素晴らしいスレッド。AI エージェントができることは何でも、だまされて実行させる可能性もあります。エージェントがデータにアクセスできる場合、ユーザーは最終的にそのデータも取得できると想定する必要があります。エージェントのセキュリティ、アクセス制御、および決定論的なガードレールが重要になります。

企業におけるソフトウェアの未来がどのようなものになるかについて、多くの会話が交わされました。私が考える仕組みは次のとおりです。 何かを間違えた場合のコストが高い決定論的なワークフローの場合、企業は組織内で最も一般的で重要で反復可能な機能のためにコアプラットフォームを選択する傾向があります。給与計算、ERP、CRM、ITSM、カスタマーサポート、ECM/ドキュメント管理などを考えてみましょう。これらは、毎回同じ方法で何かをやりたい領域です。 これらの各プラットフォームは、設計上AIファーストである必要があり、つまり、AIを介してワークフローやデータと対話するように調整されたユーザーインターフェイスを備え、AIエージェントがプラットフォームで動作できるように完全に設計されることを意味します。時間が経つにつれて、これらのシステムでの使用は、人間よりもはるかに AI エージェントに偏ることが予想されます。シートモデルはユーザーにとっては残りますが、消費はエージェントにとってモデルになります。一部の現職者は最終状態に到達しますが、他の現職者は十分に早く適応できず、死んでしまいます。 そうすれば、特定の種類の作業(特に非決定論的な作業)を自動化することを目的とした、事実上エージェントのみの企業が新たに登場します。彼らのビジネスモデルは、さらに多くの消費を傾けるでしょう。Claude Code や Devins (おそらくエージェントを管理するための UI レイヤーがあるでしょう) を思い浮かべてくださいが、さまざまな職務用です。時間の経過とともに、数百、数千のこれらが出現するでしょう。侵入テスト、コーディング、バグ発見、コンプライアンスレビュー、財務アナリストなど。これは、これらのカテゴリにはソフトウェアの既存企業がいない傾向があるため、スタートアップが非常にうまくいく巨大なスペースです。 これらのさまざまなエージェントは、他のシステムの API を介して、他のシステムの API を介して、およびプラットフォーム間でエージェントをつなぎ合わせる水平ワークフロー システム (ServiceNow、IBM Watsonx、Google Agentspace など) を介して、これらのさまざまなエージェントと対話します。 そしてもちろん、ユーザーは多くの場合、MCP またはその他の種類の直接接続を介した水平チャット エクスペリエンス (ChatGPT、Claude、Perplexity、Grok、Copilot など) を介してこれらのエージェントを使用します。ユーザーは通常、これらの水平型チャット システムで作業し、必要に応じてさまざまな Agentic プラットフォームからエージェント、データ、ワークフローを取り込みます。関連する場合は、コア プラットフォームに飛び込んでワークフローを完了したり、情報を確認したりします。 また、迅速なアプリケーションやユースケースの自動化が必要な場合に、ユーザーがマイクロアプリをその場で生成できるエクスペリエンスのロングテールもあります。これは、水平型チャット システム、Replit、Lovable などのツール、またはワークフロー自動化ツールなどで直接発生する可能性があります。これは、複数のシステム間の接着剤が必要な場合、またはソフトウェアがまだ存在しないパワーユーザー向けであると予想されます。 その要するに、たとえ私たちが対話しているモダリティが変化し、拡大したとしても、ソフトウェアは時間の経過とともに重要性が増すだけです。携帯電話とデスクトップ コンピューターの間を簡単に行き来するのと同じように、たとえ簡単に収束できるとしても、将来的にはソフトウェアと対話する方法が混在するでしょう。

魅力的ではありますが、AI がすべての UI をその場で生成するというアイデアは、おそらく人々が思っているよりも可能性が低いでしょう。ハイパーカスタマイズの利点は、アプリを使用するたびにアプリを再学習しなければならないことや、予期しない方法で物事が壊れるリスクを上回ることはないでしょう。

AI エージェントの分業は、エージェントの影響を最大化するために重要です。 組織では長い間分業があり、ジェネラリストが毎回異なる方法で物事を行おうとするよりも、個々の専門家がお互いにタスクを引き継ぐ方が効果的であるためです。AI エージェントも同じダイナミクスを示します。 AI エージェントが機能するには、AI エージェントが完了しようとしているタスクに関する適切な量のコンテキストが必要です。これは、ドメインの深い理解、作業する一連の知識、明確な指示、および使用するツールのセットを意味します。コンテキストが少なすぎると、エージェントは失敗します。しかし、同様に、この情報がコンテキストウィンドウに入るにつれて、モデルが最適ではない可能性があることがわかっています。 複雑なビジネスプロセスの場合、すべてのドキュメント、ワークフローの説明、および指示をコンテキストウィンドウに入れると、最終的にコンテキストの腐敗につながり、結果が悪化する可能性があることがわかっています。 将来の論理アーキテクチャは、エージェントを適切なタイプのタスクにマップするアトミックユニットに分割し、これらのエージェントが連携して作業を完了することです。 これはすでにコーディングエージェントで効果的に機能しているのを目の当たりにしています。コードベースまたはサービスエリアの特定の部分をすべて所有するサブエージェントを設定する人々がいる例がますます増えています。各エージェントはコードの一部を担当し、コードにはエージェントに適したドキュメントがあります。次に、コードベースのその関連領域で作業が必要になると、オーケストレーター エージェントがこれらのサブエージェントと調整します。 このパターンは、将来的にはほぼすべての知識分野の仕事に当てはまる可能性が高いことがわかります。これにより、AI エージェントはタスク固有のユースケースをはるかに超えて使用できるようになり、企業内のワークフロー全体を強化することにまで拡張できます。 AI モデルがより大きなコンテキスト ウィンドウを処理できるように改善され、インテリジェンス レベルが向上しても、このアーキテクチャがなくなることは明らかではありません。能力の向上に伴い、各エージェントの役割は拡大する可能性がありますが、サブエージェント間の明確な分離線は常により良い結果につながる可能性があります。

