Awalnya pemikirannya adalah bahwa agen AI tunggal akan menangani alur kerja besar secara sewenang-wenang. Sebaliknya, pola yang tampaknya berhasil adalah menyebarkan subagen yang memiliki spesialisasi berdasarkan tugas untuk menghindari pembusukan konteks. Pembagian kerja agen AI mungkin masa depan.

Ada jendela saat ini di mana agen AI akan dibuat untuk setiap vertikal dan domain. Buku pedoman adalah mendalami rekayasa konteks yang diperlukan untuk ruang vertikal atau tertentu, mencari tahu UX yang tepat yang terkait dengan alur kerja yang ada secara alami, dan terhubung ke sumber data dan alat yang relevan. Terutama sejak awal, berguna untuk mendekati pelanggan utama sedekat mungkin untuk mengetahui apa yang berhasil dan apa yang tidak dan terus-menerus melakukan perbaikan untuk membawa mereka kembali ke kapal induk. AI bergerak begitu cepat saat ini sehingga ada premi besar dalam membuat pembaruan cepat dan melihat bagaimana mereka meningkatkan alur kerja pelanggan. Penting juga untuk menetapkan harga agen untuk adopsi maksimum dengan harga berlangganan sederhana atau pada model konsumsi yang jelas, dan berharap untuk mengatasi peningkatan biaya dari efisiensi AI. Jangan terlalu serakah pada harga sekarang karena pangsa pasar mungkin yang paling penting. Akan sangat membantu untuk mengejar kasus penggunaan yang dibatasi oleh ketersediaan atau biaya bakat yang tinggi. Ini berarti bahwa setiap peningkatan produktivitas bertahap di ruang ini menawarkan ROI yang tinggi bagi pelanggan. Di area ini, pelanggan akan selalu bersedia mencoba agen AI untuk akhirnya menyelesaikan masalah mereka. Inilah sebabnya mengapa agen pengkodean AI, agen keamanan, atau agen hukum lepas landas saat ini. Ini semua adalah area di mana permintaan untuk memecahkan masalah selalu melebihi tingkat bakat yang tersedia. Tetapi setiap vertikal memiliki contoh ini. Ada momen yang jelas saat ini di mana generasi berikutnya dari Agen AI ini akan dibangun di setiap ruang.

Jika Anda membayangkan setiap fungsi dan alur kerja pekerjaan akan memiliki mitra Agen AI untuk mengotomatiskan pekerjaan, jelas kita berada di tahap awal gelombang AI. Setiap vertikal dan lini bisnis mewakili kategori pasar baru dan TAM baru yang tidak ada sebelumnya.

Pembagian kerja untuk Agen AI akan sangat penting untuk memaksimalkan dampak agen di semua bidang pekerjaan pengetahuan. Kita telah lama memiliki pembagian kerja dalam organisasi karena ternyata memiliki ahli individu yang saling membagikan tugas lebih efektif daripada sekelompok generalis yang mencoba melakukan hal-hal dengan cara yang berbeda setiap saat. Agen AI menghadirkan dinamika yang sama. Agar Agen AI berfungsi, Anda memerlukan jumlah konteks yang tepat tentang tugas yang mereka coba selesaikan. Ini berarti pemahaman domain yang mendalam, seperangkat pengetahuan untuk dikerjakan, instruksi yang jelas, dan seperangkat alat untuk digunakan. Konteks terlalu sedikit dan agen akan gagal. Namun, sama halnya, karena lebih banyak informasi ini memasuki jendela konteks, kita tahu bahwa model dapat menjadi tidak optimal.  Untuk proses bisnis yang kompleks, jika Anda memasukkan semua dokumentasi, deskripsi alur kerja, dan instruksi ke dalam jendela konteks, kami tahu bahwa agen pada akhirnya akan bingung dan memberikan hasil yang lebih buruk. Arsitektur logis di masa depan adalah membagi agen dalam satuan atom yang memetakan ke jenis tugas yang tepat dan kemudian membuat agen-agen ini bekerja sama untuk menyelesaikan pekerjaan mereka. Kami sudah melihat ini dimainkan secara efektif dalam agen pengkodean. Ada semakin banyak contoh yang muncul dengan orang-orang yang menyiapkan subagen yang semuanya memiliki bagian tertentu dari basis kode atau area layanan. Setiap agen bertanggung jawab atas sebagian kode, dan ada dokumentasi yang ramah agen untuk kode tersebut. Kemudian karena pekerjaan diperlukan di area basis kode yang relevan, agen orkestrator berkoordinasi dengan subagen ini.  Kita dapat melihat pola ini kemungkinan berlaku untuk hampir semua bidang pekerjaan pengetahuan di masa depan. Ini akan memungkinkan Agen AI digunakan untuk lebih dari sekadar kasus penggunaan khusus tugas dan meluas untuk mendukung seluruh alur kerja di perusahaan. Bahkan ketika model AI meningkat untuk dapat menangani jendela konteks yang lebih besar, dan tingkat kecerdasan meningkat, tidak jelas bahwa arsitektur ini pernah hilang. Kemungkinan peran masing-masing agen berkembang seiring dengan peningkatan kemampuan, tetapi garis pemisahan yang jelas antara subagen selalu dapat menghasilkan hasil yang lebih baik.

