Jádro vs. kontext je kritický koncept, který je třeba promyslet při zjišťování, co lidé pomocí umělé inteligence přebudují. Společnosti přinášejí "základní" funkce, které je odlišují. To je to, co je jejich hlavní produkt nebo služba, jak prodávají zákazníkům, věci, které řídí jejich kulturu a tak dále. A naopak, outsourcují "kontext", což jsou sázky na stůl, aby byly správné, ale nabízejí pouze nevýhodu v tom, že se mýlí. Jednoduchým pravidlem k přemýšlení je, zda si zákazník vůbec všimne, zda společnost tuto funkci provedla přímo sama nebo ne. Podnikový software je téměř vždy "kontextový". Jedná se o oblasti, jako jsou jejich CRM nebo HR systémy, infrastruktura, správa dat a podobně. Ty jsou nezbytné pro provozování podnikání ve velkém, ale jen zřídka máte výhodu ve snaze rozvinout svůj vlastní. Existuje jen několik výjimek a je to téměř vždy proto, že potřebujete řešení, které bude sloužit vašemu "jádru", které žádný dodavatel nenabízí (například pokud byste potřebovali vlastní software pro vertikálně integrovaný dodavatelský řetězec). Bez ohledu na to, jak společnost začíná, nakonec téměř vždy v průběhu času rozdělí práci a hodnotu mezi jádro a kontext. Je to jediný způsob, jak mohou zůstat konkurenceschopní a nakonec alokovat zdroje do optimálních oblastí. Takže i kdyby společnost *mohla* přepsat svůj podnikový software pomocí umělé inteligence, v podstatě by to prostě neudělala. Aktualizace verzí, zabezpečení, regulační funkce, chyby, SLA, nezbytné profesionální služby atd. by prostě způsobily, že návratnost investic je záporná. Jak upozorňuje bucco, skutečným rizikem jsou lepší verze těchto nástrojů, které jsou AI-first. Na to je třeba si dát pozor z hlediska narušení.

Skvělá nit. Cokoli je agent umělé inteligence schopen udělat, lze jej také oklamat. Měli byste předpokládat, že pokud má agent přístup k datům, že uživatel může nakonec tato data získat také. Zabezpečení agenta, řízení přístupu a deterministické mantinely budou kritické.

Spousta rozhovorů o tom, jak vypadá budoucnost softwaru v podnicích. Zde je to, jak si myslím, že se to odehrává. U deterministických pracovních postupů, kde je cena za to, že se něco nepovede, vysoké budou mít podniky tendenci vybírat si základní platformy pro své nejběžnější, nejdůležitější a opakovatelné funkce v organizaci. Vzpomeňte si na mzdy, ERP, CRM, ITSM, zákaznickou podporu, ECM/správu dokumentů a tak dále. To jsou oblasti, kde chcete, aby se něco dělalo pokaždé stejně. Každá z těchto platforem bude muset být navržena tak, aby byla umělá inteligence, což znamená, že bude mít uživatelská rozhraní, která budou vyladěna pro interakci s pracovními postupy a daty prostřednictvím umělé inteligence, a budou plně navržena pro agenty umělé inteligence, aby na těchto platformách fungovali. Postupem času můžeme očekávat, že použití v těchto systémech bude mnohem více zaujaté agenty umělé inteligence než lidmi. Model licence zůstává pro uživatele, ale spotřeba se stává modelem pro agenty. Někteří stávající hráči se dostanou do konečného stavu, ale jiní se nepřizpůsobí dostatečně rychle a vymřou. Pak se objeví nová úroda efektivně agentských společností, které jsou účelově vytvořeny pro automatizaci specifických typů práce (a zejména pro nedeterministickou práci). Jejich obchodní modely vychýlí spotřebu ještě více. Vzpomeňte si na Claude Code nebo Devins (pravděpodobně s nějakou vrstvou uživatelského rozhraní pro správu agentů), ale pro různé pracovní funkce. Pravděpodobně se časem dočkáme toho, že se jich objeví stovky nebo tisíce. Testování perem, kódování, hledání chyb, kontroly souladu, finanční analytici a tak dále. Jedná se o obrovský prostor, kde si startupy budou vést docela dobře, protože v těchto kategoriích nebudou mít tendenci být žádní softwaroví zavedení. S těmito různými agenty budeme komunikovat z mixu softwarových platforem, na které jsou vázáni (jako je Box AI nebo Agentforce), prostřednictvím rozhraní API v jiných systémech a horizontálních systémů pracovních postupů, které spojují agenty napříč platformami (jako ServiceNow, IBM Watsonx, Google Agentspace atd.). A samozřejmě uživatelé budou tyto agenty často využívat prostřednictvím horizontálního chatu (jako je ChatGPT, Claude, Perplexity, Grok, Copilot atd.) prostřednictvím MCP nebo jiných typů přímých připojení. Uživatelé budou běžně pracovat v těchto horizontálních chatovacích systémech a podle potřeby stahovat agenty, data a pracovní postupy z různých platforem Agentic. Když je to relevantní, přeskočí do základních platforem, aby dokončili pracovní postupy, zkontrolovali informace atd. K dispozici bude také dlouhá škála zkušeností, kde uživatelé budou moci generovat mikro aplikace za běhu, když potřebují rychlé aplikace nebo automatizované případy použití, když neexistuje žádný zřejmý software, se kterým by to bylo možné udělat. To se může stát přímo v horizontálních chatovacích systémech, v nástrojích jako Replit, Lovable nebo v nástrojích pro automatizaci pracovních postupů atd. Očekával bych, že je to spíše pro náročné uživatele, kteří potřebují lepidlo mezi více systémy nebo kde zatím neexistuje žádný software. Pointou toho je, že software se postupem času stává důležitějším, i když se modality, ve kterých interagujeme, mění a rozšiřují. Podobně jako snadno přeskakujeme mezi našimi telefony a stolními počítači, i když by se mohly snadno sblížit, budoucnost nabídne kombinaci způsobů interakce se softwarem.

