Beyond Expectations: AI Agents and the Next Chapter of Work

AI-agenter, eller autonome agenter, er i sine tidlige dager. Veldig tidlig – bunnen av første omgang tidlig. Feltet yrer av innovasjon, fra banebrytende forskning til bevis på konsepter til praktiske anvendelser – alt tyder på AIs enorme potensial. 

Det er ingen tvil om at autonome agenter vil forvandle hver enkelt bransje, med deres evner som strekker seg utover bare oppgaveautomatisering til å redesigne arbeidsflyter, simulere komplekse scenarier og redusere behovet for menneskelig intervensjon i ulike prosesser. Vi ser på en (nær sikt) fremtid der agenter kan kjøre simuleringer i stor skala, redesigne markedsføringskampanjer eller til og med automatisere komplekse R&D-testprosesser.

Boston Consulting Group (BCG) fremhever det evolusjonære spranget fra store språkmodeller (LLMs) til autonome agenter designet for å utføre oppgaver ende-til-ende, overvåke resultater, tilpasse og bruke verktøy autonomt for å oppnå mål. De representerer et betydelig skritt mot ekte kunstig intelligens, i stand til uavhengig drift uten kontinuerlig menneskelig tilsyn. 

I form av markedsstørrelse, autonom AI og autonome agenter ble verdsatt til 4.8 milliarder USD i 2023 og anslås å registrere en CAGR på over 43 % mellom 2023 og 2028, og nå 28.5 milliarder. Det er tydelig at vi er på vei til et paradigmeskifte – en fase fylt med forventning, spenning, skepsis og pragmatisk evaluering. Dette skiftet handler ikke bare om teknologiske fremskritt; det handler om å redefinere vår tilnærming til arbeid, produktivitet og innovasjon. Nesten hver investor, grunnlegger, utvikler og teknologientusiast prøver å forstå hvilken innvirkning denne teknologien vil ha på hvordan vi jobber i vår levetid og utover, og vurdere implikasjonene for deres operasjoner og strategiske mål. 

Men per nå mangler vi evnen til å fullt ut forstå omfanget av masseskiftet dette vil forårsake. Alt vi kan gjøre er å spekulere. Denne artikkelen er nettopp det - mine spekulasjoner om den utfoldende dynamikken til autonome agenter og dens implikasjoner for grunnleggere, investorer og den bredere økonomien. Jeg skal snakke om hvordan vi i Forum Ventures tenker på og investerer i plassen, samt sørger for et markedskart med selskapene vi mener leder letingen. 

Hvor vi er i dag

Til tross for betydelige fremskritt innen forskning og bevis på konsepter, prøver vi fortsatt å finne ut hvordan vi kan utnytte de fulle egenskapene til AI-agenter. Så langt er det et sammenløp av tre trender:

1. Fremskritt i AI-ferdigheter og effektivitet, utvider grensene for hva som er mulig. 
2. De synkende kostnadene ved handlingsfunksjoner, som ChatGPT 4.0, for eksempel, gjør bruken av AI-agenter mer tilgjengelig for flere mennesker og forårsaker bredere adopsjon og den generelle omfavnelsen av denne teknologien.
3. Demokratisering av tilgang til AI, åpen kildekode eller ikke, som gjør det mulig for et bredere spekter av enheter å utforske og implementere AI-løsninger, og dermed akselerere innovasjonstakten.

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

1. Sikkerhet og nøyaktighet

Det er et økende fokus på å utvikle den nødvendige infrastrukturen for å sikre sikker og etisk distribusjon av AI-agenter. For mange bransjer og virksomheter er det ikke rom for feil. Hvis en LLM har en hallusinasjonsrate på bare 0.1 %, kan den aldri stoles på i noen kritisk prosess, og denne feilraten må være enda lavere for en 10- eller 100-trinns prosess. Å løse dette er avgjørende for utbredt bruk, og mange selskaper venter før de omfavner LLM, enten som en del av deres teknologistabel eller som en helt ny måte å operere på. 

Verktøy for å overvåke nøyaktighet og sikkerhet gjennom observerbarhet og brukertillatelser, samt etiske rammeverk, blir etablert for å fremme en ansvarlig tilnærming til AI-integrasjon. Vi har sett noen selskaper gjøre dette bra, PrivateAI å være en av dem. De bruker slutninger for å sikre at selskaper ikke trener på private data slik at de ikke lekker. Vi er også veldig begeistret for nye selskaper som kommer til markedet som SafeguardAI – en autonom AI-agent som beskytter mot hallusinasjoner, slik at bedrifter kan distribuere generativ AI-bruk raskere.

