Ship 26 NYC - 1.200 Analyseanfragen pro Tag: Clays und Vercels Einsatz für KI-native Analytics
VVercel
Computing/SoftwareSmall Business/StartupsManagement
Transcript
00:00:00Hallo, New York. Schön, dass ihr da seid. Ich dachte mir, wir bringen etwas Abwechslung rein und sprechen
00:00:14heute mal über Agenten, wenn das für alle in Ordnung ist. Das ist bei Vercel natürlich ein sehr heißes Thema.
00:00:19Und heute Vormittag habt ihr bereits von Tomo über EVE gehört, unser Framework zum Erstellen von Agenten.
00:00:26Von Gene habt ihr erfahren, wie wir 100 Agenten im Produktivbetrieb haben. Und ihr habt auch von dem beliebtesten
00:00:34dieser Agenten gehört, dem, der mir am meisten am Herzen liegt: D0, unserem Data-Science-Agenten.
00:00:41Nun, Vercel beschäftigt etwa 800 Mitarbeiter hier bei Vercel. Und D0 beantwortet jeden Monat über 30.000 Fragen für
00:00:52diese Mitarbeiter. Ich liebe diese Statistik. Ich erwähne sie ständig. Aber das ist nicht meine Lieblingsstatistik.
00:00:59Diese hier ist es. 45 % dieser Fragen stammen nicht von Menschen. Sie kommen von den Enterprise-Apps und Agenten, von denen
00:01:08Gene vorhin gesprochen hat. D0 war in den letzten Monaten so erfolgreich für uns,
00:01:12dass wir damit auf Tour gegangen sind. Wir haben einige der inspirierendsten Unternehmen besucht, die wir kennen. Wir haben Eve
00:01:18mitgenommen. Wir haben unsere Erkenntnisse von D0 genutzt, um ihnen zu helfen, ihren eigenen Kontext, ihre Kreativität und ihre Werkzeuge
00:01:24einzusetzen und eigene Datenagenten zu bauen. Und jetzt können wir viel von ihnen lernen.
00:01:32Eines dieser Unternehmen ist das in New York ansässige Unternehmen Clay. Clay hat Monty entwickelt, ihren Datenagenten. Monty ist heute
00:01:40im Einsatz. Und er spart dem Data-Team von Clay jeden Tag 40 Arbeitsstunden. Und sie haben ihn mit nur einem
00:01:47Ingenieur in unter einem Monat gebaut.
00:01:51Ich habe heute ein einziges Ziel. Ich möchte tausend neue Datenagenten da draußen sehen. Wir haben einen gebaut. Clay hat einen gebaut. Ihr könnt das auch. Und ihr solltet es tun. Ich möchte, dass jedes Unternehmen in diesem Raum seinen eigenen D0 baut.
00:02:04Und offen gesagt ist das auch ein bisschen egoistisch. Ich möchte, dass D0 so gut wie nur möglich wird. Und ich bin davon überzeugt, dass das gelingt, indem wir beobachten, was ihr baut.
00:02:12Daher werde ich heute zwei Dinge tun. Erstens werde ich euch auf grober Ebene zeigen, wie wir diese Agenten bauen. Was bei allen gemeinsam ist, die wir gebaut und gesehen haben, und was unterschiedlich ist.
00:02:22Und zweitens, warum ihr diese selbst bauen solltet und sie nicht von der Stange kaufen müsst. Fangen wir also an.
00:02:29In den letzten Monaten haben wir geholfen, Dutzende dieser Datenagenten aufzubauen und ihren Flug zu beobachten, und bei allen zeigt sich eine gemeinsame Grundstruktur. Eine gemeinsame Form dessen, was wir als den minimalen liebenswerten Datenagenten betrachten.
00:02:40Konkret sehen wir diese fünf Dinge.