当初は、単一の AI エージェントが任意の大規模なワークフローを処理できるという考えでした。代わりに、機能しているように見えるパターンは、コンテキストの腐敗を回避するために、タスクごとに特殊化されたサブエージェントをデプロイすることです。AIエージェントの分業化が未来かもしれません。

現在、あらゆる業種やドメイン向けに AI エージェントが構築されるウィンドウがあります。 プレイブックは、垂直または特定のスペースに必要なコンテキストエンジニアリングを深く掘り下げ、既存のワークフローに自然に結びつく適切なUXを見つけ出し、関連するデータソースとツールに接続することです。 特に早い段階では、主要な顧客にできるだけ近づいて、何がうまくいっていて何がうまくいっていないかを把握し、常に改善して母船に戻すことが役立ちます。AI は現在非常に急速に進歩しているため、迅速な更新を行い、顧客のワークフローをどのように改善するかを確認することには非常に高い価値があります。 また、シンプルなサブスクリプション価格または明確な消費モデルで最大限の採用のためにエージェントの価格を設定し、AIの効率性によるコスト改善を乗り越えることを期待することも重要です。市場シェアが最も重要である可能性が高いため、今すぐ価格に欲を張りすぎないでください。 人材の可用性や高コストによって制約されているユースケースを追求すると役立つ場合があります。これは、これらのスペースでの生産性の漸進的な向上が顧客に高い ROI を提供することを意味します。これらの分野では、顧客は常に AI エージェントを試して、最終的に問題を解決することに取り組むでしょう。 これが、AI コーディング エージェント、セキュリティ エージェント、または法的エージェントが最初に普及している理由です。これらはすべて、問題を解決するための需要が常に利用可能な人材のレベルを超えている分野です。しかし、どの業種にもこの例があります。 これらの次世代の AI エージェントがあらゆる空間に構築される明確な瞬間が今あります。

すべての職務とワークフローに、作業を自動化するための AI エージェントが配置されることを想像すれば、AI の波の初期段階にあることは明らかです。すべての業種と事業部門は、これまで存在しなかった新しい市場カテゴリとまったく新しいTAMを表しています。

AI エージェントの分業は、知識作業のあらゆる分野でエージェントの影響を最大化するために重要です。 組織では長い間分業が行われてきましたが、それはジェネラリストが毎回異なる方法で物事を行おうとするよりも、個々の専門家がお互いにタスクを引き継ぐ方が効果的であることが判明したからです。AI エージェントも同じダイナミクスを示します。 AI エージェントが機能するには、AI エージェントが完了しようとしているタスクに関する適切な量のコンテキストが必要です。これは、ドメインの深い理解、作業する一連の知識、明確な指示、および使用するツールのセットを意味します。コンテキストが少なすぎると、エージェントは失敗します。しかし、同様に、この情報がコンテキストウィンドウに入るにつれて、モデルが最適ではない可能性があることがわかっています。 複雑なビジネスプロセスの場合、すべてのドキュメント、ワークフローの説明、および指示をコンテキストウィンドウに入れると、エージェントは最終的に混乱し、より悪い結果をもたらすことがわかっています。 将来の論理アーキテクチャは、エージェントを適切なタイプのタスクにマップするアトミックユニットに分割し、これらのエージェントが連携して作業を完了することです。 これはすでにコーディングエージェントで効果的に機能しているのを目の当たりにしています。コードベースまたはサービスエリアの特定の部分をすべて所有するサブエージェントを設定する人々がいる例がますます増えています。各エージェントはコードの一部を担当し、コードにはエージェントに適したドキュメントがあります。次に、コードベースのその関連領域で作業が必要になると、オーケストレーター エージェントがこれらのサブエージェントと調整します。 このパターンは、将来的にはほぼすべての知識分野の仕事に当てはまる可能性が高いことがわかります。これにより、AI エージェントはタスク固有のユースケースをはるかに超えて使用できるようになり、企業内のワークフロー全体を強化することにまで拡張できます。 AI モデルがより大きなコンテキスト ウィンドウを処理できるように改善され、インテリジェンス レベルが向上しても、このアーキテクチャがなくなることは明らかではありません。能力の向上に伴い、各エージェントの役割は拡大する可能性がありますが、サブエージェント間の明確な分離線は常により良い結果につながる可能性があります。

AI エージェントの分業は、人間の分業にマッピングされる場合があります。ユーザーは、コードベース内の特定のマイクロサービスを所有するサブエージェントを使用しています。各サービスにはエージェントに適したドキュメントがあり、更新されるたびに更新されます。このようにして、コンテキストウィンドウの内容を最適化します。未来は荒々しい。

高度な AI のメンタル モデルは、モデルは非常に一般化可能ですが、非常に具体的なコンテキストと組み合わせる必要があります。正確なプロンプト、タスクごとに分割されたサブエージェント、エージェントフレンドリーなドキュメント、ナレッジアクセス。モデルが改善されても、これは変わりません。