Det er tydelig at vi akkurat nå er på en bane med AI-modeller som fortsetter å forbedre kapasiteten på tvers av matematikk, resonnement, logikk, verktøykall og ulike domenespesifikke oppgaver som vil bli bedre etter hvert som flere treningsdata fortsetter å bli generert. Selv om det vil være debatter om hvor mye disse fremskrittene vil vise seg som store endringer i de daglige brukstilfellene som en forbruker har, *vil* de ha stor innvirkning på tvers av mange kategorier av kunnskapsarbeid. De vil trinnvis låse opp nye brukstilfeller innen helsevesen, juridiske, finansielle tjenester, biovitenskap, etc., der modeller pålitelig kan utføre gradvis mer kritiske oppgaver. På en nylig podcast med Alex Kantrowitz hadde Dario Amodei en fin måte å ramme inn dette på, som er at hvis du forbedret evnen til en AI-modell til å gå fra å ha en lavere grad i biokjemi til å ha en høyere grad i biokjemi, ville en liten prosentandel av forbrukerbefolkningen merke virkningen, men bedriftsbrukstilfellene for et selskap som Pfizer ville øke meningsfullt som et resultat av dette. Vi bør begynne å forutse at dette nå er epoken vi er inne i med AI. Så, hvordan begynner dette å dukke opp i den virkelige verden? Det vil dukke opp gjennom AI-agenter som går etter brukte brukstilfeller. AI-agenter for koding, juridisk arbeid, medisinske skrivere, datautvinning, behandling av forsikringskrav, pennetesting og så videre. Muligheten akkurat nå er å bygge AI-agenter for vertikaler og domener med en dyp forståelse av det området. Det er her virkningen av kontekstteknikk, en dyp forståelse av arbeidsflytene, tilkoblinger til bedriftsdata og spesialiserte brukergrensesnitt (som lar brukere distribuere, administrere og orkestrere disse agentene) vil begynne å bety mye. Det vil også bety å bygge opp distribusjon som er i tråd med den aktuelle vertikalen eller domenet. Det vil sannsynligvis bety en form for fremoverdistribuert teknikk for ikke bare å hjelpe kundene med å implementere agentene, men også raskt lære hvilke arbeidsflyter agentene er optimalisert for og bringe det tilbake til kjerneplattformen. Til syvende og sist vil disse markedene bli vunnet av aktørene som best kan bygge bro mellom dagens bedriftsprosesser (som ofte er rotete og ikke er designet for automatisering) til en verden der agenter er integrert i disse arbeidsflytene. Dette er epoken med AI vi nå er inne i.

Vi er ikke i nærheten av det optimale punktet for stabilisering i AI-kapasitet, men ironisk nok er det mange kommersielle brukstilfeller for AI som bare blir frosset på grunn av hvor raskt teknologien utvikler seg. Dette er grunnen til at fremtidssikre arkitekturer betyr så mye.

Kjerne vs. kontekst er et kritisk konsept å tenke gjennom når man finner ut hva folk vil gjenoppbygge seg selv med AI. Bedrifter bringer inn "kjernefunksjoner" som skiller dem. Dette er hva kjerneproduktet eller tjenesten deres er, hvordan de selger til kunder, ting som driver kulturen deres, og så videre. Omvendt outsourcer de "konteksten" som er bordinnsats for å få rett, men tilbyr bare ulemper ved å ta feil. En enkel tommelfingerregel å tenke gjennom er vil en kunde noen gang legge merke til om selskapet gjorde den funksjonen direkte selv eller ikke. Bedriftsprogramvare er nesten alltid "kontekst". Dette er områder som deres CRM- eller HR-systemer, infrastruktur, datahåndtering og så videre. Disse er nødvendige for å drive en virksomhet i stor skala, men sjelden er du fordelaktig i å prøve å rulle din egen. Bare noen få unntak finnes, og det er nesten alltid fordi du trenger en løsning for å betjene "kjernen" din som ingen leverandør tilbyr (som om du trengte tilpasset programvare for en vertikalt integrert forsyningskjede). Uansett hvordan et selskap starter, skiller de til slutt nesten alltid arbeid og verdi mellom kjerne vs. kontekst over tid. Det er den eneste måten de kan holde seg konkurransedyktige og til slutt allokere ressurser til de optimale områdene. Så selv om et selskap *kunne* omskrive bedriftsprogramvaren sin med AI, ville de i utgangspunktet bare ikke gjort det. Versjonsoppdateringer, sikkerhet, regulatoriske funksjoner, feil, SLAer, nødvendige profesjonelle tjenester osv. Som bucco påpeker, er den virkelige risikoen bedre versjoner av disse verktøyene som er AI-først. Det er det du bør passe på fra et disrupsjonssynspunkt.

