Utanför förväntan: AI-agenter och nästa kapitel i arbetet

AI-agenter, eller autonoma agenter, är i sin linda. Mycket tidigt – i början av den första inningen tidigt. Fältet bubblar av innovation, från banbrytande forskning till bevis på koncept och praktiska tillämpningar – allt som antyder AI:s enorma potential. 

Det råder ingen tvekan om att autonoma agenter kommer att förvandla varje enskild industri, med deras förmågor som sträcker sig bortom enkel uppgiftsautomatisering till att omforma arbetsflöden, simulera komplexa scenarier och minska behovet av mänskligt ingripande i olika processer. Vi ser en framtid där agenter kan köra storskaliga simuleringar, omforma marknadsföringskampanjer eller till och med automatisera komplexa testprocesser för forskning och utveckling.

Boston Consulting Group (BCG) belyser den evolutionära sprången från stora språkmodeller (LLM) till autonoma agenter som är utformade för att utföra uppgifter från början till slut, övervaka resultat, anpassa sig och använda verktyg på ett autonomt sätt för att uppnå mål. De representerar ett betydande steg mot sann artificiell intelligens, som kan fungera oberoende utan kontinuerlig mänsklig övervakning. 

När det gäller marknadsstorlek, var autonoma AI och autonoma agenter värda 4,8 miljarder USD 2023 och förväntas registrera en årlig tillväxttakt på över 43% mellan 2023 och 2028, och nå 28,5 miljarder. Det är tydligt att vi står på tröskeln till en paradigmförändring – en fas fylld med förväntan, upphetsning, skepticism och pragmatisk utvärdering. Denna förändring handlar inte bara om teknisk utveckling; det handlar om att omdefiniera vår tillvägagångssätt för arbete, produktivitet och innovation. Nästan varje investerare, grundare, utvecklare och teknikentusiast försöker förstå vilken påverkan denna teknik kommer att ha på hur vi arbetar under vår livstid och bortom, och utvärdera konsekvenserna för deras verksamhet och strategiska mål. 

Men just nu saknar vi förmågan att fullt ut förstå omfattningen av den massiva förändring som detta kommer att orsaka. Allt vi kan göra är att spekulera. Den här artikeln är bara det – min spekulation om de utvecklande dynamikerna hos autonoma agenter och dess konsekvenser för grundare, investerare och den bredare ekonomin. Jag kommer att prata om hur vi på Forum Ventures tänker och investerar i området, samt tillhandahålla en marknadsöversikt med de företag som vi tror är ledande i utforskningen. 

Där vi är idag

Trots de betydande framstegen inom forskning och bevis på koncept, försöker vi fortfarande att förstå och projicera hur vi kan utnyttja den fulla potentialen hos AI-agenter. Hittills finns det en sammanflöde av tre trender:

1. Framsteg inom AI-kompetens och effektivitet, som utvidgar gränserna för vad som är möjligt. 
2. Den minskande kostnaden för att använda funktioner, såsom ChatGPT 4.0, till exempel, som gör det möjligt för fler människor att använda AI-agenter och orsakar en bredare acceptans och antagande av denna teknik.
3. Demokratiseringen av tillgång till AI, antingen som öppen källkod eller inte, som möjliggör för en bredare range av enheter att utforska och implementera AI-lösningar, och därmed accelererar innovations takten.

Som med all ny teknik, särskilt en sådan stor förändring som denna, finns det en mängd utmaningar som är på väg att lösas. Här är de två främsta:

1. Säkerhet och noggrannhet

Det finns en växande fokus på att utveckla den nödvändiga infrastrukturen för att säkerställa den säkra och etiska distributionen av AI-agenter. För många branscher och företag finns det inget utrymme för fel. Om en LLM har en hallucinationsfrekvens på bara 0,1% kan den aldrig lita på i någon kritisk process, och denna fel frekvens behöver vara ännu lägre för en 10-stegs- eller 100-stegsprocess. Att lösa detta är avgörande för en bred antagande, och många företag väntar innan de antar LLM:er antingen som en del av deras tekniska stack eller som ett helt nytt sätt att operera. 

