Агенти штучного інтелекту з повним використанням інструментів будуть досить божевільними. Ось як Клод використовує сервери Box і Linear MCP, щоб брати документи з дорожніх карт продукту з Box і перетворювати їх на проблеми для відстеження. Це невеликий приклад того, як виглядає майбутнє сумісності агентів штучного інтелекту.

Найпростіший спосіб втратити всю потужність агентів штучного інтелекту прямо зараз – це просто не робити з ними достатньо. У більшості випадків люди просто недостатньо далеко просуваються, і тому, швидше за все, отримують вигоду лише з невеликої частини потенціалу. Це вражає, коли ви спілкуєтеся зі стартапами та дізнаєтеся про їхні нові робочі процеси та наскільки більше вони роблять, ніж ви могли б зробити лише кілька років тому з тими самими ресурсами. Це просто величезна асиметрія для всіх в курсі. Команди та компанії, які використовують штучний інтелект, швидше за все, завжди будуть на пару кроків попереду інших, тому що вони зрозуміють, як просувати моделі та агентів далі, і ці знання будуть посилюватися. Для всіх інших буде неймовірна кількість невикористаних можливостей, які просто сидять там.

Майже кожне дослідження показує, що лікарі зі штучним інтелектом працюють краще, ніж ті, хто його не має. Зараз штучний інтелект досягає ідеальних результатів на іспитах з медичної ліцензії. Ви просто очікуєте, що кожен постачальник професійних послуг, до якого ви звертаєтеся, використовуватиме штучний інтелект у майбутньому, або ви не довірятимете цим порадам.

Одна з тонких причин, чому розмір ринку агентів штучного інтелекту буде більшим, ніж ми думаємо, полягає в тому, що існує багато випадків використання, коли одночасна робота кількох агентів для вирішення однієї і тієї ж проблеми є цінною. Це фактично ніколи не було можливим з більшістю знань раніше. Це просто було б непомірно дорого – кинути більше людей на ту саму проблему. Але оскільки ми різко знизили вартість розгортання розвідувальних даних, ви можете дозволити собі мати більше резервів і розглядати речі під ще більшим кутом зору. Ми вже бачимо ці приклади в багатьох сферах. Люди використовують агентів з перегляду коду штучного інтелекту для тих самих змін коду, щоб запропонувати тонкі відмінності в аналізі. Те ж саме можна сказати і про те, що агенти безпеки перевіряють код, де додаткове покриття має лише більшу цінність. У глибоких дослідницьких завданнях часто корисно мати кілька підказок, що працюють паралельно для порівняння різних підходів. І ми можемо очікувати, що це проявиться в багатьох інших сферах, де кілька різних поглядів пропонують додаткову цінність робочому процесу, як-от юридична робота, охорона здоров'я, фінансовий аналіз, наукові дослідження, розробка ідей продукту, створення маркетингового контенту тощо. Ось чому неможливо оцінити повний TAM багатьох з цих ринків. Якби ви думали, що агенти лише приблизно показують, як ми працюємо сьогодні 1:1, було б легко пропустити всі способи, якими ми будемо використовувати агентів у робочих процесах. Ось чому ці ринки не мають природної стелі в майбутньому.

AI Agents — це справжня трансформація монетизації програмного забезпечення. Традиційно програмне забезпечення було в основному обмежено ~$10-50 або близько того на місяць за місце для будь-якого конкретного програмного забезпечення. Є аутсайдерське вертикальне програмне забезпечення, але воно взагалі завжди мало приблизно цю стелю. З іншого боку, агенти штучного інтелекту по суті не обмежені, тому що немає реальної верхньої межі того, що хтось буде робити з агентом штучного інтелекту в робочому процесі. Ми вже бачимо це на прикладі агентів з кодування програмного забезпечення, де деякі люди платять тисячами на місяць. І це цілком обґрунтовано: якщо користувач у 2-3 рази продуктивніший з агентами кодування на основі штучного інтелекту, компанія й оком не моргне, витрачаючи 10% на еквівалент зарплати на агентів. Але це також починає відбуватися в загальних областях знань, таких як юридичний аналіз, перегляд медичних висновків, обробка кредитних документів тощо. Таку динаміку слід очікувати в кожній категорії робіт. Тепер, у міру вдосконалення моделі, ціноутворення за принципом «подібне» знизиться. Але потім, коли агенти штучного інтелекту можуть виконувати складніші завдання, а ви запускаєте все більше і більше агентів паралельно в робочому процесі, підприємства просто розгорнуть більше цих агентів. Попереду дикі часи.