I tillegg utvikles verktøy som automatiske evalueringsmålinger, menneskelige evalueringsrammeverk og diagnostiske datasett for å hjelpe til med vurdering og forbedring av LLMs nøyaktighet. Disse verktøyene hjelper forskere og utviklere med å identifisere styrker og svakheter i LLM-er og veilede videre fremskritt på feltet.

2. Menneske-AI-interaksjon

Utfordringen her er i hvilken grad mennesker skal samhandle med programvare som er autonom. Det er bekymringer om de potensielle risikoene ved at AI-systemer fungerer uten tilstrekkelig menneskelig kontroll, dvs. hvor mye autonomi som er for mye. Men vi må også finne ut hvor mye vi vil ha mennesker i løkken, og hvilket nivå av menneskelig interaksjon som skaper mer sikkerhet, samtidig som vi begrenser skjevheter og reduserer sjansen for menneskelige feil. Vi har ikke gode svar på dette ennå, i noen form for rimelig skala.

Fra et opportunistisk perspektiv håper jeg at vi kan definere et nytt paradigme for autonom programvare for å operere innenfor kontrollen av mennesker på en måte at den blir overvåket og observert slik at mennesker kan stoppe potensielt "fatale" ting fra å skje som mye større versjon av et lynkrasj i økonomien. Etter min mening vil de som kan bygge dette vinne og levere transformasjonsmuligheter. 

Skiftet fra oppgaveorienterte til målrettede prosesser

Det kommer ikke til å være noen sektor eller arbeidsfelt som vil forbli uberørt av AI-agenter, og mye av endringen som skjer vil skje i nær fremtid. Etter min mening, oen av de mest dyptgripende virkningene AI-agenter vil ha er skiftet fra oppgaveorienterte til målrettede prosesser. I dag legger du inn noe i en datamaskin, for eksempel "skriv meg en kommentar om AI-agenter", og datamaskinen gir noe tilbake til deg, som du deretter gjør. Dette er en veldig oppgaveorientert oppfordring, og krever fortsatt at brukeren trener agenten i henhold til målene og stemmen til personen. Det er imidlertid begrenset til dette, og derfor bestemmes resultatet i stor grad av kvaliteten på treningsinnspillet, pluss de forhåndsbestemte (og muligens begrensede) målene til brukeren, som fortsatt er sterkt avhengig av menneskelige handlinger. 

Den underutnyttede kraften til AI-agenter ligger i kraften til målrettet arbeid. Fremtiden vil ikke lenger være en utenatliggende trinnvis prosessbeskrivelse eller komplisert rask utvikling av prosesser. Bedrifter og ledere bør endre sin tankegang om hvordan de bygger og bruker autonome regelbaserte prosesser, der mål foreskrives og agenter bestemmer den beste veien videre for å oppnå dette resultatet (med passende menneskelige intervensjoner). Et eksempel på dette kan være, "bestill meg et arrangement i New York City med 100 fagfolk som ønsker å lære om hvordan AI penetrerer det amerikanske helsemarkedet fra en av våre foredragsholdere". I et tilfelle som dette vil AI bli brukt til å operasjonalisere strategisk tenkning utover det begrensede mulighetene som en enkel oppgave kan utføre.

Dette er en helt ny måte å tenke og jobbe på. Det er nesten ingen mål vi forfølger for øyeblikket med en datamaskin som ikke vil bli forfulgt helt annerledes. Dette vil være en grunnleggende endring i hvordan vi orienterer oss, og hvordan arbeid blir tenkt og utført. 

Inntektsgenerering og markedsdynamikk

Ettersom AI blir mer integrert i forretningsmodeller, blir tradisjonelle strategier for inntektsgenerering revurdert. For eksempel, akkurat nå i bedriftsprogramvare, generelt, kjøper kunder seter og bruk. På forbrukersiden gjør folk kjøp i appen. Vår hypotese er at dette vil endre seg slik at i økende grad vil programvareselskaper være i stand til å selge resultater, i stedet for verktøy. Vil folk og bedrifter betale for resultater? For at deres mål skal nås? Vi er ikke sikre ennå. Men vi ser dette som en refleksjon av den bredere trenden mot verdibaserte engasjementer. Det er imidlertid utfordringer med å forutsi lønnsomhet og administrere kostnader, spesielt gitt den beregningsintensive naturen til AI-teknologier. 

