Inti vs. konteks adalah konsep penting untuk dipikirkan saat mencari tahu apa yang akan dibangun kembali orang dengan AI. Perusahaan membawa fungsi "inti" yang membedakan mereka. Inilah produk atau layanan inti mereka, bagaimana mereka menjual kepada pelanggan, hal-hal yang mendorong budaya mereka, dan sebagainya. Sebaliknya, mereka mengalihdayakan "konteks" yang merupakan taruhan meja untuk menjadi benar, tetapi hanya menawarkan kelemahan dalam melakukan kesalahan. Aturan praktis yang mudah untuk dipikirkan adalah apakah pelanggan akan memperhatikan apakah perusahaan melakukan fungsi itu sendiri atau tidak. Perangkat lunak perusahaan hampir selalu "konteks". Ini adalah area seperti CRM atau sistem SDM, infrastruktur, manajemen data, dan sebagainya. Ini diperlukan untuk mengoperasikan bisnis dalam skala besar, tetapi jarang Anda diuntungkan dalam mencoba menggulung bisnis Anda sendiri. Hanya ada beberapa pengecualian, dan hampir selalu karena Anda memerlukan solusi untuk melayani "inti" Anda yang tidak ditawarkan vendor (seperti jika Anda memerlukan perangkat lunak khusus untuk rantai pasokan yang terintegrasi secara vertikal). Tidak peduli bagaimana perusahaan memulai, mereka akhirnya hampir selalu memisahkan pekerjaan dan nilai antara inti vs. konteks dari waktu ke waktu. Ini satu-satunya cara mereka dapat tetap kompetitif dan akhirnya mengalokasikan sumber daya ke area yang optimal. Jadi bahkan jika sebuah perusahaan *bisa* menulis ulang perangkat lunak perusahaan mereka dengan AI, pada dasarnya mereka tidak akan melakukannya. Pembaruan versi, keamanan, fitur peraturan, bug, SLA, layanan profesional yang diperlukan, dll. semuanya akan membuatnya negatif ROI. Seperti yang ditunjukkan oleh bucco, risiko sebenarnya adalah versi yang lebih baik dari alat ini yang mengutamakan AI. Itulah yang harus diwaspadai dari sudut pandang gangguan.

Benang yang bagus. Apa pun yang mampu dilakukan oleh agen AI, itu juga bisa ditipu untuk dilakukan. Anda harus berasumsi jika agen dapat mengakses data, pengguna pada akhirnya dapat mendapatkan data tersebut juga. Keamanan agen, kontrol akses, dan pagar pembatas deterministik akan sangat penting.

Banyak percakapan tentang seperti apa masa depan perangkat lunak di perusahaan. Inilah yang menurut saya berjalan. Untuk alur kerja deterministik di mana biaya untuk melakukan kesalahan tinggi, perusahaan akan memiliki kecenderungan untuk memilih platform inti untuk fungsi mereka yang paling umum, penting, dan dapat diulang dalam organisasi. Pikirkan penggajian, ERP, CRM, ITSM, dukungan pelanggan, manajemen ECM/dokumen, dan sebagainya. Ini adalah area di mana Anda ingin sesuatu dilakukan dengan cara yang sama, setiap saat. Masing-masing platform ini harus mengutamakan AI secara desain, yang berarti bahwa mereka akan memiliki antarmuka pengguna yang disetel untuk berinteraksi dengan alur kerja dan data melalui AI, dan sepenuhnya dirancang untuk agen AI untuk beroperasi di platform. Seiring waktu, kita dapat mengharapkan penggunaan pada sistem ini jauh lebih bias pada agen AI daripada orang-orang. Model kursi tetap untuk pengguna, tetapi konsumsi menjadi model untuk agen. Beberapa petahana akan berhasil mencapai keadaan akhir, tetapi yang lain tidak akan beradaptasi dengan cukup cepat dan mati. Kemudian akan ada tanaman baru dari perusahaan khusus Agen yang efektif yang dibangun khusus untuk mengotomatiskan jenis pekerjaan tertentu (dan terutama untuk pekerjaan non-deterministik). Model bisnis mereka akan memiringkan lebih banyak konsumsi. Pikirkan Claude Code atau Devins (kemungkinan dengan beberapa lapisan UI untuk mengelola agen) tetapi untuk berbagai fungsi pekerjaan. Kita kemungkinan akan melihat ratusan atau ribuan ini muncul dari waktu ke waktu. Pengujian pena, pengkodean, penemuan bug, tinjauan kepatuhan, analis keuangan, dan sebagainya. Ini adalah ruang besar di mana startup akan melakukannya dengan cukup baik karena akan cenderung tidak ada petahana perangkat lunak dalam kategori ini. Kami akan berinteraksi dengan berbagai agen ini dari campuran platform perangkat lunak yang terkait dengannya (seperti Box AI, atau Agentforce), melalui API di sistem lain, dan sistem alur kerja horizontal yang menyatukan agen di seluruh platform (seperti ServiceNow, IBM Watsonx, Google Agentspace, dan sebagainya). Dan tentu saja, pengguna akan sering mengonsumsi agen ini melalui pengalaman obrolan horizontal (seperti ChatGPT, Claude, Perplexity, Grok, Copilot, dll.) melalui MCP atau jenis koneksi langsung lainnya. Pengguna biasanya akan bekerja dalam sistem obrolan horizontal ini, menarik agen, data, dan alur kerja dari berbagai platform Agentic sesuai kebutuhan. Jika relevan, l mereka akan melompat ke platform inti untuk menyelesaikan alur kerja, meninjau informasi, dll. Juga akan ada pengalaman ekor panjang di mana pengguna dapat menghasilkan aplikasi mikro dengan cepat ketika mereka membutuhkan aplikasi cepat atau kasus penggunaan otomatis, ketika tidak ada perangkat lunak yang jelas untuk melakukannya. Ini dapat terjadi langsung di sistem obrolan horizontal, alat seperti Replit, Lovable, atau di alat otomatisasi alur kerja, dll. Saya berharap ini lebih untuk pengguna yang kuat di mana mereka membutuhkan lem di antara beberapa sistem atau di mana belum ada perangkat lunak. Jaringnya adalah bahwa perangkat lunak menjadi lebih penting dari waktu ke waktu, bahkan jika modalitas di mana kita berinteraksi dari berubah dan berkembang. Mirip dengan cara kita melompat antara ponsel dan komputer desktop dengan mudah, meskipun mereka dapat dengan mudah bertemu, masa depan akan menawarkan campuran cara berinteraksi dengan perangkat lunak.