00:02:44Erstens: Minimale liebenswerte Datenagenten holen die Benutzer dort ab, wo sie sind. Das bedeutet, sie müssen in Messaging-Tools verfügbar sein. Für uns ist das Slack. Für andere Leute ist das Microsoft Teams.
00:02:56Aber nicht nur in diesen Tools. Wenn Benutzer sensible Fragen stellen, die nicht öffentlich beantwortet werden können, kann D0 das nicht einfach in Slack beantworten, sondern braucht eine Web-Benutzeroberfläche.
00:03:06Wenn Benutzer Diagramme und Dashboards erstellen und damit interagieren möchten, benötigen sie ebenfalls eine Web-Benutzeroberfläche.
00:03:11Wenn jemand einen Datenagenten von Cloud-Code oder Codex aus aufrufen möchte, wie sie es täglich tun, benötigen sie einen MCP-Server. Wenn sie ihn von einer Anwendung aus aufrufen möchten, brauchen sie eine HTTP-API. Und wenn andere Agenten – wie Sie bei uns zunehmend hören – unsere Datenagenten aufrufen, benötigen sie eine Schnittstelle von Agent zu Agent.
00:03:27Wahrhaft liebenswerte Datenagenten müssen all diese Dienste unterstützen.
00:03:32Zweitens: Liebenswerte Datenagenten müssen sich in reichhaltigem Kontext bewegen. Darum dreht sich alles. Sie müssen Ihr Unternehmen verstehen. Sie müssen verstehen, was Ihre Metriken sind, was Ihre Begriffe bedeuten, wie Ihr Unternehmen funktioniert. Und sie müssen all diesen Kontext zum richtigen Zeitpunkt in die richtigen Arbeitsabläufe einbinden.
00:03:51Drittens: Liebenswerte Datenagenten müssen Daten abfragen können. Das liegt auf der Hand, ist aber gar nicht so einfach, denn um wirklich jede Frage beantworten zu können, müssen Datenagenten in der Lage sein, sich mit all Ihren Datenquellen zu verbinden.
00:04:07Nicht nur mit der größten, nicht nur mit einem einzigen Data Warehouse. Und um jede Aktion ausführen zu können, müssen sich Datenagenten mit all Ihren Aktionssystemen verbinden können.
00:04:17Und all diese Verbindungen müssen sicher sein. Der Agent darf niemals Ihre Anmeldedaten preisgeben, nicht einmal an das LLM, und jede Verbindung muss Berechtigungen respektieren.
00:04:27Ihr Agent sollte nur das sehen und tun können, was auch sein menschlicher Kollege sehen und tun kann.
00:04:32Viertens: Liebenswerte Datenagenten müssen analytischen Playbooks folgen. Bei diesen 30.000 Fragen im Monat stellen wir fest, dass die meisten Fragen nicht neuartig sind. Sie haben ein Muster, sie wiederholen sich, sie lassen sich als Vorlagen erstellen, und der Agent muss wissen, wie diese Muster aussehen und ihnen folgen.
00:04:50Fünftens: Liebenswerte Agenten müssen wiederkehrende Aufgaben ausführen. Auch hier sehen wir bei diesen 30.000 Fragen, dass die wichtigsten Fragen keine Einzelfälle sind, sondern sich wiederholen.
00:05:01Jeden Montag muss Ihr Agent wichtige Kennzahlen abrufen. Jeden Tag muss Ihr Agent die Kundengesundheit überprüfen und Warnungen ausgeben. Jeden Monat muss Ihr Agent den Marketing-ROI analysieren.
00:05:11Wahre, liebenswerte Agenten haben Routinen. Nun, sowohl für DZero als auch für Monty war es eigentlich einfach, diese Funktionen auszudrücken, da wir auf Eve aufbauten.
00:05:25Wir haben Eve ganz explizit für solche Agenten entwickelt. Eve behandelt Agenten wie ein Dateisystem, und die Struktur dieses Dateisystems bedeutet, dass jede Fähigkeit – diese fünf besprochenen Fähigkeiten –
00:05:37ein natürliches Zuhause mit all der Funktionalität hat, die wir benötigen, damit diese Fähigkeit vollständig ist.
