这正是杰文斯悖论在最纯粹形式下的体现。 由于AI代币的成本下降，我们现在可以使用更多的代币来处理越来越复杂的任务。因此，关键点不是“AI变得更昂贵”；而是因为它变得更便宜且更强大，我们正在使用更多的代币来更好地解决问题。 对于几乎每一个相同的任务，我们只是使用了更多的代币来完成任务，以提供更好的输出。无论是编写代码、回答医疗问题，还是分析合同，我们今天使用的AI代币都远远超过以往，因为我们需要额外的性能点。在处理法律合同时，获得99%的正确答案与90%的正确答案是*非常*不同的，这绝对值得10倍到100倍的代币增加。 现在，在*某个*时刻，我们将开始在某些类型的任务上达到平台期，然后每个任务的成本将下降。例如，我们可能不需要比今天多100倍的代币来回答一个简单的医疗问题或总结一份文件。因此，最终，在相同的基础上，这些工作负载将变得更便宜，因为我们能够从模型中捕获效率提升。 *但是*，这个一般循环将基本上永远持续下去，因为我们将不断提高使用AI的标准。随着代币因算法突破、GPU价格竞争、一般计算效率和开放权重替代方案而继续变得更便宜，我们将找到下一组消费代币的方法。 我们将并行部署更多的代理以加快任务速度，我们将使用多代理系统来比较答案并达成共识，我们将解决更复杂的知识工作问题，并且我们将在后台运行更长时间的代理。 AI将同时变得越来越便宜，也会变得更昂贵。

AI代理的产品管理无疑是历史上最疯狂的产品管理形式。 典型的产品管理是试图弄清楚如何为人们设计与确定性系统交互的界面和软件。用户通常知道完成工作所需的所有上下文，因此这通常是一个搞定基础业务逻辑和周边用户体验的问题。 但在AI代理的情况下，您最关心的用户是代理，而它们默认情况下什么都不知道。它们会高兴地朝任何方向运行以执行任务，通常却没有成功。 因此，作为产品经理（或工程师），您基本上花时间试图逆向工程“人类需要什么上下文来执行此任务”，然后弄清楚如何设计系统以按正确的顺序、使用正确的工具和指令为代理提供这些数据。 这些系统中的一些对人类用户来说是完全隐形的，但这门技艺的一部分同样在于最终用户如何与代理互动以提供这些上下文。然后，通常是无尽的反复试验，努力在每个阶段挤出增量的质量点。 这尤其解释了为什么拥有深厚领域专业知识的人，或者那些能够快速获取这些知识的人，在构建AI代理时会表现得极为出色。预测代理成功所需的上下文的能力是决定代理有效性的一个重要因素。 这部分解释了为什么编码代理一开始就表现得如此出色；因为其构建者深刻理解他们正在努力自动化的领域。但显然，我们将很快在每个领域——法律、医疗、金融等——看到相同的结果，因为上下文工程和新一批产品经理正在涌现。

我们将回顾人工智能之前的世界，绝对会对一切是多么缓慢感到震惊。 在Box，每周我们都会强调一个工作流程，展示内部某人如何构建一个AI代理来自动化某个过程。这可以是人力资源流程、销售外展、回应RFP、处理合规工作流程、撰写文档等等。 我通常的第一反应是：“我真不敢相信我们以前必须手动完成所有这些工作。”我们在研究、写作或在步骤之间移动数据上花费的时间，单单是为了达到我们*真正*想要做的事情（比如招聘某人、达成交易等）是疯狂的。 有趣的是，作为这个过程的结果，我实际上也看到了许多领域，我愿意在人员上*更多*投资，因为流程变得更加高效。当代理能够加速过程或增加产出时，许多类型工作的投资回报计算突然发生了变化。 在AI优先工作的时代，未来将是疯狂的时光。