödet, men det finns gott om värde i att automatisera enskilda uppgifter eller delar av arbetet på vägen. Du kan skapa massor av värde nu, men sedan växer TAM bara i takt med att modellerna blir bättre.

En metod som vi har implementerat för att sätta AI först på Box är att någon demonstrerar sitt AI-arbetsflöde för hela företaget varje vecka. Vanligtvis är det något vi aldrig skulle ha förutspått. Bra att balansera central planering för teknik och decentralisering för implementering av användningsfall.

NVIDIA kommer att bli det första företaget på 10 biljoner dollar

De bästa AI Agent-spelen är där modellen presterar bra, men där det fortfarande finns ett stort gap mellan modellen och arbetsflödet. Det är här du kan bygga en riktig vallgrav med bättre domänförståelse, data, verktygsanvändning, sammanhang och en skräddarsydd UX. Många möjligheter här.

Det finns förmodligen för mycket rädsla för att AI-modeller äter upp applagret när de förbättras. För att AI-agenter ska fungera behöver de flesta företag en brygga mellan AI och deras specifika arbetsflöden. Det visar sig att den sista biten av att få AI-agenter att arbeta i verkliga, mycket varierande och fientliga miljöer är vansinnigt svår. Och det blir i allt högre grad den mest värdefulla delen av hela processen. Bron mellan AI-modeller och företagsarbetsflöden kommer att vara en stor mängd programvara för att ansluta till olika system, hämta in rätt företagsdata, hantera säkerhet och behörigheter på rätt sätt och ha en djup nivå av kontext knuten till användningsfallet. Sedan lägger du till kundsupport som är skräddarsydd för användningsfallet, SLA:er, ansvarsklausuler, skräddarsydda försäljningsrörelser, anpassade partnerskap för kategorin och så vidare. Listan som krävs är ganska oändlig. Varje enskild vertikal, och till och med kritisk horisontell kategori, kommer att kräva en stor mängd expertis för att göra AI-agenterna effektiva. Den stora möjligheten just nu är att identifiera var dessa luckor är som störst (mellan modell och arbetsflöde) och fylla i dem med lämplig programvara och expertis. Och även om modellerna förbättras – vilket tidigare har inneburit en risk för kannibalisering – kan de fokuserade aktörerna bara erbjuda ännu mer värde och användningsområden till kunderna. Det finns nästan inget scenario, om du har gått efter rätt marknadsmöjlighet, där modellförbättringar är en dålig sak när du bygger AI-agenter.

Det finns så många möjligheter just nu när det gäller att göra AI Agents verkliga för företag. Modellerna har vansinniga funktioner, men för att få in dem mitt i ett företagsarbetsflöde krävs betydande stöd, domänförståelse och kontextteknik. Det här är pjäsen.

Att skapa AI-agenter är en övning i att balansera deterministiska och icke-deterministiska arbetsflöden. För lite agentfria tyglar och du drar inte nytta av modellens intelligens. För mycket och du får säkerhetsproblem eller slumpmässiga resultat. Det är därför SaaS + Agents kommer att finnas kvar.

Om du bygger AI-agenter måste du hitta den optimala arbetsnivån att automatisera för maximal effektivitet och TAM-storlek. För smalt och agenterna kommer att fungera men TAM är liten. För allmänt och agenterna kommer inte att arbeta ännu, men TAM är stort. Måste hitta den perfekta platsen.