Основне проти контексту – це критично важлива концепція, яку слід продумати, з'ясовуючи, що люди перебудують самі за допомогою штучного інтелекту. Компанії привносять «основні» функції, які їх відрізняють. Це те, який їхній основний продукт або послуга, як вони продають клієнтам, речі, які керують їхньою культурою тощо. І навпаки, вони передають на аутсорсинг «контекст», тобто ставки за столом, щоб зробити все правильно, але пропонують лише зворотний бік у тому, щоб помилятися. Просте емпіричне правило для продумування полягає в тому, чи помітить клієнт коли-небудь, чи виконувала компанія цю функцію безпосередньо сама, чи ні. Корпоративне програмне забезпечення майже завжди є «контекстом». Це такі сфери, як CRM або HR-системи, інфраструктура, управління даними і так далі. Вони необхідні для масштабного бізнесу, але рідко ви отримуєте перевагу, намагаючись розгорнути свій власний. Існує лише кілька винятків, і це майже завжди тому, що вам потрібне рішення для обслуговування вашого «ядра», яке жоден постачальник не пропонує (наприклад, якби вам потрібне спеціальне програмне забезпечення для вертикально інтегрованого ланцюжка поставок). Незалежно від того, як починається компанія, вона майже завжди в часі розділяє роботу та цінність між основним і контекстним. Тільки так вони можуть залишатися конкурентоспроможними і в кінцевому підсумку розподіляти ресурси на оптимальні напрямки. Тому навіть якби компанія могла переписати своє корпоративне програмне забезпечення за допомогою штучного інтелекту, вона б просто цього не зробила. Оновлення версій, безпека, регуляторні функції, баги, SLA, необхідні професійні послуги тощо – все це зробить рентабельність інвестицій негативною. Як зазначає Букко, реальний ризик полягає в кращих версіях цих інструментів, які орієнтовані на штучний інтелект. Це те, на що слід звернути увагу з точки зору збоїв.

Відмінна нитка. На що б не здатен агент штучного інтелекту, його також можна обдурити. Ви повинні припустити, що якщо агент може отримати доступ до даних, що користувач в кінцевому підсумку також може отримати ці дані. Безпека агентів, контроль доступу та детерміновані огорожі матимуть вирішальне значення.

Багато розмов про те, як виглядає майбутнє програмного забезпечення на підприємстві. Ось як, на мою думку, це відбувається. Для детермінованих робочих процесів, де ціна неправильного вчинку чогось висока, підприємства матимуть тенденцію вибирати основні платформи для своїх найбільш поширених, важливих і повторюваних функцій в організації. Подумайте про розрахунок заробітної плати, ERP, CRM, ITSM, customer support, ECM/документообіг тощо. Це сфери, де ви хочете, щоб щось робилося однаково, щоразу. Кожна з цих платформ має бути орієнтована на штучний інтелект за задумом, що означає, що вони матимуть інтерфейси користувача, які налаштовуються на взаємодію з робочими процесами та даними за допомогою штучного інтелекту, і будуть повністю розроблені для роботи агентів штучного інтелекту на платформах. З часом ми можемо очікувати, що використання цих систем буде набагато більше упереджено ставитися до агентів штучного інтелекту, ніж навіть до людей. Модель сидіння залишається для користувачів, але споживання стає моделлю для агентів. Деякі посадовці доберуться до кінцевого стану, але інші не адаптуються досить швидко і відімруть. Тоді з'явиться нова культура компаній, які ефективно працюють лише з агентами, які спеціально створені для автоматизації конкретних видів роботи (і особливо для недетермінованих робіт). Їхні бізнес-моделі ще більше схилять споживання. Подумайте про Claude Code або Devins (ймовірно, з деяким шаром інтерфейсу для управління агентами), але для різних робочих функцій. Швидше за все, з часом ми побачимо сотні або тисячі таких появи. Тестування пера, кодування, пошук багів, комплаєнс-рев'ю, фінансові аналітики і так далі. Це величезний простір, де стартапи будуть працювати досить добре, тому що в цих категоріях, як правило, не буде жодного розробника програмного забезпечення. Ми будемо взаємодіяти з цими різними агентами з суміші програмних платформ, до яких вони прив'язані (наприклад, Box AI або Agentforce), через API в інших системах, а також систем горизонтальних робочих процесів, які об'єднують агентів на різних платформах (наприклад, ServiceNow, IBM Watsonx, Google Agentspace і так далі). І, звичайно, користувачі часто споживають цих агентів через горизонтальний чат (наприклад, ChatGPT, Claude, Perplexity, Grok, Copilot тощо) через MCP або інші типи прямих з'єднань. Користувачі зазвичай працюють у цих горизонтальних чат-системах, залучаючи агентів, дані та робочі процеси з різних платформ Agentic за потреби. Коли це буде доречно, вони перестрибнуть на основні платформи, щоб завершити робочі процеси, переглянути інформацію тощо. Також буде багато досвіду, коли користувачі зможуть генерувати мікрододатки на льоту, коли їм потрібні швидкі програми або автоматизація сценаріїв використання, коли немає очевидного програмного забезпечення, з яким можна було б це зробити. Це може відбуватися безпосередньо в горизонтальних системах чату, інструментах на кшталт Replit, Lovable, або в інструментах автоматизації бізнес-процесів тощо. Я б очікував, що це більше для досвідчених користувачів, де їм потрібен зв'язок між кількома системами або де ще немає програмного забезпечення. Суть цього полягає в тому, що програмне забезпечення з часом стає лише важливішим, навіть якщо способи, з якими ми взаємодіємо, змінюються та розширюються. Подібно до того, як ми з легкістю перескакуємо між нашими телефонами та настільними комп'ютерами, навіть якщо вони можуть легко зійтися, майбутнє запропонує поєднання способів взаємодії з програмним забезпеченням.

