Il premio per essere semplicemente qualcuno che rimane incredibilmente aggiornato su ciò che sta accadendo nell'AI è così alto in questo momento. Il settore sta cambiando così rapidamente che ti distinguerai essendo più nativo nell'AI e aggiornato rispetto a tutti gli altri. Grande opportunità per la prossima generazione di lavoratori.

Gli agenti AI con pieno utilizzo degli strumenti saranno davvero incredibili. Ecco Claude che utilizza i server Box e Linear MCP per prendere i documenti della roadmap del prodotto da Box e trasformarli in problemi da monitorare. Questo è un piccolo esempio di come appare il futuro dell'interoperabilità degli agenti AI.

I modi più semplici per non sfruttare appieno il potere degli agenti AI in questo momento sono semplicemente non fare abbastanza con loro. La maggior parte delle volte le persone non li spingono abbastanza in là, e quindi probabilmente beneficiano solo di una piccola parte del potenziale. È incredibile quando parli con le startup e scopri quali sono i loro nuovi flussi di lavoro e quanto di più riescono a fare rispetto a quanto avresti potuto fare solo pochi anni fa con le stesse risorse. Questa è solo una grande asimmetria per tutti coloro che sono informati. I team e le aziende che adottano un approccio AI-first saranno probabilmente sempre un paio di passi avanti rispetto agli altri perché riconosceranno come spingere i modelli e gli agenti oltre, e quegli insegnamenti si accumuleranno. Per tutti gli altri, ci sarà un'incredibile quantità di capacità non sfruttata che è semplicemente lì ferma.

Quasi tutti gli studi mostrano che i medici che utilizzano l'IA ottengono risultati migliori rispetto a quelli che non la utilizzano. Ora l'IA sta raggiungendo punteggi perfetti negli esami di abilitazione medica. Ti aspetterai semplicemente che ogni fornitore di servizi professionali a cui ti rivolgi utilizzi l'IA in futuro, altrimenti non ti fiderai dei consigli.

Una ragione sottile per cui la dimensione del mercato per gli Agenti AI sarà più grande di quanto ci rendiamo conto è che ci sono molti casi d'uso in cui eseguire più agenti in parallelo per risolvere lo stesso problema è prezioso. Questo non è mai stato effettivamente possibile con la maggior parte del lavoro conoscitivo prima. Sarebbe stato semplicemente troppo costoso coinvolgere più persone nello stesso problema. Ma poiché abbiamo drasticamente ridotto il costo di implementazione dell'intelligenza, puoi permetterti di avere più ridondanza e considerare le cose da ancora più angolazioni. Stiamo già vedendo questi esempi in diverse aree. Le persone stanno utilizzando agenti di revisione del codice AI sugli stessi cambiamenti di codice per offrire differenze sottili nell'analisi. Lo stesso varrebbe per avere agenti di sicurezza che revisionano il codice, dove c'è solo più valore in una copertura aggiuntiva. In compiti di ricerca approfondita, è spesso utile avere più prompt in esecuzione in parallelo per confrontare approcci diversi. E possiamo aspettarci che questo si manifesti in molti altri campi in cui più punti di vista differenti offrono valore incrementale a un flusso di lavoro, come il lavoro legale, la sanità, l'analisi finanziaria, la ricerca scientifica, l'ideazione di prodotti, la creazione di contenuti di marketing e altro ancora. Ecco perché è impossibile stimare il TAM completo di molti di questi mercati. Se pensavi che gli agenti approssimassero solo come lavoriamo oggi 1:1, sarebbe facile perdere tutte le modalità in cui utilizzeremo gli agenti nei flussi di lavoro. Ecco perché questi mercati non hanno un tetto naturale nel futuro.