Verktyg för att övervaka noggrannhet och säkerhet genom observabilitet och användarbehörighet, samt etiska ramar, etableras för att främja ett ansvarsfullt tillvägagångssätt för AI-integration. Vi har sett några företag som gör detta bra, PrivateAI är ett av dem. De använder inferens för att säkerställa att företag inte tränar på privata data så att det inte läcker. Vi är också mycket entusiastiska över nya företag som kommer till marknaden, som SafeguardAI – en autonom AI-agent som skyddar mot hallucinationer, vilket möjliggör för företag att distribuera generativ AI-användning snabbare.

Dessutom utvecklas verktyg som automatiska utvärderingsmetoder, mänskliga utvärderingsramar och diagnostiska datamängder för att hjälpa till att bedöma och förbättra LLM:ers noggrannhet. Dessa verktyg hjälper forskare och utvecklare att identifiera styrkor och svagheter i LLM:er och vägleda ytterligare framsteg inom området.

2. Mänsklig-AI-interaktion

Utmaningen här är i vilken utsträckning människor bör interagera med programvara som är autonom. Det finns farhågor om de potentiella riskerna med AI-system som opererar utan tillräcklig mänsklig kontroll, dvs. hur mycket autonomi är för mycket. Men vi måste också ta reda på hur mycket vi vill ha människor i loopen och vilken nivå av mänsklig interaktion som skapar mer säkerhet samtidigt som den begränsar fördomar och minskar chansen för mänskliga fel. Vi har inga bra svar på detta än, på någon rimlig skala.

Från ett optimistiskt perspektiv hoppas jag att vi kan definiera en ny paradigm för autonom programvara som kan operera inom ramen för mänsklig kontroll på ett sätt som det övervakas och observeras så att människor kan stoppa potentiellt “dödliga” saker från att hända, som en mycket större version av en flash-crash i ekonomin. Jag tror att de som kan bygga detta kommer att vinna och leverera transformationella möjligheter. 

Övergången från uppgiftsorienterade till målorienterade processer

Det kommer inte att finnas någon sektor eller arbetsområde som kommer att förbli opåverkad av AI-agenter, och mycket av den förändring som sker kommer att ske inom en snar framtid. Jag tror att en av de mest betydande effekterna som AI-agenter kommer att ha är övergången från uppgiftsorienterade till målorienterade processer. Idag matar du in något i en dator, till exempel “skriv en ledare om AI-agenter”, och datorn ger tillbaka något till dig, som du sedan agerar på. Detta är en mycket uppgiftsorienterad prompt, och fortfarande kräver användaren att träna agenten enligt mål och tonfall för personen. Men det är begränsat till detta, och därför är utdata i stor utsträckning bestämt av kvaliteten på indata, plus de förutbestämda (och möjligtvis begränsade) målen för användaren, som fortfarande är starkt beroende av mänskliga handlingar. 

Den outnyttjade kraften i AI-agenter ligger i kraften av målorienterat arbete. Framtiden kommer inte längre att vara en av tråkiga steg-för-steg-processbeskrivningar eller komplicerad prompt-teknik för processer. Företag och ledare bör ändra sitt sätt att tänka kring hur de bygger och använder autonoma regelbaserade processer, där mål förskrivs och agenter bestämmer den bästa vägen framåt för att uppnå det resultatet (med lämpliga mänskliga ingripanden). Ett exempel på detta kunde vara, “boka en händelse i New York City med 100 proffs som vill lära sig om hur AI tränger in på den amerikanska hälsovårdsmarknaden från en av våra talare”. I ett sådant fall kommer AI att användas för att operationalisera strategiskt tänkande utöver den begränsade omfattningen av möjligheter som en enkel uppgift kan åstadkomma.

Detta är ett helt nytt sätt att tänka och arbeta. Det finns nästan inga mål som vi för närvarande följer med en dator som inte kommer att följas på ett vilt annorlunda sätt. Detta kommer att vara en grundläggande förändring i hur vi orienterar oss, och hur arbete konceptualiseras och utförs. 

Monetarisering och marknadsdynamik

När AI blir mer integrerat i affärsmodeller utvärderas traditionella monetiseringsstrategier. Till exempel, just nu i företagsprogramvara, köper kunderna vanligtvis platser och användning. På konsumentmarknaden gör människor inköp i appen. Vår hypotes är att detta kommer att förändras så att programvaruföretag alltmer kan sälja resultat, snarare än verktyg. Kommer människor och företag att betala för resultat? För att deras mål ska uppnås? Vi är inte säkra än. Men vi ser detta som en reflektion av den bredare trenden mot värdebaserade engagemang. Det finns dock utmaningar i att förutsäga lönsamhet och hantera kostnader, särskilt med tanke på den beräkningsintensiva karaktären hos AI-teknologier. 

