Ми досягаємо точки, коли моделі штучного інтелекту здатні виконувати все більше і більше складних робочих завдань зі знаннями, але нам знадобляться прикладні агенти, щоб повністю використовувати їхню вартість. Ось чому зараз є так багато можливостей у використанні агентів штучного інтелекту для конкретної галузі. Поєднання глибокої експертизи в галузі вертикалі або напрямку бізнесу, використання існуючих корпоративних даних та індивідуального UX для цих робочих процесів, який дозволяє користувачам переглядати або організовувати роботу, матиме вирішальне значення. І оскільки компаніям, швидше за все, доведеться переосмислити свої базові процеси, щоб отримати повну віддачу від агентів, це означає, що для багатьох з цих найбільш просунутих випадків використання буде необхідний високий рівень управління змінами. Це ще більше створює можливість для відданих гравців атакувати ці простори.

Саме в цьому і полягає парадокс Джевона в дії в чистому вигляді. Оскільки вартість токенів штучного інтелекту знизилася, тепер ми можемо дозволити собі використовувати набагато більше з них для все більш складних завдань. Таким чином, ключовим моментом є не те, що «ШІ дорожчає»; Натомість, оскільки він стає дешевшим і функціональнішим, ми використовуємо більше його для кращого вирішення проблем. Майже для кожного подібного завдання ми просто використовуємо набагато більше токенів для виконання завдання, щоб забезпечити набагато кращий результат. Незалежно від того, чи це написання коду, відповідь на запитання про охорону здоров'я чи аналіз контракту, сьогодні ми використовуємо набагато більше штучного інтелекту для виконання цієї роботи, тому що нам потрібні додаткові моменти продуктивності. Отримання 99% правильної відповіді під час роботи з юридичним договором *дуже* відрізняється від 90% правильної відповіді, і це легко варте збільшення токенів у 10-100 разів. Тепер, в *якійсь точці, ми почнемо виходити на плато за певні типи завдань, а потім вартість за завдання піде вниз. Наприклад, нам, ймовірно, не потрібно в 100 разів більше токенів, ніж ми використовуємо сьогодні для відповіді на просте медичне запитання або узагальнення документа. Отже, в кінцевому підсумку, на принципі «подібне» ці робочі навантаження стануть дешевшими, оскільки ми зможемо отримати вигоду від ефективності моделей. *Але* загальний цикл триватиме по суті вічно, тому що ми просто продовжуватимемо піднімати планку того, що ми робимо зі штучним інтелектом. Оскільки токени продовжують дешевшати через алгоритмічні прориви, конкуренцію в цінах на графічні процесори, загальну ефективність обчислень та альтернативи відкритої ваги, ми знайдемо наступний набір способів споживання токенів. Ми розгорнемо набагато більше агентів паралельно, щоб прискорити виконання завдань, ми будемо використовувати мультиагентні системи для порівняння відповідей і досягнення консенсусу, ми будемо вирішувати більш складні проблеми роботи з знаннями, і у нас буде набагато довше працюючі агенти у фоновому режимі. Штучний інтелект одночасно завжди буде дешевшати і дорожчати.

Управління продуктами для агентів зі штучним інтелектом — це, безперечно, найдикіша форма управління продуктами в історії. Типовий продакт-менеджмент намагається з'ясувати, як проектувати інтерфейси та програмне забезпечення для взаємодії людей з детермінованими системами. Користувач, як правило, знає весь контекст, щоб успішно виконувати свою роботу, тому, як правило, це питання розуміння базової бізнес-логіки та навколишнього UX. Але з агентами штучного інтелекту агентом є користувач, про якого ви дбаєте найбільше, і вони нічого не знають за замовчуванням. Вони з радістю побіжать в будь-якому напрямку, щоб виконати завдання, часто безуспішно. Таким чином, як PM (або інженер), ви в основному витрачаєте свій час на те, щоб спробувати реверс-інжиніринг «що потрібно людині як контекст для виконання цього завдання», а потім з'ясувати, як проектувати системи, щоб отримати агенту ці дані в правильній послідовності, з правильними інструментами та інструкціями. Деякі з цих систем абсолютно невидимі для людини, але частина ремесла полягає в тому, як кінцевий користувач буде взаємодіяти з агентом, щоб забезпечити цей контекст. Потім часто це нескінченна робота методом проб і помилок, щоб отримати додаткові бали якості на кожному етапі. Ось чому люди з глибокими знаннями в цій галузі або ті, хто може швидко їх отримати, надзвичайно добре впораються зі створенням агентів штучного інтелекту. Здатність передбачити контекст, в якому агент повинен бути успішним, є величезним визначальним фактором того, наскільки ефективним буде агент. Це частково пояснює, чому агенти кодування так добре працювали з самого початку; Тому що його розробники глибоко розуміють сферу, над автоматизацією якої вони працюють. Але очевидно, що ми швидко побачимо той самий результат у всіх сферах – юриспруденції, охороні здоров'я, фінансах тощо – у міру появи контекст-інжинірингу та нового покоління продакт-менеджерів.