Forskjellen i resultater du får med AI-agenter, styres av konteksten som agenten må arbeide med. Folk har en tendens til å vite når de ikke har nok informasjon for en oppgave, men agenter vil prøve uansett. Dermed vil arbeidsflytene våre endres for å hjelpe agenter kontra omvendt.

Vi trodde AI-agenter ville tilpasse seg hvordan vi jobber, men det er mer sannsynlig at vi vil tilpasse arbeidsflytene våre til hvordan de fungerer best. Agenter fungerer best med beskrivende kontekst, noe som betyr at prosessene våre blir mye mer spesifikke og godt dokumentert.

Hva er egentlig AI-agenter, og hvordan vil de endre måten vi jobber på? @levie, @martin_casado, @stevesi, @eriktorenberg diskuterer: (0:36) Hva er en agent? Byrå, autonomi og tilbakemeldingssløyfer (4:27) Oppgavespesialisering og arbeidsdeling i AI (6:04) Antropomorfisering av AI og dens økonomiske innvirkning (9:10) Forutsigelser, fremgang og rekursiv selvforbedring (13:13) Hallusinasjoner, verifisering og ekspertproduktivitet (16:16) Verktøyadopsjon, eksperter og endring av arbeidsflyter (45:55) Arbeidsdeling, vertikalisering og nye roller i anvendt AI (54:44) Plattformkonkurranse og applikasjonslaget

Hvis vi har 100 ganger flere AI-agenter enn folk som jobber i et selskap, er det faktisk mye mer sannsynlig at vi tilpasser oss hvordan agenter fungerer best i stedet for agenter som samsvarer med hvordan vi jobber. AI-agenter trives grunnleggende med kontekst, og variasjonen i hva du får ut av dem er nesten utelukkende relatert til hvor god konteksten din er. Noe som betyr at mange av de *nye* måtene vi jobber på vil tjene til å gi agenter den rette konteksten. Før AI var det ganske enkelt å bare akseptere at det ville være begrenset dokumentasjon på hvordan noe fungerte fordi du bare kunne spørre kollegaen din. Dette hadde selvfølgelig enorme ulemper, fordi det gjorde det mye vanskeligere å rampe en ny ansatt, det er en skatt på eksisterende talent, og du mister mye institusjonell kunnskap over tid. AI-agenter har ikke denne luksusen. AI-agenter har ikke fordelen av all situasjonsbevisstheten og osmosen som folk har. Som standard kjenner de ikke dine mål, bedriftsstandarder, stil, andre prosjekter som pågår, og så videre. Ettersom vi har gått AI-først hos Box, når kolleger bygger Box AI-agenter, fanger de opp år med prosesskunnskap og skriver den til slutt ned for agenten å operere ut fra. Selv for de områdene der vi har dokumentasjon på noe, oppdateres den på en måte som er iboende vennlig for agenter. Men dette er bare begynnelsen. Som et resultat av behovet for å gjøre agenter mer produktive, er det mange områder som fungerer som kan trenge å endres trinnvis: * Dokumentasjon for alt kritisk arbeid. Vi vil begynne å skrive ned klare beskrivelser av mange flere av våre viktige arbeidsflyter på en måte som er agentvennlig. Og i motsetning til dokumentasjonsavvik som oppstår i menneskelige arbeidsflyter, trenger vi at disse holdes oppdatert, siden hver agentkjøring er en omstart av agentens kunnskap og erfaring. * Klare regler og instruksjoner for agenter. Hvert selskap har forskjellige stilguider, forskjellige kodebasestandarder, interne retningslinjer og så videre som agenter må følge. Akkurat som vi har sett med ting som markørregler, kan vi forvente dette for alle områder av kunnskapsarbeid. * Nye tilnærminger til agentminne. Vi vil sannsynligvis trenge enklere måter å øke agenter som kan benytte seg av en minnebank fra en bruker basert på forskjellige modaliteter eller arbeid de gjør i et selskap. Og så vil spørsmålet være om jeg kan ta med meg noe av dette minnet senere, noe som er usannsynlig fra et bedrifts IP-synspunkt. * Bedre strukturerte teknologistabler. Som et resultat av hvor lett AI-agenter kan gå av sporet, vil det være en enorm premie på kvaliteten på et selskaps IT-arkitektur, renslighet av dataene, hvor oppdaterte tilgangskontrollene er, etc. Små avvik her vil på en meningsfull måte begrense hvor mye du kan presse agenter til å gjøre, ellers vil du få dårlige resultater eller reell forretningsrisiko. * Kontekst for AI-agenter vil overskride typiske organisasjonsstrukturer. I en verden der agenter trenger å samarbeide på tvers av flere deler av en teknologistabel (støttet og frontend) eller forretningsprosess (juridiske operasjoner og salgsoperasjoner), kan det hende vi ikke kan kartlegge AI-agentarbeidsflyter og datatilgang bare til eksisterende ansatte og funksjoner, noe som har helt nye implikasjoner. Det kommer til å bli superinteressant å se hvordan selskaper endrer seg over tid for å støtte produktiviteten til agenter, og hva dette betyr for fremtidens arbeid.

