Nu har jag hört detta från flera börsnoterade bolag. Alla arbetar de med att skapa egna plattformar för autonoma ai-agenter. Det verkar som om alla redan är på tåget och det som förvånar något är ju den stora spännvidden på det som agenterna ska göra. Detta är en egen sammanfattning av en drös interaktioner med olika ai.
Mitt eget försök till kort svar är nog att dem med högsta andelen personalkostnad för skärmjobb, dels borde kunna bli långt effektivare och dessutom till lägre kostnader, om de fick igång agentsvärmar. Konkurrensen kommer ju bli mördande när ett skruttbolag med en tiondel så stor omsättning som stora jättar, kan ha en större R&D-avdelning tack vare genialiskt utformade agentgrupper.
---
Här är några exempel:
Microsoft Copilot Studio är en plattform för att bygga, anpassa och köra autonoma AI-agenter som kopplas till affärsdata och Microsoft 365-ekosystemet.
Google Cloud Vertex AI Agent Builder (samt agentverktyg kopplade till Gemini-modellerna) är Googles variant för att skapa företagsanpassade konversationella och autonoma agenter.
Salesforce Agentforce är en plattform inbyggd i deras CRM-system för att skapa autonoma AI-agenter som hanterar kund- och intäktsoperationer.
OpenAI Assistants API och GPT-baserade verktyg där utvecklare kan bygga anpassade agenter som använder filuppladdningar och externa API:er.
Volvo och Saab utvecklar autonoma agenter som hanterar komplexa flöden i leveranskedjor samt simuleringar i fabriker (digitala tvillingar).
Banker som SEB använder ramverk för att bygga agenter som sköter automatiserad riskbedömning, upptäckt av bedrägerier och intern support.
AstraZeneca utvecklar en plattform för autonoma agenter för simuleringar av nya ämnen i forskningssyfte att hitta nya läkemedel.
---
Här är en intervju med en ansvarig för Grok Bot, för att förstå hur de tänker med sina produkter.
---
Här är Tan som är ansvarig för Grok Bot, Space XAI:s plattform för autonoma ai-agenter som själva kan logga in i verktyg och utföra uppgifter. Själv säger hon sig driva ett team på över femton agenter: en stabschef, tre mellanchefer och elva arbetande specialister.
Tan liknar sitt arbete vid att vara ingenjörschef. Litar man inte på sitt team hamnar man i detaljstyrning – då faller hela upplägget. Samma sak gäller för ai-agenter.
Under de senaste fem månaderna säger Tan att hon gått från att övervaka varje steg till att låta agenterna godkänna och lägga in sin kod i den gemensamma kodbasen. En morgon vaknade hon till tjugo färdiga pull requests, redan incheckade.
Receptet handlar inte om att ge agenterna fria tyglar, utan om strikta ramar. Nyckeln är verifiering: agenten måste själv kunna köra koden, dra prestandaspår och kontrollera resultatet. Klarar inte agenten det på egen hand, fastnar arbetet hos utvecklaren.
Tan har också byggt så kallade feature maps – kartor som lär agenten att navigera i gränssnittet. Om en kollega skickar en skärmdump och tre frågetecken i Slack kan agenten själv ta sig till rätt vy och återskapa felet.
I ramverket Dune, som används internt, har teamet förbjudit både vanliga react-mönsteroch kodkommentarer. Allt upprätthålls av automatiska kontroller som granskar ny kod innan den släpps, inte mänskliga granskare.
En vanlig kritik i ai-erans tidevarv är det här med ”ai-slop”, det vill säga slarvigt skriven kod av en ai-agent. Om det säger Tan så här:
– Före ai-slarvet fanns mänskligt slarv. Storbolagens kodbaser var inte särskilt vackra ens innan agenterna fick skriva dem.
Du själv inne på en del av branscherna som jag tror är självklara som banker, försäkringsbolag, andra finans aktörer där är det enkelt att implementera och givet. Läkemedel och kemi där det finns miljontals kombinationer är också rätt givet. Även andra extrem tekniska områden där det krävs extrem hög beräkningskapacitet är givet. Därefter är det väl mer fantasin och kreativiteten som avgör hur dessa agenter kan användas.
Men är mycket tveksam till olika typer av CRM system o liknade pga där vill man mer likrikta och styra än att utnyttja varje individs kreativitet = skapa mångfald.
Jag är övertygad om att när ai kan lösa hundratals matteproblem så kan de också långt mycket snabbare mha simuleringar forska fram nya material, läkemedel och produkter. Men det är ju inte säkert att det är de största bolagen med mest pengar som lyckas bäst.
Detta är intressant då man börjat förstå hur stort detta kommer att bli med tiden. Dock svårt idag spekulera vilken agent-skepnad eller utformning som blir mest användbara?
Tycker inte det är så svårt att spekulera. Hjälps vi åt kommer vi säkert komma på ett eller två bolag som borde kunna lyckas.
Du måste logga in eller registrera dig för att svara på tråden.
