Il concetto di core vs. context è fondamentale da considerare quando si cerca di capire con cosa le persone si ricostruiranno utilizzando l'IA. Le aziende portano funzioni "core" che le differenziano. Questo è ciò che costituisce il loro prodotto o servizio principale, come vendono ai clienti, le cose che guidano la loro cultura, e così via. Al contrario, esternalizzano il "context" che è essenziale per essere a posto, ma che offre solo svantaggi se gestito male. Una regola empirica facile da considerare è se un cliente noterebbe mai se l'azienda svolgesse quella funzione direttamente o meno. Il software enterprise è quasi sempre "context". Queste sono aree come i loro sistemi CRM o HR, infrastruttura, gestione dei dati, e così via. Questi sono necessari per gestire un'attività su larga scala, ma raramente si ha un vantaggio nel cercare di sviluppare un proprio sistema. Esistono solo poche eccezioni, e quasi sempre è perché hai bisogno di una soluzione per servire il tuo "core" che nessun fornitore offre (come se avessi bisogno di software personalizzato per una catena di approvvigionamento verticalmente integrata). Indipendentemente da come un'azienda inizia, alla fine quasi sempre separa il lavoro e il valore tra core e context nel tempo. È l'unico modo per rimanere competitivi e alla fine allocare risorse nelle aree ottimali. Quindi, anche se un'azienda *potrebbe* riscrivere il proprio software enterprise con l'IA, in realtà non lo farebbe. Gli aggiornamenti di versione, la sicurezza, le funzionalità normative, i bug, gli SLA, i servizi professionali necessari, ecc. renderebbero tutto ROI negativo. Come sottolinea bucco, il vero rischio sono versioni migliori di questi strumenti che sono AI-first. Questo è ciò a cui prestare attenzione dal punto di vista della disruption.

Ottimo thread. Qualunque cosa un agente AI sia in grado di fare, può anche essere ingannato per farlo. Dovresti assumere che se un agente può accedere ai dati, un utente alla fine potrà ottenere quei dati. La sicurezza degli agenti, i controlli di accesso e le barriere di protezione deterministiche saranno fondamentali.

Ci sono molte conversazioni su come sarà il futuro del software nelle imprese. Ecco come penso si svilupperà. Per i flussi di lavoro deterministici in cui il costo di un errore è elevato, le imprese tenderanno a scegliere piattaforme core per le loro funzioni più comuni, importanti e ripetibili all'interno dell'organizzazione. Pensate a buste paga, ERP, CRM, ITSM, supporto clienti, ECM/gestione documentale, e così via. Queste sono aree in cui si desidera che qualcosa venga fatto sempre allo stesso modo. Ognuna di queste piattaforme dovrà essere progettata per essere AI-first, il che significa che avranno interfacce utente ottimizzate per interagire con i flussi di lavoro e i dati tramite AI, e saranno completamente progettate per consentire agli agenti AI di operare all'interno delle piattaforme. Col tempo, ci aspettiamo che l'uso di questi sistemi si orienti molto di più verso gli agenti AI piuttosto che verso le persone. Il modello di accesso rimane per gli utenti, ma il consumo diventa il modello per gli agenti. Alcuni attori consolidati raggiungeranno lo stato finale, ma altri non si adatteranno abbastanza rapidamente e scompariranno. Ci sarà quindi un nuovo gruppo di aziende effettivamente solo per agenti, costruite appositamente per automatizzare specifici tipi di lavoro (e soprattutto per lavori non deterministici). I loro modelli di business si orienteranno ancora di più verso il consumo. Pensate a Claude Code o Devins (probabilmente con qualche strato di interfaccia utente per gestire gli agenti) ma per varie funzioni lavorative. Probabilmente vedremo centinaia o migliaia di queste emergere nel tempo. Test di penetrazione, codifica, ricerca di bug, revisioni di conformità, analisi finanziarie, e così via. Questo è un grande spazio in cui le startup andranno piuttosto bene perché tendono a non esserci attori consolidati in queste categorie. Interagiremo con questi vari agenti attraverso un mix delle piattaforme software a cui sono collegati (come Box AI o Agentforce), tramite API in altri sistemi, e sistemi di flussi di lavoro orizzontali che collegano insieme agenti attraverso le piattaforme (come ServiceNow, IBM Watsonx, Google Agentspace, e così via). E naturalmente, gli utenti consumeranno spesso questi agenti tramite esperienze di chat orizzontali (come ChatGPT, Claude, Perplexity, Grok, Copilot, ecc.) tramite MCP o altri tipi di connessioni dirette. Gli utenti lavoreranno comunemente in questi sistemi di chat orizzontali, estraendo agenti, dati e flussi di lavoro dalle varie piattaforme Agentic secondo necessità. Quando rilevante, salteranno nelle piattaforme core per completare flussi di lavoro, rivedere informazioni, ecc. Ci sarà anche una lunga coda di esperienze in cui gli utenti possono generare micro app al volo quando hanno bisogno di applicazioni rapide o casi d'uso automatizzati, quando non c'è un pezzo di software ovvio per farlo. Questo potrebbe avvenire direttamente nei sistemi di chat orizzontali, in strumenti come Replit, Lovable, o in strumenti di automazione dei flussi di lavoro, ecc. Mi aspetto che questo sia più per gli utenti esperti che hanno bisogno di un collante tra più sistemi o dove non esiste ancora alcun software. Il risultato è che il software diventa sempre più importante nel tempo, anche se le modalità con cui interagiamo cambiano ed espandono. Simile a come passiamo facilmente tra i nostri telefoni e computer desktop, anche se potrebbero facilmente convergere, il futuro offrirà un mix di modi di interagire con il software.