Незважаючи на захоплюючу ідею, ідея про те, що штучний інтелект генерує кожен інтерфейс на льоту, ймовірно, менш ймовірна, ніж люди думають. Переваги гіперкастомізації, швидше за все, не переважать необхідність заново вивчати програму щоразу, коли ви її використовуєте, або ризики того, що щось зламається несподіваним чином.

Розподіл праці за допомогою AI Agent матиме вирішальне значення для максимізації впливу агентів. У нас вже давно існує розподіл праці в організаціях, тому що мати окремих експертів, які передають завдання один одному, ефективніше, ніж купка спеціалістів широкого профілю, які щоразу намагаються робити все по-іншому. Агенти штучного інтелекту демонструють таку ж динаміку. Щоб агенти штучного інтелекту працювали, вам потрібна саме та необхідна кількість контексту про завдання, яке вони намагаються виконати. Це означає глибоке розуміння предметної області, набір знань для відпрацювання, чіткі інструкції та набір інструментів для використання. Занадто мало контексту, і агент зазнає невдачі. Однак, так само, чим більше цієї інформації потрапляє в контекстне вікно, ми знаємо, що моделі можуть стати неоптимальними.  Для складного бізнес-процесу, якщо ви покладете всю документацію, опис робочого процесу та інструкції в контекстне вікно, ми знаємо, що це може в кінцевому підсумку призвести до гниття контексту, що призведе до гірших результатів. Логічна архітектура в майбутньому полягає в тому, щоб розділити агентів на атомні одиниці, які відповідають правильним типам завдань, а потім змусити цих агентів працювати разом, щоб завершити свою роботу. Ми вже бачимо, як це ефективно відображається в агентах кодування. З'являється все більше і більше прикладів, коли люди створюють субагентів, які володіють певними частинами кодової бази або зони обслуговування. Кожен агент відповідає за частину коду, і для коду існує дружня до агентів документація. Потім, коли потрібна робота у відповідній області кодової бази, агент-оркеструвальник координує свої дії з цими субагентами.  Ми можемо побачити, що ця закономірність, ймовірно, буде застосована майже до будь-якої галузі знань у майбутньому. Це дозволить використовувати агентів штучного інтелекту не лише для конкретних випадків використання, а й для забезпечення роботи цілих робочих процесів на підприємстві. Навіть у міру того, як моделі штучного інтелекту вдосконалюються, щоб мати можливість обробляти більші контекстні вікна, а рівень інтелекту зростає, не очевидно, що ця архітектура коли-небудь зникне. Цілком імовірно, що роль кожного агента розширюється в міру вдосконалення можливостей, але чіткі лінії розмежування між субагентами завжди можуть призвести до кращих результатів.

Спочатку думка полягала в тому, що один агент штучного інтелекту буде обробляти як завгодно великі робочі процеси. Натомість, схема, яка, схоже, працює, полягає в розгортанні субагентів, які спеціалізуються за завданнями, щоб уникнути гниття контексту. За розподілом праці за допомогою агента штучного інтелекту може бути майбутнє.

