Это именно парадокс Джевонса в действии в его чистейшей форме. Поскольку стоимость токенов AI снизилась, мы теперь можем позволить себе использовать их гораздо больше для все более сложных задач. Ключевой момент, таким образом, не в том, что "AI становится дороже"; вместо этого, дело в том, что, поскольку он становится дешевле и более способным, мы используем его больше для решения проблем лучше. Для почти каждой аналогичной задачи мы просто используем гораздо больше токенов для выполнения задачи, чтобы получить гораздо лучший результат. Будь то написание кода, ответ на вопрос в области здравоохранения или анализ контракта, мы сегодня используем гораздо больше AI для выполнения этой работы, потому что нам нужны дополнительные показатели производительности. Получение 99% правильного ответа при работе с юридическим контрактом *очень* отличается от 90% правильного ответа, и это легко стоит увеличения в 10X до 100X в токенах. Теперь, в *некоторый* момент мы начнем достигать плато для определенных типов задач, и тогда стоимость за задачу снизится. Например, нам, вероятно, не нужно в 100 раз больше токенов, чем мы используем сегодня, для ответа на простой медицинский вопрос или резюмирования документа. Таким образом, в конечном итоге, на аналогичной основе эти рабочие нагрузки станут дешевле, поскольку мы сможем захватить приросты эффективности от моделей. *Но*, общий цикл будет продолжаться по сути вечно, потому что мы просто будем продолжать поднимать планку того, что мы делаем с AI. Поскольку токены продолжают дешеветь благодаря алгоритмическим прорывам, конкуренции в ценах на GPU, общим вычислительным эффективностям и открытым альтернативам весов, мы найдем следующий набор способов потребления токенов. Мы развернем гораздо больше агентов параллельно, чтобы ускорить задачи, мы будем использовать многопользовательские системы для сравнения ответов и достижения консенсуса, мы решим более сложные проблемы знаний, и у нас будут гораздо более длительные работающие агенты в фоновом режиме. AI будет одновременно всегда становиться дешевле и дороже.

Управление продуктами для AI-агентов, безусловно, является самой дикой формой управления продуктами в истории. Типичное управление продуктами заключается в том, чтобы понять, как разрабатывать интерфейсы и программное обеспечение для людей, чтобы взаимодействовать с детерминированными системами. Пользователь, как правило, знает весь контекст, чтобы успешно выполнять свою работу, поэтому это в основном вопрос о том, чтобы отточить основную бизнес-логику и окружающий UX. Но с AI-агентами наиболее важным пользователем является агент, и по умолчанию он ничего не знает. Он с радостью будет двигаться в любом направлении, чтобы выполнить задачу, часто без успеха. Таким образом, как PM (или инженер), вы в основном тратите свое время на то, чтобы обратным образом выяснить: "что нужно человеку в качестве контекста, чтобы выполнить эту задачу", а затем понять, как разработать системы, чтобы предоставить агенту эти данные в правильной последовательности, с правильными инструментами и инструкциями. Некоторые из этих систем полностью невидимы для человеческого пользователя, но часть мастерства заключается в том, как конечный пользователь будет взаимодействовать с агентом, чтобы предоставить этот контекст. Затем это часто бесконечные проб и ошибок, работающие над тем, чтобы извлечь инкрементальные точки качества на каждом этапе. Это особенно объясняет, почему люди с глубокими знаниями в области или те, кто может быстро их приобрести, будут очень успешны в создании AI-агентов. Способность предвидеть контекст, который агенту потребуется для успеха, является огромным определяющим фактором в том, насколько эффективным будет агент. Это отчасти объясняет, почему кодирующие агенты так хорошо заработали с самого начала; потому что их создатели глубоко понимают область, которую они пытаются автоматизировать. Но, очевидно, мы быстро увидим тот же результат в каждой области - юридической, медицинской, финансовой и т.д. - по мере появления инженерии контекста и новой волны менеджеров продуктов.

Мы будем оглядываться на мир, который был до AI, и будем абсолютно поражены тем, как медленно все происходило. Каждую неделю в Box, когда мы становимся AI-ориентированными, мы выделяем рабочий процесс, в котором кто-то изнутри создал AI-агента для автоматизации какого-либо процесса. Это могут быть такие вещи, как процесс HR, продажи, ответы на RFP, управление процессом соблюдения норм, написание документации и так далее. Обычно моя первая реакция: "Не могу поверить, что нам приходилось делать всю эту работу вручную". Количество времени, которое нам нужно потратить на исследование, написание или перемещение данных между этапами, просто чтобы добраться до того, что мы *на самом деле* пытаемся сделать (например, нанять кого-то, заключить сделку и т.д.), безумно. И, что интересно, в результате этого упражнения я также вижу множество областей, где я был бы готов инвестировать *больше* в людей благодаря тому, что процесс становится более эффективным. Расчет ROI внезапно меняется для многих типов работы, когда агенты действительно могут ускорить процесс или увеличить объем работы. Дикие времена впереди в эпоху работы, ориентированной на AI.