Bestemme hvem og hva du skal investere i på det tidligste stadiet

Hver gang vi investerer på dette tidlige stadiet, er grunnleggeren en av de største innsatsene vi gjør – ser på både grunnleggermarkedstilpasning og grunnleggerpersonlighet. Med AI-agenter blir denne linsen enda viktigere fordi med så mange ukjente, vil løsningen som bygges i dag sannsynligvis ikke være den som bygges i morgen, men grunnleggeren vil forbli den samme. Så vi ser ikke bare på grunnlegger-markedet tilpasning, men også deres tilknytning til problemet, hvordan de ser på problemsettet annerledes enn det eksisterende paradigmet, at de er villige til å omfavne det ukjente, og at de har plastisitet og fleksibilitet til å holde tritt med et marked som har så mye flyt. 

Etter grunnleggeren ser vi på markedet og om det er et stort totalt adresserbart marked og en troverdig vei til en inntektsmulighet på $1 milliard. Vi er åpne for både eldre markeder som proptech og forsyningskjede, og mer fremtidsrettet, fleksible markeder som fintech og eCommerce, så lenge oppstartsløsningen/verktøyet vil levere en trinnvis funksjonsforbedring i forhold til den gamle måten.

Vårt tredje fokus når vi evaluerer en AI-agentløsning er om verktøyet vil være kompatibelt innenfor en AI-sentrisk programvarefremtid. Med andre ord, vil den foreslåtte løsningen sømløst integreres med og forbedre hvordan vi ser fremtidens programvarelandskap og stable innenfor det markedet.

Vi kan ikke lage ordentlige kostnadsbaserte spådommer ennå. Akkurat nå er AI-bedrifter grunnleggende mindre lønnsomme enn SaaS-bedrifter. Kostnadene forbundet med å behandle og analysere data i AI-systemer kan raskt akkumuleres. Det vil måtte være fremgang på kort sikt som forbedrer AI-effektiviteten og reduserer driftskostnadene før vi kan gjøre denne typen evaluering. Ideelt sett er det fremskritt som gjenspeiler Moores lov i AI-sektoren, og både kraft- og chipkostnader reduseres på grunn av økte investeringer. Hvis vi kan finne en balanse der AI ikke bare er nyskapende, men også økonomisk bærekraftig, så er vi gull. Men det er fortsatt så mange ukjente, og de fleste av oss gjetter (gjør informerte spekulasjoner, for å si det pent).

En 'brave new world' av muligheter

De fleste anser introduksjonen av ChatGPT som AIs "iPhone-øyeblikk". Men jeg tror ikke vi er der...ennå. Til dags dato har ikke disse chat-grensesnittene gjort mye mer enn å strømlinjeforme våre nåværende arbeidsflyter. Selv om disse verktøyene utvilsomt har gjort oppgaver enklere å administrere, forblir vår tilnærming grunnleggende oppgaveorientert. Den bredere visjonen er å transformere denne dynamikken fullstendig, der AI vil være i stand til å operasjonalisere strategisk tenkning og utføre kompleks produksjon, med enda mindre input fra mennesker. Det sanne iPhone-øyeblikket kan derfor være avdukingen av AI-agenter som standard B2B-applikasjonssett, som igjen vil ha en stor innvirkning på fremtidens arbeid. 

Et tiår fra nå er det ingen tvil om at vi kommer til å se tilbake og undre oss over ideen om at vi pleide å operere basert på gjøremålslister i stedet for å sette strategiske mål og la AI hjelpe oss å iterere og avgrense disse målene. Dette skiftet mot et målrettet arbeidsmiljø representerer ikke bare en utvikling innen teknologi, men en transformasjon i hvordan vi konseptualiserer og nærmer oss arbeidet vårt. 

Veien fremover er fylt med usikkerhet, men potensialet for AI til å revolusjonere bransjer, forsterke menneskelig potensial, drive meningsfull fremgang og levere varig verdi er ubestridelig. Vår forpliktelse er å navigere i disse usikkerhetene, og identifisere, satse på og støtte tidlige AI-initiativer og de strålende hodene som bringer visjonene deres ut i livet.