Ursprünglich wurde gedacht, dass ein einzelner KI-Agent beliebig große Arbeitsabläufe bewältigen könnte. Stattdessen scheint das Muster, das funktioniert, darin zu bestehen, Subagenten einzusetzen, die nach Aufgaben spezialisiert sind, um Kontextverfall zu vermeiden. Die Arbeitsteilung von KI-Agenten könnte die Zukunft sein.

Es gibt gerade ein Zeitfenster, in dem KI-Agenten für jede Branche und jedes Gebiet entwickelt werden. Das Handbuch besteht darin, tief in die Kontextgestaltung einzutauchen, die für die Branche oder den speziellen Bereich erforderlich ist, die richtige Benutzererfahrung zu finden, die sich nahtlos in die bestehenden Arbeitsabläufe einfügt, und sich mit den relevanten Datenquellen und Tools zu verbinden. Besonders zu Beginn ist es nützlich, so nah wie möglich an den wichtigsten Kunden zu sein, um herauszufinden, was funktioniert und was nicht, und ständig Verbesserungen vorzunehmen, um sie zurück zur Muttergesellschaft zu bringen. KI entwickelt sich gerade so schnell, dass es einen großen Vorteil bringt, schnelle Updates vorzunehmen und zu sehen, wie sie die Arbeitsabläufe der Kunden verbessern. Es ist auch wichtig, die Agenten so zu bepreisen, dass eine maximale Akzeptanz erreicht wird, mit einfachen Abonnementpreisen oder einem klaren Verbrauchsmodell, und zu erwarten, dass man die Kostensenkungen durch die Effizienz der KI ausnutzt. Sei jetzt nicht zu gierig bei den Preisen, da der Marktanteil wahrscheinlich am wichtigsten ist. Es kann hilfreich sein, Anwendungsfälle anzugehen, die durch die Verfügbarkeit oder hohe Kosten von Talenten eingeschränkt sind. Das bedeutet, dass jeder inkrementelle Produktivitätszuwachs in diesen Bereichen eine hohe Rendite für den Kunden bietet. In diesen Bereichen sind die Kunden immer bereit, KI-Agenten auszuprobieren, um endlich ihre Probleme zu lösen. Deshalb nehmen KI-Coding-Agenten, Sicherheitsagenten oder Rechtsagenten gerade an Fahrt auf. Dies sind alles Bereiche, in denen die Nachfrage nach Problemlösungen immer das verfügbare Talent überstiegen hat. Aber jede Branche hat Beispiele dafür. Es gibt gerade einen klaren Moment, in dem die nächste Generation dieser KI-Agenten in jedem Bereich entwickelt wird.

Wenn Sie sich vorstellen, dass jede Jobfunktion und jeder Workflow einen KI-Agenten als Gegenstück haben wird, um die Arbeit zu automatisieren, ist es klar, dass wir uns in den frühesten Phasen der KI-Welle befinden. Jede Branche und Geschäftslinie stellt eine neue Markt-Kategorie und ein brandneues TAM dar, das zuvor nicht existierte.