Pembagian kerja agen AI dapat dipetakan dengan pembagian kerja manusia. Orang-orang menggunakan subagen yang memiliki layanan mikro tertentu dalam basis kode. Setiap layanan memiliki dokumen ramah agen yang diperbarui saat berjalan. Dengan cara ini Anda mengoptimalkan apa yang ada di jendela konteks. Masa depan itu liar.

Model mental untuk AI tingkat lanjut adalah bahwa model akan sangat dapat digeneralisasikan, tetapi perlu dipasangkan dengan konteks yang sangat spesifik. Petunjuk yang tepat, subagen dibagi berdasarkan tugas, dokumen yang ramah agen, akses pengetahuan. Bahkan ketika model meningkat, ini tidak berubah.

Jika Anda membangun Agen AI, sangat penting untuk mencari tahu kasus penggunaan optimal yang memaksimalkan agen apa yang bagus vs. apa yang belum mereka siapkan. Ada begitu banyak kategori pekerjaan yang dapat dibantu oleh Agen AI untuk mengotomatiskan atau menambah. Memilih yang tepat yang dapat memberikan nilai dalam waktu dekat dan menjadi lebih baik dari waktu ke waktu dengan peningkatan model sangat penting. Berikut adalah beberapa karakteristik yang tampaknya berfungsi saat ini: * Pekerjaan yang membutuhkan sejumlah besar data dan informasi tidak terstruktur. Ini bisa berupa dokumen, data visual di layar, konten video, dan banyak lagi. Ini adalah domain yang belum pernah dapat dilakukan komputer dan perangkat lunak sebelumnya, dan kasus penggunaannya di sini sangat luas. * Agen AI berguna untuk hal-hal yang membutuhkan penilaian atau interpretasi manusia, dan itu mungkin selalu terjadi. Saat Anda menemukan diri Anda berharap untuk meniru sesuatu dengan aturan yang sangat ketat yang terjadi berulang kali, Anda mungkin menginginkan perangkat lunak, bukan agen. * Semakin kompleks pekerjaan yang diotomatisasi, semakin ada kebutuhan akan elemen manusia dalam perulangan. Inilah sebabnya mengapa agen kode bekerja dengan sangat baik saat ini adalah Anda akhirnya dapat menguji dan mempelajari output agen untuk mengetahui apa yang kembali benar atau salah. Bahkan ketika agen-agen ini melakukan hal-hal yang salah, intervensi relatif mudah bagi setiap pengguna yang terampil. * Bertaruh pada kasus penggunaan di mana kecerdasan inti dari model yang menjadi lebih baik akan terus bertambah ke agen Anda. Jika Anda dapat menyelesaikan segala sesuatu tentang kasus penggunaan Anda dengan AI hari ini, itu mungkin bukan pasar yang cukup menarik untuk dikejar. Ikuti skenario di mana ada nilai tambahan yang ditambahkan dengan peningkatan model. Banyak lagi karakteristik menentukan kasus penggunaan mana yang baik untuk agen pada tahap ini, tetapi pada akhirnya banyak peluang di setiap kategori pekerjaan untuk dikejar.

Salah satu keuntungan besar dari Agen AI untuk pekerjaan pengetahuan adalah ROI berubah secara dramatis pada sejumlah hal yang tidak dapat Anda lakukan sebelumnya. Ada banyak pekerjaan yang tidak kami lakukan hari ini karena kami tidak dapat membenarkan "biaya tetap" untuk memulainya. Hampir setiap ide baru menjadi pertemuan, dengan tindak lanjut, dan lebih banyak pajak koordinasi. Jadi Anda, dengan benar, hanya memprioritaskan pekerjaan yang berdampak tertinggi, dan berdoa agar Anda telah membuat keputusan yang tepat tentang apa itu. Agen AI mengubah kalkulus di sini. Tim produk mampu membuat prototipe lebih banyak ide untuk melihat mana yang lebih baik. Analis bisnis dapat menyisir lebih banyak data pelanggan untuk menemukan wawasan tersembunyi. Insinyur dapat membangun fitur lebih cepat. Tim hukum dapat mendukung pelanggan yang lebih kecil dengan lebih baik. Pemasar produk dapat menjalankan lebih banyak kampanye atau menguji lebih banyak pesan untuk menjangkau lebih banyak pelanggan. Beberapa dari hal-hal ini tidak akan terlalu penting, tentu saja. Tapi banyak yang akan melakukannya. Dan dengan menurunkan biaya untuk mencoba ide baru, menguji pesan pemasaran, atau meneliti pasar, perusahaan akan mulai melakukan jauh lebih banyak daripada sebelumnya atau setidaknya sampai ke tujuan berikutnya lebih cepat.

Studi kasus Figma adalah studi yang bagus. Tim yang 100% berfokus pada membangun produk hebat, pertumbuhan yang dipimpin produk, penetapan harga yang wajar, membangun efek jaringan yang kuat, dan memperluas ke kedekatan logis tanpa terlalu berlebihan. Banyak pelajaran untuk generasi startup berikutnya.

Sulit untuk melebih-lebihkan betapa lambatnya proses desain produk sebelum Figma. Anda hanya akan bertukar pikiran dengan wireframe fi rendah, loop umpan balik akan memakan waktu lama, dan Anda akan menunggu berminggu-minggu untuk tiruan. Sekarang pada dasarnya Anda melihat prototipe produk Anda dalam beberapa jam setelah membuatnya.