AI代理所獲得的結果差異是由代理所需處理的上下文驅動的。人們通常知道在任務中信息不足時，但代理會不顧一切地嘗試。因此，我們的工作流程將會改變，以幫助代理，而不是反過來。

我們原以為AI代理會適應我們的工作方式，但更有可能的是我們會調整我們的工作流程，以適應它們最佳的工作方式。代理在描述性上下文中工作效果最佳，這意味著我們的流程將變得更加具體和文檔化。

AI代理究竟是什麼，它們將如何改變我們的工作方式？ @levie, @martin_casado, @stevesi, @eriktorenberg 討論： (0:36) 什麼是代理？代理性、自主性和反饋循環 (4:27) AI中的任務專業化和勞動分工 (6:04) 擬人化AI及其經濟影響 (9:10) 預測、進展和遞歸自我改進 (13:13) 幻覺、驗證和專家生產力 (16:16) 工具採用、專家和變化的工作流程 (45:55) 勞動分工、垂直化和應用AI中的新角色 (54:44) 平台競爭和應用層

如果我們在一家公司中擁有比員工多100倍的AI代理，那麼我們實際上更有可能適應代理的最佳工作方式，而不是代理適應我們的工作方式。 AI代理在本質上依賴於上下文，而你從它們那裡獲得的結果的差異幾乎完全與上下文的質量有關。這意味著我們工作的新方式將很大程度上是為了給代理提供正確的上下文。 在AI出現之前，接受某些事情的工作方式有有限文檔是相對容易的，因為你可以直接問同事。當然，這有巨大的缺點，因為這使得新員工的培訓變得更加困難，對現有人才造成了負擔，並且隨著時間的推移，你會失去大量的機構知識。 AI代理沒有這種奢侈。AI代理沒有人人所擁有的所有情境意識和滲透的好處。默認情況下，它們不知道你的目標、公司標準、風格、正在進行的其他項目等等。 隨著我們在Box中優先考慮AI，當同事們構建Box AI代理時，他們本質上是在捕捉多年的流程知識，並最終將其記錄下來，以供代理操作。即使在我們有某些事情的文檔的領域，這些文檔也在以對代理友好的方式進行更新。但這僅僅是開始。 由於需要提高代理的生產力，工作可能需要逐步改變的領域有很多： * 所有關鍵工作的文檔。我們將開始以對代理友好的方式寫下更多重要工作流程的清晰描述。與人類工作流程中發生的文檔漂移不同，我們需要確保這些文檔保持最新，因為每次代理運行都是代理知識和經驗的重啟。 * 對代理的明確規則和指示。每家公司都有不同的風格指南、不同的代碼庫標準、內部政策等，代理必須遵守。正如我們在Cursor規則中看到的那樣，我們可以期待在所有知識工作領域都出現這種情況。 * 對代理記憶的新方法。我們可能需要更簡單的方式來提升代理，使其能夠根據用戶在公司中執行的不同模式或工作訪問記憶庫。然後問題是我是否可以在以後帶走這些記憶，從企業知識產權的角度來看，這不太可能。 * 更好結構化的技術棧。由於AI代理容易偏離軌道，因此公司IT架構的質量、數據的整潔性、訪問控制的更新程度等將變得極為重要。這裡的小偏差將顯著限制你能推動代理做多少事情，否則你將得到糟糕的結果或真正的商業風險。 * AI代理的上下文將超越典型的組織結構。在一個代理需要跨多個技術棧（後端和前端）或業務流程（法律和銷售運營）協作的世界中，我們可能無法僅將AI代理的工作流程和數據訪問映射到現有員工和職能，這將帶來全新的影響。 觀察公司如何隨著時間的推移而改變以支持代理的生產力，以及這對未來工作的意義，將會非常有趣。

這是對知識工作中AI代理將如何運作的一個簡要概述。使用Box MCP伺服器，您可以告訴Claude為M&A交易和數據清單創建一個資料夾結構。未來，您只需讓後台代理自動化任何事情。

在人工智慧領域，緊跟最新動態的優勢現在是如此之高。這個領域變化如此之快，只有比其他人更具AI原生性和更新速度，才能脫穎而出。這為下一代勞動力提供了巨大的機會。

具備全面工具使用能力的AI代理將會非常瘋狂。這是Claude使用Box和Linear MCP伺服器將Box中的產品路線圖文檔轉化為待跟蹤問題的一個小例子。這是AI代理互操作性未來的一個小示範。

現在錯過人工智慧代理全部潛力的最簡單方法就是不充分利用它們。大多數時候，人們只是沒有將它們推得更遠，因此可能只從潛力的一小部分中受益。 當你與初創公司交談並了解他們的新工作流程時，真是令人震驚，他們比幾年前用相同資源能完成的工作多得多。 這對所有了解情況的人來說都是一個巨大的不對稱。那些優先採用人工智慧的團隊和公司將始終領先於其他公司，因為他們會認識到如何進一步推動模型和代理，而這些學習將會積累。 對於其他人來說，將會有大量未被開發的能力就靜靜地在那裡。

幾乎每項研究都表明，使用人工智慧的醫生表現優於不使用的醫生。現在，人工智慧在醫學執照考試中取得了完美的分數。你將會期待未來你去的每一個專業服務提供者都將使用人工智慧，否則你將不信任他們的建議。

市場規模之所以會比我們意識到的更大，有一個微妙的原因是，有許多用例需要同時運行多個代理來解決同一個問題，這非常有價值。 在大多數知識工作中，這在過去幾乎是不可能的。因為在同一個問題上投入更多人力成本過高。但由於我們大幅降低了部署智能的成本，你可以承擔更多的冗餘，並從更多角度考慮問題。 我們已經在多個領域看到了這些例子。人們在相同的代碼更改上使用AI代碼審查代理，以提供分析中的細微差別。對於安全代理審查代碼也是如此，額外的覆蓋帶來了更多的價值。在深度研究任務中，通常有多個提示並行運行以比較不同的方法是非常有用的。 我們可以預期，這種情況將在許多其他領域出現，在這些領域中，多個不同的觀點為工作流程提供了增量價值，比如法律工作、醫療保健、財務分析、科學研究、產品構思、市場內容創作等。 這就是為什麼很難估計這些市場的完整總可尋址市場（TAM）。如果你認為代理僅僅是1:1地近似我們今天的工作方式，那麼很容易忽視我們將在工作流程中使用代理的所有方式。這就是為什麼這些市場在未來沒有自然上限。