Flott tråd. Uansett hva en AI-agent er i stand til å gjøre, kan den også lures til å gjøre. Du bør anta at hvis en agent har tilgang til data, at en bruker til slutt også kan få disse dataene. Agentsikkerhet, tilgangskontroller og deterministiske rekkverk vil være avgjørende.

Mye samtale om hvordan fremtiden for programvare ser ut i bedriften. Slik tror jeg det utspiller seg. For deterministiske arbeidsflyter der kostnadene ved å gjøre noe galt er høye, vil bedrifter ha en tendens til å velge kjerneplattformer for sine vanligste, viktigste og repeterbare funksjoner i organisasjonen. Tenk lønn, ERP, CRM, ITSM, kundestøtte, ECM/dokumenthåndtering og så videre. Dette er områder hvor du vil ha noe gjort på samme måte, hver gang. Hver av disse plattformene må være AI-først av design, noe som betyr at de vil ha brukergrensesnitt som blir innstilt for å samhandle med arbeidsflytene og dataene via AI, og være fullt designet for AI-agenter å operere i plattformene. Over tid kan vi forvente at bruken av disse systemene vil påvirke langt mer til AI-agenter enn til og med mennesker. Setemodellen forblir for brukerne, men forbruk blir modellen for agenter. Noen sittende vil komme seg til slutttilstanden, men andre vil ikke tilpasse seg raskt nok og dø av. Det vil da være en ny avling av selskaper som kun er agenter som er spesialbygd for å automatisere spesifikke typer arbeid (og spesielt for ikke-deterministisk arbeid). Forretningsmodellene deres vil vippe enda mer forbruk. Tenk Claude Code eller Devins (sannsynligvis med et UI-lag for å administrere agentene), men for forskjellige jobbfunksjoner. Vi vil sannsynligvis se hundrevis eller tusenvis av disse dukke opp over tid. Pennetesting, koding, feilfinning, samsvarsgjennomganger, finansanalytikere og så videre. Dette er et stort område hvor startups vil gjøre det ganske bra fordi det har en tendens til å ikke være noen programvareetablerte i disse kategoriene. Vi vil samhandle med disse ulike agentene fra en blanding av programvareplattformene de er knyttet til (som Box AI eller Agentforce), via APIer i andre systemer, og horisontale arbeidsflytsystemer som syr sammen agenter på tvers av plattformer (som ServiceNow, IBM Watsonx, Google Agentspace og så videre). Og selvfølgelig vil brukere ofte konsumere disse agentene via horisontale chat-opplevelser (som ChatGPT, Claude, Perplexity, Grok, Copilot, etc.) via MCP eller andre typer direkte tilkoblinger. Brukere vil vanligvis jobbe i disse horisontale chat-systemene, og trekke inn agenter, data og arbeidsflyter fra de forskjellige Agentic-plattformene etter behov. Når det er relevant, vil de hoppe inn i kjerneplattformene for å fullføre arbeidsflyter, gjennomgå informasjon osv. Det vil også være en lang hale av opplevelser der brukere kan generere mikroapper på farten når de trenger raske applikasjoner eller brukstilfeller automatisert, når det ikke er noen åpenbar programvare å gjøre det med. Dette kan skje direkte i de horisontale chat-systemene, et verktøy som Replit, Lovable eller i automatiseringsverktøy for arbeidsflyt, etc. Jeg forventer at dette er mer for superbrukerne der de trenger lim mellom flere systemer eller der det ennå ikke finnes programvare. Nettet av det er at programvare bare blir viktigere over tid, selv om modalitetene der vi samhandler endres og utvides. I likhet med hvordan vi enkelt hopper mellom telefonene og stasjonære datamaskiner, selv om de lett kan konvergere, vil fremtiden tilby en blanding av måter å samhandle med programvare på.

Selv om det er fascinerende, er ideen om at AI genererer hvert brukergrensesnitt på farten sannsynligvis mindre sannsynlig enn folk tror. Fordelene med hypertilpasning vil sannsynligvis ikke oppveie å måtte lære en app på nytt hver gang du bruker den eller risikoen for at ting går i stykker på uventede måter.