00:05:43Als wir wollten, dass DZero mehrere Oberflächen unterstützt, haben wir diese Oberflächen einfach als erstklassige Eve-Kanäle deklariert.
00:05:55Jetzt ist es exakt derselbe DZero in Slack, in einer Web-Oberfläche, hinter einer HTTP-API und als MCP-Server. Es ist ein Kern mit vielen Oberflächen.
00:06:03Als wir wollten, dass sich DZero sicher mit Daten- und Aktionssystemen verbindet, haben wir einfach neue Werkzeuge in den Tools-Ordner gelegt.
00:06:11Snowflake-Abfrage ausführen, ClickHouse-Abfrage ausführen, Salesforce aktualisieren.
00:06:15Das Modell, das den Agenten antreibt, sieht immer nur das Werkzeug, niemals die Anmeldedaten, und da wir diese Werkzeuge über Vercel Connect mit OAuth verknüpfen, übernimmt jede Abfrage die Rollen und Berechtigungen ihres menschlichen Benutzers.
00:06:29Als wir wollten, dass DZero Playbooks folgt, haben wir sie einfach als Skills aufgeschrieben und in den Skills-Ordner gelegt.
00:06:34Und da Skills nur aus englischem Text bestehen, kann jeder Playbooks erstellen – entweder als dynamische Skills nur für sich selbst oder als globale Skills, die allen im Unternehmen zur Verfügung stehen.
00:06:43Und als wir wollten, dass DZero wiederkehrende Arbeit erledigt, haben wir einfach einen weiteren schlichten englischen Prompt geschrieben.
00:06:49Wir fügen eine Cron-Bedingung hinzu, legen sie in den Schedules-Ordner, und dieser Prompt wird nach Zeitplan aufgerufen, wobei DZero so antwortet, als wäre er live aufgerufen worden.
00:06:58Aber wie sieht es mit dem Kontext aus?
00:07:00Die einfache Antwort ist, dass auch der Kontext in Eve ein natürliches Zuhause hat, und zwar direkt dort in diesem Sandbox-Ordner.
00:07:07Für uns wird der Kontext, sobald er sich in der Sandbox befindet, Teil des navigierbaren Dateisystems von DZero, sodass DZero nun Bash wie ein Coding-Agent oder beliebige strukturierte Abfragetools nutzen kann, die wir ihm zur Verfügung stellen.
00:07:19Aber die interessantere Antwort ist, wie wir über Kontext denken, denn wiederum gilt für diese Agenten im Besonderen und Agenten im Allgemeinen, dass der Kontext letztlich alles ist, worauf es ankommt.
00:07:29Für uns haben wir uns für einen stark strukturierten Ansatz entschieden.
00:07:34Wir haben über ein Dutzend Arten sehr strukturierter Kontexte, von denen die meisten in YAML dargestellt werden, und fünf davon sind besonders wichtig.
00:07:41Erstens: Unsere semantische Ebene.
00:07:43Dies ist im Wesentlichen ein Katalog jeder einzelnen Tabelle in unserem Warehouse, der darin enthaltenen Felder, der ableitbaren Geschäftslogik und der gültigen Aggregationen, die ein Agent durchführen kann.
00:07:53Und nochmals: YAML.
00:07:55Zweitens: Unsere Metrikelebene.
00:07:57Diese Ebene nimmt die Aggregationen, die wir in der semantischen Ebene definieren, und setzt tatsächliche Geschäftsmetriken um.
00:08:03Drittens: Unsere Ereignisebene.
00:08:05Jeden Tag durchsuchen wir unser Änderungsprotokoll, unsere Vertriebsstrategien, unsere Marketingkampagnen, unsere Ausfälle und alle Daten-Pipeline-Warnungen und erstellen einen strukturierten Ereignisstrom.