Sebbene affascinante, l'idea che l'IA generi ogni interfaccia utente al volo è probabilmente meno probabile di quanto le persone pensino. I benefici dell'iper personalizzazione probabilmente non supereranno la necessità di dover riapprendere un'app ogni volta che la si utilizza o i rischi che le cose si rompano in modi inaspettati.

La divisione del lavoro degli agenti AI sarà fondamentale per massimizzare l'impatto degli agenti. Da tempo abbiamo una divisione del lavoro nelle organizzazioni perché avere esperti individuali che si passano i compiti l'uno con l'altro è più efficace che un gruppo di generalisti che cerca di fare le cose in modo diverso ogni volta. Gli agenti AI presentano la stessa dinamica. Perché gli agenti AI funzionino, è necessario avere la giusta quantità di contesto riguardo al compito che stanno cercando di completare. Questo significa una profonda comprensione del dominio, un insieme di conoscenze da cui partire, istruzioni chiare e un insieme di strumenti da utilizzare. Troppo poco contesto e l'agente fallirà. Tuttavia, allo stesso modo, man mano che più informazioni entrano nella finestra di contesto, sappiamo che i modelli possono diventare subottimali. Per un processo aziendale complesso, se metti tutta la documentazione, la descrizione del flusso di lavoro e le istruzioni nella finestra di contesto, sappiamo che questo può portare a una degradazione del contesto, che porta a risultati peggiori. L'architettura logica quindi, in futuro, è di dividere gli agenti in unità atomiche che corrispondono ai giusti tipi di compiti e poi far lavorare insieme questi agenti per completare il loro lavoro. Stiamo già vedendo questo svolgersi in modo efficace negli agenti di codifica. Ci sono sempre più esempi che emergono con persone che impostano subagenti che possiedono parti specifiche di un codice sorgente o di un'area di servizio. Ogni agente è responsabile di una parte del codice e c'è documentazione adatta agli agenti per il codice. Poi, quando è necessario lavorare in quell'area rilevante del codice sorgente, un agente orchestratore coordina con questi subagenti. Potremmo vedere questo schema applicarsi probabilmente a quasi qualsiasi area di lavoro conoscitivo in futuro. Questo permetterà agli agenti AI di essere utilizzati per molto più che casi d'uso specifici e si estenderà a potenziare interi flussi di lavoro nell'impresa. Anche se i modelli AI migliorano per gestire finestre di contesto più ampie e i livelli di intelligenza aumentano, non è ovvio che questa architettura scompaia mai. È probabile che il ruolo di ciascun agente si espanda man mano che le capacità migliorano, ma linee di separazione chiare tra subagenti potrebbero sempre portare a risultati migliori.

Inizialmente si pensava che un singolo agente AI potesse gestire flussi di lavoro arbitrariamente grandi. Invece, il modello che sembra funzionare è quello di distribuire subagenti che hanno specializzazione per compito per evitare il deterioramento del contesto. La divisione del lavoro tra agenti AI potrebbe essere il futuro.

