核心与背景是一个关键概念，在思考人们将如何利用人工智能重建自己时需要考虑。 公司引入“核心”功能来区分自己。这就是他们的核心产品或服务是什么，他们如何向客户销售，推动他们文化的因素等等。 相反，他们外包“背景”，这是必须正确处理的基本要素，但如果处理不当只会带来负面影响。一个简单的思考规则是，客户是否会注意到公司是否直接自己完成了该功能。 企业软件几乎总是“背景”。这些领域包括他们的客户关系管理（CRM）或人力资源（HR）系统、基础设施、数据管理等等。这些是大规模运营企业所必需的，但在尝试自建时很少能获得优势。只有少数例外存在，几乎总是因为你需要一个解决方案来服务于你的“核心”，而没有供应商提供（例如，如果你需要为垂直整合的供应链定制软件）。 无论公司如何起步，随着时间的推移，他们几乎总是会在核心与背景之间分离工作和价值。这是他们保持竞争力并最终将资源分配到最佳领域的唯一方法。 因此，即使一家公司*可以*用人工智能重写他们的企业软件，他们基本上也不会这样做。版本更新、安全性、合规功能、错误、服务水平协议（SLA）、所需的专业服务等等，都会使其投资回报率为负。 正如bucco所指出的，真正的风险是这些工具的更好版本是以人工智能为首的。从颠覆的角度来看，这就是需要关注的地方。

很棒的讨论。无论一个AI代理能够做什么，它也可以被欺骗去做。你应该假设，如果一个代理可以访问数据，那么用户最终也能获取到这些数据。代理安全、访问控制和确定性保护措施将是至关重要的。

关于企业软件未来的讨论很多。以下是我认为的未来发展方向。 对于那些错误成本高的确定性工作流程，企业倾向于选择核心平台来处理组织中最常见、最重要和可重复的功能。比如工资单、ERP、CRM、ITSM、客户支持、ECM/文档管理等。这些领域需要每次都以相同的方式完成任务。 这些平台必须从设计上以AI为首，这意味着它们将拥有用户界面，能够通过AI与工作流程和数据进行交互，并且完全为AI代理的操作而设计。随着时间的推移，我们可以预期这些系统的使用将更多地偏向于AI代理，而不仅仅是人类。用户仍然采用座位模型，但消费将成为代理的模型。一些现有公司将能够适应最终状态，但其他公司将无法快速适应而被淘汰。 然后将会出现一批专门为自动化特定类型工作（尤其是非确定性工作）而构建的代理公司。它们的商业模式将更加倾向于消费。想想Claude Code或Devins（可能会有一些用于管理代理的UI层），但适用于各种工作职能。我们可能会看到数百或数千个这样的公司随着时间的推移而出现。渗透测试、编码、漏洞发现、合规审查、金融分析师等等。这是一个巨大的领域，初创公司在这里会表现得相当不错，因为在这些类别中往往没有软件巨头。 我们将通过与这些代理相关的软件平台（如Box AI或Agentforce）、其他系统中的API以及将代理跨平台连接的横向工作流程系统（如ServiceNow、IBM Watsonx、Google Agentspace等）进行交互。 当然，用户通常会通过横向聊天体验（如ChatGPT、Claude、Perplexity、Grok、Copilot等）来消费这些代理，通过MCP或其他类型的直接连接。用户将常常在这些横向聊天系统中工作，根据需要拉入代理、数据和来自各种Agentic平台的工作流程。当需要时，他们会跳入核心平台以完成工作流程、查看信息等。 还会有一系列体验，用户可以在需要快速应用程序或用例自动化时即时生成微应用，当没有明显的软件可以做到这一点时。这可能直接发生在横向聊天系统中，或在像Replit、Lovable这样的工具中，或者在工作流程自动化工具中等。我预计这更多是针对需要在多个系统之间粘合的强大用户，或者在尚不存在软件的情况下。 总的来说，软件随着时间的推移变得越来越重要，即使我们交互的方式发生变化和扩展。就像我们轻松地在手机和台式电脑之间切换一样，尽管它们可以轻易地融合，未来将提供多种与软件交互的方式。

虽然很吸引人，但AI实时生成每个用户界面的想法可能没有人们想象的那么可行。超高的定制化带来的好处可能无法抵消每次使用应用程序时需要重新学习的麻烦，或者意外出现故障的风险。

