Utenfor forventningene: AI-agenter og det neste kapitlet i arbeid

AI-agenter, eller autonome agenter, er i sine første dager. Meget tidlige – bunnen av den første inningen tidlige. Feltet er i ferd med å buzz med innovasjon, fra banebrytende forskning til bevis på konsepter til praktiske anvendelser – alle som antyder AI’s enorme potensial.

Det er ingen tvil om at autonome agenter vil transformere hver eneste industri, med deres evner som går ut over ren oppgaveautomatisering til å redesigne arbeidsflyter, simulere komplekse scenarier og redusere behovet for menneskelig inngripen i ulike prosesser. Vi ser på en (nær fremtid) hvor agenter kan kjøre store simulasjoner, redesigne markedsføringskampanjer eller til og med automatisere komplekse R&D-testprosesser.

Boston Consulting Group (BCG) høydepunkter den evolusjonære sprang fra store språkmodeller (LLM) til autonome agenter designet for å utføre oppgaver fra ende til ende, overvåke resultater, tilpasse og bruke verktøy autonomt for å nå mål. De representerer et betydelig steg mot sannt artificiell intelligens, i stand til uavhengig drift uten kontinuerlig menneskelig tilsyn.

I forhold til markedstørrelse, var autonome AI og autonome agenter verdsatt til 4,8 milliarder USD i 2023 og forventes å registrere en CAGR på over 43% mellom 2023 og 2028, og nå 28,5 milliarder. Det er klart at vi står på terskelen til en paradigmeskifte – en fase fylt med forventning, begeistring, skepsis og pragmatisk vurdering. Denne skiftet ikke bare om teknologisk fremgang; det handler om å definere vår tilnærming til arbeid, produktivitet og innovasjon på nytt. Nesten hver investor, grunnlegger, utvikler og teknologi-entusiast prøver å forstå impulsen denne teknologien vil ha på hvordan vi arbeider i vår livstid og utover, og vurdere implikasjonene for deres operasjoner og strategiske mål.

Imidlertid, som det er nå, mangler vi evnen til fullt ut å forstå størrelsen på den massive skiftet dette vil forårsake. Alt vi kan gjøre er å spekulere. Denne artikkelen er bare det – min spekulasjon om den utviklende dynamikken til autonome agenter og deres implikasjoner for grunnleggere, investorer og den bredere økonomien. Jeg vil snakke om hvordan vi på Forum Ventures tenker og investerer i området, samt gi en markedskart med selskapene vi tror er ledende i utforskningen.

Hvor vi er i dag

Til tross for de betydelige fremgangene i forskning og bevis på konsepter, prøver vi alle fortsatt å forstå og projicere hvordan vi kan utnytte de fulle evnene til AI-agenter. Så langt, er det en sammenstøt av tre trender:

1. Fremgang i AI-kompetanse og effektivitet, som utvider grensene for hva som er mulig.
2. Kostnadene ved å iverksette evner, som for eksempel ChatGPT 4.0, gjør bruken av AI-agenter mer tilgjengelig for flere mennesker og fører til videre utbredelse og generell aksept av denne teknologien.
3. Demokratiseringen av tilgang til AI, åpen kildekode eller ikke, muliggjør at en bredere rekke av enheter kan utforske og implementere AI-løsninger, og dermed akselerere innovasjonsfasen.

Som med all ny teknologi, spesielt en transformasjon så stor som denne, er det en rekke utfordringer som er i ferd med å bli løst. Her er de to største:

1. Sikkerhet og nøyaktighet

Det er en økende fokus på å utvikle den nødvendige infrastrukturen for å sikre den trygge og etiske utrullingen av AI-agenter. For mange industrier og bedrifter, er det ingen rom for feil. Hvis en LLM har en hallusinasjonsrate på bare 0,1%, kan den aldri bli betrodd i noen kritisk prosess, og denne feilraten må være enda lavere for en 10-trinns- eller 100-trinnsprosess. Å løse dette er avgjørende for vid utbredelse, og mange selskaper venter før de omfavner LLM-er enten som en del av deres teknologi-stak eller som en helt ny måte å operere på.