AI Agent-arbeidsdeling vil være avgjørende for å maksimere effekten av agenter. Vi har lenge hatt en arbeidsdeling i organisasjoner fordi det å ha individuelle eksperter som overlater oppgaver til hverandre er mer effektivt enn en haug med generalister som prøver å gjøre ting på en annen måte hver gang. AI-agenter presenterer den samme dynamikken. For at AI-agenter skal fungere, trenger du akkurat den rette mengden kontekst om oppgaven de prøver å fullføre. Dette betyr en dyp domeneforståelse, sett med kunnskap å jobbe ut fra, klare instruksjoner og sett med verktøy å bruke. For lite kontekst og agenten vil svikte. Likevel, likevel, etter hvert som mer av denne informasjonen kommer inn i kontekstvinduet, vet vi at modellene kan bli suboptimale.  For en kompleks forretningsprosess, hvis du legger all dokumentasjon, beskrivelse av arbeidsflyten og instruksjonene inn i kontekstvinduet, vet vi at dette til slutt kan føre til kontekstråte, noe som fører til dårligere resultater. Den logiske arkitekturen i fremtiden er å dele agenter opp i atomære enheter som kartlegges til de riktige oppgavetypene og deretter få disse agentene til å jobbe sammen for å fullføre arbeidet sitt. Vi ser allerede at dette utspiller seg effektivt i kodeagenter. Det dukker opp flere og flere eksempler med folk som setter opp underagenter som alle eier spesifikke deler av en kodebase eller et tjenesteområde. Hver agent er ansvarlig for en del av koden, og det finnes agentvennlig dokumentasjon for koden. Når det er behov for arbeid i det relevante området av kodebasen, koordinerer en orkestratoragent med disse underagentene.  Vi kan se at dette mønsteret sannsynligvis gjelder for nesten alle områder av kunnskapsarbeid i fremtiden. Dette vil gjøre det mulig å bruke AI-agenter til langt mer enn oppgavespesifikke brukstilfeller og utvides til å drive hele arbeidsflyter i bedriften. Selv om AI-modeller forbedres for å kunne håndtere større kontekstvinduer, og intelligensnivåene går opp, er det ikke åpenbart at denne arkitekturen noen gang forsvinner. Det er sannsynlig at rollen til hver agent utvides etter hvert som evnene forbedres, men klare skillelinjer mellom underagenter kan alltid føre til bedre resultater.

I utgangspunktet var tanken at en enkelt AI-agent ville håndtere vilkårlig store arbeidsflyter. I stedet er mønsteret som ser ut til å fungere, å distribuere underagenter som har spesialisering etter oppgave for å unngå kontekstråte. AI-agentens arbeidsdeling kan være fremtiden.

Det er et vindu akkurat nå der AI-agenter vil bli bygget for hver vertikal og domene. Strategien er å gå dypt inn i kontekstteknikken som kreves for det vertikale eller bestemte rommet, finne ut riktig brukeropplevelse som knytter seg naturlig til de eksisterende arbeidsflytene, og koble til de relevante datakildene og verktøyene. Spesielt tidlig er det nyttig å komme så nær nøkkelkunder som mulig for å finne ut hva som fungerer og hva som ikke fungerer, og hele tiden gjøre forbedringer for å bringe dem tilbake til moderskipet. AI beveger seg så raskt akkurat nå at det er en enorm premie i å gjøre raske oppdateringer og se hvordan de forbedrer kundens arbeidsflyter. Det er også viktig å prise agentene for maksimal adopsjon med enkle abonnementspriser eller på en klar forbruksmodell, og forvente å ri ut kostnadsforbedringene fra AI-effektivitet. Ikke bli for grådig på pris akkurat nå, da markedsandeler sannsynligvis er viktigst. Det kan være nyttig å gå etter brukstilfeller som er begrenset av tilgjengeligheten eller høye kostnader for talent. Dette betyr at enhver inkrementell økning i produktiviteten i disse områdene gir høy avkastning for kunden. På disse områdene vil kundene alltid være villige til å prøve AI-agenter for å endelig komme i gang med å løse problemene sine. Dette er grunnen til at AI-kodeagenter, sikkerhetsagenter eller juridiske agenter tar av akkurat nå i utgangspunktet. Dette er alle områder der etterspørselen etter å løse problemet alltid har overskredet talentnivået som er tilgjengelig. Men hver vertikal har eksempler på dette. Det er et klart øyeblikk akkurat nå hvor neste generasjon av disse AI-agentene vil bli bygget på tvers av alle rom.

Hvis du forestiller deg at hver jobbfunksjon og arbeidsflyt vil ha en AI Agent-motpart for å automatisere arbeidet, er det klart at vi er i de tidligste stadiene av AI-bølgen. Hver vertikal og bransje representerer en ny markedskategori og helt ny TAM som ikke eksisterte før.