00:08:15Viertens: Unsere Terminologie-Ebene.
00:08:17Das sind unsere Glossarbegriffe.
00:08:18Sie drücken aus, wie Vercel über Vercel spricht, und beinhalten Aliase, Synonyme und verwandte Konzepte.
00:08:24Und fünftens: Unsere Anleitungsebene.
00:08:26Dies sind einfache englische Aufsätze, die von Daten- und Fachexperten verfasst wurden, um sowohl Menschen als auch Agenten beizubringen, wie Vercel funktioniert.
00:08:34Das ist ein sehr reichhaltiger und zudem sehr strukturierter Kontext, was in unserem Fall bedeutet – da viele davon wiederum YAML sind –, dass wir unserem Agenten strukturierte Abfragetools und nicht nur Bash zur Verfügung stellen können.
00:08:49Mit Bash kommt man sehr weit.
00:08:50Es ist aber nicht alles, was man braucht.
00:08:52Das ist viel Arbeit, aber wir halten es für den Schlüssel zum Erfolg von D0.
00:08:57Als Nächstes möchte ich Ihnen eine andere Perspektive zeigen.
00:09:01Ich hole unsere Freunde von Clay auf die Bühne.
00:09:03Ihr Datenagent Monty wurde von D0 inspiriert.
00:09:07Er basiert auf Eve und funktioniert sehr ähnlich, unterscheidet sich aber auch grundlegend.
00:09:12Monty ist Monty und kein Klon von D0.
00:09:15Deshalb kommt jetzt der Leiter des Data-Teams von Clay zu mir auf die Bühne: Josh Hansen.
00:09:20Danke, Abhi.
00:09:29Es hat viel Spaß gemacht, Monty zu entwickeln, und ich freue mich darauf, unsere Erkenntnisse zu teilen.
00:09:33Ich mache da weiter, wo Abhi aufgehört hat, und zeige, wie Monty funktioniert und welche einzigartigen Entscheidungen wir bei der Entwicklung getroffen haben.
00:09:39Ich möchte dort ansetzen, wo Abhi aufgehört hat, nämlich bei der Navigation durch den Kontext.
00:09:44Abhi erwähnte, dass D0 über eine reichhaltige, strukturierte Kontextebene verfügt.
00:09:48Wir haben einen etwas anderen Ansatz gewählt, und das war die wichtigste Design-Entscheidung, die wir getroffen haben.
00:09:53Zu Beginn jeder Sitzung klont Monty das gesamte Repository unseres Data-Teams in sein Dateisystem.
00:09:59Dieses Repository ist das Gehirn.
00:10:01DBT-Modelle, die semantische Ebene, Metrikdefinitionen, Team-Skills, Dashboards, Notebook-Analysen.
00:10:07Jahre an Erfahrung darüber, wie das Data-Team von Clay über die Daten von Clay denkt.
00:10:11Dies ist ein anderer Ansatz, und wir haben ihn gewählt, weil wir uns von dem klassischen Muster der semantischen Ebene lösen wollten.
00:10:17Semantische Ebenen versprechen, dem LLM genau zu sagen, welche Tabellen es nach welchen Messungen und über welche Segmente hinweg abfragen kann.
00:10:24Sie versprechen Governance, aber die Realität sieht so aus, dass man eine unglaublich leistungsstarke Reasoning-Engine auf einen teuren SQL-Generator reduziert hat.
00:10:32Wir haben auf das Gegenteil gesetzt.
00:10:34Moderne Modelle können fast jedes Problem durchdenken, wenn man ihnen den richtigen Kontext gibt.
00:10:39Anstatt eines festen Menüs erlaubter Ausschnitte geben wir Monty den gesamten rohen Kontext, den es nur geben kann, und vertrauen darauf, dass es die richtigen Werkzeuge für die Frage ausählt.