Her er et innblikk i hvordan AI-agenter i kunnskapsarbeid vil se ut. Med Box MCP-serveren kan du be Claude om å lage en mappestruktur i Box for en M&A-avtale og datasjekklisten. I fremtiden vil du bare ha bakgrunnsagenter som automatiserer hva som helst.

Premien for bare å være en som holder seg vanvittig oppdatert på hva som skjer innen AI er så høy akkurat nå. Plassen endrer seg så raskt at du vil skille deg ut ved å være mer AI-innfødt og fanget enn alle andre. Enorme muligheter for neste generasjons arbeidsstyrke.

AI-agenter med full verktøybruk kommer til å bli ganske gale. Her bruker Claude Box- og Linear MCP-serverne til å ta produktveikartdokumenter fra Box og gjør dem om til problemer å spore. Dette er et lite eksempel på hvordan fremtiden for AI-agentinteroperabilitet ser ut.

De enkleste måtene å gå glipp av den fulle kraften til AI-agenter akkurat nå er å bare ikke gjøre nok med dem. Mesteparten av tiden presser folk dem bare ikke langt nok, og drar derfor sannsynligvis bare nytte av en liten del av potensialet. Det er overveldende når du snakker med startups og lærer om hva deres nye arbeidsflyter er og hvor mye mer de får gjort enn du kunne ha gjort for bare noen få år siden med de samme ressursene. Dette er bare en enorm asymmetri for alle som vet. Teamene og selskapene som går AI-først vil sannsynligvis alltid være et par skritt foran andre fordi de vil gjenkjenne hvordan de kan presse modellene og agentene videre, og disse lærdommene vil forsterkes. For alle andre kommer det til å være utrolig mye uutnyttet kapasitet som bare sitter der.

Nesten alle studier viser at leger med AI presterer bedre enn de uten. Nå oppnår AI perfekte poengsummer i medisinske lisensieringseksamener. Du vil ganske enkelt forvente at alle profesjonelle tjenesteleverandører du går til vil bruke AI i fremtiden, ellers vil du ikke stole på rådene.

En subtil grunn til at markedsstørrelsen for AI-agenter kommer til å bli større enn vi er klar over, er at det er mange brukstilfeller der det er verdifullt å kjøre flere agenter parallelt for å løse det samme problemet. Dette var faktisk aldri mulig med de fleste kunnskapsarbeid før. Det ville bare ha vært uoverkommelig å kaste flere mennesker på det samme problemet. Men fordi vi dramatisk har senket kostnadene ved å distribuere etterretning, har du råd til å ha mer redundans og vurdere ting fra enda flere vinkler. Vi ser allerede disse eksemplene på en rekke områder. Folk bruker AI-kodegjennomgangsagenter på de samme kodeendringene for å tilby subtile forskjeller i analysen. Det samme vil gjelde for å få sikkerhetsagenter til å gjennomgå kode, der det bare er mer verdi i ekstra dekning. I dype forskningsoppgaver er det ofte nyttig å ha flere spørsmål som kjører parallelt for å sammenligne ulike tilnærminger. Og vi kan forvente at dette vil dukke opp på tvers av mange andre felt der flere forskjellige visninger gir inkrementell verdi til en arbeidsflyt, som juridisk arbeid, helsevesen, økonomisk analyse, vitenskapelig forskning, produktideer, oppretting av markedsføringsinnhold og mer. Dette er grunnen til at det er umulig å estimere full TAM for mange av disse markedene. Hvis du trodde agenter bare tilnærmer oss hvordan vi jobber i dag 1:1, ville det være lett å gå glipp av alle måtene vi vil bruke agenter på i arbeidsflyter. Dette er grunnen til at disse markedene ikke har noe naturlig tak i fremtiden.