Alle bygger AI-agenter. Næsten ingen af dem arbejder sammen.

Jeg ryddede kalenderen og tog til San Francisco. Et af stoppene var Databricks Data and AI Summit. Mere end tredive tusind mennesker, et udstillingsområde fyldt med virksomheder, der bygger oven på hinanden, og en uge med keynotes om, hvor data og AI bevæger sig hen.

Jeg er ikke ingeniør. Jeg tog afsted for at forstå, hvilket skifte der er i gang. Her er det, jeg kom hjem med.

Hvad Databricks gør, i én sætning

De fleste organisationer sidder på enorme mængder data. Dokumenter, videoer, logs, års arbejde, spredt på tværs af systemer, der ikke taler sammen. Databricks bygger værktøjerne til at samle de data, rense dem, analysere dem og nu sætte AI i arbejde oven på dem. På få år er de gået fra at være en nyttig aktør til at være en af de virksomheder, giganterne holder øje med. En stor kunde hos os har præcis det problem: uendelige mængder data, som de gerne vil samle. Så jeg ville se det tæt på.

Hunden og selen

Det billede, der blev siddende hos mig, kom fra et oplæg om et nyt værktøj, de kalder Omnigent.

Forestil dig en hund i sele. Agenten er hunden. Selen er laget omkring den, som gør, at du faktisk kan styre den.

Pointen under det var enkel, og det var summitets hovedtema. Alle bygger AI-agenter nu. Hvert team, hver leverandør, deres egne små arbejdere. Men hver enkelt sidder i sin egen sele, og selerne er ikke forbundet. Så vi bruger dagene på at copy-paste mellem bokse, værktøjer og chatvinduer og sy arbejdet sammen i hånden. Det genkender jeg. Gør du?

Databricks’ svar er at bygge et åbent lag oven på alle selerne. En måde at kombinere agenter, styre dem og, det var den del, der fik mig til at spidse ører, samarbejde live inde i en agent-session. Invitér nogen ind. Kommentér på de samme filer. Arbejd sammen i stedet for at videresende screenshots.

Det er både et framing-, kontekst-, færdigheds- og samarbejdsproblem. Ligesom når man designer og faciliterer workshops: få formålet rigtigt først, sæt scenen, hav de rigtige færdigheder i rummet, og orkestrér derefter samarbejdet. Med AI viser det sig mellem maskiner, og mellem mennesker og maskiner. For nogen, der arbejder med Visual Collaboration, lander det tæt på.

Der blev viftet med den røde klud

I kanten af alle mulighederne dukkede ét ord hele tiden op i samtalerne. Omkostninger.

Der er en voksende bekymring for, at der ikke er nok compute til alle de løfter, der bliver givet. Datacentre opstår ikke fra den ene dag til den anden. Selv Databricks’ egne nye agent-værktøjer vejer nu kvalitet op mod omkostninger, fordi det ikke er realistisk at køre alt på fuld kraft til alt.

Afstanden kommer til at være mellem dem, der kan betale for de stærkeste og hurtigste modeller, og dem, der ikke kan.

Og lederteams mærker allerede den anden side af det. De har sluppet en masse AI løs, og nu betaler de for tokens brugt på arbejde, som ingen reelt havde brug for. Output, der aldrig blev designet, aldrig sat i kontekst, bare produceret, fordi det kunne lade sig gøre.

Spørgsmålet jeg tog med hjem

Den sidste del kan jeg også mærke i lille skala hos os i Bigger Picture. I vores eget arbejde kan jeg pludselig producere uendelige dokumenter og analyser. Ikke fordi de betyder noget. Fordi jeg kan. Hurtigt omdanne en bunke stickies til en research paper. Sætte tre nye websider op og så videre.

Så det egentlige spørgsmål er ikke, hvor meget AI du kan tilføje. Det er: gør du de rigtige ting, eller gør du bare tingene rigtigt?

Vi er selv i gang med at finde ud af det. Fejler hurtigt, går frem og tilbage og finder langsomt de anvendelser, der faktisk betyder noget. Og hver gang vi finder en rytme, kommer der en ny model, og så må vi orientere os igen. Det er det mærkelige vejr i dette øjeblik, og det hjælper ikke at lade som om, det er anderledes.

Jeg tog til San Francisco for at få en fornemmelse af bølgen. Den er reel, den er hurtig, og de fleste af de interessante spørgsmål er ikke tekniske. De handler om, hvad vi vælger at gøre med den.

Mere fra turen snart.