Verktøy for å overvåke nøyaktighet og sikkerhet gjennom observasjon og brukertilgang, samt etiske rammer, etableres for å fremme en ansvarlig tilnærming til AI-integrasjon. Vi har sett noen selskaper gjøre dette godt, PrivateAI er ett av dem. De bruker inferens for å sikre at selskaper ikke trener på private data slik at det ikke lekker ut. Vi er også svært begeistret for nye selskaper som kommer på markedet som SafeguardAI – en autonom AI-agent som beskytter mot hallusinasjoner, og lar bedrifter rulle ut generativ AI-bruk raskere.

I tillegg utvikles verktøy som automatiske evalueringsskalaer, menneskelig evalueringssystemer og diagnostiske datasett for å assistere i vurderingen og forbedringen av LLM-ers nøyaktighet. Disse verktøyene hjelper forskere og utviklere å identifisere styrker og svakheter i LLM-er og guide videre fremgang i feltet.

2. Menneske-AI-interaksjon

Utfordringen her er å bestemme hvor mye mennesker skal interagere med programvare som er autonom. Det finnes bekymringer om de potensielle risikoene ved at AI-systemer opererer uten tilstrekkelig menneskelig kontroll, dvs. hvor mye autonomi er for mye. Men vi må også finne ut hvordan mye vi ønsker mennesker i løkken, og hva nivå av menneskelig interaksjon skaper mer sikkerhet samtidig som det begrenser fordommer og reduserer sjansen for menneskelig feil. Vi har ikke gode svar på dette ennå, på noen som helst rimelig skala.

Fra et optimistisk perspektiv er jeg håpefull at vi kan definere en ny paradigme for autonom programvare til å operere innenfor menneskelig kontroll på en måte som overvåkes og observeres slik at mennesker kan stoppe potensielt “dødelige” ting fra å skje, som en mye større versjon av en flash-crash i økonomien. I min mening er det de som kan bygge dette som vil vinne og levere transformasjonelle muligheter.

Skiftet fra oppgave-orienterte til mål-orienterte prosesser

Det kommer ikke til å være noen sektor eller felt av arbeid som vil forbli urørt av AI-agenter, og mye av endringen som skjer vil være i nær fremtid. I min mening er en av de mest dyptgående impaktene som AI-agenter vil ha er skiftet fra oppgave-orienterte til mål-orienterte prosesser. I dag, skriver du noe inn i en datamaskin, som for eksempel “skriv meg en op-ed om AI-agenter”, og datamaskinen gir noe tilbake til deg, som du så handler på. Dette er en svært oppgave-orientert prompt, og krever fortsatt at brukeren trener agenten i henhold til målene og toneleiet til personen. Men det er begrenset til dette, og derfor er utgangen i stor grad bestemt av kvaliteten på treningsinndata, pluss de forhåndsbestemte (og muligens begrensede) målene til brukeren, som fortsatt er svært avhengig av menneskelig handling.

Den underutnyttede kraften til AI-agenter ligger i kraften av mål-orientert arbeid. Fremtiden vil ikke lenger være en av trivielle, trinn-for-trinn-prosesser eller komplisert prompt-engineering for prosesser. Selskaper og ledere bør skifte sine tanker om hvordan de bygger og bruker autonome, regelbaserte prosesser, hvor mål er foreskrevet og agenter bestemmer den beste veien fremover for å nå resultatet (med passende menneskelig inngripen). Et eksempel på dette kan være, “book meg en hendelse i New York City med 100 fagfolk som ønsker å lære om hvordan AI trenger inn i den amerikanske helsemarkedet fra en av våre talere”. I et slikt tilfelle vil AI bli brukt til å operasjonalisere strategisk tenkning utover den begrensede skalaen av mulighet som en enkel oppgave kunne oppnå.

Dette er en helt ny måte å tenke og arbeide på. Det er nesten ingen sett av mål vi er i ferd med å forfølge med en datamaskin som ikke vil bli forfulgt på en helt annen måte. Dette vil være en grunnleggende endring i hvordan vi orienterer oss selv, og hvordan arbeid konseptualiseres og utføres.

Monetisering og markedsdynamikk

Ettersom AI blir mer integrert i forretningsmodeller, vurderes tradisjonelle monetiseringsstrategier på nytt. For eksempel, i dag, i bedriftsprogramvare, kjøper kunder vanligvis plasser og bruk. På forbrukersiden, gjør folk innkjøp i apper. Vår hypotese er at dette vil skifte slik at stadig flere programvareselskaper vil kunne selge resultater, i stedet for verktøy. Vil mennesker og bedrifter betale for resultater? For å nå målene sine? Vi er ikke sikre ennå. Men vi ser på dette som en refleksjon av den bredere trenden mot verdi-basert engasjement. Det finnes imidlertid utfordringer i å forutsi lønnsomhet og håndtere kostnader, spesielt gitt den datamaskinintensive naturen til AI-teknologier.

