Agent ma dwa zmienne: jedna to workflow kontrolujący przebieg zadań, a druga to kontekst kontrolujący generowanie treści. 1) Jeśli zarówno workflow, jak i kontekst mają wysoką deterministyczność, takie zadania łatwo zautomatyzować, podobnie jak w tradycyjnym RPA, na przykład podczas przetwarzania faktur czy wypełniania formularzy, AI pełni wówczas rolę spoiwa, a jego możliwości są dość ograniczone. 2) Jeśli workflow jest określony, ale kontekst niepewny, to znaczy, że proces jest stały, ale dane wejściowe są zmienne, Agent musi uzupełnić semantykę i zrozumienie, na przykład w przypadku pytań i odpowiedzi w obsłudze klienta czy analizy umów, co wymaga korzystania z narzędzi takich jak zewnętrzne wyszukiwanie czy grafy wiedzy, aby wypełnić luki informacyjne i sprawić, by wyniki wnioskowania były bardziej zgodne z oczekiwaniami. 3) Jeśli workflow jest niepewny, ale kontekst jest określony, to znaczy, że dane wejściowe są jasne, ale ścieżki są różnorodne, Agent musi samodzielnie zaplanować trasę, na przykład w przypadku generowania raportów analizy rynku czy rekomendacji personalizowanych. Większość Agentów RL End-to-End doskonale radzi sobie z takimi zadaniami, ponieważ w fazie treningu nabyli dużą ilość wiedzy na temat planowania ścieżek i rozwiązywania problemów. 4) Gdy zarówno workflow, jak i kontekst są niepewne, mamy do czynienia z najtrudniejszym scenariuszem, który wymaga zarówno wnioskowania, jak i eksploracji, na przykład w projektowaniu innowacyjnych rozwiązań czy zbieraniu informacji międzydziałowych. Takie zadania są bardziej zbliżone do ogólnych Agentów, a ich efektywność wykonania zależy od bogactwa narzędzi, które im zapewnimy, zwłaszcza że umiejętności programistyczne powinny być maksymalnie otwarte, na przykład pozwalając im nauczyć się wyszukiwania repozytoriów na GitHubie, klonowania i modyfikowania kodu w celu rozwiązania problemu, aby mogły pracować jak ludzie. Dlatego, aby dobrze zrealizować Agenta, najpierw należy określić scenariusz. Zasadniczo automatyzacja rozwiązuje problem "deterministyczności", podczas gdy inteligencja rozwiązuje problem "niepewności".