Die Arbeitsteilung für KI-Agenten wird entscheidend sein, um die Wirkung von Agenten in allen Bereichen der Wissensarbeit zu maximieren. Wir haben schon lange eine Arbeitsteilung in Organisationen, weil sich herausstellt, dass es effektiver ist, wenn einzelne Experten Aufgaben aneinander übergeben, als wenn eine Gruppe von Generalisten versucht, Dinge jedes Mal auf eine andere Weise zu erledigen. KI-Agenten zeigen dasselbe dynamische Verhalten. Damit KI-Agenten funktionieren, benötigen sie genau den richtigen Kontext über die Aufgabe, die sie zu erledigen versuchen. Das bedeutet ein tiefes Fachverständnis, einen Wissensbestand, auf den sie zurückgreifen können, klare Anweisungen und eine Reihe von Werkzeugen, die sie verwenden können. Zu wenig Kontext und der Agent wird scheitern. Doch ebenso wissen wir, dass, wenn mehr dieser Informationen in das Kontextfenster gelangen, die Modelle suboptimal werden können. Für einen komplexen Geschäftsprozess, wenn Sie alle Dokumentationen, Beschreibungen des Workflows und Anweisungen in das Kontextfenster einfügen, wissen wir, dass der Agent schließlich verwirrt wird und schlechtere Ergebnisse liefert. Die logische Architektur wird dann in der Zukunft darin bestehen, Agenten in atomare Einheiten zu unterteilen, die den richtigen Arten von Aufgaben entsprechen, und diese Agenten dann zusammenarbeiten zu lassen, um ihre Arbeit zu erledigen. Wir sehen bereits, dass sich dies effektiv bei Codierungsagenten abspielt. Es gibt immer mehr Beispiele, in denen Menschen Subagenten einrichten, die jeweils spezifische Teile eines Codebases oder eines Servicebereichs besitzen. Jeder Agent ist für einen Teil des Codes verantwortlich, und es gibt agentenfreundliche Dokumentationen für den Code. Wenn dann Arbeit in diesem relevanten Bereich des Codebases benötigt wird, koordiniert ein Orchestrierungsagent mit diesen Subagenten. Wir könnten sehen, dass dieses Muster wahrscheinlich auf fast jeden Bereich der Wissensarbeit in der Zukunft anwendbar ist. Dies wird es ermöglichen, KI-Agenten für weit mehr als nur aufgabenbezogene Anwendungsfälle zu nutzen und ganze Workflows im Unternehmen zu unterstützen. Selbst wenn sich KI-Modelle verbessern, um größere Kontextfenster zu handhaben, und die Intelligenzlevel steigen, ist es nicht offensichtlich, dass diese Architektur jemals wegfällt. Es ist wahrscheinlich, dass die Rolle jedes Agenten sich erweitert, während sich die Fähigkeiten verbessern, aber klare Trennlinien zwischen Subagenten könnten immer zu besseren Ergebnissen führen.

Die Aufteilung der Arbeit von KI-Agenten könnte der menschlichen Arbeitsteilung entsprechen. Menschen verwenden Subagenten, die spezifische Mikrodienste in einem Code-Basis besitzen. Jeder Dienst hat agentenfreundliche Dokumentationen, die er fortlaufend aktualisiert. Auf diese Weise optimierst du, was im Kontextfenster ist. Die Zukunft ist verrückt.

Das mentale Modell für fortgeschrittene KI ist, dass die Modelle hochgradig generalisierbar sein werden, aber sie müssen mit sehr spezifischem Kontext kombiniert werden. Präzise Eingaben, Subagenten, die nach Aufgaben unterteilt sind, agentenfreundliche Dokumente, Wissenszugang. Selbst wenn sich die Modelle verbessern, ändert sich daran nichts.

