Verktøyene som fungerer best for agenter vil i økende grad være de mer vellykkede fordi vi over tid vil ha 1,000 ganger flere agenter enn folk som bruker programvare. Programvare har alltid blitt bygget for mennesker. Men folk gjør oppgaver ett trinn om gangen, de har også mye kontekst i hodet som går inn i oppgaven, og når programvare er vanskelig å bruke eller tilbyr flere motstridende løsninger, kan de alltid se et webinar eller snakke med en kollega for å finne ut det rette. Agenter, derimot, kan behandle mye mer data, jobbe parallelt, men vil også løpe løpsk med motstridende verktøy eller datakilder. Så vi må designe programvare som faktisk fungerer bra for at agentene skal lykkes like mye som vi gjør for mennesker. Dette vil bli en ny klasse av problemer og sannsynligvis føre til helt nye programvarekategorier på ulike deler av infrastruktur- og plattformlagene. Supervanskelig, men vilt morsomt problem.

Det kan være lett å undervurdere hva som nødvendigvis er for å bringe AI-agenter i hendene på de fleste kunnskapsarbeidere. Dette er faktisk gode nyheter fordi det direkte korrelerer med muligheten til å bygge AI-agenter akkurat nå. Dette er den generelle buen for all ny teknologi, der folk i teknologibransjen direkte ser den fulle kraften og potensialet til noe, og forestiller seg hvor enkelt det kan implementeres for deres egne arbeidsflyter. Men det meste av verden vil bare ha enkle og forhåndsbygde løsninger på problemer. De ønsker ikke å måtte lære om alle vanskelighetene med å få noe til å fungere eller hvordan de kan endre prosessen for å redusere hullene i den nye teknologien. Dette er alltid markedsmuligheten for anvendte løsninger, og AI har disse egenskapene i massevis. Når det gjelder AI-agenter, vil de riktige løsningene være de som best samler hele arbeidsflyten, snakker med kundenes eksisterende data, kobler til de ulike verktøyene de bruker, jobber på tvers av plattformer på tvers av systemene deres, har spesialbygde brukergrensesnitt for å samhandle med agentene, og så videre. Det må også være ganske mye endringsledelse underveis for bedrifter og alle som ikke er tidlig ute med å ta i bruk. Det er her en eller annen form for fremtidsrettet ingeniør- eller konsulentvirksomhet er viktig, og hvor det å faktisk jobbe dypt med kunder på en måte som er relevant for deres domene vil være avgjørende. Og hvis du frykter rask modellfremgang, har du det baklengs. Rask modellfremgang er faktisk en veldig god ting. Jo mer modeller gjør mulig i AI-agenten din, jo mer verdi kan du tilby kunder i ditt bestemte domene. Dette er den store muligheten akkurat nå.

Motdynamikken til AI-modellen som gjør alt, er at, i det minste i bedriften, krever det fortsatt en enorm mengde arbeid med lang hale å bygge bro mellom AI-modellenes evner og kundens miljø. Gapet mellom en AI-agent som jobber for 90 % eller 95 % av løsningen og 100 % er vanligvis omtrent 10 ganger mer arbeid enn de fleste er klar over. Å få tilgang til bedriftsdataene, koble til bedriftens arbeidsflyter, levere endringsadministrasjonen som ansatte trenger for å ta i bruk teknologien, håndtere forskrifts- og samsvarskravene i den bransjen, og så videre, krever alle en viss grad av svært dedikert fokus i et domene. Det er en sterk analogi til vertikal SaaS her faktisk. Man skulle tro at horisontale teknologier kunne løse alle problemer i SaaS. Men faktisk er det endeløse veldig store selskaper som bare hyperfokuserer på et enkelt domene, fordi det spesialiseringsnivået verdsettes av bedriften. Vi vil sannsynligvis se det samme utspille seg med AI-agenter i bedriften også. Og faktisk vil disse domenene være langt større enn tradisjonelle programvarekategorier fordi TAM ikke er programvare, det er arbeid som skal gjøres. Veldig morsom debatt, men jeg tar den andre siden.