關於企業軟體的未來有很多討論。以下是我認為的發展趨勢。 對於那些錯誤成本高的確定性工作流程，企業傾向於選擇核心平台來處理組織中最常見、最重要和可重複的功能。想想薪資、ERP、CRM、ITSM、客戶支持、ECM/文檔管理等等。這些是你希望每次都以相同方式完成的領域。 這些平台必須從設計上以AI為首，這意味著它們將擁有用戶界面，專門用於通過AI與工作流程和數據進行交互，並完全設計為AI代理在平台上運作。隨著時間的推移，我們可以預期這些系統的使用將更偏向於AI代理，而不僅僅是人類。用戶仍然使用座位模型，但消耗成為代理的模型。一些現有企業將能夠達到最終狀態，但其他企業則無法快速適應而被淘汰。 然後將會出現一批專門為自動化特定類型工作（尤其是非確定性工作）而設計的代理專用公司。它們的商業模式將更加傾向於消耗。想想Claude Code或Devins（可能會有一些用於管理代理的UI層），但針對各種工作職能。我們可能會看到數百或數千個這樣的公司隨著時間的推移而出現。滲透測試、編碼、錯誤查找、合規審查、財務分析等。這是一個巨大的市場，初創公司在這些類別中會表現得相當好，因為這些類別中往往沒有任何軟體的現有企業。 我們將通過與這些代理相關的各種軟體平台（如Box AI或Agentforce）、其他系統中的API，以及將代理跨平台串聯的橫向工作流程系統（如ServiceNow、IBM Watsonx、Google Agentspace等）進行互動。 當然，用戶通常會通過橫向聊天體驗（如ChatGPT、Claude、Perplexity、Grok、Copilot等）來消耗這些代理，通過MCP或其他類型的直接連接。用戶將常常在這些橫向聊天系統中工作，根據需要從各種Agentic平台中提取代理、數據和工作流程。當需要時，他們會跳入核心平台以完成工作流程、審查信息等。 還會有一長串的體驗，讓用戶可以在需要快速應用程序或自動化用例時即時生成微型應用，當沒有明顯的軟體可以做到這一點時。這可能會直接發生在橫向聊天系統中，或在像Replit、Lovable這樣的工具中，或在工作流程自動化工具中等。我預計這更多是針對需要在多個系統之間進行粘合的高級用戶，或者在尚未存在任何軟體的情況下。 總的來說，隨著時間的推移，軟體變得越來越重要，即使我們互動的方式發生變化和擴展。就像我們輕鬆地在手機和桌面電腦之間切換一樣，即使它們可以輕易地融合，未來將提供多種與軟體互動的方式。

雖然這個想法很吸引人，但 AI 即時生成每個 UI 的可能性可能比人們想的要小。超級自訂的好處可能無法超過每次使用應用程式時需要重新學習的麻煩，或是意外出現故障的風險。

AI代理的分工將對最大化代理的影響至關重要。 我們在組織中長期以來一直有分工，因為讓個別專家相互交接任務比一群通才每次都以不同方式嘗試做事更有效。AI代理呈現出相同的動態。 為了讓AI代理正常運作，您需要對他們試圖完成的任務有適量的上下文了解。這意味著需要深入的領域理解、一套可供參考的知識、清晰的指示和一套可用的工具。上下文過少，代理將會失敗。然而，隨著更多這些信息進入上下文窗口，我們知道模型可能會變得次優。 對於一個複雜的業務流程，如果您將所有的文檔、工作流程描述和指示放入上下文窗口，我們知道這最終可能導致上下文腐爛，從而導致更糟的結果。 因此，未來的邏輯架構是將代理劃分為映射到正確類型任務的原子單位，然後讓這些代理協同工作以完成他們的任務。 我們已經看到這在編碼代理中有效地發揮作用。越來越多的例子出現，人們設置子代理，這些子代理擁有代碼庫或服務區域的特定部分。每個代理負責代碼的一部分，並且有針對代碼的代理友好文檔。然後，當在該相關代碼區域需要工作時，一個協調代理會與這些子代理協調。 我們可以看到這種模式可能在未來適用於幾乎任何知識工作領域。這將使AI代理能夠用於遠不止任務特定的用例，並擴展到驅動整個企業工作流程。 即使AI模型改進到能夠處理更大的上下文窗口，並且智能水平提高，這種架構是否會消失也並不明顯。隨著能力的提高，每個代理的角色可能會擴大，但子代理之間的明確分隔線可能始終會導致更好的結果。