Gli agenti AI rappresentano una vera trasformazione nella monetizzazione del software. Tradizionalmente, il software era in gran parte limitato a circa ~$10-50 al mese per ogni singolo utente per un particolare software. Ci sono software verticali eccezionali, ma generalmente avevano sempre più o meno questo tetto. Gli agenti AI, d'altra parte, sono essenzialmente illimitati perché non c'è un vero limite superiore a ciò che qualcuno potrebbe fare con un agente AI in un flusso di lavoro. Stiamo già vedendo questo nei software di codifica, dove alcune persone stanno pagando migliaia al mese. E questo è del tutto ragionevole: se un utente è 2X-3X più produttivo con gli agenti di codifica AI, un'azienda non esiterebbe a spendere il 10% dell'equivalente in stipendio per gli agenti. Ma questo sta anche iniziando a succedere in aree generali di lavoro conoscitivo, come l'analisi legale, la revisione di rapporti medici, l'elaborazione di documenti di prestito e altro ancora. Dovremmo aspettarci questa dinamica in ogni categoria di lavoro. Ora, man mano che avvengono miglioramenti nei modelli, i prezzi comparabili scenderanno. Ma poi, man mano che gli agenti AI possono eseguire compiti più complessi e si utilizzano sempre più agenti in parallelo in un flusso di lavoro, le imprese semplicemente dispiegheranno più di questi agenti. Tempi selvaggi ci aspettano.

A parte alcune categorie, la maggior parte degli spazi è ancora ampiamente aperta nell'IA. Questo non sarà vero per sempre, poiché si inizieranno a costruire fossati di dati e flussi di lavoro, ma certamente è temporaneamente vero in questo momento. L'IA ha fatto così tanti progressi nell'ultimo anno che i modelli hanno risolto un sacco di problemi che la maggior parte delle startup doveva affrontare prima. E ciò che puoi fare con gli agenti IA oggi è circa 100 volte più potente rispetto a 2 anni fa. Questo è anche il motivo per cui costruire architetture con i giusti livelli di astrazione per sfruttare questi aggiornamenti è fondamentale.

L'IA sfumerà i confini tra molte funzioni nel tempo, poiché ora puoi iniziare a fare cose sia più in alto che più in basso nella gerarchia, o espanderti ad altre funzioni adiacenti. Un'area molto ovvia è che i PM dovrebbero quasi sempre presentarsi con prototipi funzionali.

In Box, trascorriamo molto tempo a testare Box AI con nuovi modelli su dati non strutturati per vedere in quali aree di lavoro conoscitivo si comportano meglio. Come abbiamo visto dai benchmark, GPT-5 offre un salto significativo nelle capacità rispetto a GPT-4.1 in ragionamento, matematica, logica, programmazione e altre aree di lavoro. Ecco alcuni esempi di come questi miglioramenti si manifestano nel mondo reale: *GPT 5 contestualizza meglio le informazioni. Quando si esegue l'estrazione dei dati come l'importo finale in USD su una fattura senza etichette di valuta ma con un indirizzo a Londra, GPT 5 risponde correttamente che è necessaria una conversione da USD a GBP. In confronto, GPT 4.1 ha visto la fattura finale e l'ha restituita, assumendo la valuta (in modo errato). * GPT-5 offre una migliore analisi multimodale. Per la dichiarazione annuale di una società pubblica, a GPT-5 viene chiesto di isolare una cella in una tabella da un'immagine che mostra le variazioni nei componenti del capitale della società. La parte superiore della tabella chiarisce che tutti gli importi delle azioni sono in migliaia, e GPT-5 dichiara chiaramente questa conversione, mentre GPT-4.1 non lo fa, confondendosi dato che la tabella dice azioni e la legenda dice quote. * GPT-5 si comporta meglio con alti livelli di complessità nei prompt e nei dati. Quando si esegue l'estrazione dei dati su un curriculum per tutte le date di inizio lavoro, i nomi delle posizioni lavorative e i nomi dei datori di lavoro, GPT-5 è stato in grado di estrarre ogni pezzo di dato mentre GPT-4.1 sembra essere sopraffatto e non ha estratto gli stessi campi data la dimensione del prompt e la complessità del documento. * GPT-5 è molto più chiaro ed esplicito nelle sue risposte. In un accordo di outsourcing con 6 diversi servizi esplicitamente discussi, quando viene chiesto riguardo ai "5 servizi specifici nel contratto", GPT-5 restituirà i primi 5 e chiederà se era intenzionale che il sesto non fosse stato menzionato. In confronto, GPT-4.1 ha semplicemente restituito i primi 5 senza ulteriori avvertenze, il che può portare a confusione per l'utente. * GPT-5 è migliore nell'interpretazione dei dati in campi complessi. Per un grafico di citometria a flusso, tipicamente usato in immunologia, GPT-5 ha identificato correttamente un'alta proporzione di cellule morte e ha fornito cause plausibili che potrebbero portare a tale situazione, mentre GPT-4.1 ha fornito ragionamenti minimi, necessitando di ulteriori conferme per avere delle ipotesi dai dati grezzi. * GPT-5 è migliore nell'identificare incoerenze nel codice. Quando viene chiesto di identificare problemi in un dato file di codice python, mentre sia GPT-5 che 4.1 possono identificare errori reali che portano a malfunzionamenti, solo GPT-5 è stato in grado di dedurre problemi più sottili, come stampare la variabile errata quando ciò non avrebbe senso nel contesto del programma. Questi miglioramenti in matematica, ragionamento, logica e qualità delle risposte in finestre di contesto più lunghe sono incredibilmente utili per gli utenti finali nel lavoro quotidiano, ma si manifesteranno ancora di più con agenti AI a lungo termine, specialmente quando non c'è un umano nel loop per verificare le informazioni a ogni passaggio. È fantastico vedere che questi miglioramenti continuano ad arrivare nei più recenti modelli di AI, poiché ciò porterà a agenti AI in grado di essere utilizzati in aree di lavoro sempre più critiche.