I když je myšlenka, že umělá inteligence generuje každé uživatelské rozhraní za běhu, fascinující, je pravděpodobně méně pravděpodobná, než si lidé myslí. Výhody hyper přizpůsobení pravděpodobně nepřeváží nutnost znovu se učit aplikaci pokaždé, když ji používáte, nebo riziko, že se věci nečekaným způsobem rozbijí.

Dělba práce agentů AI bude rozhodující pro maximalizaci dopadu agentů. V organizacích už dlouho existuje dělba práce, protože mít jednotlivé experty, kteří si navzájem předávají úkoly, je efektivnější než banda generalistů, kteří se snaží dělat věci pokaždé jinak. Agenti umělé inteligence představují stejnou dynamiku. Aby AI agenti fungovali, potřebujete správné množství kontextu o úkolu, který se snaží dokončit. To znamená hluboké porozumění doméně, soubor znalostí, na kterých lze pracovat, jasné pokyny a sadu nástrojů, které lze použít. Příliš málo kontextu a agent selže. Přesto stejně tak, jak více těchto informací vstupuje do kontextového okna, víme, že modely se mohou stát suboptimálními.  U složitého obchodního procesu, pokud vložíte veškerou dokumentaci, popis pracovního postupu a pokyny do kontextového okna, víme, že to může nakonec vést k hnilobě kontextu, což vede k horším výsledkům. Logickou architekturou v budoucnu je rozdělit agenty do atomických jednotek, které se mapují na správné typy úkolů, a pak nechat tyto agenty spolupracovat, aby dokončili svou práci. Již nyní vidíme, že se to efektivně projevuje u kódovacích agentů. Objevuje se stále více příkladů, kdy lidé zakládají subagenty, kteří všichni vlastní specifické části kódové základny nebo oblasti služeb. Každý agent je zodpovědný za část kódu a ke kódu je k dispozici dokumentace vhodná pro agenty. Poté, co je potřeba pracovat v příslušné oblasti kódové základny, agent orchestrátoru koordinuje svou činnost s těmito dílčími agenty.  Mohli bychom se dočkat, že se tento vzorec bude v budoucnu pravděpodobně vztahovat na téměř jakoukoli oblast znalostní práce. To umožní používat AI Agenty pro mnohem více než jen případy použití specifické pro konkrétní úlohy a rozšíří se na podporu celých pracovních postupů v podniku. I když se modely umělé inteligence zlepšují, aby dokázaly pracovat s většími kontextovými okny, a úroveň inteligence stoupá, není zřejmé, že tato architektura někdy zmizí. Je pravděpodobné, že role každého agenta se rozšiřuje se zlepšujícími se schopnostmi, ale jasné hranice oddělení mezi dílčími agenty mohou vždy vést k lepším výsledkům.

Původně se myslelo, že jediný agent umělé inteligence bude obsluhovat libovolně velké pracovní postupy. Místo toho se zdá, že funguje vzorec, který nasazuje subagenty, kteří mají specializaci podle úkolu, aby se zabránilo hnilobě kontextu. Dělba práce agentem AI může být budoucností.