За винятком кількох категорій, більшість просторів все ще широко відкриті для штучного інтелекту. Це не буде правдою вічно, тому що рови даних і робочих процесів почнуть накопичуватися, але це, безумовно, тимчасово вірно прямо зараз. За останній рік штучний інтелект настільки просунувся, що моделі вирішили масу проблем, навколо яких раніше доводилося будувати більшість стартапів. І чому сьогодні можна обійтися агентами штучного інтелекту, це приблизно в 100 разів потужніше, ніж 2 роки тому. Саме тому створення архітектури з правильними шарами абстракції, щоб скористатися перевагами цих оновлень, має вирішальне значення.

З часом штучний інтелект розмиватиме межі між багатьма функціями, тому що тепер ви можете почати робити речі або вище, або нижче в стеку, або розширити на інші суміжні функції. Дуже очевидним аспектом є те, що PM-и майже завжди повинні з'являтися з функціональними прототипами.

У Box ми витрачаємо багато часу на тестування Box AI з новими моделями на неструктурованих даних, щоб побачити, у чому вони добре працюють у реальних сферах знань. Як ми бачили з тестів, GPT-5 пропонує значний стрибок у можливостях порівняно з GPT-4.1 у міркуваннях, математиці, логіці, кодуванні та інших сферах роботи. Ось кілька прикладів того, як ці вдосконалення вступають у гру в реальному світі: *GPT 5 краще контекстуалізує інформацію. Під час вилучення даних, як-от кінцева сума в доларах США в рахунку-фактурі без валютних міток, але з адресою в Лондоні, GPT 5 правильно відповідає, потребуючи курсу конвертації з USD у GBP. Для порівняння, GPT 4.1 побачив остаточну купюру і повернув її, припустивши валюту (неправильно). * GPT-5 забезпечує кращий мультимодальний аналіз. Для щорічної звітності публічної компанії GPT-5 просять ізолювати клітинку в таблиці від зображення, що показує зміни в компонентах капіталу компанії. Верхня частина таблиці уточнює, що всі суми акцій обчислюються тисячами, і GPT-5 чітко вказує на цю конвертацію, тоді як GPT-4.1 – ні, заплутавшись, враховуючи, що в таблиці написано акції, а в легенді – акції. * GPT-5 працює краще з високим рівнем оперативних повідомлень і складності даних. Виконуючи вилучення даних у резюме для всіх дат початку роботи, назв посад та імен роботодавців, GPT-5 зміг витягнути кожен фрагмент даних, тоді як GPT-4.1, здається, був перевантажений і не витягнув ті самі поля, враховуючи розмір запиту та складність документа. * GPT-5 набагато зрозуміліший і чіткіший у своїх відповідях. У угоді про аутсорсинг з 6 різними службами, яка прямо обговорюється, коли її запитають про «5 конкретних послуг у контракті», GPT-5 поверне перші 5 і запитає, чи було навмисно, що шосту не запитали. Для порівняння, GPT-4.1 просто повернув перші 5 без будь-яких додаткових застережень, що може призвести до подальшої плутанини для користувача. * GPT-5 краще справляється з інтерпретацією даних у складних полях. Для діаграми проточної цитометрії, яка зазвичай використовується в імунології, GPT-5 правильно визначив високу частку мертвих клітин і дав правдоподібні кореневі причини, які могли б призвести до ситуації, тоді як GPT-4.1 дав мінімальне обґрунтування, потребуючи додаткового підтвердження, щоб мати будь-які припущення на основі необроблених даних. * GPT-5 краще виявляє невідповідності в коді. Коли його попросили виявити проблеми в даному файлі коду Python, хоча як GPT-5, так і 4.1 можуть виявити реальні помилки, які призводять до збою, лише GPT-5 зміг зробити висновок про більш тонкі проблеми, як-от друк неправильної змінної, коли це не мало б сенсу в контексті програми. Ці покращення в математиці, міркуванні, логіці та якості відповідей у довших контекстних вікнах неймовірно корисні для кінцевих користувачів у повсякденній роботі, але вони будуть проявлятися ще більше з більш тривалими агентами штучного інтелекту, особливо коли немає людини, яка б перевіряла інформацію на кожному кроці. Чудово бачити, що ці вдосконалення продовжують з'являтися в останньому наборі моделей штучного інтелекту, оскільки це призведе до того, що агенти штучного інтелекту зможуть використовуватися у все більш критично важливих областях роботи.