Meskipun menarik, gagasan AI menghasilkan setiap UI dengan cepat mungkin lebih kecil dari yang dipikirkan orang. Manfaat penyesuaian hiper kemungkinan tidak akan lebih besar daripada keharusan mempelajari kembali aplikasi setiap kali Anda menggunakannya atau risiko hal-hal rusak dengan cara yang tidak terduga.

Pembagian kerja Agen AI akan sangat penting untuk memaksimalkan dampak agen. Kami telah lama memiliki pembagian kerja dalam organisasi karena memiliki ahli individu yang saling membagikan tugas lebih efektif daripada sekelompok generalis yang mencoba melakukan sesuatu dengan cara yang berbeda setiap saat. Agen AI menghadirkan dinamika yang sama. Agar Agen AI berfungsi, Anda memerlukan jumlah konteks yang tepat tentang tugas yang mereka coba selesaikan. Ini berarti pemahaman domain yang mendalam, seperangkat pengetahuan untuk dikerjakan, instruksi yang jelas, dan seperangkat alat untuk digunakan. Konteks terlalu sedikit dan agen akan gagal. Namun, sama halnya, karena lebih banyak informasi ini memasuki jendela konteks, kita tahu bahwa model dapat menjadi tidak optimal.  Untuk proses bisnis yang kompleks, jika Anda memasukkan semua dokumentasi, deskripsi alur kerja, dan instruksi ke dalam jendela konteks, kami tahu bahwa ini pada akhirnya dapat menyebabkan pembusukan konteks, yang mengarah pada hasil yang lebih buruk. Arsitektur logis di masa depan adalah membagi agen dalam satuan atom yang memetakan ke jenis tugas yang tepat dan kemudian membuat agen-agen ini bekerja sama untuk menyelesaikan pekerjaan mereka. Kami sudah melihat ini dimainkan secara efektif dalam agen pengkodean. Ada semakin banyak contoh yang muncul dengan orang-orang yang menyiapkan subagen yang semuanya memiliki bagian tertentu dari basis kode atau area layanan. Setiap agen bertanggung jawab atas sebagian kode, dan ada dokumentasi yang ramah agen untuk kode tersebut. Kemudian karena pekerjaan diperlukan di area basis kode yang relevan, agen orkestrator berkoordinasi dengan subagen ini.  Kita dapat melihat pola ini kemungkinan berlaku untuk hampir semua bidang pekerjaan pengetahuan di masa depan. Ini akan memungkinkan Agen AI digunakan untuk lebih dari sekadar kasus penggunaan khusus tugas dan meluas untuk mendukung seluruh alur kerja di perusahaan. Bahkan ketika model AI meningkat untuk dapat menangani jendela konteks yang lebih besar, dan tingkat kecerdasan meningkat, tidak jelas bahwa arsitektur ini pernah hilang. Kemungkinan peran masing-masing agen berkembang seiring dengan peningkatan kemampuan, tetapi garis pemisahan yang jelas antara subagen selalu dapat menghasilkan hasil yang lebih baik.

Awalnya pemikirannya adalah bahwa agen AI tunggal akan menangani alur kerja besar secara sewenang-wenang. Sebaliknya, pola yang tampaknya berhasil adalah menyebarkan subagen yang memiliki spesialisasi berdasarkan tugas untuk menghindari pembusukan konteks. Pembagian kerja agen AI mungkin masa depan.