Å bestemme hvem og hva å investere i på det tidligste stadiet

Når vi investerer på dette tidlige stadiet, er grunnleggeren en av de største innsatsene vi gjør – og ser på både grunnlegger-markedsfit og grunnlegger-personlighet. Med AI-agenter blir dette lenset enda viktigere fordi med så mange ukjente faktorer, vil løsningen som bygges i dag sannsynligvis ikke være det som bygges i morgen, men grunnleggeren vil forbli den samme. Så, vi ser på ikke bare grunnlegger-markedsfit, men også deres tilknytning til problemet, hvordan de ser på problemsettet annerledes enn den eksisterende paradigmen, at de er villige til å omfavne det ukjente, og at de har plasticitet og fleksibilitet til å holde tritt med en marked som har så mye flux.

Etter grunnleggeren, ser vi på markedet og om det finnes et stort totalt adressebart marked og en troverdig vei til en $1 milliard omsetningsmulighet. Vi er åpne for både etablerte markeder som proptech og leverandørkjeder, og mer fremtidsrettede, fleksible markeder som fintech og e-handel, så lenge startup-løsningen / verktøyet vil levere en stegfunksjonsforbedring over den gamle måten.

Vår tredje fokus når vi vurderer en AI-agent-løsning er om verktøyet vil være kompatibelt innen en AI-sentrert programvare-fremtid. Med andre ord, vil den foreslåtte løsningen sammenføye og forbedre hvordan vi ser på fremtidens programvare-landskap og -stakke innen dette markedet.

Vi kan ikke gjøre ordentlige kostnadsbaserte forutsigelser ennå. Nå er AI-bedrifter fundamentalt mindre lønnsomme enn SaaS-bedrifter. Kostnadene forbundet med å prosessere og analysere data i AI-systemer kan raskt akkumulere. Det vil være nødvendig med nær fremtidig fremgang som forbedrer AI-effektivitet og reduserer driftskostnader før vi kan gjøre denne type vurdering. Ideelt sett er det fremgang som speiler Moores lov i AI-sektoren, og både kraft- og chipkostnader reduseres på grunn av økt investering. Hvis vi kan finne en balanse hvor AI ikke bare er innovativt, men også økonomisk bærekraftig, så er vi gylne. Men det finnes fortsatt så mange ukjente faktorer, og de fleste av oss gjetter (gjør informerte spekulasjoner, for å si det pent).

En ‘brave new world’ av muligheter

De fleste mennesker regner introduksjonen av ChatGPT som AI’s “iPhone-øyeblikk”. Men jeg tror ikke vi er der ennå. Inntil nå har disse chattegrensesnittene ikke gjort mye mer enn å strømlinje våre eksisterende arbeidsflyter. Mens disse verktøyene uten tvil har gjort oppgaver lettere å håndtere, forblir vår tilnærming grunnleggende oppgave-orientert. Den bredere visjonen er å transformere denne dynamikken fullstendig, hvor AI vil kunne operasjonalisere strategisk tenkning og utføre kompleks utgang, med enda mindre inngang fra mennesker. Det sanne iPhone-øyeblikket kan være lanseringen av AI-agenter som standard B2B-applikasjonssett, som vil påvirke fremtiden for arbeid på en overdimensjonal måte.

Et tiår fra nå, er det ingen tvil om at vi kommer til å se tilbake og undre oss over tanken på at vi opererte basert på gjøremålslister i stedet for å sette strategiske mål og la AI hjelpe oss å iterere og forbedre disse målene. Denne skiftet mot et mål-orientert arbeidsmiljø representerer ikke bare en evolusjon i teknologi, men en transformasjon i hvordan vi konseptualiserer og nærmer oss arbeidet vårt.

Vegen fremover er fylt med usikkerheter, men potensialet for AI til å revolusjonere industrier, forsterke menneskelig potensial, drive meningsfull fremgang og levere varig verdi er uomtvistelig. Vår forpliktelse er å navigere disse usikkerhetene, og identifisere, satse på og støtte tidlige AI-initiativer og de briljante hjernene som bringer visjonene sine til live.