Wenn Sie KI-Agenten entwickeln, ist es äußerst wichtig, die optimalen Anwendungsfälle zu ermitteln, die maximieren, was Agenten gut können, im Vergleich zu dem, wofür sie *noch* nicht bereit sind. Es gibt so viele Kategorien von Arbeiten, bei denen KI-Agenten helfen können, zu automatisieren oder zu ergänzen. Die richtigen auszuwählen, die kurzfristig Wert liefern und sich im Laufe der Zeit mit Verbesserungen des Modells weiterentwickeln, ist entscheidend. Hier sind einige Merkmale, die derzeit zu funktionieren scheinen: * Arbeiten, die eine große Menge an unstrukturierten Daten und Informationen erfordern. Das könnten Dokumente, visuelle Daten auf einem Bildschirm, Videoinhalte und mehr sein. Dies ist der Bereich, den Computer und Software zuvor nie bewältigen konnten, und die Anwendungsfälle hier sind vielfältig. * KI-Agenten sind nützlich für Dinge, die ansonsten menschliches Urteilsvermögen oder Interpretation erfordern, und das könnte immer der Fall sein. In dem Moment, in dem Sie hoffen, etwas mit sehr strengen Regeln zu replizieren, das immer wieder passiert, möchten Sie wahrscheinlich Software und keine Agenten. * Je komplexer die automatisierte Arbeit ist, desto mehr besteht die Notwendigkeit für ein menschliches Element im Prozess. Das ist der Grund, warum Code-Agenten derzeit so gut funktionieren, da Sie letztendlich die Ausgaben des Agenten testen und studieren können, um herauszufinden, was richtig oder falsch zurückgekommen ist. Selbst wenn diese Agenten Fehler machen, ist die Intervention für jeden qualifizierten Benutzer relativ unkompliziert. * Setzen Sie auf Anwendungsfälle, bei denen die Kernintelligenz der Modelle, die besser werden, weiterhin Ihren Agenten zugutekommt. Wenn Sie alles über Ihren Anwendungsfall heute mit KI lösen können, ist es wahrscheinlich nicht ein interessanter genug Markt, um ihn anzugehen. Gehen Sie nach Szenarien, in denen mit Verbesserungen des Modells schrittweise Werte hinzugefügt werden. Zahlreiche weitere Merkmale bestimmen, welche Anwendungsfälle in dieser Phase gut für Agenten sind, aber letztendlich gibt es in jeder Kategorie von Arbeiten zahlreiche Möglichkeiten, die es zu verfolgen gilt.

Einer der großen Vorteile von KI-Agenten für Wissensarbeit ist, dass sich die ROI in Bezug auf eine Reihe von Dingen dramatisch ändert, die man vorher nicht hätte tun können. Es gibt eine Menge Arbeit, die wir heute nicht erledigen, weil wir die "Fixkosten" für deren Umsetzung nicht rechtfertigen können. Fast jede neue Idee wird zu einem Meeting, mit Nachverfolgungen und mehr Koordinationsaufwand. Daher priorisieren Sie, zu Recht, nur die Arbeiten mit dem höchsten Einfluss und hoffen, dass Sie die richtige Entscheidung getroffen haben, was das ist. KI-Agenten ändern hier die Berechnung. Das Produktteam kann es sich leisten, mehr Ideen zu prototypisieren, um zu sehen, welche besser ist. Der Business Analyst kann mehr Kundendaten durchforsten, um einen versteckten Einblick zu finden. Der Ingenieur kann Funktionen schneller entwickeln. Das Rechtsteam kann kleinere Kunden besser unterstützen. Der Produktmarketer kann mehr Kampagnen durchführen oder mehr Nachrichten testen, um mehr Kunden zu erreichen. Einige dieser Dinge werden natürlich nicht viel ausmachen. Aber viele werden es. Und indem die Kosten für das Ausprobieren einer neuen Idee, das Testen einer Marketingbotschaft oder das Recherchieren eines Marktes gesenkt werden, werden Unternehmen viel mehr tun als zuvor oder zumindest schneller zu ihrem nächsten Ziel gelangen.

Die Figma-Fallstudie ist eine großartige. Ein Team, das zu 100 % darauf fokussiert ist, großartige Produkte zu entwickeln, produktgetriebenes Wachstum, faire Preise, starke Netzwerkeffekte aufzubauen und in logische angrenzende Bereiche zu expandieren, ohne sich zu sehr zu überdehnen. Viele Lektionen für die nächste Generation von Startups.

Es ist schwer zu übertreiben, wie langsam der Produktdesignprozess vor Figma war. Man hat einfach mit Low-Fi-Wireframes brainstormt, Feedbackschleifen haben ewig gedauert, und man hat Wochen auf Mockups gewartet. Jetzt sieht man im Grunde innerhalb von Stunden einen Prototyp seines Produkts, nachdem man ihn entwickelt hat.