00:10:48So sieht das in der Praxis aus.
00:10:50Monty hat eine Navigationskarte in seinem System-Prompt.
00:10:54Jeder Ordner in unserem Repository hat einen kleinen Katalog, einen einzeiligen Index dessen, was sich darin befindet.
00:10:59Monty durchsucht diesen Katalog, findet die ein oder zwei relevanten Einträge und öffnet nur diese.
00:11:05Die drei wichtigsten Dinge, auf die sich Monty stützt, sind erstens Skills, also die Team-Playbooks mit Auslösern, Rezepten und Stolperfallen.
00:11:13Zweitens: Modell-Dokumentation in einfachem Englisch für etwa 100 kontrollierte Modelle.
00:11:19Und drittens unser rohes DBT-SQL, das Monty nur dann öffnet, wenn es wirklich sehen muss, wie eine Spalte berechnet wird.
00:11:26Drei Stufen der progressiven Offenlegung, angewendet auf ein gesamtes Repository.
00:11:31Aber hier ist etwas, das ich Ihnen unbedingt einprägen möchte, da dies die größere Geschichte ist.
00:11:37Alles Analytische bei Clay existiert als Klartext in GitHub.
00:11:41Transformationen sind SQL, Spaltendokumente sind YAML, Metriken, Skills und Teamkontext sind komplett in Markdown verfasst.
00:11:48Dashboards und Notebooks sind komplett in Python.
00:11:50Wenn ein Analytics Engineer ein Modell veröffentlicht, weiß Monty in der nächsten Sitzung davon.
00:11:55Wenn ein Data Scientist ein neues Notebook pusht, dasselbe.
00:11:58Wenn jemand eine neue Metrik festlegt, genau dasselbe.
00:12:02Niemand in unserem Team pflegt eine KI-Wissensdatenbank.
00:12:05Unsere Codebasis ist die KI-Wissensdatenbank.
00:12:08Die Arbeit, die das Data-Team ohnehin leistet, ist das, was Monty schlauer macht.
00:12:13Okay.
00:12:14So weiß Monty also, wo es suchen muss.
00:12:17Ich zeige Ihnen, was es mit dem Gefundenen macht.
00:12:21Montys Toolkit ist bewusst klein gehalten.
00:12:24Monty hat Lesezugriff auf Snowflake, der abgesichert und zeilenbegrenzt ist, wobei jede Abfrage für das Audit markiert wird.
00:12:31Es verfügt außerdem über eine Python-Sandbox, in der es Pandas, Statsmodels, Scikit-learn und Fits-Modelle ausführen,
00:12:38Dinge plotten und Diagramme zurück an Slack senden kann.
00:12:41Es hat auch Zugriff auf die Clay-API, wodurch wir unsere Clay-Instanz verbinden und verwalten können.
00:12:46Und es verfügt über das, was wir eine analytische Verfassung nennen.
00:12:50Leitplanken, die in den Prompt geschrieben sind.
00:12:53Dinge wie: Korrelation ist keine Kausalität.
00:12:56Paaren Sie Raten immer mit der absoluten Anzahl.
00:12:59Kennzeichnen Sie kleine Stichproben.
00:13:01Das ist alles Zeug, das Monty quasi auf dem Boden der Tatsachen hält.
00:13:04Dieses Toolkit bewährt sich vor allem in zwei Situationen.
00:13:08Die erste ist eine Metrikabfrage, die nicht in einer Sackgasse endet.
00:13:12Wenn jemand in Slack fragt: Was ist unsere Metrik X und wie entwickelt sie sich?
00:13:17Und sofort wissen will: Warum?
00:13:19Welche Segmente?
00:13:20Welche Arbeitsbereiche?
00:13:21Welche Benutzer?
00:13:22Monty kann die Metrikfrage aus der Metrikelebene beantworten.