C'è una finestra in questo momento in cui gli agenti AI verranno costruiti per ogni settore e dominio. Il piano è approfondire l'ingegneria del contesto necessaria per il settore o lo spazio particolare, capire la giusta UX che si integri naturalmente nei flussi di lavoro esistenti e connettersi alle fonti di dati e agli strumenti pertinenti. Soprattutto all'inizio, è utile avvicinarsi il più possibile ai clienti chiave per capire cosa funziona e cosa no e apportare costantemente miglioramenti per riportarli alla casa madre. L'AI si sta muovendo così velocemente in questo momento che c'è un enorme valore nel fare aggiornamenti rapidi e vedere come migliorano i flussi di lavoro dei clienti. È anche importante prezzare gli agenti per una massima adozione con prezzi di abbonamento semplici o su un chiaro modello di consumo, e aspettarsi di beneficiare dei miglioramenti dei costi derivanti dall'efficienza dell'AI. Non essere troppo avido sul prezzo in questo momento, poiché la quota di mercato è probabilmente la cosa più importante. Può essere utile puntare a casi d'uso che sono limitati dalla disponibilità o dall'alto costo del talento. Questo significa che qualsiasi incremento incrementale nella produttività in questi spazi offre un alto ROI per il cliente. In queste aree, i clienti saranno sempre disposti a provare agenti AI per finalmente risolvere i loro problemi. Ecco perché gli agenti di codifica AI, gli agenti di sicurezza o gli agenti legali stanno decollando in questo momento. Queste sono tutte aree in cui la domanda di risoluzione del problema ha sempre superato il livello di talento disponibile. Ma ogni settore ha esempi di questo. C'è un momento chiaro in questo momento in cui la prossima generazione di questi agenti AI verrà costruita in ogni spazio.

Se immagini che ogni funzione lavorativa e flusso di lavoro avrà un corrispondente agente AI per automatizzare il lavoro, è chiaro che siamo nelle fasi iniziali dell'onda dell'AI. Ogni settore e linea di business rappresenta una nuova categoria di mercato e un nuovo TAM che non esisteva prima.

La divisione del lavoro per gli agenti AI sarà fondamentale per massimizzare l'impatto degli agenti in tutti i settori del lavoro conoscitivo. Da tempo abbiamo una divisione del lavoro nelle organizzazioni perché si scopre che avere esperti individuali che si passano i compiti l'uno con l'altro è più efficace che un gruppo di generalisti che cerca di fare le cose in modo diverso ogni volta. Gli agenti AI presentano la stessa dinamica. Perché gli agenti AI funzionino, è necessario avere la giusta quantità di contesto riguardo al compito che stanno cercando di completare. Questo significa una profonda comprensione del dominio, un insieme di conoscenze da cui partire, istruzioni chiare e un insieme di strumenti da utilizzare. Troppo poco contesto e l'agente fallirà. Tuttavia, allo stesso modo, man mano che più informazioni entrano nella finestra di contesto, sappiamo che i modelli possono diventare subottimali. Per un processo aziendale complesso, se metti tutta la documentazione, la descrizione del flusso di lavoro e le istruzioni nella finestra di contesto, sappiamo che l'agente alla fine si confonderà e fornirà risultati peggiori. L'architettura logica quindi, in futuro, è di dividere gli agenti in unità atomiche che corrispondono ai giusti tipi di compiti e poi far lavorare insieme questi agenti per completare il loro lavoro. Stiamo già vedendo questo svolgersi in modo efficace negli agenti di codifica. Ci sono sempre più esempi che emergono con persone che impostano subagenti che possiedono tutti parti specifiche di un codice sorgente o di un'area di servizio. Ogni agente è responsabile di una parte del codice e c'è documentazione adatta agli agenti per il codice. Poi, quando è necessario lavorare in quell'area rilevante del codice sorgente, un agente orchestratore coordina con questi subagenti. Potremmo vedere questo schema applicarsi probabilmente a quasi qualsiasi area del lavoro conoscitivo in futuro. Questo permetterà agli agenti AI di essere utilizzati per molto più che casi d'uso specifici e si estenderà a potenziare interi flussi di lavoro nell'impresa. Anche se i modelli AI migliorano per gestire finestre di contesto più ampie e i livelli di intelligenza aumentano, non è ovvio che questa architettura scompaia mai. È probabile che il ruolo di ciascun agente si espanda man mano che le capacità migliorano, ma linee di separazione chiare tra subagenti potrebbero sempre portare a risultati migliori.

La divisione del lavoro degli agenti AI può corrispondere alla divisione del lavoro umano. Le persone stanno utilizzando subagenti che possiedono servizi micro specifici in una base di codice. Ogni servizio ha documentazione adatta agli agenti che viene aggiornata man mano che procede. In questo modo ottimizzi ciò che è nella finestra di contesto. Il futuro è selvaggio.