È chiaro che attualmente siamo su una traiettoria in cui i modelli di intelligenza artificiale continuano a migliorare nelle capacità relative alla matematica, al ragionamento, alla logica, all'uso di strumenti e in vari compiti specifici di settore che miglioreranno man mano che verranno generati più dati di addestramento. Sebbene ci saranno dibattiti su quanto questi progressi si tradurranno in cambiamenti significativi nei casi d'uso quotidiani per i consumatori, *avranno* un impatto notevole su molte categorie di lavoro conoscitivo. Sbloccheranno progressivamente nuovi casi d'uso in ambito sanitario, legale, servizi finanziari, scienze della vita, ecc., dove i modelli possono eseguire compiti sempre più critici in modo affidabile. In un recente podcast con Alex Kantrowitz, Dario Amodei ha trovato un ottimo modo di inquadrare questo concetto, affermando che se si migliorasse la capacità di un modello di intelligenza artificiale per passare da una laurea triennale in biochimica a una laurea magistrale in biochimica, una piccola percentuale della popolazione dei consumatori noterebbe l'impatto, ma i casi d'uso aziendali per una compagnia come Pfizer aumenterebbero in modo significativo come risultato di ciò. Dovremmo iniziare a prevedere che questa è ora l'era in cui ci troviamo con l'IA. Quindi, come si manifesterà questo nel mondo reale? Si manifesterà attraverso agenti IA che si occupano di casi d'uso applicati. Agenti IA per la programmazione, il lavoro legale, i segretari medici, l'estrazione dei dati, l'elaborazione delle richieste di risarcimento assicurativo, i test di penetrazione, e così via. L'opportunità attuale è costruire agenti IA per settori e domini con una profonda comprensione di quello spazio. Qui è dove l'impatto dell'ingegneria del contesto, una profonda comprensione dei flussi di lavoro, le connessioni ai dati aziendali e interfacce utente specializzate (che consentono agli utenti di distribuire, gestire e orchestrare questi agenti) inizieranno a contare molto. Significherà anche costruire una distribuzione che si allinei a quel particolare settore o dominio. Probabilmente significherà qualche forma di ingegneria distribuita per non solo aiutare i clienti a implementare gli agenti, ma anche per apprendere rapidamente quali flussi di lavoro gli agenti sono ottimizzati e riportare queste informazioni nella piattaforma centrale. In definitiva, questi mercati saranno vinti dai soggetti che sapranno meglio collegare i processi aziendali di oggi (che spesso sono disordinati e non sono stati progettati per l'automazione) a un mondo in cui gli agenti sono integrati in questi flussi di lavoro. Questa è l'era dell'IA in cui ci troviamo ora.