Att bestämma vem och vad man ska investera i på det tidigaste stadiet

När vi investerar på detta tidiga stadium är grundaren en av de största insatserna vi gör – och tittar på både grundare-marknads-passning och grundare-personlighet. Med AI-agenter blir denna lins ännu viktigare eftersom lösningen som byggs idag sannolikt inte kommer att vara vad som byggs imorgon, men grundaren kommer att förbli densamma. Så, vi tittar inte bara på grundare-marknads-passning, utan också deras anknytning till problemet, hur de ser på problemuppsättningen annorlunda än den befintliga paradigmen, att de är villiga att omfamna det okända och att de har plasticitet och flexibilitet för att hålla jämna steg med en marknad som har så mycket fluktuation. 

Efter grundaren tittar vi på marknaden och om det finns en stor total adresserbar marknad och en trovärdig väg till en 1-miljard-dollar-revenuemöjlighet. Vi är öppna för både etablerade marknader som proptech och leverantörskedja, och mer framsynta, flexibla marknader som fintech och e-handel, så länge start-up-lösningen / verktyget kommer att leverera en steg-funktion-förbättring jämfört med det gamla sättet.

Vår tredje fokus när vi utvärderar en AI-agent-lösning är om verktyget kommer att vara kompatibelt inom en AI-centrerad programvaruframtid. Med andra ord, kommer den föreslagna lösningen att integreras smidigt med och förbättra hur vi ser på den framtida programvaru-landskapet och stacken inom den marknaden.

Vi kan inte göra ordentliga kostnadsbaserade förutsägelser än. Just nu är AI-företag grundläggande mindre lönsamma än SaaS-företag. Kostnaderna för att bearbeta och analysera data i AI-system kan snabbt ackumuleras. Det kommer att behövas nära framtidens framsteg som förbättrar AI-effektivitet och minskar driftskostnader innan vi kan göra denna typ av utvärdering. Idealiskt finns det framsteg som speglar Moores lag i AI-sektorn, och både kraft- och chipkostnader minskas på grund av ökade investeringar. Om vi kan hitta en balans där AI inte bara är innovativt utan också ekonomiskt hållbart, då är vi gyllene. Men det finns fortfarande så många okända faktorer, och de flesta av oss gissar (gör informerade spekulationer, för att uttrycka det fint).

En “modig ny värld” av möjligheter

De flesta människor anser att introduktionen av ChatGPT är AI:s “iPhone-ögonblick”. Men jag tror inte att vi är där… ännu. Hittills har dessa chattgränssnitt inte gjort mycket mer än att effektivisera våra nuvarande arbetsflöden. Medan dessa verktyg utan tvekan har gjort uppgifter lättare att hantera, förblir vår tillvägagångssätt grundläggande uppgiftsorienterat. Den bredare visionen är att förvandla denna dynamik helt, där AI kommer att kunna operationalisera strategiskt tänkande och utföra komplexa utdata, med ännu mindre indata från människor. Det riktiga iPhone-ögonblicket kan vara tillkännagivandet av AI-agenter som standard-B2B-applikationsuppsättning, som i sin tur kommer att ha en oproportionerligt stor inverkan på framtiden för arbete. 

Ett decennium från nu kommer vi utan tvekan att se tillbaka och förundras över tanken att vi en gång opererade baserat på att-göra-listor snarare än att ställa in strategiska mål och låta AI hjälpa oss att iterera och förfinansiera dessa mål. Denna övergång mot ett målorienterat arbetsmiljö representerar inte bara en evolution i teknologi utan en transformation i hur vi konceptualiserar och närmar oss vårt arbete. 

Vägen framåt är fylld med osäkerheter, men potentialen för AI att revolutionera industrier, förstärka mänsklig potential, driva meningsfull utveckling och leverera varaktigt värde är obestridlig. Vårt åtagande är att navigera dessa osäkerheter, och identifiera, satsa på och stödja tidiga AI-initiativ och de briljanta sinnet som förverkligar sina visioner.