最初的想法是單一的 AI 代理可以處理任意大型的工作流程。然而，似乎有效的模式是部署具有任務專業化的子代理，以避免上下文衰退。AI 代理的分工可能是未來的趨勢。

目前有一個時機，AI 代理將為每個垂直領域和領域而建立。 操作手冊是深入了解該垂直領域或特定空間所需的上下文工程，找出與現有工作流程自然結合的正確用戶體驗，並連接到相關的數據來源和工具。 特別是在早期，盡可能接近關鍵客戶是有用的，以找出什麼有效，什麼無效，並不斷進行改進，將他們帶回母公司。AI 現在發展得如此迅速，快速更新並查看它們如何改善客戶的工作流程是非常重要的。 為了最大化採用，為代理定價時也很重要，應使用簡單的訂閱價格或明確的消費模式，並期望從 AI 效率中獲得成本改善。現在不要對價格過於貪心，因為市場份額可能是最重要的。 追求那些受限於人才可用性或高成本的用例是有幫助的。這意味著在這些領域中，任何生產力的增量提升都為客戶提供了高回報。在這些領域，客戶總是願意嘗試 AI 代理，以最終解決他們的問題。 這就是為什麼 AI 編碼代理、安全代理或法律代理目前正在迅速崛起的原因。這些都是需求解決問題的需求始終超過可用人才水平的領域。但每個垂直領域都有這樣的例子。 目前有一個明確的時刻，下一代這些 AI 代理將在每個領域中建立。

如果你想像每個工作職能和工作流程都會有一個 AI 代理來自動化工作，那麼很明顯我們正處於 AI 浪潮的最早階段。每個垂直領域和業務線都代表著一個全新的市場類別和全新的 TAM，這在之前是不存在的。

AI代理的勞動分工對於最大化代理在所有知識工作領域的影響至關重要。 我們在組織中早已實行勞動分工，因為發現讓個別專家相互交接任務比一群通才每次都以不同方式嘗試做事更有效。AI代理呈現出相同的動態。 為了讓AI代理正常運作，你需要對他們試圖完成的任務有適量的上下文了解。這意味著需要深入的領域理解、一套可供參考的知識、清晰的指示和一套可用的工具。上下文過少，代理將會失敗。然而，隨著更多這些信息進入上下文窗口，我們知道模型可能會變得次優。 對於一個複雜的業務流程，如果你將所有的文檔、工作流程描述和指示放入上下文窗口，我們知道代理最終會感到困惑並提供更差的結果。 因此，未來的邏輯架構是將代理劃分為原子單元，這些單元映射到正確類型的任務，然後讓這些代理協同工作以完成他們的任務。 我們已經看到這一模式在編碼代理中有效地發揮作用。越來越多的例子出現，人們設置子代理，這些子代理各自擁有代碼庫或服務區域的特定部分。每個代理負責代碼的一部分，並且有針對代碼的代理友好文檔。然後，當在該代碼庫的相關區域需要工作時，一個協調代理會與這些子代理協調。 我們可以預見這一模式在未來幾乎適用於任何知識工作領域。這將使AI代理能夠用於遠不止特定任務的用例，並擴展到驅動整個企業工作流程。 即使AI模型改進到能夠處理更大的上下文窗口，且智能水平提高，這種架構是否會消失仍然不明顯。隨著能力的提升，每個代理的角色可能會擴大，但子代理之間的明確分隔線可能始終會導致更好的結果。

AI代理的分工可能與人類的分工相對應。人們正在使用擁有特定微服務的子代理，這些微服務存在於代碼庫中。每個服務都有友好的代理文檔，並隨著進展進行更新。這樣可以優化上下文窗口中的內容。未來將會非常瘋狂。

進階 AI 的心理模型是這些模型將具有高度的可泛化性，但它們需要與非常具體的上下文配對。精確的提示、按任務劃分的子代理、友好的文檔、知識訪問。即使模型有所改進，這一點也不會改變。

如果你正在建立 AI 代理，找出最佳的使用案例以最大化代理擅長的領域與尚未準備好的領域是非常重要的。 AI 代理可以幫助自動化或增強許多工作類別。選擇那些能在短期內提供價值並隨著模型改進而變得更好的正確案例至關重要。以下是一些目前似乎有效的特徵： * 需要大量非結構化數據和信息的工作。這可能是文件、螢幕上的視覺數據、視頻內容等等。這是計算機和軟體以前無法做到的領域，這裡的使用案例非常廣泛。 * AI 代理對於那些需要人類判斷或解釋的事情非常有用，這種情況可能永遠如此。當你發現自己希望複製某些有非常嚴格規則且不斷重複發生的事情時，你可能想要的是軟體，而不是代理。 * 自動化的工作越複雜，越需要人類介入的元素。這就是為什麼代碼代理現在運作得非常好，因為你最終可以測試和研究代理的輸出，以找出哪些是正確的，哪些是錯誤的。即使這些代理做錯了事情，對於任何熟練的用戶來說，介入相對簡單。 * 押注於那些核心智能模型不斷改進的使用案例，這將持續為你的代理帶來收益。如果你今天能用 AI 解決所有關於你的使用案例的問題，那麼這可能不是一個足夠有趣的市場。追求那些隨著模型改進而增值的情境。 還有許多其他特徵決定了哪些使用案例在這個階段適合代理，但最終在每個工作類別中都有大量機會可以追求。