Nu när vi har komprimerat nästan all mänsklig kunskap till stora språkmodeller är nästa steg att använda verktyg. Att koppla samman olika AI-verktyg möjliggör automatisering. Skiftet från att tänka till att göra representerar det verkliga genombrottet inom AI-nytta. Jag har byggt mer än 100 verktyg åt mig själv, och de fungerar för det mesta, men inte hela tiden. Jag är inte ensam. Anthropics Economic Index-rapport visar att 77 % av företagens användning av Claude fokuserar på automatisering av hela uppgifter, inte co-piloting. Anthropic publicerade förra veckan dokumentation om tokeneffektivitet och omstrukturering av verktyg för att optimera deras användning. Vägledningen var kontraintuitiv: i stället för många enkla verktyg med tydliga etiketter kan du skapa färre, mer komplexa verktyg. Här är de sju e-postverktyg jag byggde - Ruby-skript, vart och ett med ett tydligt syfte. Skriptet "Safe Send Email" har utformats för att förhindra att AI skickar e-post utan godkännande. Vackert naiv, enkel och tydlig, Borde inte en språkmodell kunna läsa dessa och veta exakt vad jag bad den att göra? Men så enkelt är det inte! Anthropic rekommenderar att du skapar komplexa verktyg. Deras forskning visar att "förfrågningar sparar i genomsnitt 14 % i utdatatokens, upp till 70 %" när man använder sofistikerade, parameterrika verktyg istället för enkla. Anledningen? AI-system förstår hela sammanhanget bättre än fragmenterade avsikter. Jag tillbringade helgen med att konsolidera alla mina verktyg till enhetliga verktyg, som den här för e-post: (tredje bilden) Effekten på noggrannheten var omedelbar. Claudes framgångsfrekvens närmar sig 100%. Systemet är snabbare. Som ett resultat använder jag mycket färre tokens med ett mer effektivt system. Här är min nuvarande mentala modell: (fjärde bilden) När jag gjorde om designen för AI-kognition snarare än mänsklig intuition förbättrades allt. Min CRM-drift, kalenderhantering och databasarbetsflöden blev alla mer tillförlitliga när de konsoliderades till omfattande, parametertunga verktyg. Noggrannheten förbättrades, så den totala kostnaden minskade avsevärt. Men be mig inte att använda verktygen. Jag är nu lite vilse mitt i komplexiteten. Detta är en oundviklig följd av att arbeta på högre abstraktionsnivåer och inte längre ha en djup förståelse för maskinen. Vi ägnade årtionden åt att göra programvara enkel för människor. Nu lär vi oss att göra det komplicerat för AI.