Právě teď existuje okno, kdy budou agenti umělé inteligence vytvářeni pro každou vertikálu a doménu. Scénář spočívá v tom, že se ponoříte do hloubky kontextového inženýrství vyžadovaného pro vertikální nebo konkrétní prostor, vymyslíte správné uživatelské prostředí, které přirozeně navazuje na stávající pracovní postupy, a připojí se k příslušným zdrojům dat a nástrojům. Zejména na začátku je užitečné dostat se co nejblíže ke klíčovým zákazníkům, abyste zjistili, co funguje a co ne, a neustále je vylepšovat, abyste je přivedli zpět na mateřskou loď. Umělá inteligence se v současné době pohybuje tak rychle, že je obrovský důraz na rychlé aktualizace a sledování toho, jak zlepšují pracovní postupy zákazníků. Je také důležité stanovit cenu agentů pro maximální přijetí s jednoduchými cenami předplatného nebo s jasným modelem spotřeby a očekávat, že se vypořádají se zlepšením nákladů díky efektivitě umělé inteligence. Nebuďte nyní příliš chamtiví na cenu, protože podíl na trhu je pravděpodobně nejdůležitější. Může být užitečné zaměřit se na případy použití, které jsou omezeny dostupností nebo vysokými náklady na talenty. To znamená, že jakékoli postupné zvýšení produktivity v těchto prostorech nabízí zákazníkovi vysokou návratnost investic. V těchto oblastech budou zákazníci vždy ochotni vyzkoušet agenty AI, aby se konečně dostali k řešení svých problémů. To je důvod, proč se agenti kódování AI, bezpečnostní agenti nebo právní zástupci zpočátku rozjíždějí právě teď. To vše jsou oblasti, kde poptávka po řešení problému vždy převyšovala úroveň dostupných talentů. Ale každá vertikála má takové příklady. Právě teď je jasný okamžik, kdy bude nová generace těchto AI Agentů vybudována v každém prostoru.

Pokud si představíte, že každá pracovní funkce a pracovní postup bude mít protějšek AI Agent pro automatizaci práce, je jasné, že se nacházíme v raných fázích vlny AI. Každá vertikála a obor podnikání představuje novou kategorii trhu a zcela nový TAM, který dříve neexistoval.

Dělba práce pro AI Agenty bude rozhodující pro maximalizaci dopadu agentů ve všech oblastech znalostní práce. V organizacích už dlouho existuje dělba práce, protože se ukazuje, že mít jednotlivé experty, kteří si navzájem předávají úkoly, je efektivnější než banda generalistů, kteří se snaží dělat věci pokaždé jinak. Agenti umělé inteligence představují stejnou dynamiku. Aby AI agenti fungovali, potřebujete správné množství kontextu o úkolu, který se snaží dokončit. To znamená hluboké porozumění doméně, soubor znalostí, na kterých lze pracovat, jasné pokyny a sadu nástrojů, které lze použít. Příliš málo kontextu a agent selže. Přesto stejně tak, jak více těchto informací vstupuje do kontextového okna, víme, že modely se mohou stát suboptimálními.  U komplexního obchodního procesu, pokud do kontextového okna vložíte veškerou dokumentaci, popis pracovního postupu a pokyny, víme, že agent bude nakonec zmatený a bude poskytovat horší výsledky. Logickou architekturou v budoucnu je rozdělit agenty do atomických jednotek, které se mapují na správné typy úkolů, a pak nechat tyto agenty spolupracovat, aby dokončili svou práci. Již nyní vidíme, že se to efektivně projevuje u kódovacích agentů. Objevuje se stále více příkladů, kdy lidé zakládají subagenty, kteří všichni vlastní specifické části kódové základny nebo oblasti služeb. Každý agent je zodpovědný za část kódu a ke kódu je k dispozici dokumentace vhodná pro agenty. Poté, co je potřeba pracovat v příslušné oblasti kódové základny, agent orchestrátoru koordinuje svou činnost s těmito dílčími agenty.  Mohli bychom se dočkat, že se tento vzorec bude v budoucnu pravděpodobně vztahovat na téměř jakoukoli oblast znalostní práce. To umožní používat AI Agenty pro mnohem více než jen případy použití specifické pro konkrétní úlohy a rozšíří se na podporu celých pracovních postupů v podniku. I když se modely umělé inteligence zlepšují, aby dokázaly pracovat s většími kontextovými okny, a úroveň inteligence stoupá, není zřejmé, že tato architektura někdy zmizí. Je pravděpodobné, že role každého agenta se rozšiřuje se zlepšujícími se schopnostmi, ale jasné hranice oddělení mezi dílčími agenty mohou vždy vést k lepším výsledkům.

Agent AI dělby práce se může mapovat na lidskou dělbu práce. Lidé používají subagenty, kteří vlastní specifické mikro služby v kódové bázi. Každá služba má dokumentaci vhodnou pro agenty, kterou průběžně aktualizuje. Tímto způsobem optimalizujete obsah v kontextovém okně. Budoucnost je divoká.