Зараз є вікно, де агенти штучного інтелекту будуть створюватися для кожної вертикалі та домену. Посібник полягає в тому, щоб глибоко зануритися в контекстну інженерію, необхідну для вертикального або конкретного простору, з'ясувати правильний UX, який природним чином пов'язаний з існуючими робочими процесами, і підключитися до відповідних джерел даних та інструментів. Особливо на ранніх етапах корисно наблизитися до ключових клієнтів, щоб з'ясувати, що працює, а що ні, і постійно вносити вдосконалення, щоб повернути їх на батьківщину. Штучний інтелект зараз розвивається так швидко, що швидкі оновлення та спостереження за тим, як вони покращують робочі процеси клієнтів, мають величезне значення. Також важливо встановлювати ціну для агентів для максимального впровадження за допомогою простих цін за підпискою або за моделлю чіткого споживання, і очікувати збільшення витрат завдяки ефективності штучного інтелекту. Не будьте занадто жадібними щодо цін прямо зараз, оскільки частка ринку, ймовірно, є найважливішою. Може бути корисно розглянути варіанти використання, які обмежені наявністю або високою вартістю талантів. Це означає, що будь-яке поступове підвищення продуктивності в цих приміщеннях забезпечує високу рентабельність інвестицій для клієнта. У цих сферах клієнти завжди будуть готові спробувати агентів штучного інтелекту, щоб нарешті дійти до вирішення своїх проблем. Ось чому агенти з кодування штучного інтелекту, агенти безпеки або юридичні агенти злітають прямо зараз. Це все сфери, де попит на вирішення проблеми завжди перевищував рівень наявних талантів. Але в кожній вертикалі є приклади цього. Зараз настав очевидний момент, коли наступне покоління цих агентів штучного інтелекту буде створено в кожному просторі.

Якщо уявити, що кожна робоча функція та робочий процес матимуть аналог AI Agent для автоматизації роботи, очевидно, що ми перебуваємо на ранніх стадіях хвилі штучного інтелекту. Кожна вертикаль і напрямок бізнесу – це нова категорія ринку і абсолютно новий ТАМ, якого раніше не існувало.

Розподіл праці для агентів штучного інтелекту матиме вирішальне значення для максимізації впливу агентів у всіх сферах роботи з знаннями. У нас вже давно існує поділ праці в організаціях, тому що виявляється, що коли окремі експерти передають завдання один одному, ефективніше, ніж купка спеціалістів широкого профілю, які щоразу намагаються робити все по-іншому. Агенти штучного інтелекту демонструють таку ж динаміку. Щоб агенти штучного інтелекту працювали, вам потрібна саме та необхідна кількість контексту про завдання, яке вони намагаються виконати. Це означає глибоке розуміння предметної області, набір знань для відпрацювання, чіткі інструкції та набір інструментів для використання. Занадто мало контексту, і агент зазнає невдачі. Однак, так само, чим більше цієї інформації потрапляє в контекстне вікно, ми знаємо, що моделі можуть стати неоптимальними.  Для складного бізнес-процесу, якщо ви помістите всю документацію, опис робочого процесу та інструкції в контекстне вікно, ми знаємо, що агент в кінцевому підсумку заплутається і видасть гірші результати. Логічна архітектура в майбутньому полягає в тому, щоб розділити агентів на атомні одиниці, які відповідають правильним типам завдань, а потім змусити цих агентів працювати разом, щоб завершити свою роботу. Ми вже бачимо, як це ефективно відображається в агентах кодування. З'являється все більше і більше прикладів, коли люди створюють субагентів, які володіють певними частинами кодової бази або зони обслуговування. Кожен агент відповідає за частину коду, і для коду існує дружня до агентів документація. Потім, коли потрібна робота у відповідній області кодової бази, агент-оркеструвальник координує свої дії з цими субагентами.  Ми можемо побачити, що ця закономірність, ймовірно, буде застосована майже до будь-якої галузі знань у майбутньому. Це дозволить використовувати агентів штучного інтелекту не лише для конкретних випадків використання, а й для забезпечення роботи цілих робочих процесів на підприємстві. Навіть у міру того, як моделі штучного інтелекту вдосконалюються, щоб мати можливість обробляти більші контекстні вікна, а рівень інтелекту зростає, не очевидно, що ця архітектура коли-небудь зникне. Цілком імовірно, що роль кожного агента розширюється в міру вдосконалення можливостей, але чіткі лінії розмежування між субагентами завжди можуть призвести до кращих результатів.

Розподіл праці агента штучного інтелекту може відображатися з людським розподілом праці. Люди використовують субагентів, які володіють певними мікросервісами в кодовій базі. Кожен сервіс має зручну для агента документацію, яку він оновлює в міру використання. Таким чином ви оптимізуєте те, що знаходиться в контекстному вікні. Майбутнє дике.