Jobber sammen med agenter: AI-lagkamerater8 min read

6 months post the OpenClaw pivotal moment, we have 7 agents as part of the team, and man, they deliver. Jeg elsker dette sitatet fordi det er akkurat slik jeg føler meg nå –

«Aliens har landet her, og de er klare til å jobbe, billig og i stor skala.» – Daniel Schreiber, administrerende direktør i Lemonade

I denne serien med artikler skal jeg dekke hvordan det ser ut og føles å jobbe med agenter, erfaringer vi har lært og beste praksis vi har tatt i bruk. Men først, la oss starte med en introduksjon til hvor vi er og hva jeg synes hver administrerende direktør, grunnlegger og leder bør vite, slik det gjelder deg i dag. Din arbeidsplass, metodikk og team er i ferd med å endre seg dramatisk, og du bør sette deg inn i det for å få det beste ut av det.

Our agentic teammates at Anima operate across Marketing, BI, QA, Customer Success, and Back-office operations. De sitter i våre Slack-kanaler. De henter jobb klokken 02.00 eller kjører på daglige sløyfer. De undersøker, analyserer data, publiserer innhold, åpner Asana-billetter og sender forespørsler som ingeniører kan vurdere.

Hver agent rapporterer til en menneskelig leder som er ombord på den, gir den kontekst og konstant tilbakemelding, utvider dens evner og verktøysett, setter rutinen og setter den opp for suksess som en del av teamet.

Agenter vs AI chat

Dagens agenter (OpenClaw, Hermes) føler seg mer som eksterne lagkamerater enn chatbots. Det endrer hvordan vi samhandler med dem og hva vi forventer av dem.

De har sine egne datamaskiner. En fysisk eller i skyen. En agent slår seg heller ikke av når du lukker den bærbare datamaskinen. Den kan laste ned gigabyte med data, analysere den i timevis, våkne om natten for oppgaver, forske og utføre handlinger. I hovedsak arbeid.

De lærer. Du ombord på dem. Du sender dem for å lese materiell online eller offline og foreta undersøkelser til fordel for kunnskapen deres. De forstår domenene du ønsker at de skal eie bedre med hver oppgave og tilbakemelding. 

De får tilgang til dine data og systemer. Så de utfører oppgaver ende-til-ende. You can bring them into the company’s messaging app like Slack or Teams, so they have long discussions with multiple team members in the open.

De samarbeider. I motsetning til din Claude Cowork / Codex, kan en delt skyagent lære av flere personer og gjøre den kunnskapen tilgjengelig for alle. En produktsjef kan lære den om analyse. Markedsførere kan lære det om attribusjon og trakten. Engineering teams can give it access to code and a development environment. Den samme agenten kan deretter opprette forbindelser på tvers av disse domenene.

Våre agenter på Anima

Jeg skal skrive mer om våre agenter, men her er en smakebit –

Rocket, markedsføringsagenten, rapporterer til meg. Han er en ekspert på vårt WordPress bloggoppsett, SEO taktikk, stemme og tone, oppsett av nyhetsbrevliste, e-postmaler, trakt og analyser. Han forstår produktet godt og har også tilgang til det og har sin egen Anima-konto. 

En del av rutinen hans inkluderer traktovervåking og oppdatering av kunnskapen hans fra kanaler rundt produkt-, teknologi- og markedsføringsaktiviteter, slik at det alltid er en skarp analyse, ikke en generisk, og ingen ekstra kontekst er nødvendig. Den ser på tester vi gjorde i SEO og overvåker dem. 

Det hjelper med å skrive og oversette blogginnlegg, finne traktfriksjonspunkter eller feil, og utføre våre månedlige nyhetsbrevoppgaver fra vedlikehold til komposisjon, og hele veien til å sende e-poster. Vi klarer det fortsatt, men han gjør det daglige gryntearbeidet. Han kommer med innsikt og utfører den.

Tracey, vår mest modne agent, rapporterer til CTO. Hun er ekspert på forretningsintelligens / produktanalyse, loggsporing, feilrapporter og kodebasen vår. Noen av rutinene hennes inkluderer å være vaktingeniør, våkne på brukerklager, spore problemet, sende inn en oppdatering til koden (PR), eller åpne en billett på oppgavestyringssystemet, og selvfølgelig oppdatere funnene og handlingene i Slack. Det er omtrent 5 % av det hun gjør.

Den digitale ansattes singularitet

Jeg tror vi har krysset det jeg kaller den digitale ansattes singularitet: punktet der agenter blir i stand nok til å slutte seg til arbeidsstyrken som et driftslag, ikke bare som programvare som brukes av arbeidsstyrken.

Agenter er magi som du fortsatt må jobbe hardt for. Oppsettet er fortsatt nærmere DIY-laging enn til en administrert tjeneste. De trenger opplæring, vedlikehold, tilsyn og mye kjærlighet og omsorg. Men innsatsen er verdt det, for det er som å bygge fiskestenger i stedet for å fange fisk. Når en agent fungerer bra, fortsetter dens verdi å øke.

