Por que a IA torna você 100x mais rápido, mas não a sua empresa - Mitchell Troyanovsky, Basis
원제 · Why AI Makes You 100x Faster but Not Your Company - Mitchell Troyanovsky, Basis
핵심 요약
A adoção bem-sucedida de agentes de IA em empresas depende de processos padronizados e opiniões firmes que garantam fiabilidade em escala, superando as lacunas de competências individuais.
하이라이트
A produtividade individual pode disparar até 100x com ferramentas de IA, mas o rendimento médio das empresas não acompanha essa escala de forma automática.
Os agentes de IA autônomos geram desafios práticos devido à lacuna de competências e à falta de processos estruturados na organização.
A chave para construir agentes de produção confiáveis reside em adotar opiniões firmes sobre como tarefas específicas devem ser executadas.
As especificações de comportamento servem como um guia claro para definir a intenção pretendida e alinhar equipes e rubricas de avaliação.
A técnica de bifurcação permite isolar pontos críticos em trajetórias com falhas para auditar e corrigir o comportamento dos agentes.
As simulações com subagentes oferecem uma alternativa económica e rápida para testar hipóteses de contexto antes de implementar alterações complexas.
타임라인
O contraste entre a produtividade individual e a empresarial
Muitos profissionais utilizam ferramentas de codificação e assistência por IA para multiplicar a sua eficiência individual de forma drástica. Contudo, essa realidade contrasta com o ambiente corporativo médio, onde a produtividade global permanece estagnada. As organizações escalam os seus resultados confiando em processos definidos pela liderança e transmitidos aos funcionários, permitindo que entidades não determinísticas gerem outputs previsíveis.
- A produtividade pessoal dos criadores de tecnologia aumenta significativamente com o uso de ferramentas avançadas.
- As empresas tradicionais não registam o mesmo nível de crescimento exponencial na sua produção diária.
- As organizações humanas funcionam através de processos estabelecidos que garantem resultados consistentes sem controlo direto constante.
Os obstáculos fundamentais na adoção de agentes
A disponibilização de agentes de IA sem diretrizes corporativas cria barreiras operacionais profundas. Os trabalhadores do conhecimento muitas vezes desconhecem as melhores práticas para gerir memórias e interagir com modelos complexos. Além disso, quando cada funcionário inventa o seu próprio método de trabalho, a empresa perde a padronização essencial para escalar com segurança e previsibilidade.
- A lacuna de competências transfere o peso da complexidade tecnológica diretamente para o utilizador final.
- A lacuna de processos ocorre quando cada colaborador personaliza o comportamento do agente sem diretrizes unificadas.
- A fiabilidade e a consistência superam a procura por uma perfeição inatingível no trabalho automatizado.
O papel das opiniões firmes e especificações de comportamento
A resolução de tarefas complexas, como a leitura de documentos ou a reconciliação financeira, exige abordagens padronizadas e opiniões firmes por parte dos criadores. Em vez de confiar em prompts genéricos, as equipas devem estruturar especificações de comportamento detalhadas. Estas especificações permitem monitorizar o alinhamento das trajetórias do agente de forma muito mais abrangente do que as avaliações tradicionais baseadas apenas no resultado final.
- Definir opiniões claras sobre processos elimina a ambiguidade na execução de tarefas complexas pelos agentes.
- O comportamento do agente resulta da combinação de prompts, ferramentas e dados de contexto em tempo de execução.
- As especificações de comportamento estabelecem intenções claras que funcionam como rubricas de supervisão escaláveis.
Métodos práticos de depuração e melhoria contínua
Técnicas avançadas como a bifurcação e as simulações fornecem os mecanismos necessários para fechar o ciclo de melhoria dos agentes de IA. A criação de subagentes simulados permite iterar rapidamente sobre ideias de contexto sem incorrer nos custos de infraestrutura de ambientes completos. Com o tempo, à medida que a fiabilidade e a simplicidade aumentam, as empresas depositam nos agentes o mesmo grau de confiança atribuído a colegas de trabalho qualificados.
- A bifurcação de trajetórias possibilita recriar ambientes para analisar o momento exato de um desvio comportamental.
- As simulações utilizam subagentes para testar hipóteses de contexto de forma rápida e económica.
- A confiança nos agentes em ambiente produtivo evolui de forma idêntica à relação profissional entre colegas humanos.
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!