00:13:25Dann unsere gesamte dbt-Linie bis zu den Fakten der Arbeitsbereichsebene durchgehen und von dort aus erneut antworten.
00:13:32Die zweite ist wiederkehrende Arbeit.
00:13:34Die ad-hoc aussieht, es aber nicht ist.
00:13:37Man denke an Deep Dives zur Vorbereitung von Verlängerungen, Kontogesundheitsprüfungen, Pipeline-Reviews.
00:13:42Sie alle haben eine Form.
00:13:44Sie können alle als Vorlage dienen.
00:13:46Wir kodifizieren diese Form als Skill.
00:13:48Und Monty führt diesen Workflow auf dem Qualitätsniveau des Data-Teams aus.
00:13:52Ich möchte Ihnen das zweite Beispiel zeigen, weil ich es für das anschaulichste halte.
00:13:57Das ist ein echter Slack-Thread, leicht bereinigt.
00:14:00Er traf an einem Morgen um 5:00 Uhr in unserem Kanal ein.
00:14:03Jemand sagte: “Ich glaube, bei Kunde X steht eine Vertragsverlängerung an.
00:14:07Kannst du einen Deep Dive zur Kontogesundheit machen?”
00:14:09Und Montys erste Antwort darauf war: “Ich fange damit an, nach dem richtigen Skill zu suchen, dem ich folgen kann.”
00:14:15Und dann geht es von Anfang bis Ende durch.
00:14:1815 Tool-Aufrufe, sechs gesteuerte Abfragen, ein Matplotlib-Diagramm, null Fehler, zwei Minuten, 12 Sekunden.
00:14:26Was es tatsächlich getan hat: Es hat unseren Skill-Katalog gelesen, den EGS-Konto-Gesundheits-Skill zugeordnet, die beiden Referenzdokumente des Skills gelesen (eines für Stolperfallen, eines für unseren Preiswechsel), das Konto aus Snowflake abgerufen, sich durch die Modelle des Playbooks gearbeitet, ein Burndown-Diagramm in Matplotlib erstellt und das Ganze wieder in den Thread gepostet.
00:14:45Ein einziger Skill bildete das Fundament für das Ganze.
00:14:48Aber hier ist der Teil, den Sie unbedingt sehen sollten.
00:14:51Der Skill, den wir geschrieben haben, enthält eine integrierte Warnung.
00:14:53Darin steht buchstäblich: “Lassen Sie sich von einem gesunden Tempo nicht täuschen.”
00:14:57Und Monty hat es erfasst.
00:14:59Die Hauptzahlen für dieses Konto sahen großartig aus.
00:15:01Sie hatten 86 % ihrer Credits innerhalb von 91 % ihrer abgelaufenen Vertragslaufzeit verbraucht, ganz im Zeitplan.
00:15:09Das bringt den Credit-Pool genau zum Zeitpunkt der Verlängerung zum Erliegen.
00:15:12Aber der Skill sagte Monty, er solle weitergraben.
00:15:15Also rief Monty den gleitenden 30-Tage-Verbrauch ab, und dieser war gesunken.
00:15:20Der Höchststand im März lag bei 1,5 Millionen verbrauchten Credits pro Tag.
00:15:24Heute waren es 220.000, fast 33 % weniger.
00:15:30Dann sah sich Monty an, wer das Konto tatsächlich nutzte.
00:15:34Fünf eingeloggte Benutzer in den letzten 30 Tagen.
00:15:37Zwei Entwickler, die den Großteil der Ausgaben verursachen.
00:15:40Und dann machte es noch eine Überprüfung.
00:15:42Die Kontonummer eines historischen Benutzers – der Person, die den Anwendungsfall ursprünglich entwickelt hatte – hatte sich seit 188 Tagen nicht mehr angemeldet.
00:15:49Hier ist also, was auf diesem Konto tatsächlich vor sich ging.
00:15:53Eine rosige Zahl kaschierte ein schwächelndes Konto.