Очевидно, що зараз ми знаходимося на траєкторії, коли моделі штучного інтелекту продовжують вдосконалюватися в можливостях у математиці, міркуванні, логіці, виклику інструментів та різних завданнях для конкретної предметної області, які ставатимуть кращими в міру того, як продовжуватиме генеруватися більше навчальних даних. Хоча будуть дебати про те, наскільки ці досягнення виявляться як серйозні зміни в повсякденних випадках використання, які має споживач, вони матимуть великий вплив на багато категорій роботи з знаннями. Вони поступово відкриють нові варіанти використання в охороні здоров'я, юриспруденції, фінансових послугах, медико-біологічних науках тощо, де моделі можуть надійно виконувати все більш критичні завдання. У нещодавньому подкасті з Алексом Кантровіцем Даріо Амодей чудово сформулював це, а саме: якщо ви покращите здатність моделі штучного інтелекту перейти від бакалавра з біохімії до ступеня магістра з біохімії, невеликий відсоток споживачів помітить цей вплив, але випадки використання підприємствами такої компанії, як Pfizer, значно зростуть у результаті цього. Ми повинні почати передбачати, що зараз епоха, в якій ми перебуваємо з ШІ. Отже, як це починає проявлятися в реальному світі? Це буде відображатися через агентів штучного інтелекту, які шукають прикладні варіанти використання. AI-агенти для кодування, юридичної роботи, медичних писарів, вилучення даних, обробки страхових претензій, тестування на проникнення тощо. Зараз є можливість створювати агентів штучного інтелекту для вертикалей і доменів з глибоким розумінням цього простору. Саме тут вплив контекстної інженерії, глибокого розуміння робочих процесів, підключень до корпоративних даних і спеціалізованих інтерфейсів користувача (які дозволяють користувачам розгортати, керувати та оркеструвати ці агенти) почне мати величезне значення. Це також означатиме створення дистрибуції, яка відповідає цій конкретній вертикалі або домену. Ймовірно, це означатиме певну форму передового розгортання, щоб не тільки допомогти клієнтам впровадити агентів, але й швидко дізнатися, для яких робочих процесів агенти оптимізовані, і повернути це в основну платформу. Зрештою, ці ринки виграють гравці, які зможуть найкращим чином поєднати сьогоднішні корпоративні процеси (які часто безладні та не призначені для автоматизації) зі світом, де агенти інтегровані в ці робочі процеси. Це епоха штучного інтелекту, в якій ми зараз перебуваємо.

Ми далеко не досягли оптимальної точки для будь-якої стабілізації можливостей штучного інтелекту, але за іронією долі існує багато комерційних варіантів використання штучного інтелекту, які просто зависають через те, наскільки швидко розвиваються технології. Ось чому перспективні архітектури мають таке велике значення.