Ikke alle er begeistret for AI

Dette er et stort skifte, og det bør styres fra flere perspektiver: virksomhet, arbeidsmetoder, sikkerhet, teknologi, og viktigst av alt, mennesker. 

Det er en god diskusjon om hvordan AI får folk til å føle seg med Noam Segal på Lenny’s. Det er et viktig speil for oss alle i «Gruppe 1» – Den spente gruppen. 72 % bekymrer seg for permitteringer. Mange mennesker er forvirret, usikre eller stresset med tanke på fremtiden av ulike årsaker.

Jeg tror at en stor del av å håndtere denne endringen, og også få mest mulig ut av den, er åpenhet og å gå gjennom dette skiftet sammen som et selskap, som et team. En ting vi gjør er at vi har et hjørne med «Agenthistorier» i den ukentlige økten vår. Det er to mål for det –

Vi lærer sammen. Hele teamet mitt er skarpe mennesker, og de bruker alle agenter på forskjellige måter hver uke. Dette er en modig ny verden, og vi lærer raskere hvis vi lærer sammen. Det er en enorm psykologisk innvirkning å ha agenter som en del av teamet, så i stedet for å jobbe i mørket, foretrekker jeg å ha det åpent og ha hele mitt smarte team som en del av dette eventyret, så spennende og freaky som det er.

Her er noen agenthistorier –

• En av våre agenter sendte en kundevendt melding da den bare skulle legge igjen en intern kommentar. Ingen skade skjedd, men et lite «???» fra brukeren, besvart med et ærlig svar.
• Én e-post mislyktes fordi vi aldri hadde klart oppgitt hvilke feil som er fatale. Et nyhetsbrev ble sendt fra feil underdomene, noe som førte til at 166 000 e-poster ble undertrykt. Ingen skade skjedd denne gangen, men vi lærte å definere oppgavene våre bedre.

Ingen av disse feilene kom fra at en agent ikke kunne bruke programvaren. De kom fra tvetydighet, autoritet og koordinering.

Det viktigste spørsmålet er derfor ikke «Hva kan denne modellen gjøre?». Det er: «Hvilken myndighet skal denne agenten ha, på hvems vegne og under hvilket tilsyn?»

Sett agenter på et organisasjonskart

Ved å bruke ChatGPT ble vi vant til å gjøre forskning mye raskere, gjenta på kopi eller sprette ideer med en AI-partner, men dette er noe annet. Den riktige måten å bruke en agent på er ikke å mikroadministrere den og be om hver eneste lille oppgave.

Gi agenten din kunnskap, domeneforståelse og tilgang til verktøy og data, slik at du deretter kan gi den et mål, ikke en liten oppgave. Og den vil finne veien, lik et menneske. Det vil også gjøre feil. Og du bør fortelle det, fordi det husker og lærer.

Det gjør det mye nærmere en junioroperatør enn programvare eller AI Chat.

Hver agent trenger en navngitt menneskelig eier. Uten at noen pleier det, korrigerer det og utvider dets evner, blir det mindre nyttig over tid. Det skjer stadig ting i virksomheten din. Bedriftsterminologiendringer. Beregninger endres. Merkeplassering endres. Nye verktøy er introdusert. En agent er ikke en engangsimplementering.

Du trener agenter som nye ansatte. Du stoler på agenter som nye ansatte.

Dette er også grunnen til at jeg anbefaler på det sterkeste å ikke skynde seg å opprette 100 agenter. Start med en. Legg til en annen bare når separasjonen er nødvendig for omfang, sikkerhet eller spesialisering. Vi har brukt måneder på å prøve å holde antallet agenter så lavt som mulig, samtidig som vi har gjort hver enkelt smartere og dyktigere.

Flere agenter skaper også mer administrasjonskostnader. Ikke distribuer flere agenter enn organisasjonen din kan administrere.

Hvor du skal begynne

En ny agent bør begynne på det laveste nivået som fortsatt skaper verdi, og utvide senere. Erstatt meldinger med driftsprosedyrer

Oppsettarbeidet for en effektiv agent handler ikke hovedsakelig om å skrive en strålende ledetekst. Det er nærmere å trene en ny junior til veldefinerte oppgaver.

De sterkeste agentene akkumulerer evner over tid. De konfigurerer datamaskinene sine, installerer verktøy, skaper ferdigheter, beholder arbeidsfiler og bygger kunnskap fra tidligere oppgaver. Når vi trenger en ny agent med lignende grunnlag, kan vi sikkerhetskopiere og klone maskinen, noe som sparer en del onboarding-innsats.

Selve modellen er i ferd med å bli en vare. Vi har byttet modellleverandør, og vi kan endre oss igjen. Den varige verdien er agentens akkumulerte kontekst, evner, driftsprosedyrer og integrasjon med organisasjonen.

Modellen din er leid. Din kontekst er kjernen.

Sett opp din første agent. Jeg anbefaler Hermes. Jeg kommer til å legge ut mer fra reisen vår – følg meg hvis du synes det er interessant.