AI代理的分工对于最大化代理的影响至关重要。 我们在组织中早已建立了分工，因为让个别专家相互交接任务比一群通才每次都尝试不同的方法更有效。AI代理呈现出相同的动态。 为了使AI代理正常工作，您需要对他们试图完成的任务有适量的上下文。这意味着需要深入的领域理解、可供参考的知识、明确的指示和可使用的工具。上下文太少，代理就会失败。然而，随着更多信息进入上下文窗口，我们知道模型可能会变得次优。 对于复杂的业务流程，如果您将所有文档、工作流程描述和指示放入上下文窗口，我们知道这最终可能导致上下文腐烂，从而导致更糟的结果。 因此，未来的逻辑架构是将代理分成原子单元，这些单元映射到正确类型的任务，然后让这些代理协同工作以完成他们的工作。 我们已经看到这一点在编码代理中有效地发挥作用。越来越多的例子出现，人们设置子代理，所有子代理都负责代码库或服务区域的特定部分。每个代理负责代码的一部分，并且有适合代理的代码文档。然后，当在相关的代码库区域需要工作时，一个协调代理会与这些子代理协调。 我们可以看到这种模式可能在未来适用于几乎所有知识工作领域。这将使AI代理不仅用于特定任务的用例，还扩展到推动整个企业工作流程。 即使AI模型改进到能够处理更大的上下文窗口，智能水平提高，这种架构是否会消失也并不明显。随着能力的提高，每个代理的角色可能会扩大，但子代理之间的明确分隔可能始终会导致更好的结果。

最初的想法是单个 AI 代理能够处理任意大的工作流程。相反，似乎有效的模式是部署具有任务专业化的子代理，以避免上下文衰退。AI 代理的劳动分工可能是未来的趋势。

现在有一个窗口期，AI代理将在每个垂直领域和领域中被构建。 操作手册是深入了解特定垂直领域或特定空间所需的上下文工程，找出与现有工作流程自然结合的正确用户体验，并连接到相关的数据源和工具。 尤其是在早期，尽可能接近关键客户是有用的，以找出什么有效，什么无效，并不断进行改进，以将他们带回母公司。AI现在发展得非常快，快速更新并观察它们如何改善客户的工作流程是非常重要的。 为代理定价以实现最大采用也很重要，采用简单的订阅价格或明确的消费模式，并期待利用AI效率带来的成本改善。现在不要对价格过于贪婪，因为市场份额可能是最重要的。 追求那些受限于人才可用性或高成本的用例是有帮助的。这意味着在这些领域的任何生产力增量提升都为客户提供了高投资回报。在这些领域，客户总是愿意尝试AI代理，以最终解决他们的问题。 这就是为什么AI编码代理、安全代理或法律代理现在初步取得成功的原因。这些都是解决问题的需求始终超过可用人才水平的领域。但每个垂直领域都有这样的例子。 现在有一个明确的时刻，下一代这些AI代理将在每个领域中被构建。

如果你想象每个职位功能和工作流程都会有一个AI代理来自动化工作，那么很明显我们正处于AI浪潮的初期阶段。每个垂直行业和业务线代表了一个全新的市场类别和全新的TAM，这在之前是不存在的。

AI代理的劳动分工对于最大化代理在所有知识工作领域的影响至关重要。 我们在组织中早已存在劳动分工，因为事实证明，让个别专家相互交接任务比一群通才每次都尝试不同的方法更有效。AI代理呈现出相同的动态。 为了使AI代理正常工作，您需要关于他们试图完成的任务的恰当上下文。这意味着需要深入的领域理解、一套知识基础、明确的指示和一套可用的工具。上下文太少，代理将会失败。然而，随着更多信息进入上下文窗口，我们知道模型可能会变得次优。 对于复杂的业务流程，如果您将所有文档、工作流程描述和指示放入上下文窗口，我们知道代理最终会感到困惑并提供更差的结果。 因此，未来的逻辑架构是将代理分成原子单元，这些单元映射到正确类型的任务，然后让这些代理协同工作以完成他们的工作。 我们已经看到这一点在编码代理中有效地发挥作用。越来越多的例子出现，人们设置子代理，所有子代理都负责代码库或服务区域的特定部分。每个代理负责代码的一部分，并且有适合代理的代码文档。然后，当在相关代码区域需要工作时，一个协调代理会与这些子代理协调。 我们可以看到这种模式可能在未来几乎适用于任何知识工作领域。这将使AI代理不仅用于特定任务的用例，还扩展到推动整个企业工作流程。 即使AI模型改进到能够处理更大的上下文窗口，智能水平提高，这种架构是否会消失也并不明显。随着能力的提高，每个代理的角色可能会扩展，但子代理之间的明确分隔线可能始终会导致更好的结果。

AI代理的分工可能与人类的分工相对应。人们正在使用拥有特定微服务的子代理，这些微服务在代码库中。每个服务都有友好的文档，随着进展不断更新。通过这种方式，你可以优化上下文窗口中的内容。未来将会非常疯狂。