Mengapa AI Membuat Anda 100x Lebih Cepat tetapi Tidak untuk Perusahaan Anda - Mitchell Troyanovsky, Basis
원제 · Why AI Makes You 100x Faster but Not Your Company - Mitchell Troyanovsky, Basis
핵심 요약
Adopsi agen AI dalam skala perusahaan memerlukan kesederhanaan dan keandalan yang dicapai melalui pendirian yang tegas dan pengawasan proses yang konsisten.
하이라이트
Produktivitas individu meningkat hingga seratus kali lipat berkat alat bantu kerja AI, sementara produktivitas perusahaan secara keseluruhan belum mengalami peningkatan yang sama.
Dua masalah utama dalam adopsi agen AI adalah kesenjangan kompetensi yang membebani pengguna dan kesenjangan proses yang menghilangkan standardisasi organisasi.
Sistem agen produksi memerlukan pendirian yang tegas agar dapat beroperasi secara andal dan konsisten tanpa harus mencapai kesempurnaan mutlak.
Konteks yang dilihat oleh agen saat bekerja berfungsi sebagai data pelatihan runtime yang memengaruhi perilaku keluaran sistem secara langsung.
Spesifikasi perilaku bertindak sebagai pedoman dan rubrik penilaian untuk mengawasi tindakan agen pada lintasan yang tidak memiliki kebenaran dasar.
Simulasi menggunakan sub-agen untuk meniru agen produksi menawarkan metode pengujian ide yang lebih cepat dan murah sebelum diterapkan ke sistem nyata.
타임라인
Perbedaan Produktivitas Individu dan Perusahaan
Penggunaan alat bantu pengkodean dan kecerdasan buatan mendongkrak efisiensi personal secara drastis. Namun, dinamika di dalam sebuah perusahaan besar berjalan berbeda karena organisasi memerlukan kepastian dan konsistensi operasional dari tingkat bawah hingga atas. Manusia secara alami terbiasa bekerja dengan entitas non-deterministik seperti rekan kerja melalui penerapan proses yang terstruktur.
- Produktivitas pekerja individu meningkat pesat menggunakan berbagai alat bantu kecerdasan buatan.
- Perusahaan rata-rata belum merasakan lonjakan produktivitas sepuluh hingga seratus kali lipat.
- Organisasi manusia bergantung pada proses dan kepercayaan terhadap sistem yang non-deterministik.
Dua Hambatan Utama Penskalaan Agen AI
Produk agen gaya pengkodean saat ini mengalihkan kerumitan pengelolaan kepada pengguna yang sebagian besar belum memahaminya secara mendalam. Selain itu, kebebasan individu dalam mengatur cara kerja agen melanggar prinsip penskalaan organisasi yang menuntut proses seragam dari manajemen senior. Agen produksi menuntut tingkat keandalan dan kepercayaan yang konsisten agar dapat diadopsi secara luas.
- Kesenjangan kompetensi terjadi karena agen membebankan pengelolaan keterampilan dan memori kepada pengguna.
- Kesenjangan proses muncul ketika setiap karyawan membuat cara kerja yang berbeda-beda tanpa standar kepemimpinan.
- Keandalan dan konsistensi menjadi syarat utama agen produksi dibandingkan pencarian kesempurnaan.
Pentingnya Pendirian Tegas dalam Sistem Agen
Penggunaan agen tanpa pendirian yang jelas menghasilkan keluaran yang tidak dapat diandalkan meskipun prosesnya tampak baik. Keahlian bidang tertentu memberikan panduan intuitif mengenai langkah terbaik yang harus diambil oleh agen. Evaluasi berbasis hasil tradisional tidak mampu membuktikan kebenaran setiap lintasan dalam skala operasional yang masif.
- Pendirian yang tegas menentukan cara spesifik agen menyelesaikan tugas seperti membaca dokumen PDF.
- Pengembangan pendirian didasarkan pada keahlian domain seperti membaca sumber primer sebelum menyelesaikan pekerjaan pajak.
- Evaluasi berbasis hasil saja belum cukup untuk menjamin kinerja agen dalam skala produksi yang besar.
Pengelolaan Perilaku dan Kerangka Pengawasan
Konteks kerja agen diperlakukan sebagai data pelatihan runtime yang menuntut perhatian pada setiap token. Spesifikasi perilaku membantu menyelaraskan tim dan memperbesar sinyal pengawasan terhadap tindakan agen di lapangan. Percabangan jalur eksekusi dan simulasi menggunakan sub-agen memungkinkan pengembang melacak penyebab kegagalan serta menguji perbaikan dengan biaya yang lebih rendah.
- Perilaku agen diatur oleh kombinasi prompt sistem, pengungkapan progresif, deskripsi alat, dan pelatihan model.
- Spesifikasi perilaku berfungsi sebagai rubrik untuk mengawasi tindakan agen pada situasi tanpa kebenaran dasar.
- Teknik forking dan simulasi sub-agen membantu pengembang menguji serta mengevaluasi perilaku agen secara efisien.
Membangun Kepercayaan Organisasi terhadap Agen
Evaluasi terhadap pekerjaan agen berjalan mirip dengan proses peninjauan kode berdasarkan tingkat kompetensi dan besarnya dampak tugas. Pengguna menginginkan penyelesaian tugas skala besar yang dapat dipercaya dan dikerjakan bersama secara kolektif. Keberadaan pendirian yang tegas membuka jalan bagi pengembangan agen yang mampu menutup lingkaran peningkatan mandiri.
- Tingkat kepercayaan manusia terhadap agen menyerupai cara menilai ulasan kode dari rekan kerja.
- Adopsi luas menuntut agen yang sederhana digunakan dan dapat diandalkan oleh seluruh tim.
- Opini yang jelas memungkinkan sistem agen untuk terus meningkatkan diri secara mandiri dalam produksi.
설명
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!