Ada jendela saat ini di mana agen AI akan dibuat untuk setiap vertikal dan domain. Buku pedoman adalah mendalami rekayasa konteks yang diperlukan untuk ruang vertikal atau tertentu, mencari tahu UX yang tepat yang terkait dengan alur kerja yang ada secara alami, dan terhubung ke sumber data dan alat yang relevan. Terutama sejak awal, berguna untuk mendekati pelanggan utama sedekat mungkin untuk mengetahui apa yang berhasil dan apa yang tidak dan terus-menerus melakukan perbaikan untuk membawa mereka kembali ke kapal induk. AI bergerak begitu cepat saat ini sehingga ada premi besar dalam membuat pembaruan cepat dan melihat bagaimana mereka meningkatkan alur kerja pelanggan. Penting juga untuk menetapkan harga agen untuk adopsi maksimum dengan harga berlangganan sederhana atau pada model konsumsi yang jelas, dan berharap untuk mengatasi peningkatan biaya dari efisiensi AI. Jangan terlalu serakah pada harga sekarang karena pangsa pasar mungkin yang paling penting. Akan sangat membantu untuk mengejar kasus penggunaan yang dibatasi oleh ketersediaan atau biaya bakat yang tinggi. Ini berarti bahwa setiap peningkatan produktivitas bertahap di ruang ini menawarkan ROI yang tinggi bagi pelanggan. Di area ini, pelanggan akan selalu bersedia mencoba agen AI untuk akhirnya menyelesaikan masalah mereka. Inilah sebabnya mengapa agen pengkodean AI, agen keamanan, atau agen hukum lepas landas saat ini. Ini semua adalah area di mana permintaan untuk memecahkan masalah selalu melebihi tingkat bakat yang tersedia. Tetapi setiap vertikal memiliki contoh ini. Ada momen yang jelas saat ini di mana generasi berikutnya dari Agen AI ini akan dibangun di setiap ruang.

Jika Anda membayangkan setiap fungsi dan alur kerja pekerjaan akan memiliki mitra Agen AI untuk mengotomatiskan pekerjaan, jelas kita berada di tahap awal gelombang AI. Setiap vertikal dan lini bisnis mewakili kategori pasar baru dan TAM baru yang tidak ada sebelumnya.

Pembagian kerja untuk Agen AI akan sangat penting untuk memaksimalkan dampak agen di semua bidang pekerjaan pengetahuan. Kita telah lama memiliki pembagian kerja dalam organisasi karena ternyata memiliki ahli individu yang saling membagikan tugas lebih efektif daripada sekelompok generalis yang mencoba melakukan hal-hal dengan cara yang berbeda setiap saat. Agen AI menghadirkan dinamika yang sama. Agar Agen AI berfungsi, Anda memerlukan jumlah konteks yang tepat tentang tugas yang mereka coba selesaikan. Ini berarti pemahaman domain yang mendalam, seperangkat pengetahuan untuk dikerjakan, instruksi yang jelas, dan seperangkat alat untuk digunakan. Konteks terlalu sedikit dan agen akan gagal. Namun, sama halnya, karena lebih banyak informasi ini memasuki jendela konteks, kita tahu bahwa model dapat menjadi tidak optimal.  Untuk proses bisnis yang kompleks, jika Anda memasukkan semua dokumentasi, deskripsi alur kerja, dan instruksi ke dalam jendela konteks, kami tahu bahwa agen pada akhirnya akan bingung dan memberikan hasil yang lebih buruk. Arsitektur logis di masa depan adalah membagi agen dalam satuan atom yang memetakan ke jenis tugas yang tepat dan kemudian membuat agen-agen ini bekerja sama untuk menyelesaikan pekerjaan mereka. Kami sudah melihat ini dimainkan secara efektif dalam agen pengkodean. Ada semakin banyak contoh yang muncul dengan orang-orang yang menyiapkan subagen yang semuanya memiliki bagian tertentu dari basis kode atau area layanan. Setiap agen bertanggung jawab atas sebagian kode, dan ada dokumentasi yang ramah agen untuk kode tersebut. Kemudian karena pekerjaan diperlukan di area basis kode yang relevan, agen orkestrator berkoordinasi dengan subagen ini.  Kita dapat melihat pola ini kemungkinan berlaku untuk hampir semua bidang pekerjaan pengetahuan di masa depan. Ini akan memungkinkan Agen AI digunakan untuk lebih dari sekadar kasus penggunaan khusus tugas dan meluas untuk mendukung seluruh alur kerja di perusahaan. Bahkan ketika model AI meningkat untuk dapat menangani jendela konteks yang lebih besar, dan tingkat kecerdasan meningkat, tidak jelas bahwa arsitektur ini pernah hilang. Kemungkinan peran masing-masing agen berkembang seiring dengan peningkatan kemampuan, tetapi garis pemisahan yang jelas antara subagen selalu dapat menghasilkan hasil yang lebih baik.

Pembagian kerja agen AI dapat dipetakan dengan pembagian kerja manusia. Orang-orang menggunakan subagen yang memiliki layanan mikro tertentu dalam basis kode. Setiap layanan memiliki dokumen ramah agen yang diperbarui saat berjalan. Dengan cara ini Anda mengoptimalkan apa yang ada di jendela konteks. Masa depan itu liar.