00:15:56Der Skill hatte davor gewarnt.
00:15:57Monty hat es erkannt.
00:15:58Und der Kundenbetreuer hatte um 5:00 Uhr morgens den richtigen Riecher.
00:16:02Das alles, bevor irgendjemand sein erstes Meeting hatte.
00:16:04Und das ist genau das, was wir damit meienen, jedem das Analysten-Playbook an die Hand zu geben.
00:16:08Wir schreiben das Playbook einmal auf und Monty führt es so aus, wie es ein Analyst tun würde.
00:16:13Das ist ein kleiner Einblick in die Funktionsweise von Monty.
00:16:16Wir können es kaum erwarten, dass es Clay verwandelt.
00:16:19In viellei Hinsicht hat es das bereits getan.
00:16:22Und damit zurück zu dir, Avi.
00:16:33Danke, Josh.
00:16:34Okay.
00:16:35Zwei Datenagenten also, dasselbe Framework, Eve.
00:16:38Zwei völlig unterschiedliche Unternehmen, zwei völlig unterschiedliche Agenten.
00:16:41Und das bringt uns zum zweiten Punkt, den ich versprochen habe.
00:16:43Warum Sie Ihre eigenen Agenten bauen sollten und diese nicht von der Stange kaufen sollten.
00:16:48So sehe ich das.
00:16:50Beide Datenagenten, die Sie heute gesehen haben, verbinden sich mit vier Arten von Systemen.
00:16:53Erstens: Datensysteme.
00:16:55Hier leben Ihre Daten tatsächlich.
00:16:57Zweitens: Kontextsysteme.
00:16:59Dies sind die Systeme, die die Kontextarchitektur um diese Daten herum organisieren und ihnen Bedeutung verleihen.
00:17:04Drittens: Aktionssysteme.
00:17:06Dies sind andere Geschäftssysteme, in denen die Agenten arbeiten.
00:17:09Und viertens: Interaktionssysteme, in denen die Agenten auf Menschen treffen.
00:17:14Die Pointe ist, dass kein Anbieter, das verspreche ich Ihnen, alle vier für Sie liefern kann.
00:17:19Und das liegt daran, dass jedes dieser Systeme in jedem Unternehmen anders ist.
00:17:22Ihr Datendschungel ist Ihrer.
00:17:24Ihre Kontextebene ist Ihre.
00:17:27Ihre Aktionssysteme sind Ihre.
00:17:29Ihre Interaktionssysteme sind Ihre.
00:17:30Und Standardagenten können sich mit einigen davon verbinden.
00:17:34Aber sie werden niemals die spezifische Kombination dieser vier Systeme liefern, auf denen Ihr Unternehmen tatsächlich läuft.
00:17:42Und sie werden niemals in der Lage sein, Ihren Kontext so auszudrücken, wie es Ihr Unternehmen benötigt und als optimal erachtet.
00:17:49Anbieter von Agents-as-a-Service können einen Agenten liefern, aber sie können nicht Ihren Agenten liefern.
00:17:55Nun, noch einmal, ich habe diesen Vortrag mit der Aussage begonnen, dass ich sehen möchte, wie Sie alle die nächsten 1.000 Agenten bauen.
00:18:01Und das meinte ich ernst.
00:18:02D0 hat verändert, wie Vercel arbeitet.
00:18:05Punkt.
00:18:06Monty verändert, wie Clay arbeitet.
00:18:08Und wir sehen zu, wie im Moment ein Dutzend weiterer gebaut werden.
00:18:11Jeder einzelne davon ist einzigartig.
00:18:12Jeder einzelne davon gehört ihnen.
00:18:14Und wir hoffen, dass Sie Ihren bauen.
00:18:16Und wir wollen, dass D0 von Ihrem lernt.
00:18:18Wenn ich behilflich sein kann, melden Sie sich bitte.
00:18:20Vielen Dank.