لماذا يجعل الذكاء الاصطناعي أسرع بمائة ضعف وليس شركتك - ميتشل ترويانوفسكي، أساس
Original · Why AI Makes You 100x Faster but Not Your Company - Mitchell Troyanovsky, Basis
Key Takeaway
تتطلب موثوقية الوكلاء الذكية وبساطتها تطوير آراء ومواقف محددة مسبقاً بدلاً من ترك الخيارات مفتوحة بالكامل.
Highlights
تتطلب أنظمة العمل الموثوقة عمليات واضحة ومحددة لضمان إنتاج نتائج جيدة على نطاق واسع.
تواجه منتجات الوكلاء الحالية فجوتين رئيسيتين هما فجوة الكفاءة وفجوة العمليات.
يعتمد سلوك الوكيل على مزيج من موجه النظام والإفصاحات التدريجية وتدريب النموذج.
تعتمد موثوقية الوكلاء واتساقهم على وجود آراء ومواقف محددة بوضوح بدلاً من السعي نحو الكمال المطلق.
Timeline
مقارنة الإنتاجية بين الأفراد والشركات
تشير الملاحظات إلى تباين واضح بين إنتاجية الأفراد التي تضاعفت مرات عديدة وإنتاجية الشركات التي لم تشهد نفس القفزة. يرجع نجاح الشركات التقليدية إلى اعتمادها على عمليات واضحة ومحددة وليست حتمية لضمان وصول الموظفين إلى نتائج متسقة.
- ترتفع الإنتاجية الشخصية بشكل هائل عند استخدام الأدوات الحديثة بينما تبقى إنتاجية الشركات العادية منخفضة.
- تعتمد المنظمات على عمليات منظمة وثابتة لضمان جودة المخرجات بغض النظر عن تفاصيل الأفراد.
مشكلات وكلاء الذكاء الاصطناعي الحاليين
تفرض منتجات الوكلاء الحالية أعباء إضافية على المستخدم لإدارة التفاصيل المعقدة، مما يخلق فجوة في الكفاءة. كما أن السماح لكل موظف بتخصيص سلوك الوكيل بطريقته الخاصة يتعارض مع العمليات المؤسسية الموحدة.
- تتمثل التحديات الكبرى في وكلاء الذكاء الاصطناعي في فجوة الكفاءة وفجوة العمليات.
- تحتاج المنظمات إلى الثقة والاتساق والموثوقية بدلاً من السعي نحو الكمال المطلق في أداء المهام.
تطوير مواصفات السلوك وآليات التحقق
يتم تشكيل سلوك الوكيل عبر ضبط موجه النظام والبيانات وتطوير آراء محددة لكل مهمة. تساهم أدوات مثل التفريع والمحاكاة في تتبع مسارات القرارات واختبار سيناريوهات بديلة لتحسين أداء الأنظمة في بيئة العمل الحقيقية.
- تتطلب دقة الوكلاء الاعتماد على آراء وحدس أولي وتحديد مواصفات واضحة للسلوك.
- تُستخدم تقنيات التفريع والمحاكاة لتقييم وتحسين أداء وكلاء الإنتاج بفعالية وتكلفة منخفضة.
Description
Individual engineers have seen huge productivity gains from AI, but most companies haven't. Mitchell Troyanovsky, co-founder of Basis, argues that agents need to be simple and reliable to spread through a company, and the way to get there is to make them opinionated. He covers behavior specs, why outcome evals don't generalize to production, and two tools for finding out why an agent made a bad call: forking and sub-agent simulations. 0:00 Intro to Basis 0:42 Why company productivity hasn't jumped 1:41 How organizations scale with processes 3:29 The competency gap and the process gap 5:57 Agents need to be opinionated 9:02 Why outcome evals don't generalize 10:18 Example: a bank reconciliation behavior 12:03 Behavior specs 13:24 Forking to diagnose bad decisions 15:15 Simulations with sub-agents 17:10 Earning trust like a coworker 18:10 Why not let agents find a better way? Mitchell Troyanovsky, co-founder of Basis Join us in SF for the second annual AIE CODE summit: https://aie.codes our last flagship summit of 2026. Applications live now!