Osiągamy punkt, w którym modele AI są zdolne do wykonywania coraz bardziej zaawansowanych zadań związanych z wiedzą, ale będziemy potrzebować zastosowanych agentów, aby w pełni wykorzystać ich wartość. Dlatego teraz istnieje tak wiele możliwości w tworzeniu agentów AI specyficznych dla danej dziedziny. Połączenie głębokiej wiedzy specjalistycznej w danej branży lub linii biznesowej, wykorzystanie istniejących danych korporacyjnych oraz dostosowane UX dla tych procesów, które pozwala użytkownikom przeglądać lub koordynować pracę, będzie kluczowe. A ponieważ firmy prawdopodobnie będą musiały na nowo wyobrazić sobie swoje podstawowe procesy, aby uzyskać pełną wartość z agentów, oznacza to, że wiele z tych najbardziej zaawansowanych przypadków użycia będzie wymagało dużego zarządzania zmianą. To stwarza dodatkowe możliwości dla dedykowanych graczy, aby zaatakować te obszary.

To jest dokładnie paradoks Jevonsa w działaniu w najczystszej formie. Ponieważ koszt tokenów AI spadł, teraz możemy sobie pozwolić na użycie ich znacznie więcej do coraz bardziej złożonych zadań. Kluczowym punktem jest zatem to, że "AI staje się droższe"; zamiast tego chodzi o to, że ponieważ staje się tańsze i bardziej zdolne, używamy go więcej, aby lepiej rozwiązywać problemy. Dla prawie każdego zadania porównywalnego, używamy po prostu znacznie więcej tokenów, aby wykonać zadanie i dostarczyć znacznie lepszy wynik. Niezależnie od tego, czy chodzi o pisanie kodu, odpowiadanie na pytanie dotyczące opieki zdrowotnej, czy analizowanie umowy, dzisiaj używamy znacznie więcej AI do wykonywania tej pracy, ponieważ potrzebujemy dodatkowych punktów wydajności. Uzyskanie 99% poprawnej odpowiedzi przy pracy z umową prawną jest *bardzo* różne od 90% poprawnej odpowiedzi, a łatwo jest to warte wzrostu tokenów o 10X do 100X. Teraz, w *pewnym* momencie zaczniemy osiągać plateau dla niektórych typów zadań, a wtedy koszt na zadanie spadnie. Na przykład, prawdopodobnie nie potrzebujemy 100X więcej tokenów niż używamy dzisiaj do odpowiadania na proste pytanie medyczne lub podsumowywania dokumentu. Więc w końcu, na zasadzie porównywalnej, te obciążenia staną się tańsze, gdy będziemy w stanie uchwycić zyski wydajności z modeli. *Ale*, ogólny cykl będzie trwał zasadniczo w nieskończoność, ponieważ po prostu będziemy podnosić poprzeczkę tego, co robimy z AI. W miarę jak tokeny będą nadal tańsze dzięki przełomom algorytmicznym, konkurencji w cenach GPU, ogólnym efektywnościom obliczeniowym i otwartym alternatywom wagowym, znajdziemy następne sposoby na konsumowanie tokenów. Wdrożymy znacznie więcej agentów równolegle, aby przyspieszyć zadania, użyjemy systemów wieloagentowych do porównywania odpowiedzi i osiągania konsensusu, rozwiążemy bardziej złożone problemy związane z wiedzą, a w tle będziemy mieć znacznie dłużej działających agentów. AI będzie jednocześnie zawsze stawać się tańsze i droższe.

Zarządzanie produktem dla agentów AI to zdecydowanie najdziksza forma zarządzania produktem w historii. Typowe zarządzanie produktem polega na próbie ustalenia, jak zaprojektować interfejsy i oprogramowanie, aby ludzie mogli wchodzić w interakcje z deterministycznymi systemami. Użytkownik zazwyczaj zna cały kontekst, aby skutecznie wykonać swoją pracę, więc zazwyczaj chodzi o dopracowanie podstawowej logiki biznesowej i otaczającego UX. Jednak w przypadku agentów AI, użytkownikiem, na którym najbardziej ci zależy, jest agent, a on domyślnie nie wie nic. Z radością podąży w każdym kierunku, aby wykonać zadanie, często bez sukcesu. Jako PM (lub inżynier) spędzasz więc czas na próbie odtworzenia „czego potrzebowałby człowiek jako kontekstu, aby wykonać to zadanie”, a następnie ustalasz, jak zaprojektować systemy, aby dostarczyć agentowi te dane w odpowiedniej kolejności, z odpowiednimi narzędziami i instrukcjami. Niektóre z tych systemów są całkowicie niewidoczne dla ludzkiego użytkownika, ale częścią rzemiosła jest również to, jak końcowy użytkownik będzie wchodził w interakcje z agentem, aby dostarczyć ten kontekst. Następnie często jest to niekończąca się próba i błąd, aby wydobyć stopniowe punkty jakości na każdym etapie. To szczególnie wyjaśnia, dlaczego osoby z głęboką wiedzą w danej dziedzinie, lub te, które mogą ją szybko zdobyć, będą doskonale radzić sobie w budowaniu agentów AI. Zdolność do przewidywania kontekstu, który agent potrzebowałby, aby odnieść sukces, jest ogromnym czynnikiem decydującym o tym, jak skuteczny będzie agent. To częściowo wyjaśnia, dlaczego agenci kodujący tak dobrze działali od samego początku; ponieważ ich twórcy głęboko rozumieją dziedzinę, którą starają się zautomatyzować. Ale wyraźnie szybko zobaczymy ten sam wynik w każdej dziedzinie - prawnej, zdrowotnej, finansowej itd. - gdy inżynieria kontekstu i nowa grupa menedżerów produktów się pojawi.